Bối cảnh và vấn đề nghiên cứu

Ngành bán lẻ hiện đại, đặc biệt là chuỗi cửa hàng tiện lợi (convenience store), đang chịu áp lực ngày càng lớn trong việc đảm bảo tính sẵn có của sản phẩm trên kệ hàng. Tại Circle K Vietnam (CKVN) — chuỗi cửa hàng tiện lợi quốc tế đầu tiên hoạt động 24 giờ tại Việt Nam với hơn 400 cửa hàng tính đến năm 2021 — bài toán cốt lõi nằm ở việc dự báo nhu cầu trong các chương trình khuyến mãi (trade promotion). Khi dự báo không chính xác, hệ quả là hai chiều: thiếu hàng gây mất doanh thu và giảm trải nghiệm khách hàng, hoặc tồn kho vượt mức gây chi phí lưu kho, rủi ro hàng hết hạn sử dụng — đặc biệt nghiêm trọng với nhóm sản phẩm có hạn sử dụng ngắn 3–6 tháng, nơi quy định nhận hàng yêu cầu còn ít nhất 60–70% hạn dùng.

Khóa luận xác định hai mục tiêu chính:

  1. Phân tích nguyên nhân dẫn đến độ chính xác dự báo khuyến mãi thấp tại CKVN, bao gồm sự chênh lệch giữa store order (SO) và nhu cầu thực tế của khách hàng.
  2. Đề xuất phương pháp cải thiện độ chính xác dự báo thông qua phân loại SKU (ABC classification) và ứng dụng hồi quy tuyến tính bội (multiple linear regression) với các biến giả khuyến mãi.

Đối tượng nghiên cứu: Hoạt động dự báo và lập kế hoạch bổ sung hàng (replenishment planning) trong các chương trình khuyến mãi tại CKVN.

Phạm vi không gian: Toàn bộ chuỗi cửa hàng Circle K tại Việt Nam, tập trung vào hệ thống phân phối từ trung tâm phân phối (DC) đến cửa hàng.

Phạm vi thời gian: Dữ liệu được trích xuất từ chương trình khuyến mãi tháng 12/2021, kết hợp chuỗi dữ liệu lịch sử từ 2019 đến đầu 2022 cho một số mặt hàng phân tích điển hình.


Cơ sở lý thuyết và phương pháp

Khung lý thuyết

Khóa luận xây dựng nền tảng lý thuyết từ các khái niệm và mô hình sau:

  • Định nghĩa demand planning theo APICS Dictionary: "a process that weighs both customer demand and a firm's output capabilities and try to balance the two."
  • Định nghĩa supply chain management theo Council of Supply Chain Management Professionals (CSCMP).
  • Bốn đặc trưng của demand pattern: Seasonality (mùa vụ), Trend (xu hướng), Cycle (chu kỳ), Random variation (biến động ngẫu nhiên).
  • Nguyên tắc Pareto (80/20) — ABC analysis: Phân loại tồn kho theo doanh thu đóng góp (Class A: 10–20% SKU tạo 50–80% doanh thu; Class B: 20–30% SKU, 15–20% doanh thu; Class C: 50–70% SKU, 5–10% doanh thu).
  • ABC & XYZ combined analysis: Kết hợp phân loại theo giá trị tiêu thụ (ABC) và độ biến động nhu cầu (XYZ) để xây dựng ma trận phân loại 9 ô từ AX đến CZ, từ đó điều chỉnh chiến lược dự báo và tồn kho phù hợp hơn.
  • Mô hình hồi quy tuyến tính bội (Multiple Linear Regression — MLR): Sử dụng nhiều biến độc lập (giá chiết khấu, biến mùa vụ, biến giả khuyến mãi) để dự báo biến phụ thuộc là sản lượng tiêu thụ.
  • Khái niệm Bullwhip Effect trong chuỗi cung ứng nội bộ bán lẻ giữa actual demand và store order.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp kết hợp quan sát thực địa, thu thập và phân tích dữ liệu thứ cấp từ hệ thống nội bộ CKVN. Công cụ phân tích chủ yếu là Microsoft Excel với tính năng Data Analysis (hồi quy tuyến tính bội). Quy trình nghiên cứu gồm: quan sát quy trình thực tế, trích xuất dữ liệu, phân loại SKU theo ABC, tính toán chỉ số MAPE (Mean Absolute Percentage Error) theo từng nhóm phân loại, xây dựng mô hình MLR và so sánh dự báo với nhu cầu thực tế.

