Quản lý Logistics BTL: Tích Hợp AI vào Mô Hình JIT và Quản Lý Tồn Kho | Môn: Quản lí Logistics - Trường: Đại học Bách khoa Thành phố Hồ Chí Minh

QL Logistics BTL 19
ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA
BÀI TẬP LỚN MÔN QUẢN LÝ LOGISTICS
ĐỀ TÀI: TÍCH HỢP AI VÀO MÔ HÌNH JIT
GIẢI PHÁP DỰ BÁO NHU CẦU VÀ KIỂM SOÁT TỒN KHO
Lớp: L02 _Nhóm Full A_HK: 242 Giảng viên hướng dẫn: TS. LÊ THỊ DIỄM CHÂU
Sinh viên thực hiện MSSV
Sinh viên thực hiện MSSV Đỗ Thị Trúc Ly 2211968 Nguyễn Trần Trúc Mai 2211986 Lê Dương Thanh Thảo 2213158 Trần Lê Mẫn Khanh 2211493 Lê Thị Thảo Quyên 2212848 Trần Vũ Khánh Tâm 2213044 Nguyễn Đàm Như Thơ 2213341 Trịnh Nguyễn Tú Uyên 2213912 Nguyễn Thủy Tiên 2213438 Võ Gia Lạc 2211805
Thành phố Hồ Chí Minh_3/2025
BÁO CÁO KẾT QUẢ THẢO LUẬN NHÓM BÀI TẬP LỚN HỌC KỲ 242
Môn: QUẢN LÝ LOGISTICS
Lớp: L02 Tên nhóm: Full A
Đề tài: TÍCH HỢP AI VÀO MÔ HÌNH JIT: GIẢI PHÁP DỰ BÁO NHU CẦU VÀ KIỂM SOÁT TỒN KHO STT Mã số Họ Tên
Nhiệm vụ được phân công Kết quả KÝ TÊN SV 1 2211968 Đỗ Thị Trúc Ly
Tổng quan các tài liệu nghiên cứu 100% 2 2213158 Lê Dương Thanh Thảo Phương pháp nghiên cứu 100% 3 2212848 Lê Thị Thảo Quyên
Câu hỏi nghiên cứu & PowerPoint 100% 4 2213341 Nguyễn Đàm Như Thơ
Dự kiến kết quả và đóng góp nghiên cứu 100% 5 2213438 Nguyễn Thủy Tiên Tóm tắt nghiên cứu 100% 6 2211986 Nguyễn Trần Trúc Mai
Kết luận & Tài liệu tham khảo & Tổng hợp & Chỉnh 100% sửa Word 7 2211493 Trần Lê Mẫn Khanh
Tổng quan các tài liệu nghiên cứu 100% 8 2213044 Trần Vũ Khánh Tâm Phương pháp nghiên cứu 100% 19 9 2213912 Trịnh Nguyễn Tú Uyên
Giới thiệu & PowerPoint 100% 10 2211805 Võ Gia Lạc
Kế hoạch thực hiện & Phương pháp nghiên cứu 100% NHÓM TRƯỞNG
(Ký và ghi rõ họ, tên) lOMoAR cPSD| 37879319 MỤC LỤC
TÓM TẮT................................................................................................................ii
1. Giới thiệu..............................................................................................................1
2. Câu hỏi nghiên cứu..............................................................................................1
3. Tổng quan các tài liệu nghiên cứu......................................................................2
3.1. Bài báo: “Advancements in AI-Enhanced Just-In-Time Inventory:
Elevating Demand Forecasting Accuracy”........................................................2
3.2. Tên bài báo: “Optimizing Just-In-Time Inventory Management: A Deep
Dive into AI-Enhanced Demand Forecasting”..................................................3
3.3. Khung lý thuyết..........................................................................................4
4. Phương pháp nghiên cứu....................................................................................5
4.1. Thiết kế nghiên cứu....................................................................................5
4.2. Phương pháp thu thập dữ liệu.....................................................................5
4.3. Các mô hình AI được sử dụng....................................................................5
4.4. Chiến lược thực hiện...................................................................................6
5. Dự kiến kết quả và đóng góp nghiên cứu...........................................................6
5.1. Tầm quan trọng nghiên cứu........................................................................6
5.2. Hạn chế.......................................................................................................6
5.3. Kết quả nghiên cứu.....................................................................................7
6. Kế hoạch thực hiện..............................................................................................7
7. Kết luận................................................................................................................8
BẢNG TÓM TẮT NGHIÊN CỨU TRƯỚC (GIAI ĐOẠN 2019 - 2025)..........10
TÀI LIỆU THAM KHẢO.....................................................................................15 TÓM TẮT
Trong môi trường chuỗi cung ứng toàn cầu hiện đại, tốc độ thay đổi nhanh chóng
và sự không chắc chắn ngày càng gia tăng. Các công ty đang sử dụng mô hình Just-
in-Time (JIT) để tối đa hóa hiệu quả hoạt động, giảm chi phí tồn kho và nâng cao
năng suất. Tuy nhiên, hệ thống JIT truyền thống yêu cầu dự báo nhu cầu có hạn chế
là dễ bị lỗi trước những biến động của thị trường hoặc mất ổn định của chuỗi cung
ứng. Nghiên cứu này nhằm mục đích nâng cao độ chính xác của dự báo nhu cầu và
đề xuất chiến lược quản lý hàng tồn kho hiệu quả hơn bằng cách tích hợp công nghệ lOMoAR cPSD| 37879319
trí tuệ nhân tạo (AI) vào mô hình JIT. Do đó, nghiên cứu này tìm kiếm các giải pháp
mới nhằm tối ưu hóa dự đoán nhu cầu và quy trình quản lý hàng tồn kho phức tạp.
