Một công trường có thể dư vật tư trên sổ sách nhưng vẫn thiếu hàng tại điểm thi công. Sau khi Bài “Quản lý vật tư công trường: Kiểm soát nhu cầu, cung ứng, tồn kho và sử dụng” làm rõ cách kiểm soát nhu cầu, cung ứng, tồn kho và sử dụng, câu hỏi tiếp theo là liệu có thể nhận biết sự mất cân đối ấy trước nhiều tuần, thay vì chỉ phát hiện khi tổ đội đã phải dừng việc. AI có thể hỗ trợ, nhưng chỉ khi dự báo gắn với khối lượng công việc, thời điểm cần dùng và trạng thái vật tư thực sự khả dụng.

1. Từ quản lý vật tư đến dự báo khả năng đáp ứng thi công

Ở Bài “Quản lý vật tư công trường: Kiểm soát nhu cầu, cung ứng, tồn kho và sử dụng“, vấn đề trọng tâm là xác định vật tư thực sự sẵn sàng cho một công việc cụ thể. Bài toán dự báo bắt đầu từ chính sự phân biệt đó. Nếu hệ thống chỉ biết kho còn bao nhiêu mà không biết hàng có đúng quy cách, đã nghiệm thu, đang ở đâu và đã được dành cho công việc nào, trí tuệ nhân tạo (AI) chỉ có thể dự báo một con số tồn kho thiếu ý nghĩa vận hành.

Đối với người điều hành công trường, câu hỏi cần trả lời không phải là tháng sau sẽ xuất kho bao nhiêu, mà là trong từng tuần tới, mỗi gói việc cần bao nhiêu vật tư, lượng nào có thể sử dụng đúng thời điểm và nguy cơ thiếu hụt sẽ ảnh hưởng đến công việc nào. Dự báo vì vậy phải gắn với tiến độ thi công, không tách thành một bài toán thống kê của riêng bộ phận kho.

Giá trị quản trị của AI nằm ở việc nhận ra sự thay đổi sớm hơn: một khu vực thi công tăng năng suất, một bản vẽ điều chỉnh khối lượng, một nhà cung cấp giao hàng không ổn định, hay một lô vật tư chờ nghiệm thu lâu hơn dự kiến. Các tín hiệu này có thể khiến kế hoạch cung ứng vốn hợp lý trở nên không còn phù hợp.

Hình 1. Dự báo phải gắn với khả năng thi công

2. Nhu cầu vật tư trong xây dựng không giống nhu cầu bán hàng thông thường

Nhiều phương pháp dự báo tồn kho được xây dựng trên lịch sử bán hàng lặp lại. Công trường lại vận hành theo dự án, nơi nhu cầu thay đổi theo tầng, khu vực, hạng mục và giai đoạn thi công. Khi kết cấu hoàn thành, nhu cầu thép giảm nhưng nhu cầu ống, cáp và vật liệu hoàn thiện tăng. Lấy mức xuất kho trung bình của ba tháng trước để dự báo ba tháng tiếp theo dễ dẫn đến sai lệch có hệ thống.

Nhu cầu phải được suy ra trước hết từ khối lượng công việc còn lại, thiết kế được phê duyệt, biện pháp thi công và lịch triển khai. Lịch sử tiêu hao giúp hiệu chỉnh định mức và nhận diện biến động; nó không thay thế được thông tin công việc tương lai. Ví dụ, 1.000 mét đường ống trên bản vẽ không nhất thiết tương đương 1.000 mét vật tư cần mua, vì còn có đoạn cắt nối, thay đổi tuyến, vật tư thu hồi và tồn đã cấp phát chưa lắp đặt.

AI hữu ích khi kết hợp phần nhu cầu có thể tính toán theo quy tắc với phần bất định cần ước lượng. Hệ thống có thể tính nhu cầu cơ sở từ khối lượng và định mức, sau đó dự báo phạm vi dao động dựa trên năng suất, sai lệch thiết kế, tiến độ phê duyệt và kinh nghiệm từ những công việc tương tự. Cách tiếp cận này dễ kiểm tra hơn việc giao toàn bộ quyết định cho một mô hình không giải thích được.

