Cùng khám phá cách Claude trở thành “chuyên gia chuỗi cung ứng bền vững”, hỗ trợ doanh nghiệp tiếp cận giải pháp quản lý tồn kho xanh hiệu quả hơn.
Sử dụng Claude AI để Quản Lý Tồn Kho Xanh
Thuyết phục ai đó tin vào một giải pháp mới khi họ chưa từng thấy dữ liệu của mình nói lên điều đó là việc không dễ dàng.
Các chuyên gia khoa học dữ liệu và phát triển bền vững thường gặp khó khăn chung: Chúng ta trình bày khái niệm quá trừu tượng, khiến lãnh đạo khó hình dung và kết nối với thực tế vận hành.
Tôi đã từng trải nghiệm điều này khi khởi nghiệp, sau nhiều lần thử nghiệm thất bại!
Đầu năm 2024, tôi chia sẻ một nghiên cứu về Quản Lý Tồn Kho Xanh trên TDS, nghĩ rằng logic đã đủ sức thuyết phục, nhưng thực tế lại không như mong đợi.
Quản Lý Tồn Kho Xanh = Tối ưu hóa chiến lược bổ sung hàng nhằm giảm khí thải CO₂ (Ảnh: Samir Saci)
Bài viết trình bày lý thuyết và minh họa bằng dự án thực tế, nhưng vẫn bị nhiều lãnh đạo nghi ngại.
Khách hàng phản hồi: “Cách này có vẻ không phù hợp với quy trình bên tôi!”
Lý do là giải pháp chưa gắn với dữ liệu và thực tế vận hành của họ.
Vì thế, tôi đã đổi cách tiếp cận: chuyển công cụ mô phỏng thành microservice FastAPI để khách hàng tự kiểm nghiệm mô hình qua Máy chủ MCP kết nối với Claude Desktop.
Cách thiết lập MCP server tại doanh nghiệp, kết nối với công cụ phân tích – (Ảnh: Samir Saci)
Nhờ đó, lãnh đạo có thể yêu cầu hệ thống AI chạy kịch bản thực tế, điều chỉnh tham số và quan sát sự thay đổi lượng khí thải CO₂ theo từng chính sách tồn kho.
Bài viết này tôi sẽ chia sẻ cách triển khai thử nghiệm đó, cùng góc nhìn của một Giám đốc Chuỗi Cung Ứng của tập đoàn bán lẻ lớn tại khu vực Châu Á – Thái Bình Dương.
Quản Lý Tồn Kho Xanh Là Gì?
Trước hết, tôi sẽ tóm lược lại khái niệm để bạn dễ hình dung giá trị của giải pháp.
Thực trạng quản lý tồn kho ở doanh nghiệp bán lẻ
Giả sử bạn là Giám đốc Chuỗi Cung Ứng.
Các bộ phận (tồn kho, kho vận, vận chuyển) chịu trách nhiệm chuyển hàng từ trung tâm phân phối đến các cửa hàng.
Quy trình bổ sung hàng cho cửa hàng bán lẻ – (Ảnh: Samir Saci)
Mỗi lần cửa hàng cần thêm sản phẩm, hệ thống ERP sẽ tự động chuyển đơn bổ sung tới hệ thống kho.
Quy tắc quản lý tồn kho — Chính sách rà soát định kỳ (Ảnh: Samir Saci)
Các đơn này tuân theo quy tắc do bộ phận tồn kho đặt ra, thường gọi là chính sách kiểm tra định kỳ “Order-Up-To-Level (R, S)”.
- ERP kiểm tra lượng tồn kho thực tế tại cửa hàng mỗi R ngày
- Tính toán khoảng cách giữa mức tồn kho mục tiêu S và tồn kho hiện tại: Δ = S— IOH
- Tạo đơn bổ sung với số lượng: Q = S — IOH
Sau khi gửi, đơn hàng được chuẩn bị tại kho và chuyển đến cửa hàng trong một khoảng leadtime (LD) nhất định.
Ví dụ về chính sách kiểm tra định kỳ – (Ảnh: Samir Saci)
Ví dụ:
- R = 25 ngày: kiểm tra tồn kho mỗi 25 ngày (đường màu xanh)
- S = 1,995 đơn vị: đặt hàng để đạt mức này (biểu đồ cuối)
Hầu hết tham số này do bộ phận tồn kho tự đặt, đơn bổ sung được kích hoạt tự động.
