📏 Tiêu chuẩn Buổi 8: Hoạch định nhu cầu (Demand Planning)

Buổi 8 bao quát toàn bộ quy trình hoạch định nhu cầu — từ các phương pháp dự báo (định tính & định lượng), quy trình S&OP/IBP, demand sensing thời gian thực đến cộng tác CPFR giữa nhà bán lẻ và nhà cung cấp. Dưới đây là các tiêu chuẩn quốc tế, framework và phương pháp luận giúp doanh nghiệp dự báo chính xác hơn, giảm sai lệch forecast và đồng bộ hóa kế hoạch cung – cầu – tài chính.

1. APICS / ASCM — Demand Management Framework

📋 Giới thiệu

Thuộc tính	Chi tiết
Tên đầy đủ	APICS Body of Knowledge — Demand Management Module (thuộc CPIM Part 1)
Tổ chức	ASCM (Association for Supply Chain Management) — tiền thân là APICS (American Production and Inventory Control Society, thành lập 1957)
Chứng chỉ liên quan	CPIM (Certified in Planning and Inventory Management), CSCP (Certified Supply Chain Professional), CLTD (Certified in Logistics, Transportation and Distribution)
Phiên bản	CPIM 8.0 (2024), CSCP v5.0
Phạm vi	Quản lý nhu cầu toàn diện — từ dự báo, kế hoạch nhu cầu đến phối hợp cung – cầu

APICS (nay là ASCM) xây dựng hệ thống kiến thức chuẩn mực nhất thế giới về Demand Management. Module Demand Management trong CPIM Part 1 là nền tảng lý thuyết và thực hành cho mọi demand planner, cung cấp framework phân cấp dự báo, phương pháp đo lường và quy trình consensus.

📖 Nội dung chính

Forecasting Hierarchy theo APICS:

Cấp độ	Horizon	Granularity	Người chịu trách nhiệm	Ứng dụng
Strategic	2-5 năm	Product family / Market	C-suite, VP Strategy	Capacity planning, CapEx, network design
Tactical	3-18 tháng	Product group / SKU group	Demand Planning Manager	S&OP, production planning, procurement
Operational	1 ngày – 3 tháng	SKU / SKU-Location	Demand Planner, Scheduler	MPS, DRP, order fulfillment

Forecast Accuracy Metrics theo APICS Dictionary:

Metric	Công thức	Diễn giải	Benchmark
MAPE (Mean Absolute Percentage Error)	$M A P E = \frac{1}{n} \sum \| \frac{A_{t} - F_{t}}{A_{t}} \| \times 100 %$	Sai số trung bình tuyệt đối theo phần trăm	FMCG: 20-30%; Fashion: 40-60%
MAD (Mean Absolute Deviation)	$M A D = \frac{1}{n} \sum \| A_{t} - F_{t} \|$	Sai số trung bình tuyệt đối theo đơn vị	Phụ thuộc scale, dùng so sánh nội bộ
RMSE (Root Mean Square Error)	$R M S E = \sqrt{\frac{1}{n} \sum (A_{t} - F_{t})^{2}}$	Phạt lỗi lớn nặng hơn MAD	So sánh giữa các model
Tracking Signal	$T S = \frac{\sum (A_{t} - F_{t})}{M A D}$	Phát hiện forecast bias có hệ thống	\|TS\| ≤ 4 (chấp nhận); > 6 (cần điều chỉnh)
Forecast Bias	$B i a s = \frac{\sum (F_{t} - A_{t})}{\sum A_{t}} \times 100 %$	Xu hướng dự báo cao/thấp hơn thực tế	Target: \|Bias\| < 5%

Best Practices từ APICS Body of Knowledge:

Forecast ≠ Target: Dự báo phải phản ánh thực tế thị trường, không phải mục tiêu kinh doanh — tách riêng forecast và sales target
Forecast at the right level: Dự báo ở cấp aggregate rồi disaggregate xuống SKU (top-down) chính xác hơn bottom-up trong hầu hết trường hợp
Combine methods: Kết hợp định lượng (statistical) + định tính (judgment) cho kết quả tốt nhất
Measure continuously: Track MAPE, Bias hàng tháng — thiết lập exception management khi sai lệch vượt ngưỡng
One-number plan: Toàn bộ tổ chức phải làm việc trên một con số forecast duy nhất (consensus forecast)

🔧 Cách áp dụng

Xác định forecasting hierarchy: Phân cấp Product Family → Product Group → SKU → SKU-Location, mapping với planning horizon phù hợp
Chọn phương pháp forecast: Sản phẩm ổn định → Exponential Smoothing; có trend → Holt; mùa vụ → Holt-Winters/Seasonal Decomposition; sản phẩm mới → Delphi/Expert Judgment
Thiết lập forecast accuracy dashboard: Tính MAPE, Bias, Tracking Signal hàng tháng cho từng product family — alert khi MAPE > ngưỡng hoặc |Bias| > 5%
Xây dựng consensus process: Lịch họp hàng tháng — Statistical baseline → Sales enrichment → Marketing overlay → Consensus meeting → Approve
Đào tạo team: Tối thiểu Demand Planner nên thi CPIM Part 1 — hoặc tự học APICS Dictionary key terms về demand management

🏭 Ví dụ thực tế

Vinamilk — doanh nghiệp sữa lớn nhất Việt Nam — áp dụng forecasting hierarchy theo framework APICS: cấp Strategic (3-5 năm) cho kế hoạch xây nhà máy mới và mở rộng trang trại bò sữa; cấp Tactical (6-18 tháng) cho S&OP hàng tháng theo product family (sữa tươi, sữa chua, sữa bột, sữa đặc); cấp Operational (tuần/ngày) cho DRP phân phối đến 200,000+ điểm bán. Vinamilk sử dụng Holt-Winters cho nhóm sản phẩm có tính mùa vụ rõ (sữa chua tăng 20-25% vào mùa hè, sữa bột tăng 15% dịp Tết), kết hợp Expert Judgment cho sản phẩm mới ra mắt. MAPE được track hàng tháng — target MAPE < 25% ở cấp SKU-Location, đạt trung bình 18-22%. Forecast Bias được monitor chặt — khi phát hiện bias dương liên tục cho nhóm sữa bột trẻ em (do sales input quá lạc quan), team đã điều chỉnh consensus process, yêu cầu sales input phải kèm evidence từ distributor order.