3. Dữ liệu nào quyết định chất lượng dự báo?

Lớp dữ liệu thứ nhất là kế hoạch công việc: mã hạng mục, vị trí, khối lượng còn lại, ngày dự kiến triển khai, quan hệ trước–sau và mức độ chắc chắn của mặt bằng. Lớp thứ hai là định mức và kết quả thực hiện: vật tư theo đơn vị khối lượng, năng suất tổ đội, lượng đã lắp đặt, hao hụt được xác nhận và phần vật tư còn ở điểm thi công.

Lớp thứ ba phản ánh cung ứng: đơn mua hàng, tiến độ sản xuất, ngày giao dự kiến, mức độ tin cậy của nhà cung cấp, thời gian vận chuyển và thời gian nghiệm thu. Lớp thứ tư là tồn kho khả dụng theo mã hàng, quy cách, lô, vị trí và phần đã giữ cho các gói việc khác. Cuối cùng là dữ liệu bối cảnh như thay đổi thiết kế, thời tiết ảnh hưởng thi công, hạn chế vận chuyển và các quyết định điều chỉnh trình tự công việc.

Quan trọng hơn số lượng trường dữ liệu là khả năng liên kết chúng. Nếu mã vật tư trong kho không nối được với mã vật tư trong dự toán, hoặc tiến độ không chỉ ra vị trí cần sử dụng, hệ thống không thể xác định thiếu hụt ở đâu. Vì vậy, chuẩn hóa mã, đơn vị tính, phiên bản bản vẽ và thời điểm cập nhật thường đem lại giá trị sớm hơn việc chọn thuật toán phức tạp.

Hình 2. Các lớp dữ liệu cần liên kết

4. AI hình thành dự báo từ những tín hiệu nào?

Mô hình có thể học mối quan hệ giữa nhu cầu thực tế và các tín hiệu xuất hiện trước đó. Chẳng hạn, khi một gói công việc được giải phóng mặt bằng, nhân lực tăng và tỷ lệ hoàn thành các công việc tiền nhiệm cải thiện, nhu cầu vật tư trong hai tuần tới có thể tăng nhanh hơn kế hoạch cũ. Ngược lại, hồ sơ thiết kế chưa được duyệt hoặc khu vực thi công chưa bàn giao khiến nhu cầu thực tế có khả năng lùi lại.

Có thể kết hợp phương pháp tính toán theo khối lượng với các mô hình dự báo chuỗi thời gian, hồi quy hoặc học máy. Với vật tư phổ thông được sử dụng liên tục, lịch sử theo tuần có thể hữu ích. Với thiết bị đặt chế tạo riêng, dự báo số lượng thường không khó bằng dự báo khả năng giao đúng ngày cần; trọng tâm khi đó là theo dõi các mốc phê duyệt, sản xuất và vận chuyển.

Kết quả tốt không nên chỉ là một con số duy nhất. Dự báo có thể trình bày nhu cầu dự kiến, khoảng dao động và những yếu tố khiến nhu cầu thay đổi. Người quản lý nhờ vậy hiểu rằng dự báo 500 mét cáp tuần sau là giả định dựa trên tiến độ hiện tại, chứ không phải một cam kết chắc chắn.

5. Từ dự báo nhu cầu đến dự báo thiếu hụt theo thời gian

Dự báo nhu cầu chỉ là một nửa bài toán. Để biết có thiếu vật tư hay không, hệ thống phải đối chiếu nhu cầu theo từng kỳ với tồn khả dụng đầu kỳ và lượng dự kiến về có thể sử dụng đúng hạn. Một đơn hàng dự kiến đến thứ Sáu không thể đáp ứng công việc bắt đầu thứ Hai; hàng đã giao nhưng chưa nghiệm thu cũng không được tính như hàng sẵn sàng.

Một bảng cân đối theo tuần cần cập nhật liên tục lượng đầu kỳ, lượng nhập đủ điều kiện, lượng dự kiến sử dụng và lượng cuối kỳ. AI có thể ước lượng độ tin cậy của ngày giao hoặc thời gian nghiệm thu dựa trên lịch sử từng nhà cung cấp, loại vật tư và điều kiện dự án. Tuy nhiên, xác suất giao hàng phải được trình bày rõ; không nên cộng toàn bộ lượng hàng chưa chắc chắn vào tồn khả dụng.

