AI trong bán lẻ: ứng dụng, dữ liệu khách hàng và rủi ro

Mục lục

1. AI trong bán lẻ là gì?
2. AI đang được dùng ở những khâu nào trong bán lẻ?
3. Dự báo nhu cầu và tồn kho bằng AI hoạt động thế nào?
4. Định giá và khuyến mãi bằng AI: lợi ích và giới hạn ở đâu?
5. Cá nhân hoá và gợi ý sản phẩm bằng AI hoạt động ra sao?
6. Chatbot và trợ lý mua sắm AI cần lưu ý gì?
7. Thị giác máy tính tại cửa hàng làm được gì?
8. AI chống gian lận và thất thoát trong bán lẻ ra sao?
9. Bán lẻ dùng AI phải tuân thủ quy định nào về dữ liệu khách hàng?
10. Rủi ro khi dùng AI trong bán lẻ là gì?
11. Doanh nghiệp bán lẻ Việt Nam nên bắt đầu ứng dụng AI từ đâu?
12. Câu hỏi thường gặp

AI trong bán lẻ là gì?

AI trong bán lẻ (AI in retail) là việc đưa mô hình trí tuệ nhân tạo vào mua hàng, quản lý kho, định giá, bán hàng, chăm sóc khách và vận hành cửa hàng. Mô hình học quy luật từ dữ liệu cũ, rồi dự đoán hoặc đề xuất cho quyết định mới: tuần tới cửa hàng A cần bao nhiêu thùng sữa, khách B có thể thích sản phẩm nào, giao dịch C có dấu hiệu gian lận không.

Phần lớn ứng dụng dựa trên học máy (machine learning) với dữ liệu dạng bảng như hoá đơn, tồn kho, giá. Một số dùng thị giác máy tính để “đọc” hình ảnh kệ hàng, hoặc mô hình ngôn ngữ lớn để trò chuyện với khách.

AI khác với chuyển đổi số nói chung. Chuyển đổi số là nền móng: máy POS, phần mềm kho, hoá đơn điện tử, bán hàng đa kênh, dữ liệu khách tập trung. AI là tầng phía trên, khai thác nền dữ liệu đó để ra quyết định tốt hơn. Cửa hàng chưa có dữ liệu bán hàng sạch theo từng mặt hàng thì gần như chưa thể dùng AI dự báo. Cách xây nền móng này có trong bài chuyển đổi số trong bán lẻ cho cửa hàng và chuỗi Việt Nam.

Nhà bán hàng Việt Nam đang dùng AI vào việc gì?

Theo khảo sát của Sapo cuối năm 2025 với 15.000 nhà bán hàng, được VTV đưa tin ngày 30/01/2026, nhóm việc dùng AI nhiều nhất là marketing và quảng cáo (59,9%), phân tích dữ liệu và báo cáo (52,0%), chăm sóc khách hàng (47,1%). Dự báo nhu cầu và tồn kho chỉ có 24,4%. Rào cản lớn nhất là thiếu kiến thức hoặc nhân sự (55,9%), chi phí đầu tư (53,3%) và chưa thấy hiệu quả rõ ràng (34,6%).

AI đang được dùng nhiều ở chỗ dễ dùng, còn ít ở chỗ quyết định trực tiếp lợi nhuận như lượng hàng nhập. Phần quảng cáo và nội dung đã có bài riêng về AI trong marketing.

AI đang được dùng ở những khâu nào trong bán lẻ?

Có thể chia ứng dụng thành năm khâu, cùng dùng chung một nền dữ liệu. Nếu mã hàng trên POS khác mã trong kho, hoặc một khách có ba hồ sơ, sai sót sẽ lan sang mọi ứng dụng.