Nếu ta tối ưu hóa các tham số này, điều gì sẽ xảy ra?
Tác động đến vận hành logistics
Trong thực tế, các tham số này thường chưa tối ưu, ảnh hưởng lớn đến hiệu quả vận hành kho và vận chuyển.
Kết quả là sử dụng nhiều thùng carton, màng nhựa và năng suất giảm.
Tác động đến sử dụng carton – (Ảnh: Tác giả)
Ví dụ: Sản phẩm được lưu trong thùng, mỗi thùng chứa nhiều đơn vị và có thể lấy lẻ.
Nếu đặt hàng số lượng nhỏ, nhân viên sẽ:
- Mở một thùng lớn, lấy số lượng cần
- Đóng gói sang thùng mới
- Bọc pallet bằng màng nhựa
Ngoài ra, còn tác động đến tỷ lệ lấp đầy xe tải và lượng khí thải CO₂.
Tần suất giao nhận và khí thải CO₂ – (Ảnh: Samir Saci)
Giao hàng thường xuyên khiến khối lượng hàng mỗi chuyến thấp, xe tải chạy không đầy tải.
Vậy giải pháp là gì?
Mục tiêu của Quản Lý Tồn Kho Xanh
Ta có thể thử nhiều kịch bản với các tham số vận hành khác nhau để tìm phương án tối ưu.
Tôi đã nhập dữ liệu thực tế của khách hàng vào mô hình để kiểm nghiệm công cụ.
Các tham số mô phỏng – (Ảnh: Samir Saci)
Người dùng có thể chỉnh các tham số để mô phỏng các trường hợp vận hành khác nhau.
class LaunchParamsGrinv(BaseModel):
n_day: int = 30 # số ngày
n_ref: int = 20 # mã hàng
pcs_carton: int = 15 # số đơn vị/thùng
cartons_pal: int = 25 # số thùng/pallet
pallet_truck: int = 10 # số pallet/xe tải
k: float = 3 # hệ số an toàn tồn kho
CSL: float = 0.95 # mục tiêu tỷ lệ phục vụ
LD: float = 1 # thời gian giao hàng (ngày)
R: float = 2 # chu kỳ rà soát (ngày)
carton_weight: float = 0.3 # khối lượng thùng (kg)
plastic_weight: float = 0.173 # khối lượng màng nhựa/pallet (kg)
Các tham số gồm:
n_day,n_ref: phạm vi mô phỏngpcs_carton,cartons_pal,LD,pallet_truck: vận hành kho vận, vận chuyểncarton_weight,plastic_weight: tiêu chí phát triển bền vữngR,k,CSL: do bộ phận tồn kho thiết lập
Tôi muốn các lãnh đạo cùng bộ phận liên quan (tồn kho, kho vận, vận chuyển, phát triển bền vững) ngồi lại cùng nhau để xem xét lại cách làm hiện nay.
Nếu cần đạt mục tiêu cụ thể, giám đốc có thể:
- Yêu cầu bộ phận tồn kho điều chỉnh chu kỳ kiểm tra (R) hoặc tỷ lệ phục vụ (CSL)
- Đề nghị bộ phận bền vững tìm vật liệu thùng nhẹ hơn
- Điều chỉnh kho vận để giảm thời gian giao hàng (LD)
Phương pháp của giải pháp mô phỏng (Ảnh: Samir Saci)
Điều quan trọng là cần có công cụ mô phỏng để đánh giá từng thay đổi cụ thể.
Ví dụ phân tích khí thải CO₂ với các kịch bản giao nhận khác nhau – (Ảnh: Samir Saci)
Đó chính là điều mà Máy chủ MCP kết hợp Claude AI thực hiện.
Trải Nghiệm Trợ Lý AI Quản Lý Tồn Kho Xanh
Khi đã hiểu rõ giá trị công cụ này, tôi sẽ minh họa các phân tích thực tế khách hàng từng thực hiện.
Các thử nghiệm đều sử dụng dữ liệu mô phỏng, bảo mật thông tin.
Hướng dẫn người dùng
Tôi kết nối MCP Server với môi trường Claude, để các quản lý chuỗi cung ứng trải nghiệm công cụ trực tiếp.
Đa số người dùng không đọc lại nghiên cứu gốc mà hỏi Claude AI về cách sử dụng.