Khi phát hiện khoảng thiếu, hệ thống phải xác định công việc và mốc tiến độ bị ảnh hưởng. Thiếu một phụ kiện giá trị nhỏ nhưng không có hàng thay thế cho công việc trên đường găng có thể đáng ưu tiên hơn thiếu một loại vật tư đắt tiền chưa cần dùng trong nhiều tuần. Dự báo vì vậy cần kết hợp lượng thiếu với hậu quả của việc thiếu.

Hình 3. Từ dự báo nhu cầu đến cảnh báo thiếu hụt

6. Giảm tồn kho không có nghĩa là giảm dự trữ bằng mọi giá

Mua nhiều tạo cảm giác an toàn nhưng làm tăng vốn bị giữ trong kho, chi phí bảo quản, diện tích tập kết và nguy cơ hư hỏng. Mua quá ít lại có thể khiến tổ đội ngừng việc, kéo theo chi phí nhân công chờ đợi và biện pháp khôi phục tiến độ. Bài toán đúng là lựa chọn mức dự trữ phù hợp với rủi ro, không phải làm cho đường biểu diễn tồn kho luôn thấp.

AI có thể hỗ trợ ước lượng nhu cầu biến động và thời gian bổ sung không ổn định để đề xuất mức dự trữ theo từng nhóm vật tư. Với hàng phổ thông, hệ thống có thể đề xuất điểm đặt hàng lại; với hàng có thời gian cung ứng dài, cần ưu tiên cảnh báo sớm mốc phê duyệt và sản xuất; với vật tư có thể điều chuyển giữa các công trường, cần xem xét chi phí và thời gian chuyển kho.

Mức dự trữ phải phản ánh mức độ ảnh hưởng đến tiến độ, khả năng thay thế, giá trị vốn, điều kiện bảo quản và độ tin cậy dữ liệu. Một khuyến nghị giảm 20% tồn kho chỉ có ý nghĩa khi vẫn đáp ứng được mức độ sẵn sàng vật tư mà dự án yêu cầu.

7. Từ kết quả dự báo đến quyết định mua sắm và điều chuyển

Điểm yếu của nhiều hệ thống phân tích là phát ra cảnh báo nhưng không chỉ ra hành động khả thi. Khi dự báo thiếu vật tư trong ba tuần tới, người quản lý cần so sánh những phương án cụ thể: đặt mua bổ sung, chia lô giao hàng, điều chuyển từ kho khác, thay đổi thứ tự thi công hoặc sử dụng vật tư tương đương đã được phê duyệt.

Mỗi phương án có chi phí và ràng buộc riêng. Đặt mua gấp có thể tăng giá; điều chuyển có thể làm công trường khác thiếu hàng; đổi trình tự thi công có thể ảnh hưởng tổ đội hoặc nghiệm thu; thay vật tư phải đáp ứng yêu cầu thiết kế và chất lượng. AI có thể hỗ trợ sàng lọc và xếp thứ tự phương án, nhưng những điều kiện kỹ thuật, ngân sách và thẩm quyền phê duyệt phải được kiểm tra bằng quy tắc quản trị rõ ràng.

Kết quả đầu ra có giá trị nên thể hiện mức thiếu dự kiến, ngày phát sinh, gói việc liên quan, nguyên nhân chính, các phương án khả thi, chi phí ước tính và người có trách nhiệm quyết định. Khi quyết định được thực hiện, kết quả phải quay trở lại dữ liệu để đánh giá dự báo và cải thiện lần sau.

Hình 4. Từ cảnh báo đến phương án xử lý

8. Tình huống minh họa: dự báo thiếu cáp trước khi công trường phải chờ việc

Giả sử một dự án dự kiến lắp đặt 2.400 mét cáp trong bốn tuần, với nhu cầu lần lượt là 400, 600, 800 và 600 mét. Kho hiện có 1.100 mét thực sự khả dụng; 500 mét khác đang chờ nghiệm thu và một đơn hàng 1.000 mét được hẹn giao vào đầu tuần thứ ba. Đây là tình huống giả định để minh họa phương pháp, không phải số liệu thực tế của một dự án.