Khâu	Ứng dụng tiêu biểu	Chỉ số đo hiệu quả
Mua hàng và tồn kho	Dự báo nhu cầu, đề xuất đặt hàng, phân bổ hàng giữa cửa hàng	Tỷ lệ hết hàng, hao hụt, số ngày tồn kho
Giá và khuyến mãi	Giảm giá cuối mùa, giá theo khu vực, dự báo hiệu quả khuyến mãi	Biên lợi nhuận gộp, doanh số tăng thêm thực sự
Kênh bán và khách hàng	Gợi ý sản phẩm, tìm kiếm, phân khúc, chatbot	Tỷ lệ chuyển đổi, giá trị đơn, tỷ lệ mua lại
Cửa hàng vật lý	Phát hiện kệ trống, sai nhãn giá, đếm lượt khách, hàng đợi	Thời gian kệ trống, tỷ lệ đúng giá, thời gian chờ
Bảo vệ doanh thu	Gian lận thanh toán, hoàn hàng, voucher, thất thoát tại quầy	Tổn thất ngăn được, tỷ lệ cảnh báo sai

Dự báo nhu cầu và tồn kho bằng AI hoạt động thế nào?

Dự báo nhu cầu (demand forecasting) là ước tính mỗi mặt hàng sẽ bán được bao nhiêu, tại mỗi điểm bán, trong thời gian tới. Dự báo thấp thì hết hàng, khách sang cửa hàng khác. Dự báo cao thì vốn nằm trong kho, hàng tươi bị huỷ, hàng thời trang phải xả giá.

Cách truyền thống (trung bình vài tuần, cộng thêm một khoản “cho chắc”) ổn với hàng bán đều, nhưng kém khi nhiều yếu tố cùng tác động: khuyến mãi, thời tiết, ngày lương, Tết. Học máy xử lý được nhiều yếu tố cùng lúc, trên hàng chục nghìn cặp mặt hàng và cửa hàng.

Mô hình cần những dữ liệu gì?

• Lịch sử bán theo mặt hàng, cửa hàng, ngày; với hàng tươi nên có theo giờ.
• Ngày hết hàng: hôm hết hàng, doanh số thấp vì không có hàng để bán. Nếu không đánh dấu, mô hình học sai rằng nhu cầu thấp.
• Giá và khuyến mãi: mức giảm, hình thức, vị trí trưng bày.
• Lịch và yếu tố ngoài: lễ, Tết âm lịch, ngày lương, thời tiết, sự kiện địa phương.

Từ dự báo đến đơn đặt hàng

Con số dự báo chỉ tạo ra giá trị khi thành đơn đặt hàng tốt hơn. Bước này cần thêm quy tắc nghiệp vụ: tồn kho an toàn, quy cách thùng, hạn dùng, sức chứa kho, lịch giao.

Ví dụ minh hoạ. Một chuỗi 30 cửa hàng tiện lợi bán bánh mì tươi, hạn dùng 1 ngày, trước đây đặt cố định 50 chiếc mỗi cửa hàng mỗi ngày. Ngày mưa thì thừa, sáng thứ Hai đầu tháng lại thiếu. Khi đưa lịch sử bán theo giờ, thời tiết và lịch lương vào mô hình, hệ thống đề xuất số lượng riêng cho từng cửa hàng mỗi ngày. Quản lý vẫn được sửa, nhưng phải ghi lý do, ví dụ “gần trường có sự kiện”. Lý do đó thành dữ liệu cho lần huấn luyện sau.

Đo độ chính xác dự báo thế nào cho đúng?

• Sai số có trọng số (WAPE): tổng sai lệch tuyệt đối chia tổng lượng bán thực tế. Chỉ số này không bị “nổ” ở mặt hàng bán chậm như MAPE.
• Độ lệch (bias): mô hình có hay dự báo cao, hoặc thấp, một cách hệ thống không. Lệch nhỏ nhưng luôn một chiều còn tốn kém hơn sai số lớn nhưng ngẫu nhiên.
• Chỉ số kinh doanh: tỷ lệ hết hàng, giá trị hàng huỷ, số ngày tồn kho.

Luôn so với cách đặt hàng hiện tại trên cùng giai đoạn. Mô hình phức tạp mà không thắng được cách “trung bình bốn tuần” thì chưa nên đưa vào vận hành. AI cũng dự báo kém với mặt hàng mới chưa có lịch sử (cần mượn dữ liệu hàng tương tự), với cú sốc chưa từng có như dịch bệnh, và khi số liệu tồn kho trên hệ thống không khớp với kệ.

Định giá và khuyến mãi bằng AI: lợi ích và giới hạn ở đâu?