Nguồn dữ liệu

Toàn bộ dữ liệu được tác giả trích xuất trực tiếp từ hệ thống nội bộ CKVN trong thời gian thực tập — bao gồm dữ liệu bán hàng theo tháng (2019–2021), store order, actual demand, và các chương trình khuyến mãi. Kinh nghiệm thực tế từ vai trò thực tập tại bộ phận Planning & Replenishment của CKVN (dưới sự hướng dẫn của ông Dương Hoàng Phúc, Planning & Replenishment Supervisor) là nguồn bổ sung quan trọng.


Nội dung chính theo từng chương

Chương 1: Giới thiệu về Circle K Stores Inc.

Chương này trình bày lịch sử hình thành và phát triển của Circle K từ năm 1951 (3 cửa hàng tại El Paso, Texas) đến khi trở thành thương hiệu toàn cầu với 9,799 cửa hàng tại Bắc Mỹ và 2,697 cửa hàng tại châu Âu (tính đến 2020). Circle K gia nhập thị trường Việt Nam năm 2008 thông qua GR Vietnam International Limited.

Tại Việt Nam, thị trường cửa hàng tiện lợi đạt quy mô VND 4,4 nghìn tỷ với tốc độ tăng trưởng 18% năm 2019. Việt Nam dẫn đầu tốc độ tăng trưởng trong khu vực châu Á (giai đoạn 2017–2022). Các đối thủ chính gồm Family Mart, Circle K và B's Mart. CKVN triển khai hai chương trình số hóa: CK GO (giao hàng tận nơi) và CK CLUB (loyalty platform O2O). Chương cũng mô tả cơ cấu tổ chức của bộ phận Merchandising tại CKVN gồm ba nhóm chức năng: Inventory planning & replenishment, Promotion & display planning, và Category in-charge (CIC).

Chương 2: Tổng quan lý thuyết (Literature Review)

Chương cung cấp nền tảng lý thuyết về demand planning, đặc điểm nhu cầu bán lẻ, quy trình dự báo 5 bước, và các phương pháp dự báo (định tính và định lượng). Đặc biệt, chương trình bày chi tiết:

  • Phân loại ABC và ABC-XYZ kết hợp với ma trận 9 ô phân loại theo mức tiêu thụ và độ biến động dự báo.
  • Ứng dụng hồi quy tuyến tính bội vào dự báo nhu cầu bán lẻ, kèm ví dụ minh họa với bộ dữ liệu 24 tháng, hai biến dự báo (price discount và seasonal demand). Kết quả R² = 0,75, nghĩa là 75% biến động nhu cầu được giải thích bởi các biến độc lập. Kiểm định P-value cho thấy biến X2 (price discount) không có ý nghĩa thống kê (P-value > 0,05) và bị loại khỏi mô hình cuối.

Chương 3: Hoạt động lập kế hoạch bổ sung hàng tại CKVN

Chương mô tả chi tiết quy trình thực tế tại CKVN: khoảng 70% dự báo được thực hiện thủ công dựa trên kinh nghiệm của đội ngũ planning, chỉ 30% sử dụng thuật toán thống kê. Tác giả phân tích hai mặt hàng điển hình của Heineken Vietnam là STRONGBOW Cider Dark 330ml (mã 231033, doanh số ~561 pcs/ngày) và STRONGBOW Cider Gold 330ml (mã 226698, ~313 pcs/ngày).

Dữ liệu cho thấy:

  • Tháng 12/2019 ghi nhận đỉnh nhu cầu ~22,000 pcs (Cider Dark) và ~14,000 pcs (Cider Gold).
  • Tháng 10–11/2021 (không khuyến mãi): Cider Dark ~450 pcs/ngày, Cider Gold ~250 pcs/ngày.
  • Tháng 12/2021 (khuyến mãi "Buy 3 get 1 free" + dịp Giáng sinh/Tết Dương lịch): nhu cầu tăng ~59% so với tháng 11, đạt đỉnh 1,700–2,300 pcs/ngày (Cider Dark) và 1,000–1,500 pcs/ngày (Cider Gold) vào ngày 24 và 31/12.

Chương cũng phân tích hiện tượng Bullwhip Effect nội bộ: store order luôn cao hơn actual demand, chênh lệch càng lớn trong tháng khuyến mãi, gây khó khăn cho việc phân bổ hàng đồng đều giữa các cửa hàng.