Nội dung chính của nghiên cứu như sau:
Đầu tiên, chúng em giới thiệu các mô hình tích hợp trí tuệ nhân tạo (AI) vào mô
hình Just-in-time (JIT) được nhiều bài báo khoa học chứng minh đã mở ra cơ hội
nâng cao độ chính xác trong dự báo nhu cầu, giúp doanh nghiệp tối ưu hóa quy trình
sản xuất và quản lý hàng tồn kho.
Thứ hai, AI không chỉ giảm thiểu tình trạng tồn kho dư thừa và thiếu hụt mà
còn tiết kiệm chi phí lưu kho và nâng cao hiệu suất chuỗi cung ứng, tăng cường khả
năng thích ứng với biến động thị trường.
Thứ ba, chúng em xác định những thách thức lớn để tích hợp hiệu quả AI vào mô hình JIT.
Nghiên cứu này trình bày một phương pháp mới để cải tiến hệ thống JIT bằng
việc sử dụng công nghệ AI và dự kiến sẽ mang lại ý nghĩa thiết thực cho các công ty
nhằm theo đuổi hiệu quả các chiến lược chuyển đổi kỹ thuật số và nhà máy thông minh.
Từ khóa: Tích hợp AI trong JIT, quản lý hàng tồn kho, dự báo nhu cầu, học
máy, tối ưu hóa hàng tồn kho, AI trong logistics. ii lOMoAR cPSD| 37879319 1. Giới thiệu
Trong bối cảnh chuỗi cung ứng toàn cầu biến động, tính cấp thiết của việc nâng
cao hiệu quả và sự linh hoạt cũng trở thành mối quan tâm hàng đầu của các doanh
nghiệp. Just-in-Time (JIT) là một phương pháp quản lý hàng tồn kho phổ biến giúp
các công ty tối ưu hóa quy trình sản xuất bằng cách chỉ nhập hàng hoặc sản xuất khi
có nhu cầu (Balkhi và cộng sự, 2022). Tuy nhiên, doanh nghiệp phải có khả năng dự
báo nhu cầu với độ chính xác cao (Pal, 2023).
Các mô hình dự báo truyền thống chủ yếu dựa trên phương pháp thống kê nên
có những hạn chế khi xử lý dữ liệu lớn và không thể theo dõi nhanh chóng sự thay
đổi của thị trường. Chính vì thế, hướng đi mới trong quản lý hàng tồn kho và dự báo
nhu cầu đã được mở ra do sự xuất hiện của Mô hình học máy (Machine Learning
ML) và Trí tuệ nhân tạo (AI) (Choi & Cheng, 2021). Các công nghệ như mạng nơron
nhân tạo (Neural Networks) và học sâu (Deep Learning) có thể giúp các công ty tối
ưu hóa mức tồn kho, giảm nguy cơ dư thừa hoặc thiếu hụt nguyên vật liệu và nâng
cao khả năng thích ứng của chuỗi cung ứng (Zhang và cộng sự, 2020). Tuy nhiên,
việc tích hợp AI vào JIT cũng đặt ra nhiều thách thức lớn như: bảo mật dữ liệu, đạo
đức kinh doanh và nâng cao năng lực cho đội ngũ nhân sự. Cụ thể, AI yêu cầu lượng
dữ liệu lớn, dẫn đến lo ngại về quyền riêng tư và an toàn thông tin; hay những quyết
định do AI đưa ra có thể chưa cân nhắc toàn vẹn đến đạo đức trong kinh doanh (Kaul
& Khurana, 2022). Thêm nữa, doanh nghiệp cần đào tạo và nâng cấp kỹ năng cho
nhân sự để có thể tiếp cận các công nghệ mới một cách dễ dàng hơn (Verma, 2024).