AI hỗ trợ định giá theo ba hướng. Thứ nhất là tối ưu giảm giá cuối mùa (markdown optimization): giảm bao nhiêu, tuần nào, để bán hết hàng cũ mà không mất quá nhiều biên lợi nhuận. Thứ hai là giá theo khu vực, dựa trên mức nhạy cảm về giá của từng nơi. Thứ ba là định giá động (dynamic pricing), điều chỉnh giá thường xuyên theo cung, cầu, tồn kho và giá đối thủ, phổ biến trên sàn thương mại điện tử.

Với khuyến mãi, câu hỏi khó nhất là “bao nhiêu phần doanh số là bán thêm thật”. Giảm giá nước ngọt có thể chỉ kéo khách mua sớm hàng họ vốn định mua tuần sau, hoặc khiến khách bỏ nhãn hàng khác trong cùng cửa hàng (ăn mòn doanh số, cannibalization). Mô hình tốt ước tính cả các hiệu ứng này.

Ranh giới giữa định giá thông minh và định giá gây mất lòng tin

Giá thay đổi theo thời điểm, theo tồn kho là bình thường. Rủi ro xuất hiện khi giá được cá nhân hoá theo từng người. Ngày 23/07/2024, Uỷ ban Thương mại Liên bang Mỹ (FTC) đã yêu cầu 8 công ty cung cấp thông tin về “định giá giám sát” (surveillance pricing): dùng thuật toán, AI và dữ liệu cá nhân như vị trí, nhân khẩu học, lịch sử tín dụng, lịch sử duyệt web hay mua sắm để đặt giá riêng cho từng người.

Ở Việt Nam, giá cá nhân hoá dựa trên theo dõi hành vi trên web hoặc ứng dụng kéo theo nghĩa vụ xin đồng ý theo Luật Bảo vệ dữ liệu cá nhân. Nguyên tắc an toàn: cho giá biến động theo yếu tố của hàng hoá và thị trường (tồn kho, hạn dùng, thời điểm, khu vực), không theo “người này có vẻ trả được nhiều hơn”.

Cá nhân hoá và gợi ý sản phẩm bằng AI hoạt động ra sao?

Cá nhân hoá là hiển thị sản phẩm, nội dung hoặc ưu đãi khác nhau cho từng khách dựa trên dữ liệu về họ. Theo nghiên cứu McKinsey công bố tháng 11/2021, 71% người tiêu dùng kỳ vọng được cá nhân hoá, và 76% thấy khó chịu khi không được. Các kiểu gợi ý thường gặp:

• Lọc cộng tác (collaborative filtering): “khách giống bạn cũng mua”.
• Dựa trên nội dung (content-based): sản phẩm có thuộc tính gần với thứ khách đã xem.
• Mua kèm (market basket): “thường được mua cùng”, hữu ích cả cho sắp xếp kệ và tạo combo ở cửa hàng.
• Tìm kiếm ngữ nghĩa: hiểu “áo khoác đi mưa cho bé 5 tuổi” thay vì chỉ khớp từ khoá.

Sự đồng ý của khách khi cá nhân hoá

Điều 28 khoản 8 Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 (hiệu lực từ 01/01/2026) quy định riêng cho quảng cáo theo hành vi, nhắm mục tiêu hoặc cá nhân hoá. Doanh nghiệp chỉ được thu thập dữ liệu qua việc theo dõi website, ứng dụng khi chủ thể dữ liệu đồng ý. Doanh nghiệp phải có cách để khách từ chối, xác định thời gian lưu và xoá dữ liệu khi không còn cần. Điều 9 yêu cầu đồng ý theo từng mục đích; im lặng không phải là đồng ý.

Trong thực hành, hãy tách hai việc. Gợi ý sản phẩm thay thế khi hết hàng để hoàn tất đơn khác với theo dõi hành vi để quảng cáo. Giao diện xin đồng ý cần nói rõ mục đích, không gộp vào một ô “tôi đồng ý điều khoản”.

Chatbot và trợ lý mua sắm AI cần lưu ý gì?