2. S&OP Framework — Oliver Wight (Class A)

📋 Giới thiệu

Thuộc tính	Chi tiết
Tên đầy đủ	Sales & Operations Planning (S&OP) — Oliver Wight Class A Framework
Tổ chức phát triển	Oliver Wight International — công ty tư vấn SCM hàng đầu, thành lập bởi Oliver Wight (1960s-1980s)
Người sáng lập	Oliver Wight phát triển S&OP từ đầu 1980s, xây dựng trên nền tảng MRP II
Phiên bản	Oliver Wight Class A Checklist, 7th Edition (2017)
Phạm vi	Quy trình cân bằng cung – cầu hàng tháng, kết nối chiến lược kinh doanh với hoạt động vận hành

Oliver Wight là "cha đẻ" của S&OP. Từ những năm 1980, ông nhận ra rằng MRP II chỉ giải quyết phần "how" (sản xuất cái gì, bao nhiêu) mà thiếu phần "what" (nên bán gì, thị trường cần gì). S&OP ra đời để kết nối bộ phận bán hàng, marketing, sản xuất và tài chính vào một quy trình ra quyết định thống nhất hàng tháng.

📖 Nội dung chính

5-Step Monthly S&OP Process:

Bước	Tên	Người tham gia	Output
1	Data Gathering	Demand Analyst	Dữ liệu bán hàng, tồn kho, market intelligence cập nhật
2	Demand Planning / Demand Review	Sales, Marketing, Demand Planner	Unconstrained demand plan (consensus forecast)
3	Supply Planning / Supply Review	Operations, Procurement, Logistics	Constrained supply plan — capacity, material, logistics
4	Pre-S&OP Meeting	Cross-functional managers	Phân tích gaps cung–cầu, đề xuất scenarios, financial impact
5	Executive S&OP Meeting	CEO/GM, VP-level	Quyết định: approve plan, allocate resources, resolve conflicts

Oliver Wight Class A Checklist — S&OP criteria:

Tiêu chí	Class A	Class B	Class C	Class D
S&OP process	Monthly, cross-functional, CEO-led	Monthly nhưng thiếu CEO ownership	Ad-hoc, không đều đặn	Không có S&OP
Demand Plan Accuracy	≥ 85% (family level)	75-85%	60-75%	< 60%
Supply Plan Adherence	≥ 95%	85-95%	70-85%	< 70%
Financial integration	Kế hoạch tài chính tích hợp đầy đủ	Có kết nối nhưng chưa đồng bộ	Tách rời	Không có
One-number plan	Toàn tổ chức dùng 1 con số	Phần lớn nhất quán	Mỗi bộ phận 1 con số	Mỗi người 1 con số

S&OP Maturity Model:

Stage	Tên	Đặc điểm	KPIs
1	Reactive	Không có quy trình, phản ứng theo tình huống	Không đo lường forecast accuracy
2	Standard	S&OP monthly cycle đã có, nhưng chưa cross-functional đầy đủ	MAPE tracked, nhưng chưa có accountability
3	Advanced	Cross-functional, CEO-led, financial integration	Demand Plan Accuracy ≥ 80%, Bias < 5%
4	Proactive	Scenario planning, what-if analysis, demand sensing tích hợp	Class A criteria đạt đầy đủ, MAPE < 20% family level

KPIs cốt lõi của S&OP:

KPI	Công thức	Target
Demand Plan Accuracy	$1 - \frac{\sum \| A c t u a l - P l a n \|}{\sum A c t u a l}$ ở cấp family	≥ 85%
Supply Plan Adherence	$\frac{Actual Production}{Planned Production}$	≥ 95%
Financial Plan Accuracy	$1 - \frac{\| A c t u a l R e v e n u e - P l a n n e d R e v e n u e \|}{A c t u a l R e v e n u e}$	≥ 90%
S&OP Meeting Effectiveness	Agenda completion, decision rate, attendance	100% attendance, ≥ 80% decisions made

🔧 Cách áp dụng

Bắt đầu từ leadership commitment: CEO/GM phải sponsor và tham dự Executive S&OP — không có leadership buy-in thì S&OP sẽ thất bại
Xây dựng lịch S&OP cố định: Ngày cố định mỗi tháng cho từng bước — ví dụ: Data (ngày 1-5), Demand Review (ngày 8-10), Supply Review (ngày 12-15), Pre-S&OP (ngày 18), Exec S&OP (ngày 22)
Xác định product families: Gom SKU thành 8-15 product families — đủ chi tiết để ra quyết định nhưng không quá granular
Thiết lập S&OP template: Spreadsheet hoặc hệ thống với demand plan, supply plan, inventory plan, financial projection — rolling 18-24 tháng
Đo lường và cải tiến: Track Demand Plan Accuracy, Supply Plan Adherence hàng tháng — sử dụng Oliver Wight Class A Checklist để tự đánh giá maturity
Tiến tới Class A: Roadmap 12-24 tháng — từ Class D/C lên Class A, với milestones rõ ràng cho từng giai đoạn