Chương 4: Phân tích và cải thiện độ chính xác dự báo khuyến mãi

Đây là chương trọng tâm. Tác giả thực hiện:

  1. Phân loại SKU theo ABC và tính MAPE cho từng nhóm trong chương trình khuyến mãi tháng 12/2021, từ đó xác định nhóm nào có độ lệch dự báo lớn nhất.
  2. So sánh SO và actual demand theo từng phân loại để lượng hóa chênh lệch.
  3. Xây dựng mô hình MLR với biến giả khuyến mãi (promotional dummy variables) — bao gồm nhận diện biến ảnh hưởng, kiểm định Effect Size (bảng danh sách effect size các biến), hồi quy đa biến và đánh giá kết quả (bảng Multiple Regression Analysis).
  4. So sánh dự báo trước và sau khi áp dụng mô hình (biểu đồ "Forecast after model applied").
  5. Đề xuất các giải pháp cụ thể và định hướng tương lai.
Mặt hàng Phân loại Nhận xét chính
STRONGBOW Cider Dark 330ml Class A (50_A) Biến động SO cao nhất trong tháng khuyến mãi
STRONGBOW Cider Gold 330ml Class A (300_A) Chênh lệch SO/actual demand rõ rệt
Rượu & Đồ uống có cồn (Wine & Liquor) Nhóm phân tích điển hình Phân loại SKU theo ABC cho cả danh mục
Mì CUNG ĐÌNH Nhóm minh họa phân tích bổ sung Phân tích replenishment kết hợp ABC

Kết quả và đóng góp

Kết quả chính:

  • Mô hình hồi quy tuyến tính bội với biến giả khuyến mãi cho hệ số R² = 0,75 trong ví dụ minh họa (75% biến động nhu cầu được giải thích).
  • Xác định rằng store order trong tháng khuyến mãi luôn cao hơn nhu cầu thực tế, và chênh lệch này có thể được lượng hóa theo từng phân loại ABC.
  • Sau tháng khuyến mãi, nhu cầu giảm khoảng 20% so với mức đỉnh — CKVN áp dụng mức buffer 15–20% khi dự báo cho các mặt hàng khuyến mãi tháng tiếp theo.

Giải pháp tác giả đề xuất:

  • Áp dụng phân loại ABC-XYZ để ưu tiên nguồn lực dự báo và quản lý tồn kho theo mức độ biến động thực tế của từng nhóm SKU.
  • Tích hợp mô hình MLR với các biến giả khuyến mãi (loại khuyến mãi, mức chiết khấu, tính mùa vụ) vào quy trình lập kế hoạch hàng tháng, thay thế một phần phương pháp dự báo thủ công hiện tại (đang chiếm 70% tổng dự báo).
  • Sau khi khuyến mãi kết thúc, cần loại bỏ dữ liệu doanh số khuyến mãi khỏi baseline dự báo bình thường để tránh méo lệch mô hình dự báo phi khuyến mãi.
  • Cập nhật dự báo theo tháng thay vì ít hơn để giảm phương sai và an toàn tồn kho (safety stock).

Đóng góp: Khóa luận đóng góp một khung phân tích thực tiễn kết hợp phân loại ABC-XYZ với mô hình MLR, được xây dựng trực tiếp từ dữ liệu nội bộ CKVN — môi trường chuỗi cửa hàng tiện lợi có đặc thù riêng về vòng đời sản phẩm ngắn và tần suất khuyến mãi cao.


Hạn chế và hướng nghiên cứu tiếp

Tác giả thừa nhận một số hạn chế trong phần lời cảm ơn: kiến thức lý thuyết còn hạn chế, khả năng ứng dụng lý thuyết vào thực tiễn và kinh nghiệm thực tế chưa đủ sâu. Phạm vi dữ liệu tập trung vào chương trình khuyến mãi tháng 12/2021 và một số danh mục hàng hóa chọn lọc, chưa bao quát toàn bộ danh mục SKU của CKVN. Mô hình MLR được minh họa bằng ví dụ giả định 24 tháng, chưa được kiểm chứng đầy đủ trên toàn bộ danh mục thực tế.

Hướng nghiên cứu tiếp theo có thể mở rộng sang: áp dụng mô hình cho nhiều danh mục hơn, tích hợp thêm biến về vị trí địa lý của cửa hàng (HCMC/Hà Nội/các tỉnh), hoặc xem xét các phương pháp dự báo nâng cao hơn như machine learning khi dữ liệu đủ lớn.


Giá trị tham khảo

Tài liệu phù hợp với:

  • Sinh viên ngành Logistics & Quản lý chuỗi cung ứng đang thực hiện đồ án liên quan đến demand planning, inventory management, hoặc retail supply chain — đặc biệt là phần lý thuyết ABC-XYZ analysis và quy trình dự báo 5 bước ở Chương 2.
  • Sinh viên hoặc người mới đi làm muốn hiểu quy trình vận hành thực tế của một chuỗi cửa hàng tiện lợi quốc tế tại Việt Nam — Chương 1 và Chương 3 có giá trị mô tả thực tiễn cao.
  • Người làm kế hoạch và bổ sung hàng (planning & replenishment) trong bán lẻ hiện đại có thể tham khảo phương pháp xây dựng mô hình MLR bằng Excel và cách diễn giải kết quả ANOVA, R², P-value ở Chương 2 và Chương 4.
  • Nhà nghiên cứu quan tâm đến thị trường cửa hàng tiện lợi Việt Nam có thể tham khảo số liệu thị trường (quy mô VND 4,4 nghìn tỷ, tăng trưởng 18% năm 2019, tốc độ CAGR dẫn đầu châu Á) được dẫn từ IGD Research, Euromonitor và Deloitte Analysis.