Tương tác ban đầu – (Ảnh: Samir Saci)
Tôi đã hoàn thiện tài liệu hướng dẫn cho MCP để Claude AI hiểu đầy đủ bối cảnh, như ở hàm launch_greeninv dưới đây:
@mcp.tool()
def launch_greeninv(params: LaunchParamsGrinv):
"""
Khởi chạy mô phỏng Quản Lý Tồn Kho Xanh.
Công cụ nhận tham số đầu vào, gửi tới microservice FastAPI
và trả về các chỉ số vận hành, phát triển bền vững theo chính sách bổ sung hàng (R).
-------------------------------------------------------------------------
🌱 CHỨC NĂNG CHÍNH
-------------------------------------------------------------------------
Mô phỏng toàn diện quy trình bổ sung hàng bán lẻ theo chính sách kiểm tra định kỳ (R, S).
Công cụ cho kết quả:
- Số lần đặt hàng, tần suất bổ sung
- Tồn kho thực tế và số lần hết hàng
- Số thùng đầy, thùng hỗn hợp
- Số pallet, số chuyến xe tải
- Khí thải CO₂ từng cửa hàng và toàn hệ thống
- Lượng thùng carton, màng nhựa sử dụng
- Năng suất nhân viên (số dòng đơn, số đơn vị/dòng)
"""
logging.info(f"[GreenInv] Running simulation with params: {params.dict()}")
try:
with httpx.Client(timeout=120) as client:
response = client.post(LAUNCH, json=params.dict())
response.raise_for_status()
result = response.json()
last_run = result
return {
"status": "success",
"message": "Simulation completed",
"results": result
}
except Exception as e:
logging.error(f"[GreenInv] Error during API call: {e}")
return {
"status": "error",
"message": str(e)
}
Claude AI giới thiệu công cụ rất rõ ràng, tập trung vào những giá trị thực tiễn.
Giới thiệu công cụ bởi Claude – (Ảnh: Samir Saci)
Ngay sau đó, giám đốc gửi email hỏi cách dùng công cụ:
- Cài đặt tham số ra sao?
- Những ai nên tham gia vào quá trình này?
Tôi gợi ý họ hỏi trực tiếp Claude AI, và kết quả rất tốt: Claude đề xuất khung phân tích cụ thể.
Khung làm việc nhóm tối ưu hóa tồn kho xanh – (Ảnh: Samir Saci)
Khung này gần như hoàn chỉnh, tôi chỉ bổ sung thêm yếu tố thời gian giao hàng (LD) vào phạm vi của bộ phận kho.
Thực sự, Claude trình bày framework rất mạch lạc, súc tích, vượt xa khả năng tự tạo của tôi.
Tiếp theo, Claude gợi ý kế hoạch nghiên cứu gồm nhiều giai đoạn.
Kế hoạch phân tích do Claude đề xuất – (Ảnh: Samir Saci)
Chúng ta cùng điểm qua từng giai đoạn dưới góc nhìn người dùng.
Giai đoạn 1: Đánh giá hiện trạng
Tôi khuyến khích nhóm liên tục đề xuất Claude trình bày dashboard tổng hợp và bản tóm tắt cho lãnh đạo.
Họ áp dụng ngay cho Giai đoạn 1.
Yêu cầu chạy hiện trạng – (Ảnh: Samir Saci)
Claude sử dụng công cụ launch_greeninv với tham số mặc định từ mô hình để phân tích, sau đó tạo bản tóm tắt cho giám đốc.
Tóm tắt kết quả lần chạy đầu tiên – (Ảnh: Samir Saci)
Bản tóm tắt rất ngắn gọn, đi thẳng vào trọng tâm, so sánh KPIs với mục tiêu đã đặt ra.
Đối với các quản lý bộ phận, Claude tiếp tục tạo riêng kết quả cho từng nhóm, gồm bảng số liệu và nhận xét vấn đề nổi bật.
Góc nhìn của quản lý kho – (Ảnh: Samir Saci)
Điểm đặc biệt là Claude có thể “học” từ hướng dẫn sử dụng, prompt cài đặt và cả tương tác người dùng.
Góc nhìn của nhóm phát triển bền vững – (Ảnh: Samir Saci)
Cuối cùng, Claude đề xuất hướng tiếp cận chiến lược, cung cấp dự báo trung hạn và cảnh báo chỉ số quan trọng.