🏭 Ví dụ thực tế

Sabeco (Tổng Công ty Bia – Rượu – Nước giải khát Sài Gòn, nay thuộc ThaiBev) — triển khai S&OP từ 2018 sau khi ThaiBev mua lại. Trước đó, Sabeco vận hành theo mô hình push-based: nhà máy sản xuất theo công suất tối đa, đẩy hàng ra hệ thống phân phối. Sau khi áp dụng S&OP monthly cycle, Sabeco thiết lập 10 product families (Bia Sài Gòn Xanh/Đỏ/Lager, 333, Bia Sài Gòn Chill...), với Demand Review do team Trade Marketing và Sales phối hợp Demand Planner. Mùa hè (tháng 4-8) nhu cầu bia tăng 35-50% so với mùa đông — S&OP giúp Sabeco lên kế hoạch capacity (thuê thêm line sản xuất, tăng ca) từ trước 3 tháng thay vì phản ứng bị động. Demand Plan Accuracy cải thiện từ 65% lên 82% ở family level sau 18 tháng triển khai. Supply Plan Adherence đạt 93%, giúp giảm tình trạng out-of-stock mùa cao điểm từ 12% xuống 4%.

3. IBP — Integrated Business Planning (Gartner / Oliver Wight)

📋 Giới thiệu

Thuộc tính	Chi tiết
Tên đầy đủ	Integrated Business Planning (IBP)
Tổ chức phát triển	Oliver Wight International (khái niệm gốc), Gartner (mở rộng và phổ biến), SAP/Oracle/Kinaxis (công cụ)
Xuất hiện	Từ giữa 2000s — Oliver Wight mở rộng S&OP thành IBP; Gartner đưa vào Hype Cycle
Phiên bản	Oliver Wight IBP Framework (2010s); Gartner S&OP/IBP Maturity Model (cập nhật hàng năm)
Phạm vi	Kết nối chiến lược kinh doanh, portfolio, demand, supply và tài chính vào một quy trình hoạch định tích hợp

IBP là bước tiến hóa tự nhiên của S&OP — bổ sung 2 chiều quan trọng: financial integration (P&L, balance sheet) và strategic alignment (chiến lược kinh doanh dài hạn). Nếu S&OP trả lời câu hỏi "cung – cầu có cân bằng không?", IBP trả lời câu hỏi lớn hơn: "kế hoạch có đưa doanh nghiệp đến mục tiêu chiến lược và tài chính không?"

📖 Nội dung chính

Evolution: MPS → MRP II → S&OP → IBP:

Thập kỷ	Framework	Focus	Limitation
1960s	MPS (Master Production Schedule)	Lập lịch sản xuất	Chỉ nhìn production, thiếu material
1970s-80s	MRP II (Manufacturing Resource Planning)	Material + capacity planning	Thiếu kết nối demand/market
1980s-90s	S&OP	Cân bằng cung – cầu hàng tháng	Thiếu financial integration & strategic link
2000s+	IBP	Cung – cầu – tài chính – chiến lược tích hợp	Đòi hỏi maturity cao, data infrastructure

5 Pillars của IBP:

Pillar	Nội dung	Owner	Output
Product Review	Portfolio management, NPI (New Product Introduction), phase-out, lifecycle	VP Marketing/R&D	Product roadmap, NPI timeline, SKU rationalization
Demand Review	Consensus forecast, demand shaping, promotion impact	VP Sales/Demand Planning	Unconstrained demand plan
Supply Review	Capacity, constraints, sourcing, make-buy decisions	VP Operations/Supply Chain	Constrained supply plan, capacity utilization
Financial Reconciliation	P&L projection, gap analysis vs budget/target, scenario costing	CFO/FP&A	Financial plan aligned with operational plan
Management Business Review	Strategic decisions, resource allocation, risk management	CEO/GM + Leadership Team	Approved integrated plan, action items

Gartner S&OP/IBP Maturity — 5 Stages:

Stage	Tên Gartner	Đặc điểm	% Doanh nghiệp
1	React	Không có S&OP; phản ứng khủng hoảng	~15%
2	Anticipate	S&OP cơ bản, chủ yếu demand-supply matching	~35%
3	Integrate	S&OP cross-functional, financial link	~30%
4	Collaborate	IBP với external collaboration, scenario planning	~15%
5	Orchestrate	IBP cognitive, AI-driven, real-time, autonomous	~5%

So sánh S&OP vs IBP chi tiết:

Tiêu chí	S&OP	IBP
Scope	Demand – Supply balancing	Demand – Supply – Finance – Strategy – Portfolio
Horizon	3-18 tháng (tactical)	1-3 năm + strategic horizon
Financial link	Hạn chế hoặc không có	P&L, cash flow tích hợp trực tiếp
Product portfolio	Không có hoặc tách riêng	Product Review là pillar riêng
Scenario planning	Hạn chế (1-2 scenarios)	Đa scenarios, what-if analysis
Technology	Excel, basic APS	SAP IBP, Kinaxis, o9, Anaplan
Owner	VP Supply Chain / Operations	CEO / CFO — cross-functional ownership

🔧 Cách áp dụng

Đánh giá maturity hiện tại: Sử dụng Gartner Maturity Model — xác định doanh nghiệp đang ở stage nào (hầu hết DN Việt Nam ở stage 1-2)
Master S&OP trước: IBP xây trên nền S&OP — nếu S&OP chưa chạy tốt, đừng nhảy sang IBP
Bổ sung Financial Integration: Mời FP&A tham gia S&OP cycle — bắt đầu bằng revenue/margin projection từ demand plan
Thêm Product Review: Kết nối NPI pipeline, SKU rationalization vào quy trình — đảm bảo sản phẩm mới được reflect trong demand plan
Đầu tư technology: Excel giới hạn ở S&OP; IBP cần hệ thống chuyên dụng — SAP IBP, Kinaxis RapidResponse, o9 Solutions, hoặc Anaplan
Xây dựng change management: IBP thay đổi cách ra quyết định — từ silo sang integrated; cần đào tạo, communication plan, executive sponsorship mạnh