Câu hỏi thường gặp

1. Tại sao CKVN lại gặp khó khăn với dự báo khuyến mãi dù đã có đội ngũ planning chuyên trách?

Vì khoảng 70% dự báo tại CKVN được thực hiện thủ công dựa trên kinh nghiệm, chỉ 30% dùng thuật toán. Trong tháng khuyến mãi, store order từ các cửa hàng luôn cao hơn actual demand và có biên độ dao động lớn, tạo ra hiệu ứng Bullwhip nội bộ khiến đội planning khó phân bổ hàng đồng đều và dự báo chính xác nhu cầu DC.

2. Chương trình khuyến mãi tháng 12/2021 của STRONGBOW diễn ra như thế nào và ảnh hưởng ra sao đến nhu cầu?

CKVN triển khai hai đợt khuyến mãi liên tiếp: từ 2/12 đến 5/1 với chương trình "Buy any 3 get any 1 free" (ngân sách 74,491,773 VND cho Cider Dark và 150,267,886 VND cho Cider Gold), và từ 6/1 đến 28/1 với "Buy 2 can Save 8K". Nhu cầu tháng 12 tăng ~59% so với tháng 11, đạt đỉnh 2,300 pcs/ngày (Cider Dark) và 1,500 pcs/ngày (Cider Gold) vào ngày 31/12.

3. Mô hình hồi quy tuyến tính bội trong khóa luận cho kết quả như thế nào?

Trong ví dụ minh họa với 24 tháng dữ liệu và hai biến dự báo (price discount và seasonal demand), mô hình đạt R² = 0,75 — nghĩa là 75% biến động nhu cầu được giải thích bởi các biến độc lập. Kiểm định P-value cho thấy biến price discount không đạt ngưỡng ý nghĩa thống kê (P-value > 0,05) và được loại khỏi mô hình; sản lượng dự báo trường hợp đầu tiên là 9,866.518 pcs so với actual demand 9,865 pcs.

4. CKVN áp dụng tiêu chí nào để phân loại hàng hóa theo ABC và tại sao điều này quan trọng với dự báo khuyến mãi?

ABC classification dựa trên nguyên tắc Pareto: Class A (10–20% SKU tạo 50–80% doanh thu) được ưu tiên tuyệt đối trong tồn kho và dự báo; Class B (20–30% SKU, 15–20% doanh thu); Class C (50–70% SKU, 5–10% doanh thu). Điều này quan trọng vì mức MAPE và chênh lệch SO/actual demand khác nhau đáng kể giữa các nhóm — kết quả phân tích trong Chương 4 (Bảng "MAPE data set for each class" và "Difference between customer demand and SO for each classification") cho thấy rõ sự phân kỳ này.

5. CKVN xử lý dữ liệu lịch sử khuyến mãi ra sao để tránh ảnh hưởng đến dự báo bình thường?

Theo tác giả, sau khi kết thúc khuyến mãi, dữ liệu doanh số trong giai đoạn khuyến mãi cần được loại bỏ khỏi baseline dự báo phi khuyến mãi. Nhu cầu sau khuyến mãi thường giảm khoảng 20% vì các cửa hàng đã tích đủ hàng trong giai đoạn khuyến mãi. Nếu không làm sạch dữ liệu này, hệ thống dự báo sẽ đọc nhầm đỉnh khuyến mãi là xu hướng tăng trưởng thực sự và dẫn đến over-forecast trong các tháng sau.


Kết luận

Khóa luận cung cấp một phân tích thực tiễn về bài toán dự báo khuyến mãi tại Circle K Vietnam, kết hợp giữa lý thuyết chuỗi cung ứng bán lẻ (ABC-XYZ analysis, demand planning principles) và ứng dụng thống kê cụ thể (multiple linear regression bằng Excel). Nghiên cứu chỉ ra rằng sự kết hợp giữa phân loại SKU theo mức độ biến động nhu cầu và mô hình dự báo có biến giả khuyến mãi có tiềm năng cải thiện độ chính xác dự báo so với phương pháp thủ công đang chiếm 70% quy trình hiện tại. Giá trị chính của tài liệu nằm ở sự gắn kết chặt chẽ giữa khung lý thuyết học thuật và dữ liệu vận hành thực tế từ nội bộ CKVN, phù hợp làm tài liệu tham khảo cho các nghiên cứu tiếp theo trong lĩnh vực retail supply chain tại thị trường Việt Nam.