2. Câu hỏi nghiên cứu
Trong bối cảnh công nghệ ngày càng phát triển, việc tích hợp trí tuệ nhân tạo
(AI) vào mô hình quản lý tồn kho Just-in-Time (JIT) đang mở ra nhiều cơ hội cải
thiện độ chính xác trong dự báo nhu cầu và tối ưu hóa chuỗi cung ứng. Tuy nhiên,
quá trình triển khai AI trong JIT cũng đặt ra nhiều thách thức liên quan đến kỹ thuật,
chiến lược và tổ chức. Để hiểu rõ hơn về tác động, lợi ích cũng như những rào cản
của việc ứng dụng AI vào JIT, nghiên cứu này tập trung vào các câu hỏi sau: 1)
AI có thể cải thiện độ chính xác của dự báo nhu cầu trong hệ
thống quản lý tồn kho Just-In-Time (JIT) như thế nào? 2)
Việc tích hợp AI vào mô hình JIT ảnh hưởng ra sao đến hiệu
suất quản lý hàng tồn kho? 3)
Những thách thức chính trong việc ứng dụng AI vào JIT là gì và
làm thế nào để khắc phục? 4)
AI có thể nâng cao tính linh hoạt và khả năng thích ứng của
chuỗi cung ứng JIT trước những biến động thị trường như thế nào? lOMoAR cPSD| 37879319
3. Tổng quan các tài liệu nghiên cứu 3.1. Bài báo: “Advancements in AI-
Enhanced Just-In-Time Inventory:
Elevating Demand Forecasting Accuracy”
Vấn đề nghiên cứu: Bài báo tập trung vào việc cải thiện độ chính xác của dự
báo nhu cầu trong hệ thống quản lý hàng tồn kho theo mô hình JIT bằng cách ứng
dụng trí tuệ nhân tạo (AI). Nghiên cứu tìm hiểu cách AI có thể giúp tối ưu hóa việc
đặt hàng và quản lý chuỗi cung ứng, giảm thiểu lãng phí và chi phí lưu kho.
Lý thuyết và phương pháp nghiên cứu
Lý thuyết: Dựa trên các nguyên lý của quản lý hàng tồn kho JIT và phương pháp
dự báo nhu cầu. Áp dụng các mô hình AI như Machine Learning (ML) và Deep
Learning (DL) để cải thiện độ chính xác của dự báo (Pal, 2023).
Phương pháp nghiên cứu: Sử dụng dữ liệu lịch sử về cung cầu để huấn luyện
các mô hình AI. So sánh hiệu suất của các thuật toán AI khác nhau (như Random
Forest, Neural Networks, LSTM). Thực nghiệm trên dữ liệu thực tế từ một hệ thống
chuỗi cung ứng để đánh giá độ chính xác và hiệu quả (Pal, 2023).
Đóng góp của nghiên cứu: Nghiên cứu chứng minh rằng các mô hình AI có thể
cải thiện đáng kể độ chính xác của dự báo nhu cầu trong hệ thống JIT. Đề xuất một
phương pháp tích hợp AI vào quản lý hàng tồn kho giúp tối ưu hóa chi phí lưu kho
và nâng cao hiệu suất chuỗi cung ứng. Cung cấp một mô hình khung để áp dụng AI
trong các ngành sản xuất khác nhau (Pal, 2023).
So sánh với các nghiên cứu cùng lĩnh vực: Khác với các nghiên cứu trước đây
chỉ sử dụng các mô hình thống kê truyền thống (ARIMA, Holt-Winters), nghiên cứu
này ứng dụng AI và Deep Learning để cải thiện dự báo. Một số nghiên cứu trước đây
tập trung vào quản lý hàng tồn kho nhưng chưa khai thác triệt để tiềm năng của AI,
trong khi bài báo này tập trung vào việc kết hợp AI với JIT để tối ưu hóa toàn diện.
Kết quả nghiên cứu: Mô hình AI (đặc biệt là LSTM) cho kết quả dự báo tốt hơn
so với các phương pháp truyền thống. Giảm sai số dự báo (Mean Absolute Error -
MAE và Root Mean Square Error – RMSE) giảm đáng kể (Pal, 2023). Cải thiện hiệu
suất bằng cách giảm hàng tồn kho dư thừa và tối ưu hóa thời gian giao hàng.
Hạn chế của nghiên cứu: Cần một lượng dữ liệu lớn để huấn luyện mô hình AI
hiệu quả. Chưa thử nghiệm trên nhiều ngành công nghiệp khác nhau, do đó cần nghiên
cứu sâu hơn để đảm bảo tính khái quát hóa. Việc triển khai thực tế có thể gặp khó
khăn về chi phí và yêu cầu hạ tầng công nghệ (Pal, 2023). lOMoAR cPSD| 37879319
3.2. Tên bài báo: “Optimizing Just-In-Time Inventory Management: A Deep
Dive into AI-Enhanced Demand Forecasting”
Vấn đề nghiên cứu: Bài báo tập trung vào việc ứng dụng trí tuệ nhân tạo (AI)
và học máy (Machine Learning - ML) trong quản lý hàng tồn kho theo phương thức Just-In-Time (JIT).
Lý thuyết và phương pháp nghiên cứu
Lý thuyết: Dựa trên nguyên tắc Just-In-Time, giúp giảm thiểu hàng tồn kho
không cần thiết và tối ưu hóa chuỗi cung ứng. Kết hợp với AI và Machine Learning,
bao gồm các thuật toán dự báo nhu cầu như mạng nơ-ron nhân tạo (Neural Networks),
LSTM và Random Forest (Pal, 2024).
Phương pháp nghiên cứu: Dữ liệu được thu thập thông qua thực hiện phỏng vấn
các chuyên gia chuỗi cung ứng, quản lý kho hàng và chuyên gia công nghệ. Nghiên
cứu sử dụng phân tích định tính để rút ra những mẫu hình chính về lợi ích và thách
thức của việc tích hợp AI vào JIT (Pal, 2024).