🏭 Ví dụ thực tế

Masan Consumer — một trong những tập đoàn FMCG lớn nhất Việt Nam (Chin-su, Omachi, Kokomi, Nam Ngư, Vinacafé) — đang chuyển đổi từ S&OP sang IBP. Với portfolio rất đa dạng (500+ SKU across nhiều ngành hàng: gia vị, mì ăn liền, cà phê, đồ uống), Masan nhận ra S&OP truyền thống không đủ để quản lý phức tạp cross-category. Product Review trở thành pillar quan trọng — mỗi quý, Masan rà soát portfolio: loại bỏ SKU long-tail (bottom 10% revenue, <0.5% contribution), ưu tiên NPI dựa trên market gap analysis. Financial Reconciliation giúp kết nối demand plan với P&L projection — khi Marketing đề xuất promotion mạnh cho Omachi vào Tết, finance ngay lập tức thấy impact lên gross margin và trade spend. Kết quả: IBP giúp Masan giảm SKU từ 600+ xuống 450 (tập trung nguồn lực), tăng forecast accuracy ở family level từ 75% lên 88%, và quan trọng nhất — financial plan accuracy đạt 92% so với budget (trước đây chỉ 78%).

4. CPFR — VICS/GS1 Standard

📋 Giới thiệu

Thuộc tính	Chi tiết
Tên đầy đủ	Collaborative Planning, Forecasting and Replenishment (CPFR)
Tổ chức ban hành	VICS (Voluntary Interindustry Commerce Solutions) — nay sáp nhập vào GS1 US (2012)
Phiên bản	CPFR Model v2.0 (2004, GS1 US), CPFR Guidelines Update (2010)
Tiền thân	Walmart – Warner-Lambert pilot (1995) — dự án CFAR (Collaborative Forecasting and Replenishment)
Phạm vi	Chuẩn hóa quy trình cộng tác dự báo và bổ sung hàng giữa nhà bán lẻ (retailer) và nhà cung cấp (supplier)

CPFR ra đời từ bài học thực tế: retailer và supplier dự báo riêng rẽ dẫn đến sai lệch lớn, tồn kho dư thừa ở một bên và thiếu hụt ở bên kia (Bullwhip Effect). VICS/GS1 chuẩn hóa quy trình cộng tác thành 9 bước, với tiêu chuẩn chia sẻ dữ liệu (EDI, GS1) để hai bên làm việc trên cùng một bức tranh nhu cầu.

📖 Nội dung chính

9-Step CPFR Process (VICS Model):

Bước	Tên	Mô tả	Kết quả
1	Develop Front-End Agreement	Hai bên ký thỏa thuận mục tiêu, scope, KPIs, resource commitment	Partnership agreement
2	Create Joint Business Plan	Xây dựng kế hoạch kinh doanh chung — promotions, NPI, seasonal plan	Joint business plan
3	Create Sales Forecast	Tạo forecast bán hàng chung dựa trên POS data, market intelligence	Shared sales forecast
4	Identify Exceptions for Sales Forecast	Phát hiện sai lệch > ngưỡng giữa forecast hai bên	Exception list
5	Resolve/Collaborate on Exception Items	Hai bên họp giải quyết các exception — điều chỉnh forecast	Resolved forecast
6	Create Order Forecast	Chuyển sales forecast thành order forecast (tính tồn kho, lead time)	Order forecast
7	Identify Exceptions for Order Forecast	Phát hiện sai lệch trong order forecast vs capacity/inventory	Exception list
8	Resolve/Collaborate on Exception Items	Giải quyết các exception về đơn hàng — điều chỉnh quantity, timing	Resolved order plan
9	Generate Order	Tạo đơn hàng thực tế — tự động hoặc bán tự động	Purchase/replenishment order

Data Sharing Requirements:

Loại dữ liệu	Standard	Mô tả
POS Data	EDI 852 (Product Activity Data)	Dữ liệu bán hàng tại quầy — daily/weekly
Forecast Data	EDI 830 (Planning Schedule with Release Capability)	Dữ liệu dự báo chia sẻ giữa hai bên
Inventory Data	EDI 846 (Inventory Inquiry/Advice)	Tồn kho tại retailer DC và store
Order Data	EDI 850/855 (Purchase Order / PO Acknowledgment)	Đơn đặt hàng và xác nhận
Product Master Data	GS1 GDSN (Global Data Synchronisation Network)	Thông tin sản phẩm chuẩn hóa — GTIN, mô tả, kích thước

CPFR Metrics:

Metric	Trước CPFR (typical)	Sau CPFR (typical)	Cải thiện
Forecast Accuracy	55-65%	75-85%	+15-25 percentage points
In-stock Rate	92-95%	97-99%	+3-5 pp
Inventory Days	35-50 ngày	25-35 ngày	Giảm 25-35%
Order Fill Rate	90-94%	96-99%	+4-6 pp
Obsolete Inventory	3-5%	1-2%	Giảm 50-60%

🔧 Cách áp dụng

Chọn partner phù hợp: Bắt đầu CPFR với 1-2 retailer/supplier chiến lược — top account chiếm 20-30% doanh thu, có hạ tầng IT và willingness to share data
Ký Front-End Agreement: Xác định rõ scope (categories nào), KPIs, frequency, escalation process — đừng bỏ qua bước này
Thiết lập data sharing: POS data (daily/weekly), forecast (monthly), inventory (real-time hoặc daily) — bắt đầu bằng Excel/email nếu chưa có EDI, sau đó nâng cấp
Xác định exception thresholds: Ví dụ — forecast difference > 20% → trigger collaboration meeting; order forecast vs capacity gap > 10% → escalation
Chạy pilot 3-6 tháng: Pilot 1 category hoặc 1 region — đo Forecast Accuracy, In-stock Rate, Inventory Days trước/sau — build business case để mở rộng
Tích hợp hệ thống dần: Từ Excel → EDI 830/852 → GS1 GDSN → Retail Link (Walmart), 1WorldSync, hoặc platform CPFR chuyên dụng

