7. Reality Check: Vấn đề thật, thị trường ra sao, giải pháp thì không màu hồng 🔍

 

1. Bức tranh Retail Việt Nam – “ông lớn” chen chân khắp nơi

                                             

 

"AI" trong Retail - Mò kim đáy bể

      

Nếu nhìn vào bản đồ bán lẻ (Retail) Việt Nam 2025, ta thấy một bức tranh rất đa sắc màu:

• F&B / Fastfood: Lotteria, KFC, Highlands Coffee, Phúc Long, The Coffee House, Gong Cha, Ding Tea, Starbucks…
• Pharmacy: Pharmacity, Long Châu, An Khang, Eco Pharma…
• Mart / Convenience Store: Vinmart+ (nay là Winmart), Bách Hóa Xanh, Circle K, GS25, Ministop, FamilyMart…
• ICT / Electronics: FPT Shop, Thế Giới Di Động (TGDĐ), CellphoneS, Hoàng Hà Mobile, Điện Máy Xanh…
• Fashion & Lifestyle: Canifa, Owen, Routine, Uniqlo, Zara, H&M…

Điểm chung của các ông lớn: (Tại vì mình cũng đã làm qua các ông lớn như: Highlands Coffee 2014 - 2020, Pharmacity (2020 - 2023), FPT Software và đang onsite cho FPT Retail (2023 - Hiện tại)

• Họ đều có tham vọng “AI hóa doanh nghiệp”.
• Nhưng điểm yếu: Hệ thống dữ liệu, quy trình, quản trị danh mục sản phẩm (PIM – Product Information Management) lại cực kỳ hỗn loạn.

Nói thẳng ra, Retail Việt Nam không thiếu “tiền đầu tư”, nhưng thiếu tính kỷ luật trong quản trị data và quy trình. Và khi không có nền tảng dữ liệu sạch, AI chỉ là “màu hồng trên PowerPoint” để thuyết trình với Ban Lãnh Đạo.

2. Vấn đề số 1: Product Information Management (PIM) – mỗi ban một kiểu, không ai chịu ai

Đây là “cơn đau đầu” lớn nhất trong Retail. Một cây danh mục sản phẩm (product tree) không bao giờ thống nhất.

Ví dụ thực tế:

• Ở chuỗi ICT : “Laptop Gaming” có thể nằm ở danh mục “Laptop” hoặc “PC & Laptop” hoặc thậm chí tách hẳn một nhánh “Gaming Gear”, thậm chí "mainboard" lại nằm trong danh mục "Laptop", "Chuột máy tính nằm trong danh mục "Laptop" và "Phụ kiện ",...
• Ở chuỗi Pharmacy: Thuốc có thể được phân loại theo hoạt chất (paracetamol, amoxicillin…), theo công dụng (giảm đau, kháng viêm…), hoặc theo nhà sản xuất. Mỗi ban, ngành hàng dược sĩ thích một kiểu phân loại.
• Ở chuỗi F&B: Một món “trà sữa trân châu đường đen” có nơi gắn tag là “Trà sữa”, có nơi là “Đồ uống đặc biệt”, có nơi lại để “Best seller”.

Hậu quả:

• Không có chuẩn chung, nên khi đổ dữ liệu lên Data Lake hoặc Search Engine (ElasticSearch, Milvus), kết quả tìm kiếm “đổ bể”.
• AI khi detect intent “tìm laptop gaming” lại không match được với danh mục “PC hiệu năng cao” → khách hàng bỏ giỏ.
• Mỗi lần muốn tích hợp AI, Product Owner/BA/Engineer phải “ngồi hòa giải” giữa các ban: ai cũng muốn hệ thống làm theo cách của họ. (có khi hoài giải không được ớ)

Đây chính là lý do tại sao E-commerce Search &

Recommendation ở VN mãi chưa “sánh vai” được với

Amazon hay Taobao. Không phải thiếu công nghệ, mà

thiếu chuẩn hóa và kỷ luật dữ liệu.

3. Vấn đề số 2: Data Lake, Data Warehouse – nói thì hay, làm thì… skip luôn

Các ông lớn Retail thường có 2 lựa chọn khi triển khai hệ thống data:

1. Xây Data Warehouse chuẩn (Snowflake, BigQuery, Redshift, Azure Synapse, hoặc on-premise như SAP BW, MS Dynamics AX/365).
2. Skip qua luôn, lấy data trực tiếp từ API hoặc Kafka (message queue) rồi nhét thẳng vào dashboard.

Tình trạng thực tế tại VN:

• Một số ông lớn chọn cách skip. Vì xây Data Warehouse tốn 1-2 năm, trong khi áp lực từ Ban Lãnh Đạo cần có Dashboard BI trong 3 tháng.
• Vậy là Data Analyst/BI team “cắm dây trực tiếp vào API” hoặc subscribe topic Kafka. Có data thì quất luôn Power BI/Tableau.

Ngắn hạn: Dashboard có, trông rất đẹp, show cho CEO, CFO thì “wow”.

Dài hạn:

• Data schema thay đổi → Dashboard hỏng.
• Không có chuẩn ETL → data “rác” len lỏi vào hệ thống.
• AI muốn train model → không có data pipeline sạch.