Chatbot trả lời về tồn kho, đổi trả, tình trạng đơn hàng là ứng dụng phổ biến. Nguyên lý và cách triển khai có trong bài chatbot AI là gì. Ba lưu ý riêng cho bán lẻ:

1. Doanh nghiệp chịu trách nhiệm về câu trả lời của chatbot. Trong vụ Moffatt kiện Air Canada (quyết định ngày 14/02/2024 của Toà Giải quyết dân sự bang British Columbia, Canada), hãng bay phải chịu trách nhiệm về thông tin sai của chatbot về giá vé.
2. Cho khách biết họ đang nói chuyện với AI. Điều 11 Luật Trí tuệ nhân tạo số 134/2025/QH15 (hiệu lực từ 01/03/2026) yêu cầu bảo đảm người dùng nhận biết được khi tương tác với hệ thống AI.
3. Trả lời từ dữ liệu thật. Giá, tồn kho, chính sách phải lấy trực tiếp từ hệ thống nguồn. Khiếu nại, hoàn tiền cần đường chuyển sang nhân viên.

Thị giác máy tính tại cửa hàng làm được gì?

Thị giác máy tính (computer vision) cho phép phần mềm phân tích hình ảnh từ camera hoặc ảnh chụp kệ. Ứng dụng thực tế trong cửa hàng gồm:

• Giám sát kệ: phát hiện kệ trống, hàng sai vị trí, nhãn giá sai hoặc thiếu.
• Đếm lượt khách và bản đồ nhiệt: số khách vào, khu vực khách dừng lâu, tỷ lệ khách vào so với số hoá đơn.
• Hàng đợi: cảnh báo khi hàng chờ dài để mở thêm quầy, hỗ trợ xếp ca.

Tại Việt Nam, theo TheLEADER (11/2023), một số chuỗi như PNJ, GS25, Highlands Coffee và NEM đã thử nghiệm phân tích dữ liệu camera để hiểu hành vi khách, phục vụ bố trí mặt bằng và xếp ca.

Bài học từ cửa hàng không thu ngân

Cửa hàng “cầm hàng rồi đi” kết hợp camera, cảm biến và học sâu để tự tính tiền. Tuy vậy, theo tin ngày 03/04/2024, Amazon quyết định gỡ công nghệ Just Walk Out khỏi các cửa hàng Amazon Fresh, chuyển sang xe đẩy thông minh Dash Cart cho khách tự quét hàng. Bài học: công nghệ ấn tượng nhất chưa chắc đáng đầu tư nhất. Một hệ thống cảnh báo kệ trống, rẻ hơn nhiều, có thể cho lợi ích đo được sớm hơn.

Camera AI và quyền riêng tư của khách

Đếm người, đo thời gian chờ không cần biết người đó là ai. Nhận diện khuôn mặt để xác định danh tính là chuyện khác hẳn. Nghị định 356/2025/NĐ-CP ngày 31/12/2025 xếp hình ảnh cá nhân vào dữ liệu cơ bản, còn dữ liệu sinh trắc học vào dữ liệu nhạy cảm. Điều 32 yêu cầu bên ghi hình nơi công cộng thông báo để người bị ghi hình biết, dùng đúng mục đích và chỉ lưu trong thời gian cần thiết.

Rủi ro không chỉ là pháp lý. Ngày 19/12/2023, FTC cấm chuỗi nhà thuốc Rite Aid (Mỹ) dùng nhận diện khuôn mặt cho mục đích giám sát trong 5 năm. Theo FTC, từ 2012 đến 2020, hệ thống này tạo ra hàng nghìn kết quả khớp sai; khách bị theo dõi, khám xét, đuổi khỏi cửa hàng, có khi bị gọi cảnh sát. Tỷ lệ khớp sai cao hơn ở cửa hàng tại khu dân cư mà người da đen hoặc người gốc Á chiếm số đông.

AI chống gian lận và thất thoát trong bán lẻ ra sao?

Thất thoát (shrink) là phần chênh giữa tồn kho sổ sách và hàng thực có, do trộm cắp, gian lận nội bộ, sai sót quy trình hoặc nhà cung cấp. Theo Khảo sát An ninh Bán lẻ Quốc gia của Liên đoàn Bán lẻ Mỹ (NRF) công bố ngày 26/09/2023, tỷ lệ thất thoát bình quân năm tài chính 2022 là 1,6%, tương đương 112,1 tỷ USD. AI phát hiện bất thường ở nhiều điểm:

• Đơn ảo, “bom hàng”: ước tính khả năng khách từ chối nhận đơn COD để yêu cầu đặt cọc hoặc gọi xác nhận.
• Lạm dụng khuyến mãi và hoàn hàng: nhiều tài khoản săn mã khách mới, hoàn hàng đã qua sử dụng, tần suất hoàn bất thường.
• Thất thoát tại quầy: huỷ hoá đơn, giảm giá tay bất thường, đối chiếu nhật ký POS với camera.
• Đánh giá giả: cụm đánh giá cùng lúc, cùng văn phong, từ tài khoản mới.