🏭 Ví dụ thực tế

Acecook Việt Nam — nhà sản xuất mì ăn liền số 1 Việt Nam (Hảo Hảo, Lẩu Thái, Miến Phú Hương) — triển khai chương trình CPFR với các key retailers: Saigon Co.op, WinMart (VinCommerce), và Big C/GO!. Trước CPFR, mỗi bên dự báo riêng — Acecook forecast dựa trên historical shipment, retailer forecast dựa trên POS — sai lệch trung bình 25-30% dẫn đến out-of-stock thường xuyên cho SKU hot (Hảo Hảo tôm chua cay) và overstock cho SKU slow-moving. Sau khi triển khai CPFR pilot với Saigon Co.op: hai bên chia sẻ POS data hàng tuần (email report, sau nâng lên EDI), forecast hàng tháng với exception meeting khi sai lệch > 15%. Acecook điều chỉnh production plan dựa trên POS trend thay vì chỉ dựa vào đơn đặt hàng từ distributor. Kết quả sau 6 tháng pilot: forecast accuracy tăng từ 68% lên 82% cho nhóm mì ăn liền, in-stock rate tại Saigon Co.op tăng từ 94% lên 98.5%, tồn kho trung bình giảm 18% tại cả hai bên.

5. Demand Sensing — Gartner & Terra Technology

📋 Giới thiệu

Thuộc tính	Chi tiết
Tên đầy đủ	Demand Sensing — Short-term demand forecasting using real-time signals
Tổ chức tiên phong	Terra Technology (nay thuộc E2open, mua lại 2016) — phát triển phần mềm demand sensing đầu tiên; Gartner — định nghĩa và đưa vào Hype Cycle for Supply Chain Planning
Xuất hiện	Giữa 2000s — Terra Technology phát triển Multi-Enterprise Demand Sensing (MEDS)
Khách hàng tiêu biểu	Procter & Gamble, Unilever, Coca-Cola, Nestlé, Mondelēz
Phạm vi	Cải thiện forecast accuracy ngắn hạn (0-8 tuần) bằng real-time data signals và machine learning

Demand Sensing là bước tiến hóa từ traditional forecasting. Thay vì chỉ dùng lịch sử bán hàng (lagging indicator), demand sensing tích hợp real-time signals (leading indicators) như POS, thời tiết, social media, tìm kiếm Google để cải thiện forecast ngắn hạn. Gartner định nghĩa demand sensing là "the ability to capture and respond to real demand, at the point of consumption, in near real-time."

📖 Nội dung chính

Gartner Demand Sensing Maturity Model:

Level	Tên	Data Sources	Accuracy	Technology
1	Historical-based	Shipment history only	MAPE 40-50% (weekly)	Excel, basic statistical
2	Order-based sensing	Orders + shipment	MAPE 30-40%	APS system
3	POS-based sensing	POS + orders + shipment	MAPE 20-30%	Demand sensing software
4	Multi-signal sensing	POS + weather + social + events + economic	MAPE 15-25%	ML/AI platform
5	Autonomous sensing	All signals + self-learning + auto-adjust	MAPE 10-20%	Cognitive/AI-driven

Machine Learning Approaches:

Phương pháp	Đặc điểm	Khi nào dùng	Công cụ
Random Forest	Ensemble of decision trees, robust to outliers	Nhiều biến input, non-linear relationships	scikit-learn, H2O, SAS
Gradient Boosting (XGBoost, LightGBM)	Sequential ensemble, rất chính xác	Tabular data, nhiều features	XGBoost, LightGBM, CatBoost
Neural Networks (LSTM, Transformer)	Deep learning, capture long-term dependencies	Time series phức tạp, nhiều SKU	TensorFlow, PyTorch, Amazon Forecast
Prophet (Meta)	Additive model, tự động xử lý trend/seasonality/holiday	Quick baseline, ít tuning	Prophet (Python/R)

Data Sources Taxonomy:

Loại	Nguồn dữ liệu	Latency	Impact
Internal	POS data, warehouse shipments, order pipeline, inventory levels	Real-time – daily	Cao
Channel	Distributor inventory, retailer DC stock, e-commerce cart data	Daily – weekly	Cao
External — Weather	Nhiệt độ, mưa, bão, mùa — ảnh hưởng F&B, nông sản, thời trang	Hourly – daily	Trung bình – Cao
External — Social	Social media sentiment, mentions, viral trends	Real-time	Trung bình (phụ thuộc ngành)
External — Search	Google Trends, search volume cho keywords liên quan sản phẩm	Daily – weekly	Trung bình
External — Economic	GDP, CPI, consumer confidence, unemployment	Monthly – quarterly	Thấp – Trung bình (dài hạn)
External — Events	Lễ, Tết, festivals, sporting events, school calendar	Planned	Cao (seasonal/promotional)

ROI Metrics của Demand Sensing:

Metric	Cải thiện điển hình	Nguồn
Forecast Accuracy (0-4 weeks)	Cải thiện 25-40% so với traditional	Terra Technology / E2open case studies
Inventory Reduction	Giảm 10-20% safety stock	Gartner research
Service Level	Tăng 2-5 percentage points	Industry benchmarks
Waste Reduction (perishables)	Giảm 15-30% hàng hết hạn	CPG industry reports