Hậu quả: Business Intelligence (BI) cũng chỉ dừng ở mức… intelligence cho có, chưa bao giờ sang AI, Predictive Insights chỉ đúng vào 1 thời điểm vì data change
(BI còn sai nói chi AI hụ hụ)

4. Vấn đề số 3: “Mỗi người một vẻ” – Business Expectation không bao giờ đồng nhất

Đây là “drama” muôn thuở.

• Trước khi có AI: các trưởng bộ phận muốn mọi request đi qua họ → họ kiểm soát được thông tin.
• Sau khi có AI: họ lại muốn hệ thống “phải hiểu họ”, phản ánh đúng cách họ nghĩ, nhưng không được thay thế họ.

Ví dụ:

• AI Search ra “Laptop 40 triệu” khi user hỏi “laptop giá rẻ”. Với sếp “người giàu”, kết quả này “hợp lý”. Với nhân viên “dân nghèo” → “vô lý quá”. Vậy đâu là ground truth?
• AI gợi ý thuốc bổ sung vitamin. Với dược sĩ A: phải gợi ý theo công dụng. Với dược sĩ B: phải theo hoạt chất. Với dược sĩ C: phải theo brand.

Nói cách khác, AI trong Retail không có khái niệm

đúng/sai tuyệt đối. Nó chỉ có “hợp lý hay không hợp lý”,

tùy vào góc nhìn của từng stakeholder.

5. Vấn đề số 4: Người dùng & kỳ vọng – “AI phải perfect”

Một trong những khó khăn lớn nhất khi training user (Sales Ecom, Dược sĩ, BO Team…):

• Người dùng quen với hệ thống rule-based → cái gì cũng có Passed/Failed.
• Khi sang AI → mọi thứ là xác suất, “càng gần 1 càng đúng”, nhưng không bao giờ =1 tuyệt đối.

Nhưng user thì luôn kỳ vọng:

• “Tại sao AI trả kết quả sai?”
• “Tại sao AI recommend cái này mà không phải cái kia?”
• “AI phải như con người, không được sai. Sao không được Chat GPT nhờ ?” 
  (Trời ơi mấy bác ơi, GPT nó cả trăm tỷ param, model mình clone về train trên tập dataset như "bãi rác" thì làm sao model thông minh nỗi. đừng so sánh như thế, tội nhau lắm huhuhuhuhuhu)

Thực tế:

• AI luôn có sai số (Accuracy, F1 score, Recall, Precision…). (Nè khúc này hồi đó ai học xác xuất thống kê chắc còn nhớ Loss Function ha, xét vào 1 tập hệ quy chiếu, với mặt xử lý ngôn ngữ tự nhiên, dự báo,.. Loss Function càng về 0 thì Model càng đúng)
• Vấn đề là doanh nghiệp có chấp nhận sai số này không, và quy trình business có chịu adjust theo mindset AI-first không.

6. Giải pháp – không màu hồng

Anh nhấn mạnh: giải pháp ở đây không phải “AI sẽ cứu rỗi tất cả”, mà phải từng bước:

1. Chuẩn hóa PIM (Product Information Management):
   
• Phải có taxonomy chuẩn → giảm xung đột cross-department.
• Cần đội Data Governance → “làm cảnh sát dữ liệu”.
2. Đầu tư Data Lake/Warehouse nghiêm túc:
   
• Dù mất thời gian 1-2 năm, nhưng cần thiết để build AI thật sự.
• Nếu không, mãi mãi stuck ở “BI show hình đẹp, AI demo xong để đó”.
3. Set đúng expectation cho Business User:
   
• Training mindset: AI = xác suất, không phải tuyệt đối.
• KPI của AI không phải “100% đúng”, mà là “tăng tỷ lệ chuyển đổi thêm X%”.
4. Tích hợp AI vào quy trình nghiệp vụ, không phải thay thế con người:
   
• AI Search → giúp dược sĩ tư vấn nhanh hơn.
• AI Assistant → giúp Sales Ecom giảm tải, chứ không “đuổi Sales về nhà”.
5. Business + Mathematics = chìa khóa:
   
• Ví dụ: áp dụng exponential decay cho thời gian ra mắt sản phẩm, growth function cho tồn kho, đạo hàm cho việc cắt giảm Threshold 
• Đây không chỉ là công thức toán, mà là tư duy business hóa toán học. (Này áp dụng cho Product Owner, Product Manager, IT Business Analyst cho AI Product thì phải có tư duy này, ngoài rule-based, còn phải có mindset về toán học - toán ứng dụng - toán thống kê nữa)

7. Reality Check kết lại

Retail Việt Nam không thiếu tiền, không thiếu người giỏi, không thiếu khát vọng “AI hóa”.

Nhưng reality check là:

• Data chưa sạch.
• PIM chưa chuẩn.
• Expectation chưa align.
• AI chỉ thật sự phát huy khi business chấp nhận mindset mới.

Nói ngắn gọn: AI trong Retail không màu hồng. Nó chỉ là

một “người đồng hành xác suất” – muốn phát huy sức

mạnh thì doanh nghiệp phải chấp nhận rằng “AI có thể

sai, nhưng nó giúp mình đi nhanh hơn, xa hơn”.