Đóng góp của nghiên cứu: Chứng minh rằng AI có thể nâng cao độ chính xác
của dự báo nhu cầu, giúp giảm hàng tồn kho dư thừa và ngăn ngừa tình trạng thiếu
hụt. Tác giả còn đề xuất một mô hình khung tích hợp AI vào quản lý hàng tồn kho,
giúp doanh nghiệp có thể áp dụng một cách linh hoạt vào các hệ thống hiện có. Nghiên
cứu còn nhấn mạnh vai trò của AI trong tăng cường khả năng thích ứng của chuỗi
cung ứng, giúp doanh nghiệp đối phó với biến động thị trường.
So sánh với các nghiên cứu cùng lĩnh vực khác: So với các nghiên cứu trước
đây chỉ sử dụng các mô hình thống kê truyền thống (như ARIMA, Holt-Winters),
nghiên cứu này tập trung vào AI và Machine Learning để nâng cao hiệu suất dự báo.
Trong khi các nghiên cứu khác thường tập trung vào quản lý hàng tồn kho tĩnh, nghiên
cứu này nhấn mạnh tính linh hoạt và khả năng thích ứng của JIT khi kết hợp AI. Các
nghiên cứu trước chủ yếu tập trung vào khía cạnh kỹ thuật của dự báo nhu cầu, trong
khi nghiên cứu này đề cập cả khía cạnh chiến lược và kinh tế của AI trong chuỗi cung ứng.
Kết quả nghiên cứu: AI giúp cải thiện đáng kể độ chính xác của dự báo nhu cầu,
đặc biệt khi áp dụng các mô hình như LSTM và mạng nơ-ron nhân tạo. Giảm sai số
dự báo, giúp tối ưu hóa mức tồn kho, giảm thiểu chi phí lưu kho và tăng hiệu quả vận
hành. Tăng khả năng phản ứng linh hoạt của chuỗi cung ứng, giúp doanh nghiệp dễ
dàng điều chỉnh kế hoạch sản xuất khi nhu cầu thay đổi. Cải thiện hiệu quả hoạt động
của hệ thống JIT, giúp giảm thiểu tình trạng hết hàng hoặc tồn kho dư thừa (Pal, 2024). lOMoAR cPSD| 37879319
Hạn chế của nghiên cứu: Yêu cầu dữ liệu lớn và chất lượng cao để huấn luyện
mô hình AI, có thể là một thách thức đối với các doanh nghiệp nhỏ. Việc triển khai
AI đòi hỏi chi phí cao, bao gồm phần cứng, phần mềm và đào tạo nhân sự. Vấn đề
quyền riêng tư và bảo mật dữ liệu khi sử dụng AI trong quản lý chuỗi cung ứng. Chưa
thử nghiệm trên nhiều ngành công nghiệp khác nhau, cần có thêm nghiên cứu để đảm
bảo tính ứng dụng rộng rãi.
3.3. Khung lý thuyết
3.3.1. Lý thuyết về quản lý tồn kho Just-In-Time (JIT)
Quản lý tồn kho JIT là một phương pháp quản lý được xây dựng trên nguyên
tắc sản xuất và cung cấp hàng hóa đúng thời điểm, nhằm giảm thiểu lãng phí và tối
ưu hóa quy trình sản xuất (Pal, 2024). Theo lý thuyết này, việc dự đoán nhu cầu chính
xác là yếu tố then chốt để đảm bảo rằng hàng hóa được sản xuất và cung cấp đúng
lúc, tránh tình trạng thừa hoặc thiếu hàng hóa (Tang, Zhang & Li, 2019). JIT không
chỉ giúp doanh nghiệp tiết kiệm chi phí lưu kho mà còn nâng cao hiệu quả hoạt động.
3.3.2. Lý thuyết về dự đoán nhu cầu
Dự đoán nhu cầu là một lĩnh vực nghiên cứu quan trọng trong quản lý chuỗi
cung ứng, đóng vai trò quyết định trong việc lập kế hoạch sản xuất và tồn kho (Chopra
& Meindl, 2021). Các phương pháp truyền thống như mô hình BoxJenkins ARIMA
(Box et al., 2015) và các kỹ thuật làm mịn (Hyndman & Athanasopoulos, 2018) đã
được sử dụng rộng rãi để dự đoán nhu cầu dựa trên dữ liệu lịch sử. Tuy nhiên, những
phương pháp này thường không đủ linh hoạt để xử lý sự phức tạp và biến đổi nhanh
chóng của thị trường hiện đại. Sự xuất hiện của AI, đặc biệt là các thuật toán học
máy, đã mở ra một kỷ nguyên mới trong dự đoán nhu cầu. AI có khả năng xử lý và
phân tích khối lượng dữ liệu lớn, phát hiện các mẫu phức tạp mà các phương pháp
truyền thống không thể nhận diện, từ đó nâng cao độ chính xác trong dự đoán nhu cầu (Wang et al., 2022).