🔧 Cách áp dụng

Bắt đầu với POS data: Thu thập POS data từ key retailers — đây là "low-hanging fruit" cho demand sensing, cải thiện accuracy ngay lập tức
Xây dựng data lake/warehouse: Tập trung dữ liệu internal (sales, inventory, orders) + external (weather, events) vào 1 nơi — cloud platform (AWS, Azure, GCP)
Pilot ML model đơn giản: Bắt đầu với Prophet hoặc XGBoost cho 1 product family — so sánh accuracy với traditional Exponential Smoothing trên cùng test period
Tích hợp weather data: Với ngành F&B tại Việt Nam, weather data rất hữu ích — nước giải khát tăng mạnh khi nhiệt độ > 35°C, mì ăn liền tăng khi mưa dài ngày
Thiết lập feedback loop: Demand sensing cần continuous learning — retrain model hàng tuần/tháng với dữ liệu mới, monitor accuracy degradation
Scale dần: Từ 1 family → all families; từ weekly → daily; từ 1 data source → multi-signal; từ pilot → production deployment

🏭 Ví dụ thực tế

Tân Hiệp Phát — tập đoàn nước giải khát lớn nhất Việt Nam (Trà xanh Không Độ, Number 1, Dr Thanh) — đặc biệt chịu ảnh hưởng bởi thời tiết: nhu cầu nước giải khát tăng 40-60% khi nhiệt độ vượt 35°C và giảm 20-30% khi mưa kéo dài. Trước đây, Tân Hiệp Phát dự báo dựa trên historical sales + seasonal index — accuracy ở tuần chỉ đạt 55-60%. Sau khi tích hợp demand sensing với dữ liệu weather forecast (7 ngày), POS data từ đại lý lớn, và Google Trends cho keyword "nước giải khát", "trà xanh" — accuracy ngắn hạn (1-2 tuần) cải thiện lên 78-85%. Cụ thể, khi dự báo thời tiết cho thấy đợt nắng nóng kéo dài ở miền Trung, hệ thống tự động tăng forecast cho khu vực này 35% so với baseline — giúp giảm out-of-stock từ 8% xuống 2.5% tại các điểm bán vùng nắng nóng. Hệ thống sử dụng XGBoost model với features: nhiệt độ trung bình, lượng mưa, ngày lễ/sự kiện, POS 4 tuần gần nhất, promotion flag.

6. Box-Jenkins (ARIMA) & Advanced Forecasting Standards

📋 Giới thiệu

Thuộc tính	Chi tiết
Tên đầy đủ	Box-Jenkins Methodology — ARIMA (AutoRegressive Integrated Moving Average)
Tác giả	George E.P. Box & Gwilym M. Jenkins — cuốn Time Series Analysis: Forecasting and Control (1970)
Tiêu chuẩn thống kê liên quan	ISO 16269 — Statistical interpretation of data; ISO 3534-1 — Statistics — Vocabulary and symbols
Mở rộng	SARIMA (Seasonal ARIMA), ARIMAX (ARIMA with exogenous variables), Holt-Winters (Triple Exponential Smoothing)
Phạm vi	Phương pháp luận chuẩn mực cho phân tích và dự báo chuỗi thời gian (time series forecasting)

Box-Jenkins methodology là phương pháp luận "vàng" cho dự báo chuỗi thời gian, được sử dụng rộng rãi trong kinh tế, tài chính và supply chain. ARIMA cung cấp framework có hệ thống để xác định, ước lượng và kiểm định mô hình dự báo — đảm bảo tính khoa học và có thể tái lập (reproducible).

📖 Nội dung chính

ARIMA(p,d,q) Methodology:

Tham số	Ý nghĩa	Cách xác định
p (AR order)	Số lag trong phần AutoRegressive — $Y_{t}$ phụ thuộc vào $Y_{t - 1}, Y_{t - 2}, . . ., Y_{t - p}$	Partial Autocorrelation Function (PACF)
d (differencing)	Số lần sai phân để đưa chuỗi về stationary — $Δ^{d} Y_{t}$	ADF test (Augmented Dickey-Fuller)
q (MA order)	Số lag trong phần Moving Average — $Y_{t}$ phụ thuộc vào $ε_{t - 1}, ε_{t - 2}, . . ., ε_{t - q}$	Autocorrelation Function (ACF)

Mô hình ARIMA(p,d,q):

Δ^{d} Y_{t} = c + ϕ_{1} Y_{t - 1} + ϕ_{2} Y_{t - 2} + . . . + ϕ_{p} Y_{t - p} + ε_{t} + θ_{1} ε_{t - 1} + . . . + θ_{q} ε_{t - q}

SARIMA — Seasonal ARIMA: ARIMA(p,d,q)(P,D,Q)ₛ:

Mở rộng ARIMA cho chuỗi có tính mùa vụ với chu kỳ $s$ (ví dụ $s = 12$ cho monthly data):

Φ_{P} (B^{s}) ϕ_{p} (B) Δ^{d} Δ_{s}^{D} Y_{t} = Θ_{Q} (B^{s}) θ_{q} (B) ε_{t}

Holt-Winters (Triple Exponential Smoothing):

Variant	Công thức	Khi nào dùng
Additive	${\hat{Y}}_{t + h} = L_{t} + h T_{t} + S_{t + h - s}$	Seasonal variation không đổi theo level
Multiplicative	${\hat{Y}}_{t + h} = (L_{t} + h T_{t}) \times S_{t + h - s}$	Seasonal variation tỷ lệ với level

Trong đó: $L_{t}$ = Level, $T_{t}$ = Trend, $S_{t}$ = Seasonal component, $s$ = seasonal period.