Nếu chỉ nhìn tổng số lượng 2.600 mét gồm cả hàng chờ nghiệm thu và hàng sẽ về, báo cáo có thể kết luận dự án đủ cáp. Nhưng sau hai tuần đầu, tồn khả dụng chỉ còn 100 mét. Nếu lô 500 mét chưa được nghiệm thu và đơn hàng mới giao chậm, tuần thứ ba sẽ thiếu đến 700 mét so với nhu cầu 800 mét. Một mô hình dự báo hữu ích phải phát hiện khoảng thiếu này trước khi tổ đội bắt đầu công việc.

Giả sử lịch sử cho thấy nhà cung cấp thường giao trễ và việc nghiệm thu lô cáp có thể kéo dài thêm một tuần. Hệ thống nên tạo các kịch bản: giao đúng hẹn, giao trễ và nghiệm thu chậm. Người quản lý có thể lựa chọn thúc đẩy hồ sơ nghiệm thu, xác nhận lại lịch giao, điều chuyển cáp tương đương đã được duyệt hoặc điều chỉnh thứ tự thi công. Hiệu quả không nằm ở việc AI dự đoán đúng một con số, mà ở việc dự án có thêm thời gian để xử lý.

9. Đánh giá dự báo bằng kết quả vận hành, không chỉ bằng độ chính xác

Một mô hình dự báo sai số thấp chưa chắc có ích nếu nó chỉ phát hiện thiếu hàng trước một ngày, khi không còn đủ thời gian đặt mua. Ngược lại, một cảnh báo sớm có sai số nhất định vẫn có giá trị nếu giúp dự án tránh được việc dừng thi công. Do đó, đánh giá phải xét cả chất lượng dự báo và tác động đến quyết định.

Về kỹ thuật, doanh nghiệp có thể theo dõi sai số theo nhóm vật tư và khoảng thời gian dự báo, tỷ lệ cảnh báo thiếu hụt đúng, tỷ lệ cảnh báo nhầm và mức độ phù hợp giữa khoảng dự báo với kết quả thực tế. Không nên gộp mọi vật tư vào một chỉ số chung vì vật tư sử dụng thường xuyên và thiết bị đặt chế tạo có bản chất khác nhau.

Về vận hành, những thước đo quan trọng hơn gồm số ngày cảnh báo trước thời điểm thiếu, tỷ lệ vật tư sẵn sàng đúng ngày cần, số giờ tổ đội phải chờ vật tư, giá trị tồn kho bình quân, chi phí mua gấp và số khuyến nghị được thực hiện. Chỉ khi các chỉ số này cải thiện đồng thời, doanh nghiệp mới có cơ sở kết luận hệ thống mang lại hiệu quả.

10. Những giới hạn cần nhận diện trước khi đưa AI vào điều hành

Dữ liệu lịch sử có thể phản ánh các sai sót cũ: xuất kho không đúng công việc, tồn kho chưa cập nhật, ngày giao bị sửa đè hoặc nhu cầu thay đổi nhưng không lưu phiên bản. Nếu đưa trực tiếp những dữ liệu đó vào mô hình, AI có thể học lại cách quản lý thiếu chuẩn thay vì cải thiện nó.

Các thay đổi thiết kế lớn, điều kiện thị trường bất thường và biện pháp thi công mới có thể làm mô hình không còn phù hợp. Cần theo dõi chất lượng dự báo theo thời gian và thiết lập cơ chế để người phụ trách xác nhận những thay đổi quan trọng. Cũng phải tránh sử dụng dữ liệu chỉ xuất hiện sau thời điểm dự báo để huấn luyện, vì cách làm này tạo ra kết quả thử nghiệm tốt giả tạo.

Đặc biệt, không nên để AI tự động phát hành đơn mua hàng giá trị lớn hoặc thay đổi vật tư kỹ thuật chỉ dựa trên dự báo. Các quyết định đó phải tuân thủ hạn mức ngân sách, hợp đồng, phê duyệt thiết kế và quy trình mua sắm. AI hỗ trợ người quản lý nhìn thấy phương án; quyền quyết định và trách nhiệm vẫn phải được xác định rõ.