3.3.3. Lý thuyết về tích hợp AI
Tích hợp AI vào quản lý tồn kho JIT không chỉ là một xu hướng công nghệ
mà còn là một bước chuyển đổi quan trọng trong quản lý chuỗi cung ứng. Các thuật
toán học máy và mạng nơ-ron sâu có khả năng phân tích dữ liệu trong thời gian thực,
giúp doanh nghiệp phản ứng nhanh chóng với các thay đổi trong nhu cầu thị trường
(Choi & Cheng, 2021). Khung lý thuyết này nhấn mạnh rằng, để AI phát huy tối đa
tiềm năng của mình trong quản lý tồn kho JIT, doanh nghiệp cần phải đảm bảo chất
lượng dữ liệu, phát triển hạ tầng công nghệ phù hợp và đào tạo lực lượng lao động để
làm quen với các hệ thống mới (Pal, 2024). lOMoAR cPSD| 37879319
4. Phương pháp nghiên cứu
4.1. Thiết kế nghiên cứu
Mô hình Just-in-Time (JIT) nhằm giảm thiểu hàng tồn kho, tăng cường tính linh
hoạt và cải thiện khả năng đáp ứng nhu cầu của khách hàng. Tuy nhiên, một trong
những thách thức lớn nhất là khả năng dự báo nhu cầu và kiểm soát hàng tồn kho. Để
giải quyết vấn đề này, nghiên cứu này khám phá việc tích hợp AI vào JIT bằng
phương pháp định tính. Thông qua phân tích tài liệu học thuật và các báo cáo nghiên
cứu khoa học liên quan, nghiên cứu đóng góp vào việc phát triển lý thuyết và thực
tiễn trong lĩnh vực quản lý chuỗi cung ứng, đồng thời cung cấp những giải pháp cho
các doanh nghiệp trong việc áp dụng AI vào quy trình quản lý hàng tồn kho, hướng
đến hoạt động sản xuất kinh doanh hiệu quả và bền vững.
4.2. Phương pháp thu thập dữ liệu
Để thực hiện nghiên cứu này, nhóm em đã tập trung tìm hiểu vào các bài báo
khoa học chủ yếu từ các tạp chí uy tín. Chúng em sử dụng các cơ sở dữ liệu như
Google Scholar, JSTOR và ScienceDirect từ năm 2019 đến năm 2025 với các từ khóa
như “AI trong JIT”, “dự báo nhu cầu bằng AI” và “kiểm soát hàng tồn kho” nhằm lọc
ra những bài viết phù hợp nhất. Sau khi thu thập tài liệu, bước tiếp theo nhóm chúng
em làm là phân tích nội dung để rút ra các chủ đề chính. Việc phân tích dữ liệu kèm
so sánh giữa các nghiên cứu từ các bài báo giúp nhóm em xác định các xu hướng
chung và sự khác biệt trong quan điểm của các tác giả.
4.3. Các mô hình AI được sử dụng
Việc lựa chọn và phát triển các mô hình phù hợp là rất quan trọng để quản lý
hàng tồn kho và dự báo nhu cầu hiệu quả do AI thúc đẩy. Theo Pal (2024), nhiều mô
hình khác nhau đã được sử dụng để phù hợp với nhu cầu cụ thể của doanh nghiệp và
bản chất của dữ liệu như Mô hình học máy (Machine Learning - ML), Mô hình học
sâu (Deep Learning - DL), Xử lý ngôn ngữ tự nhiên (NLP), AI tối ưu hóa
(Optimization AI) , Ứng dụng với hệ thống IoT (Internet of Things).
4.4. Chiến lược thực hiện
Việc áp dụng trí tuệ nhân tạo (AI) vào mô hình Just-in-Time (JIT) yêu cầu một
quá trình tích hợp liền mạch với các hệ thống hiện có, khả năng học hỏi liên tục và
cơ chế đánh giá hiệu suất toàn diện.
Tích hợp dữ liệu và khả năng tương thích của hệ thống
Tự động hóa và cơ chế học liên tục lOMoAR cPSD| 37879319
Đánh giá hiệu suất và tác động kinh doanh
5. Dự kiến kết quả và đóng góp nghiên cứu
5.1. Tầm quan trọng nghiên cứu
Việc tích hợp trí tuệ nhân tạo (AI) vào mô hình Just-in-Time (JIT) để cải thiện
dự báo nhu cầu và quản lý tồn kho là một chủ đề nghiên cứu mang tính ứng dụng khá
cao, đặc biệt trong bối cảnh công nghiệp hóa, hiện đại hóa và chuỗi cung ứng toàn
cầu trở nên ngày càng phức tạp. Mô hình JIT vốn được thiết kế để tối ưu hóa quy
trình sản xuất và giảm thiểu chi phí tồn kho, trong thực tế cũng đã chứng minh được
hiệu quả của mô hình này. Thêm vào đó, AI là một công cụ hỗ trợ vượt trội có khả
năng xử lý nhanh chóng một lượng lớn dữ liệu và có độ phức tạp cao, từ đó cung cấp
dự báo một cách xác đáng nhất về các lĩnh vực như là nhu cầu, xu hướng thị trường,
phân tích dữ liệu quá khứ, xu hướng hành vi khách hàng và các yếu tố bên ngoài như
biến động kinh tế hoặc thiên tai,... Điều này giúp doanh nghiệp giảm thiểu rủi ro tồn
kho dư thừa hoặc thiếu hụt hàng hóa và cải thiện khả năng phản ứng linh hoạt trước
những biến động. Nghiên cứu này có ý nghĩa lớn cả về lý thuyết lẫn ứng dụng, góp
phần nâng cao hiệu quả chuỗi cung ứng và duy trì lợi thế cạnh tranh trong môi trường
kinh doanh đầy biến động như hiện tại.