Mô hình chống gian lận luôn có hai loại lỗi: bỏ sót thì mất tiền, cảnh báo nhầm thì làm phiền, thậm chí xúc phạm khách ngay thẳng. Quyết định bất lợi cho khách như huỷ đơn, khoá tài khoản cần người rà soát và kênh khiếu nại. Với đánh giá, Điều 17 khoản 2 điểm h Luật Thương mại điện tử 2025 yêu cầu nền tảng trung gian hiển thị kết quả đánh giá đầy đủ, chính xác. Bộ lọc AI vì vậy không được dùng để “giấu” đánh giá tiêu cực hợp lệ.

Bán lẻ dùng AI phải tuân thủ quy định nào về dữ liệu khách hàng?

Nhà bán lẻ giữ nhiều dữ liệu cá nhân: số điện thoại tích điểm, địa chỉ giao hàng, lịch sử mua, hình ảnh camera. Khi đưa dữ liệu này vào AI, các văn bản sau là khung tối thiểu cần đối chiếu, cập nhật đến tháng 10/2026.

Văn bản	Hiệu lực	Nội dung liên quan
Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15	01/01/2026	Đồng ý theo mục đích (Điều 9); cá nhân hoá theo hành vi (Điều 28); xử lý bằng AI đúng mục đích, phạm vi (Điều 30); sinh trắc học (Điều 31); ghi hình nơi công cộng (Điều 32)
Nghị định 356/2025/NĐ-CP	Ban hành 31/12/2025	Hình ảnh cá nhân là dữ liệu cơ bản; sinh trắc học là dữ liệu nhạy cảm
Luật Bảo vệ quyền lợi người tiêu dùng số 19/2023/QH15	01/07/2024	Điều 15: bảo đảm an toàn thông tin người tiêu dùng; thuê bên thứ ba xử lý cần đồng ý của người tiêu dùng, lập thành văn bản
Luật Trí tuệ nhân tạo số 134/2025/QH15	01/03/2026	Minh bạch khi người dùng tương tác với AI (Điều 11); thời gian chuyển tiếp cho hệ thống đã chạy (Điều 35)
Quyết định 33/2026/QĐ-TTg	15/08/2026	46 hệ thống AI rủi ro cao thuộc giáo dục, dân tộc và tôn giáo, y tế, ngân hàng, tố tụng, giao thông vận tải; chưa có nhóm riêng cho bán lẻ
Luật Thương mại điện tử số 122/2025/QH15	01/07/2026	Công khai tiêu chí thuật toán hiển thị (Điều 15); hiển thị đánh giá đầy đủ, chính xác (Điều 17)
Nghị định 363/2026/NĐ-CP	11/11/2026	Xử phạt vi phạm hành chính trong lĩnh vực dữ liệu

Ba điểm hay bị bỏ qua:

• Công cụ AI đặt máy chủ ở nước ngoài. Theo Điều 20 Luật 91/2025/QH15, dùng nền tảng ngoài lãnh thổ Việt Nam để xử lý dữ liệu cá nhân thu thập tại Việt Nam là chuyển dữ liệu xuyên biên giới, kèm nghĩa vụ lập hồ sơ đánh giá tác động. Tải danh sách khách lên một dịch vụ AI nước ngoài để “phân khúc thử” cũng thuộc diện này.
• Mức phạt đáng kể. Điều 8 Luật 91/2025/QH15 cho phép phạt tổ chức tới 5% doanh thu năm trước liền kề với vi phạm chuyển dữ liệu xuyên biên giới, và tới 3 tỷ đồng với vi phạm khác.
• Không thuộc danh mục rủi ro cao không có nghĩa là hết nghĩa vụ. Nghĩa vụ minh bạch và toàn bộ luật dữ liệu cá nhân vẫn áp dụng. Tính năng chạm đến tín dụng tiêu dùng hay thanh toán tự động cần đối chiếu thêm nhóm ngân hàng trong danh mục. Tổng quan có trong bài Luật Trí tuệ nhân tạo 2025.