So sánh Traditional vs ML-based Forecasting:

Tiêu chí	Traditional (ARIMA, ES, Holt-Winters)	ML-based (XGBoost, LSTM, Transformer)
Cơ sở lý thuyết	Thống kê chặt chẽ, giả định rõ ràng	Data-driven, ít giả định
Interpretability	Cao — hiểu rõ mỗi tham số	Thấp — "black box" (trừ khi dùng SHAP/LIME)
Xử lý non-linearity	Hạn chế	Tốt — capture complex patterns
Số lượng features	Ít (1-3 biến)	Nhiều (10-100+ features)
Data requirement	Ít (30-50 data points đủ)	Nhiều (1000+ data points tốt nhất)
External factors	ARIMAX (hạn chế)	Dễ dàng tích hợp hàng trăm features
Tốc độ deploy	Nhanh, đơn giản	Phức tạp hơn, cần MLOps pipeline
Best for	Chuỗi đơn, ít biến, trend/seasonality rõ	Nhiều SKU, nhiều features, pattern phức tạp

ISO 16269 — Statistical Interpretation of Data:

ISO 16269 cung cấp chuẩn quốc tế cho diễn giải dữ liệu thống kê — bao gồm estimation, hypothesis testing, và prediction intervals. Trong forecasting, ISO 16269 đặc biệt hữu ích cho:

Prediction intervals: Xác định khoảng tin cậy cho dự báo — ví dụ: "Forecast Q3 = 100,000 ± 15,000 (95% CI)"
Outlier detection: Xác định và xử lý giá trị ngoại lệ trong time series trước khi fit model
Sample size: Xác định số data points tối thiểu cần thiết để model có ý nghĩa thống kê

🔧 Cách áp dụng

Kiểm tra stationarity: Dùng ADF test (Augmented Dickey-Fuller) — nếu chuỗi non-stationary, sai phân $d$ lần cho đến khi stationary
Xác định (p, d, q): Phân tích ACF và PACF plots — ACF tắt dần → AR component; ACF cắt ngắn → MA component; hoặc dùng auto_arima() trong Python/R
Fit và kiểm định model: Ước lượng tham số, kiểm tra residuals (phải là white noise — Ljung-Box test), so sánh AIC/BIC giữa các model
Xử lý seasonality: Nếu có mùa vụ → SARIMA hoặc Holt-Winters; xác định $s$ (12 cho monthly, 52 cho weekly, 7 cho daily)
Tính prediction interval: Không chỉ point forecast mà phải cung cấp interval (80%, 95%) — quan trọng cho safety stock calculation
So sánh với ML models: Chạy parallel ARIMA + XGBoost/Prophet trên cùng test set — chọn model có MAPE thấp nhất, hoặc ensemble cả hai

🏭 Ví dụ thực tế

Nutifood — doanh nghiệp sữa và dinh dưỡng Việt Nam (NutiMilk, Pedia Plus, GrowPlus+, Enplus) — áp dụng SARIMA cho dự báo dòng sản phẩm sữa bột trẻ em có tính mùa vụ rõ rệt. Sữa bột trẻ em tăng 25-30% vào dịp Tết (tháng 1-2, do quà biếu) và tăng 15-20% vào mùa tựu trường (tháng 8-9). Nutifood áp dụng SARIMA(1,1,1)(1,1,1)₁₂ cho nhóm Pedia Plus — model capture trend tăng trưởng ổn định 8-10%/năm và seasonal pattern. Kết quả: MAPE đạt 12-15% ở cấp product family/monthly — tốt hơn đáng kể so với Exponential Smoothing đơn thuần (MAPE 22-28%). Prediction interval 95% được sử dụng để tính safety stock — thay vì dùng safety stock tĩnh, Nutifood điều chỉnh SS theo prediction interval: mùa cao điểm SS tăng 40% (interval rộng hơn do demand variability cao), mùa thấp điểm SS giảm 20%. Song song đó, Nutifood pilot XGBoost model tích hợp thêm features: giá sữa nguyên liệu thế giới, tỷ giá USD/VND, promotion calendar, competitor pricing — cải thiện MAPE thêm 3-5 percentage points so với SARIMA alone, đặc biệt cho các tháng có promotion.

📊 Ma trận tiêu chuẩn × chủ đề Buổi 8

Tiêu chuẩn / Framework	Forecasting Methods	S&OP	IBP	Demand Sensing	CPFR	Consensus Forecast
APICS / ASCM — Demand Management	⭐⭐⭐	⭐⭐	⭐⭐	⭐	⭐⭐	⭐⭐⭐
S&OP — Oliver Wight (Class A)	⭐⭐	⭐⭐⭐	⭐⭐⭐	⭐	⭐	⭐⭐⭐
IBP — Gartner / Oliver Wight	⭐⭐	⭐⭐⭐	⭐⭐⭐	⭐⭐	⭐⭐	⭐⭐⭐
CPFR — VICS/GS1	⭐⭐	⭐⭐	⭐⭐	⭐⭐	⭐⭐⭐	⭐⭐⭐
Demand Sensing — Gartner/Terra	⭐⭐	⭐	⭐⭐	⭐⭐⭐	⭐⭐	⭐⭐
Box-Jenkins (ARIMA) & ISO 16269	⭐⭐⭐	⭐	⭐	⭐⭐	⭐	⭐⭐

⭐⭐⭐ = Liên quan trực tiếp, cốt lõi · ⭐⭐ = Liên quan, hỗ trợ · ⭐ = Liên quan gián tiếp