5.2. Hạn chế
Mặc dù đã có nhiều nghiên cứu về ứng dụng AI trong quản lý chuỗi cung ứng,
nhưng vẫn còn một số hạn chế trong lĩnh vực này.
Thứ nhất, thiếu nghiên cứu chuyên sâu về tác động của AI đối với mô hình JIT.
Ở thời điểm hiện tại phần lớn các nghiên cứu chỉ tập trung vào việc ứng dụng AI
trong quản lý chuỗi cung ứng tổng thể mà chưa có nhiều nghiên cứu chuyên sâu về
cách làm thế nào để AI có thể tối ưu hóa mô hình JIT. Điều này dẫn đến việc đa số
các doanh nghiệp chưa có một khuôn khổ rõ ràng để triển khai AI vào hệ thống JIT của họ.
Thứ hai, thiếu các nghiên cứu về những rủi ro và thách thức đối khi triển khai
mô hình tích hợp AI trong JIT. Mặc dù, AI có tiềm năng lớn trong việc cải thiện quản
lý hàng tồn kho, thế nhưng khi một doanh nghiệp tiến hành triển khai AI trong JIT
thì sẽ có nhiều thách thức được chưa được nghiên cứu một cách cụ thể và đầy đủ. AI lOMoAR cPSD| 37879319
cần nguồn dữ liệu đủ chất lượng để có thể hoạt động một cách tốt nhất, nhưng trong
một số doanh nghiệp, dữ liệu có thể thiếu hụt hoặc không được cập nhật thường
xuyên. Việc ứng dụng AI đòi hỏi đầu tư cao về công nghệ và đào tạo nhân sự, điều
này có thể là rào cản lớn đối với các doanh nghiệp không đủ nguồn lực.
5.3. Kết quả nghiên cứu
Nghiên cứu này dự kiến sẽ mang lại những kết quả quan trọng và có ý nghĩa
thực tiễn trong lĩnh vực quản lý chuỗi cung ứng đặc biệt trong quản lý tồn kho và dự
báo nhu cầu. Cụ thể, các kết quả chính của nghiên cứu bao gồm:
Thứ nhất, nghiên cứu này sẽ mở rộng lĩnh vực kiến thức về ứng dụng AI trong
quản lý chuỗi cung ứng, bằng cách áp dụng các công nghệ AI hiện đại như Machine
Learning (ML), Deep Learning (DL) và Xử lý ngôn ngữ tự nhiên (NLP) vào mô hình JIT.
Thứ hai, cải thiện đáng kể độ chính xác của dự báo nhu cầu. Các mô hình AI
như LSTM (Long Short-Term Memory), Random Forest và Neural Networks sẽ được
chứng minh là có khả năng dự báo nhu cầu chính xác hơn so với các phương pháp
thống kê truyền thống như ARIMA. Trong đó, LSTM được kỳ vọng sẽ mang lại độ
chính xác cao nhất nhờ khả năng xử lý dữ liệu trong khoảng thời gian phức tạp và ghi nhớ thông tin dài hạn.
Thứ ba, tối ưu hóa quản lý tồn kho. Nghiên cứu chỉ ra cách mà AI có thể giúp
doanh nghiệp cân bằng mức tồn kho, tránh tình trạng dư thừa hoặc thiếu hụt hàng
hóa. Doanh nghiệp có thể tự động điều chỉnh kế hoạch đặt hàng và sản xuất dựa trên
dự báo nhu cầu chính xác, giảm thiểu chi phí lưu kho và tăng hiệu quả vận hành.
6. Kế hoạch thực hiện
Nghiên cứu dự kiến hoàn thành trong hơn 2 tháng, bắt đầu từ tháng 1 và kéo
dài đến tháng 3 năm nay, gồm các giai đoạn chi tiết sau: STT Thời gian
Hoạt động cụ thể
Kết quả mong đợi 1
Tháng 1 (Tuần 1-2) Xây dựng kế hoạch nghiên cứu.
Xác định phạm vi, mục tiêu,
định hướng và phương pháp tiếp cận tài liệu. lOMoAR cPSD| 37879319 2
Tháng 1 (Tuần 3-4) Tất cả các thành viên tìm hiểu tổng Xác định phạm vi nghiên
quan về chủ đề quản lý tồn kho và dự cứu trong AI và JIT, thống
báo nhu cầu, sau đó thống nhất hướng nhất hướng nghiên cứu của nghiên cứu. nhóm. 3
Tháng 2 (Tuần 1-2) Mỗi thành viên tìm kiếm, đọc và xác Danh sách tài liệu và phân
định vấn đề nghiên cứu kèm với đặc tích tổng hợp các nghiên
tính của nghiên cứu liên quan đến AI cứu liên quan.
tích hợp vào mô hình JIT trong việc
kiểm soát tồn kho và dự báo nhu cầu. 4
Tháng 2 (Tuần 3-4) Báo cáo tổng quan về việc tích hợp AI Hình thành và báo cáo được
vào JIT đồng thời đánh giá các nghiên tên đề tài, tổng quan tài liệu
cứu liên quan và xác định cách tiếp cận và phương pháp nghiên cứu.
nghiên cứu dựa trên các tài liệu đã được phân tích. 5
Tháng 3 (Tuần 1-2) Nhận định về tầm quan trọng và thách Xác định kết quả và đóng
thức khi áp dụng AI vào JIT. Đánh giá góp của nghiên cứu.