Để quản lý các nghĩa vụ này, doanh nghiệp cần một khung quản trị dữ liệu (data governance): biết mình giữ dữ liệu gì, ở đâu, ai được dùng.

Rủi ro khi dùng AI trong bán lẻ là gì?

Rủi ro	Biểu hiện	Cách giảm thiểu
Dữ liệu bẩn	Mã hàng trùng, tồn kho sai, khách nhiều hồ sơ	Làm sạch trước khi làm mô hình; kiểm kê định kỳ; một mã khách duy nhất
Mô hình “trôi”	Dự báo sai dần khi hành vi khách thay đổi	Theo dõi sai số hằng tuần; huấn luyện lại định kỳ
Tự động hoá quá mức	Tự đặt hàng số lượng lớn bất thường, tự huỷ đơn của khách thật	Đặt ngưỡng; quyết định lớn cần người duyệt; nút dừng khẩn cấp
Lộ dữ liệu khách	Danh sách khách bị tải lên công cụ AI công cộng	Hợp đồng xử lý dữ liệu; phân quyền; ẩn danh hoá trước khi phân tích
Nhân viên không tin hệ thống	Quản lý bỏ qua đề xuất, quay về đặt hàng theo cảm tính	Cho sửa kèm lý do; công khai kết quả so sánh; đào tạo

Doanh nghiệp bán lẻ Việt Nam nên bắt đầu ứng dụng AI từ đâu?

Lộ trình sau phù hợp với chuỗi vừa và nhỏ, hoặc một ngành hàng trong chuỗi lớn.

1. Chọn một bài toán có tiền đo được, ví dụ giảm hàng tươi bị huỷ ở 10 cửa hàng thí điểm. Tránh mục tiêu chung chung như “ứng dụng AI”.
2. Kiểm tra dữ liệu trước khi chọn công cụ. Nên có 12 đến 24 tháng lịch sử bán theo mặt hàng, cửa hàng, ngày để thấy mùa vụ và Tết, có đánh dấu ngày hết hàng và khuyến mãi.
3. Đặt mốc so sánh bằng kết quả của cách làm hiện tại trên cùng nhóm cửa hàng, cùng giai đoạn.
4. Chọn mua hay tự xây. Phần mềm bán hàng, ERP, sàn thương mại điện tử nhiều khi đã có sẵn dự báo, gợi ý. Hỏi rõ dữ liệu lưu ở đâu, có bị dùng huấn luyện cho khách khác không, có xuất lại được không.
5. Thí điểm 8 đến 12 tuần với người duyệt: hệ thống đề xuất, con người quyết định và ghi lý do khi sửa.
6. Đo bằng chỉ số kinh doanh so với mốc ở bước 3, không chỉ báo cáo độ chính xác mô hình.
7. Rà soát pháp lý: sự đồng ý, chuyển dữ liệu ra nước ngoài, thông báo camera, minh bạch chatbot.

Câu hỏi thường gặp

AI có thay thế nhân viên bán hàng không?

AI thay một phần việc lặp lại như đếm hàng, trả lời câu hỏi đơn giản, lập đơn đặt hàng. Tư vấn, xử lý khiếu nại và tạo niềm tin vẫn cần con người. Nhiều nhà bán lẻ dùng AI ở hậu trường để nhân viên có thêm thời gian phục vụ khách.

Dùng camera AI đếm khách có cần thông báo không?

Có. Đếm lượt khách ẩn danh ít rủi ro hơn nhiều so với nhận diện danh tính, nhưng theo Điều 32 Luật 91/2025/QH15, bên ghi hình nơi công cộng vẫn phải thông báo, dùng đúng mục đích và chỉ lưu trong thời gian cần thiết.

Định giá động có hợp pháp ở Việt Nam không?

Điều chỉnh giá theo thời điểm, tồn kho hay khu vực là hoạt động kinh doanh bình thường, miễn tuân thủ quy định về niêm yết giá và không gây nhầm lẫn. Nếu giá được cá nhân hoá dựa trên theo dõi hành vi từng người, cần sự đồng ý theo Luật Bảo vệ dữ liệu cá nhân và nên tham vấn pháp lý trước.