Đề xuất tiếp theo cho Giám đốc – (Ảnh: Samir Saci)
Tuy nhiên, khi prompt chưa rõ ràng, Claude có thể đưa ra ý tưởng ngoài phạm vi nghiên cứu.
Chuyển sang Giai đoạn 2 theo mô hình Anthropic.
Giai đoạn 2: Lập kế hoạch kịch bản
Sau khi trao đổi, giám đốc tập hợp các kịch bản đề xuất từ từng quản lý bộ phận.
Các kịch bản từ bốn quản lý – (Ảnh: Samir Saci)
Mỗi quản lý đều thử thách tham số thuộc phạm vi mình phụ trách.
Quá trình này được chuyển thành hành động cụ thể.
Claude chạy sáu kịch bản khác nhau.
Thách thức là tổng hợp kết quả thành bản tóm tắt ngắn gọn, dễ hiểu.
Ví dụ nghiên cứu trước chỉ phân tích sử dụng carton – (Ảnh: Samir Saci)
Năm 2024, tôi chỉ phân tích ba kịch bản đầu, xem từng chỉ số riêng lẻ.
Còn Claude thì sao?
Claude tạo góc nhìn đa chiều, định hướng quyết định hơn.
Ma trận so sánh các kịch bản – (Ảnh: Samir Saci)
Tên kịch bản dễ hiểu, gắn với từng nhóm đề xuất.
Cuối cùng, Claude đề xuất kịch bản tối ưu, đạt sự đồng thuận giữa các nhóm.
Giải thích và bảng điểm kịch bản tối ưu – (Ảnh: Samir Saci)
Có cả bảng điểm giải thích lý do từng nhóm nên chọn kịch bản này.
Bạn muốn xem chi tiết hơn đầu ra của agent AI, có thể xem video hướng dẫn tại đây:
Kết Luận
Quản Lý Tồn Kho Xanh – Cách Tiếp Cận Hiệu Quả Mới
Sau vài tuần thử nghiệm, Giám đốc Chuỗi Cung Ứng đã hoàn toàn bị thuyết phục về giá trị của Quản Lý Tồn Kho Xanh.
Giờ chỉ còn những rào cản nội bộ của doanh nghiệp họ mà thôi.
Nhờ Claude AI, bốn quản lý tham gia đều nhận thức rõ vai trò của mình đối với hiệu quả toàn chuỗi cung ứng.
Ma trận kiểm soát tham số theo từng nhóm – (Ảnh: Samir Saci)
Điều này giúp LogiGreen có thể phối hợp các phòng ban chuỗi cung ứng giải các bài toán tối ưu phức tạp.
Theo tôi, chuyển đổi xanh sẽ dễ dàng hơn khi mỗi bộ phận đều nhận trách nhiệm và cam kết.
Muốn đạt được điều đó, mọi người phải hiểu rõ mình đang làm gì và vì sao.
Dựa trên kết quả thử nghiệm này, tôi tin chúng ta đã tìm ra công cụ phù hợp cho mục tiêu đó.
Bạn muốn tham khảo thêm các case study sử dụng MCP Server tối ưu chuỗi cung ứng? Tham khảo thêm các gợi ý ChatGPT sáng tạo nội dung hay nhất của tôi.
Agent AI Cho Tối Ưu Hóa Mạng Lưới Chuỗi Cung Ứng
Trong một bài viết khác trên Towards Data Science, tôi chia sẻ thử nghiệm về thiết kế mạng lưới chuỗi cung ứng.
Ví dụ thiết kế mạng lưới – (Ảnh: Samir Saci)
Mục tiêu là xác định nên đặt nhà máy ở đâu để phục vụ thị trường với chi phí thấp, thân thiện môi trường.
Ví dụ các kịch bản – (Ảnh: Samir Saci)
Dù thuật toán khác nhau, phương pháp tiếp cận vẫn là thử nhiều kịch bản, ưu tiên từng bộ phận (tài chính, bền vững, logistics, sản xuất) để tìm phương án đồng thuận.
Ví dụ kết quả đầu ra – (Ảnh: Samir Saci)
Ở ví dụ này, Claude AI tổng hợp kết quả và đưa ra khuyến nghị dựa vào dữ liệu rất hiệu quả.
Bạn có thể xem video để hiểu chi tiết hơn.