ý nghĩa lý thuyết và thực tiễn của nghiên cứu. 6 Tháng 3 (Tuần 3)
Rà soát, chỉnh sửa, tổng hợp, hoàn Báo cáo cuối cùng hoàn
thiện báo cáo và chuẩn bị trình bày kết thiện, sẵn sàng trình bày. quả nghiên cứu.
Nhóm chúng em tuân thủ chặt chẽ kế hoạch nghiên cứu nhằm để đảm bảo tiến
độ và chất lượng nghiên cứu. Trước tiên, các mốc thời gian cho từng giai đoạn được
thiết lập rõ ràng, giúp chúng em dễ dàng theo dõi và điều chỉnh kế hoạch kịp thời.
Việc kiểm tra và phân tích tài liệu định kỳ sẽ giúp nhóm đánh giá tiến độ và phát hiện
sớm những vấn đề có thể ảnh hưởng đến nghiên cứu. Ngoài ra, nhóm còn tập trung
vào việc đọc hiểu và tổng hợp thông tin từ nhiều nguồn tài liệu đáng tin cậy. Việc
phân tích nội dung được thực hiện một cách có hệ thống, giúp làm sáng tỏ các vấn đề
nghiên cứu một cách khách quan và logic.
Với cách tiếp cận này, nhóm có thể hoàn thành nghiên cứu đúng thời hạn mà
vẫn đảm bảo nội dung có cơ sở vững chắc, chất lượng và mang tính thực tiễn cao. lOMoAR cPSD| 37879319 7. Kết luận
Việc tích hợp AI vào mô hình JIT không chỉ giúp cải thiện độ chính xác trong
dự báo nhu cầu, tối ưu hóa mức tồn kho mà còn tăng cường khả năng thích ứng của
doanh nghiệp trước biến động thị trường. AI mang đến những cải tiến đột phá, nhưng
việc áp dụng không tránh khỏi thách thức, bao gồm yêu cầu về dữ liệu chất lượng
cao, chi phí đầu tư công nghệ và sự thay đổi trong tư duy quản lý. Để tận dụng tối đa
tiềm năng này, doanh nghiệp cần xây dựng hệ thống quản lý bền vững, tích hợp dữ
liệu thời gian thực và phát triển năng lực nội bộ về công nghệ AI. Trong tương lai,
các mô hình AI ngày càng hoàn thiện sẽ giúp JIT không chỉ duy trì tính hiệu quả mà
còn trở thành một lợi thế cạnh tranh quan trọng. Những doanh nghiệp tiên phong
trong quá trình này sẽ có cơ hội dẫn đầu trong kỷ nguyên số hóa, góp phần định hình
lại lĩnh vực quản lý chuỗi cung ứng toàn cầu.
Mong qua bài nghiên cứu này của nhóm sẽ cung cấp thêm các giá trị thiết thực
cũng như chứng minh thêm cho tính hiệu quả khi kết áp dụng công nghệ AI và mô
hình JIT trong dự báo nhu cầu và quản lý kiểm soát hàng tồn kho hiệu quả, với chi
phí tối ưu, đẩy mạnh phát triển cho các lĩnh vực sản xuất và quản lý hậu cần. lOMoAR cPSD| 37879319
PHỤ LỤC: BẢNG TÓM TẮT NGHIÊN CỨU TRƯỚC (GIAI ĐOẠN 2019 - 2025)
Đặc tính nghiên cứu (gồm
Những kết quả của STT Tiêu đề bài báo Tác giả Năm Tạp chí
Vấn đề nghiên cứu
những mô hình nghiên cứu nghiên cứu đó nào) Optimizing Just-In-
NOVYI MIR Tối ưu quản lý hàng tồn Phương pháp nghiên cứu định Cải thiện độ chính xác dự Time Inventory Research
kho JIT bằng AI để cải tính, phỏng vấn bán cấu trúc với đoán và mang lại lợi ích Management: A Deep Journal
thiện dự báo, giảm tồn các chuyên gia. Áp dụng mô hình kinh doanh, giảm thiểu chi 1 Subharun Pal 2024 Dive into AI-
kho và nâng cao hiệu suất. machine learning. phí lưu kho. Enhanced Demand Forecasting Advancements in International
Áp dụng AI nâng cao độ Mô hình AI lai ghép kết hợp Cải thiện độ chính xác dự AIEnhanced Just-In- Journal
for chính xác của dự báo nhu mạng nơ-ron và dự báo thống kê báo nhu cầu. Tối ưu hóa Time
Research in cầu trong mô hình JIT.