✅ Checklist áp dụng

[ ] Xác định forecasting hierarchy (Strategic → Tactical → Operational) và mapping với planning horizon phù hợp cho doanh nghiệp
[ ] Chọn phương pháp forecast phù hợp cho từng product family — ES cho stable demand, Holt-Winters cho seasonal, ARIMA cho complex patterns
[ ] Thiết lập forecast accuracy dashboard: track MAPE, Bias, Tracking Signal hàng tháng — alert khi MAPE vượt ngưỡng hoặc |Bias| > 5%
[ ] Triển khai S&OP monthly cycle — xác định 5 bước, lịch cố định, template, roles & responsibilities
[ ] Đảm bảo CEO/GM sponsor và tham dự Executive S&OP meeting — leadership buy-in là yếu tố thành công quan trọng nhất
[ ] Tự đánh giá S&OP maturity theo Oliver Wight Class A Checklist — xây dựng roadmap cải tiến 12-24 tháng
[ ] Đánh giá readiness cho IBP — nếu S&OP đã ở Stage 3+ (Gartner), bắt đầu bổ sung Financial Reconciliation và Product Review
[ ] Xác định 1-2 trading partners chiến lược để pilot CPFR — ký Front-End Agreement, bắt đầu chia sẻ POS data
[ ] Thu thập POS data từ key retailers — đây là "low-hanging fruit" đầu tiên cho demand sensing
[ ] Pilot ML model (Prophet hoặc XGBoost) cho 1 product family — so sánh accuracy với statistical forecast hiện tại
[ ] Tích hợp weather data vào demand sensing — đặc biệt quan trọng cho ngành F&B và FMCG tại Việt Nam
[ ] Xây dựng consensus forecast process: Statistical baseline → Sales input → Marketing overlay → Consensus meeting → Approve
[ ] Áp dụng prediction interval (không chỉ point forecast) — sử dụng cho safety stock dynamic thay vì SS tĩnh
[ ] Lập kế hoạch đào tạo team: CPIM Module Demand Management, hoặc tự học APICS Dictionary terms về demand planning
[ ] Đo lường ROI của demand planning improvement: Forecast Accuracy gain → Inventory Reduction → Service Level improvement → Financial impact

🔗 Đọc thêm

Xem bài giảng đầy đủ →
ASCM CPIM Certification — ascm.org/cpim
APICS Dictionary, 17th Edition — ascm.org/apics-dictionary
Wight, O. (1984). Manufacturing Resource Planning: MRP II. Oliver Wight Publications.
Wallace, T.F. & Stahl, R.A. (2008). Sales & Operations Planning: The How-To Handbook, 3rd Edition. T.F. Wallace & Company.
Palmatier, G.E. & Crum, C.D. (2003). Enterprise Sales and Operations Planning. J. Ross Publishing.
Gartner (2024). Hype Cycle for Supply Chain Planning Technologies.
GS1 US — CPFR Guidelines — gs1us.org/resources/cpfr
Box, G.E.P. & Jenkins, G.M. (1970). Time Series Analysis: Forecasting and Control. Holden-Day.
Hyndman, R.J. & Athanasopoulos, G. (2021). Forecasting: Principles and Practice, 3rd Edition — otexts.com/fpp3
ISO 16269 — Statistical interpretation of data — iso.org/standard/67872.html
Terra Technology / E2open — Demand Sensing — e2open.com/demand-sensing
Taylor, S.J. & Letham, B. (2018). Forecasting at Scale. The American Statistician (Facebook/Meta Prophet).

→ 📘 Quay lại bài học: Buổi 8 | 📋 Danh sách tiêu chuẩn

📏 Tiêu chuẩn Buổi 8: Hoạch định nhu cầu (Demand Planning) ​

1. APICS / ASCM — Demand Management Framework ​

📋 Giới thiệu ​

📖 Nội dung chính ​

🔧 Cách áp dụng ​

🏭 Ví dụ thực tế ​

2. S&OP Framework — Oliver Wight (Class A) ​

📋 Giới thiệu ​

📖 Nội dung chính ​

🔧 Cách áp dụng ​

🏭 Ví dụ thực tế ​

3. IBP — Integrated Business Planning (Gartner / Oliver Wight) ​

📋 Giới thiệu ​

📖 Nội dung chính ​

🔧 Cách áp dụng ​

🏭 Ví dụ thực tế ​

4. CPFR — VICS/GS1 Standard ​

📋 Giới thiệu ​

📖 Nội dung chính ​

🔧 Cách áp dụng ​

🏭 Ví dụ thực tế ​

5. Demand Sensing — Gartner & Terra Technology ​

📋 Giới thiệu ​

📖 Nội dung chính ​

🔧 Cách áp dụng ​

🏭 Ví dụ thực tế ​

6. Box-Jenkins (ARIMA) & Advanced Forecasting Standards ​

📋 Giới thiệu ​

📖 Nội dung chính ​

🔧 Cách áp dụng ​

🏭 Ví dụ thực tế ​

📊 Ma trận tiêu chuẩn × chủ đề Buổi 8 ​

✅ Checklist áp dụng ​

🔗 Đọc thêm ​

📏 Tiêu chuẩn Buổi 8: Hoạch định nhu cầu (Demand Planning)

1. APICS / ASCM — Demand Management Framework

📋 Giới thiệu

📖 Nội dung chính

🔧 Cách áp dụng

🏭 Ví dụ thực tế

2. S&OP Framework — Oliver Wight (Class A)

📋 Giới thiệu

📖 Nội dung chính

🔧 Cách áp dụng

🏭 Ví dụ thực tế

3. IBP — Integrated Business Planning (Gartner / Oliver Wight)

📋 Giới thiệu

📖 Nội dung chính

🔧 Cách áp dụng

🏭 Ví dụ thực tế

4. CPFR — VICS/GS1 Standard

📋 Giới thiệu

📖 Nội dung chính

🔧 Cách áp dụng

🏭 Ví dụ thực tế

5. Demand Sensing — Gartner & Terra Technology

📋 Giới thiệu

📖 Nội dung chính

🔧 Cách áp dụng

🏭 Ví dụ thực tế

6. Box-Jenkins (ARIMA) & Advanced Forecasting Standards

📋 Giới thiệu

📖 Nội dung chính

🔧 Cách áp dụng

🏭 Ví dụ thực tế

📊 Ma trận tiêu chuẩn × chủ đề Buổi 8

✅ Checklist áp dụng

🔗 Đọc thêm