Machine Learning Trong Dự Báo Hàng Hóa Vending Machine: Từ Lý Thuyết Đến Thực Hành

Machine Learning trong vending machine không phải là buzzword — mà là công cụ thực tế giúp hệ thống 50+ máy vận hành hiệu quả. Từ dự báo tồn kho đến tối ưu sản phẩm, ML giải quyết những vấn đề mà con người không thể xử lý thủ công theo quy mô.

Máy bán hàng tự động thu thập dữ liệu từng giao dịch 24/7 — đây là nguyên liệu hoàn hảo cho Machine Learning. Vấn đề là biết cách sử dụng dữ liệu này.

Các Bài Toán ML Trong Vending Machine

1. Demand Forecasting (Dự Báo Nhu Cầu)

Bài toán: Máy số 17 tại tòa văn phòng BigCorp sẽ bán bao nhiêu lon Sting vào thứ 4 tuần sau?

Input features:

• Lịch sử bán Sting tại máy 17 (52 tuần gần nhất)
• Ngày trong tuần (thứ 4 vs thứ 7)
• Dự báo nhiệt độ thứ 4 tuần sau
• Có sự kiện đặc biệt không (ngày lễ)

Model đơn giản: Prophet (Facebook/Meta) — time series forecasting library. Open source, dễ cài đặt, xử lý tốt seasonality (theo tuần/tháng/năm) và holiday effects.

Output: Dự báo bán 45 ± 8 lon Sting vào thứ 4 → tiếp hàng đủ 53 lon (buffer 18%) vào thứ 3.

2. Reorder Point Optimization (Tối Ưu Điểm Đặt Hàng Lại)

Bài toán: Khi nào nên tiếp hàng ô B4 (Pocari Sweat 500ml) của máy số 23?

Biến đổi theo từng máy: Máy ở gym bán hết Pocari trong 2 ngày. Máy tại văn phòng bán hết trong 7 ngày. Cùng một sản phẩm — thời gian tiếp hàng khác nhau.

ML approach: Học từ lịch sử hết hàng thực tế (khi nào hết vs khi nào tiếp) để tự động điều chỉnh reorder point cho từng sản phẩm, từng máy.

3. Product Mix Optimization

Bài toán: Ô B6 bán rất chậm (5 lon/tuần). Nên thay bằng sản phẩm nào?

ML approach: Collaborative filtering — tìm máy có profile tương tự (vị trí tương tự, lưu lượng tương tự) và xem họ bán gì tốt ở ô đó.

Hoặc: A/B testing đơn giản — thử 2 sản phẩm tại ô đó trong 2 tuần xen kẽ, ML so sánh performance.

Thuật Toán Phù Hợp Cho Từng Bài Toán

Bài toán	Thuật toán phù hợp	Độ phức tạp
Demand forecasting	Prophet, ARIMA, LSTM	Trung bình
Reorder point	Rule-based + simple regression	Thấp
Product mix	Collaborative filtering	Trung bình
Route optimization	TSP solver (OR-Tools)	Cao
Anomaly detection	Isolation Forest	Thấp

Bắt Đầu Từ Đâu

Bước 1: Thu Thập Dữ Liệu Sạch

Trước khi nghĩ đến ML, đảm bảo mọi giao dịch được log với: timestamp chính xác, machine ID, product SKU, số lượng.

Dữ liệu sạch trong 6 tháng là điều kiện tiên quyết.

Bước 2: Thử Mô Hình Đơn Giản Nhất

Moving average 4 tuần: dự báo tuần tới = trung bình 4 tuần gần nhất. Không cần code phức tạp — Excel làm được.

Đo accuracy: % dự báo đúng trong ±20%. Nếu moving average đạt 70%+ accuracy → không cần gì phức tạp hơn.

Bước 3: Chỉ Thêm Phức Tạp Khi Cần

Nếu accuracy chưa đủ → thêm seasonal factors (thứ 6 khác thứ 2 bao nhiêu).

Vẫn chưa đủ → thêm external factors (thời tiết, sự kiện).

Vẫn chưa đủ → xây dựng mô hình ML thực sự.

Liên hệ TSE Vending để được tư vấn về hệ thống quản lý và phân tích dữ liệu cho chuỗi máy bán hàng tự động — từ thu thập dữ liệu IoT đến demand forecasting thực tế.