11. Kiến trúc dữ liệu và quy trình vận hành cần được tổ chức ra sao?

Một hệ thống thực tế có thể kết nối dữ liệu từ tiến độ, bóc tách khối lượng, mua sắm, kho, nghiệm thu và nhật ký thi công. Dữ liệu được chuẩn hóa theo mã vật tư, mã công việc, vị trí và thời điểm; sau đó hình thành bảng nhu cầu theo kỳ và bảng cung ứng khả dụng. Lớp dự báo ước lượng biến động nhu cầu, khả năng giao hàng và nguy cơ thiếu hụt.

Tầng hỗ trợ quyết định sử dụng kết quả dự báo cùng các quy tắc bắt buộc về quy cách, ngân sách, thẩm quyền và điều kiện điều chuyển. Cuối cùng là quy trình giao việc: ai xác minh cảnh báo, ai lựa chọn phương án, ai phê duyệt và ai cập nhật kết quả. Nếu thiếu bước này, bảng điều khiển chỉ cho thấy vấn đề mà không bảo đảm vấn đề được giải quyết.

Với iBOM hoặc một nền tảng quản trị dự án tương tự, cách triển khai phù hợp là tận dụng các đối tượng nghiệp vụ đã có, không tạo thêm một kho dữ liệu tách biệt. AI nên được xây dựng như lớp dự báo và hỗ trợ quyết định trên dòng dữ liệu vận hành có kiểm soát, thay vì thay thế quy trình mua sắm, kho và nghiệm thu.

Hình 5. Vòng cải thiện dự báo và vận hành

12. Lộ trình áp dụng: bắt đầu từ một nhóm vật tư có rủi ro rõ ràng

Giai đoạn đầu nên chọn một nhóm vật tư có nhu cầu tương đối thường xuyên, mã hàng rõ ràng và tác động trực tiếp đến tiến độ, chẳng hạn cáp điện, ống hoặc vật tư hoàn thiện theo khu vực. Doanh nghiệp cần đối chiếu lại tồn khả dụng, xác định lịch sử nhu cầu thực, chuẩn hóa thời gian cung ứng và liên kết dữ liệu với tiến độ theo tuần.

Tiếp theo, xây dựng phương pháp dự báo cơ sở từ khối lượng còn lại và định mức, rồi so sánh với mô hình có bổ sung tín hiệu thực tế. Hệ thống nên chạy thử song song với quy trình hiện hành, ghi nhận các cảnh báo đúng, cảnh báo sai và hành động được thực hiện. Không nên mở rộng trước khi chứng minh được khả năng cảnh báo đủ sớm và giúp giảm gián đoạn thi công.

Khi dữ liệu và quy trình đã ổn định, doanh nghiệp có thể mở rộng sang nhiều công trường, điều chuyển vật tư giữa các dự án và tối ưu mức dự trữ theo rủi ro. Đây là bước chuyển từ dự báo nhu cầu đơn lẻ sang điều hành chuỗi cung ứng dự án dựa trên dữ liệu.

Kết luận

AI không tự động làm giảm tồn kho, cũng không thay thế trách nhiệm của người quản lý vật tư. Giá trị của công nghệ là kết hợp khối lượng thi công, tiến độ, mức tiêu hao, tồn khả dụng và độ tin cậy cung ứng để nhận diện sớm nơi nào có thể thiếu hoặc dư vật tư. Khi cảnh báo được chuyển thành quyết định có kiểm soát và kết quả được ghi nhận, doanh nghiệp mới có thể giảm vốn tồn kho mà vẫn duy trì khả năng thi công liên tục.

Điểm xuất phát không phải là thuật toán mạnh nhất mà là dữ liệu đúng và quy trình phản hồi rõ ràng. Dự báo chỉ trở thành năng lực quản trị khi giúp người điều hành hành động đủ sớm.

Tài liệu tham khảo và nền tảng chuyên môn

• Construction Industry Institute (CII) – các thực hành quản lý vật tư và chuỗi cung ứng trong dự án xây dựng.
• Project Management Institute (PMI) – nguyên tắc quản lý nguồn lực, mua sắm và rủi ro dự án.
• AACE International – phương pháp kiểm soát khối lượng, chi phí và dự báo trong dự án.
• Các tình huống và số liệu định lượng trong bài do tác giả xây dựng để minh họa phương pháp, không phải kết quả nghiên cứu thực nghiệm.