để nâng cao độ chính xác, giảm quản lý hàng tồn kho trong 2 Inventory: Elevating Subharun Pal 2023 Applied sai số tồn kho.
mô hình JIT. Nâng cao hiệu Demand Forecasting Science & suất vận hành. Accuracy Engineering Technology AI-enhanced Praveen Kumar, World
AI khắc phục hạn chế dự Loại nghiên cứu: Ứng dụng & AI tối ưu tồn kho, tiết kiệm inventory and demand Divya Journal of
báo truyền thống, nâng thực nghiệm. Mô hình dự báo nhu chi phí, nâng cao hiệu suất forecasting: Using AI Choubey, Advanced
cao trải nghiệm khách cầu bằng AI.
nhưng cần khắc phục thách Olamide 3 to optimize inventory 2024 Research and hàng.
thức dữ liệu, tích hợp và kỹ management and Raimat Amosu Reviews năng. predict customer Yewande demand Mariam Ogunsuji Optimizing Supply Library
AI cải thiện dự báo nhu Nghiên cứu thực
nghiệm LSTM tối ưu dự báo nhu Chain Efficiency Progress
cầu, tối ưu tồn kho bán lẻ. (Empirical Study): Dựa trên phân cầu, tăng độ chính xác Through Ai-Driven Srinivasa Rao International
tích dữ liệu thực tế từ các doanh 95%, giảm sai số 55-70%, 4 2024 Demand Forecasting: Adapa nghiệp bán lẻ.
tối ưu tồn kho và nâng cao An Empirical Analysis
hiệu suất chuỗi cung ứng. of Retail Industries lOMoAR cPSD| 37879319 The integration of Olajumoke
AI trong quản lý dự báo Nghiên cứu ứng dụng (Applied AI nâng độ chính xác dự Artificial Intelligence Deborah
nhu cầu và quản lý hàng Research): Khảo sát việc áp dụng báo lên 85-95%, giảm tồn in demand forecasting Akanbi, International tồn kho tại Hoa Kỳ.
AI trong các quy trình quản lý kho dư thừa 20-40%, giảm and inventory Oluwaseyi Journal of
chuỗi cung ứng, đặc biệt là dự thiếu hàng 30-50%, cắt 5 management in the Rachael 2024 Science and
báo nhu cầu và quản lý hàng tồn giảm chi phí 15-30%, United States Hinmikaiye and Research kho.
nhưng gặp thách thức về Owolabi Archive
đầu tư, bảo mật và nhân Williams lực. Adeyemi AI-Driven
AI nâng độ chính xác dự Loại nghiên cứu: Ứng dụng & AI cải thiện dự báo nhu cầu Optimization Models
báo, tối ưu tồn kho JIT, thực nghiệm. 15-25%, giảm chi phí lưu for E-commerce
Phạm vi: Tối ưu chuỗi cung ứng International rút ngắn thời gian giao
kho 10-30%, rút ngắn thời Supply Chain thương mại điện tử Journal of hàng và giảm chi phí gian giao hàng 20% và tối Operations: Demand Deepak Kaul Phương pháp: AI, Machine Social chuỗi cung ứng.
ưu vận hành thương mại 6 Prediction, Inventory and Rahul 2022
Learning, mô phỏng dự báo nhu Analytics điện tử. Management, and Khurana
cầu và quản lý hàng tồn kho Delivery Time Norislab Reduction with Cost Publishing Efficiency Consideration Just-in-time approach
Sử dụng phương pháp JIT Nghiên cứu giải thích-tác động Cung cấp cái nhìn tổng in healthcare Balkhi,
để quản lý hàng tồn kho của hệ thống quản lý hàng tồn quan về các kĩ thuật có thể inventory B.,
Tạp chí dược trong ngành chăm sóc sức kho Just-in-Time (JIT) trong các được sử dụng để cải thiện 7 management: Does it 2022 Alshahrani, A., phẩm Saudi
khỏe thật sự có hiệu quả lĩnh vực sản xuất và chăm sóc sức hoạt động chăm sóc sức really work? & Khan, A. hay không. khỏe.
khỏe bằng cách triển khai các hệ thống JIT. lOMoAR cPSD| 37879319 The Impact of JIT in Mukwakungu,
Nghiên cứu đánh giá tác Nghiên cứu sử dụng phương pháp JIT mang lại lợi ích đáng kể
InventoryManagement S. C., Mabasa, Proceedings
động của JIT tại Nam Phi, giải thích-tương quan, quan sát bí cho các doanh nghiệp, đặc – Perspectives from M. of
the so sánh hiệu quả quản lý mật và phân tích tổng hợp để biệt là trong quản lý hàng 8 Two Case Studies in a D., 2019 International
tồn kho giữa HP và Công đánh giá tác động của JIT trong tồn kho và tối ưu hóa chi South African Mankazana, S., Conference ty X. quản lý tồn kho. phí sản xuất. Environment & Burakeye, S. on IEOM A. Leveraging Artificial
Báo cáo đề xuất tích hợp Phương pháp nghiên cứu định AI nâng cao độ chính xác Intelligence for
AI vào JIT để nâng cao dự lượng - định tính, kết hợp với dự báo, tối ưu tồn kho JIT, predictive supply International
báo nhu cầu, tối ưu tồn phân tích dữ liệu, tổng hợp tài giảm chi phí lưu kho nhưng chain management, Journal
of kho, giảm chi phí và cải liệu và đánh giá thực nghiệm. gặp thách thức về dữ liệu, Uche Nweje focus on how AI- Science and
thiện khả năng phản ứng Kiểm chứng hoặc ứng dụng các tích hợp hệ thống và chi phí 9 and Moyosore 2025 driven tools are Research Taiwo của doanh nghiệp.
mô hình lý thuyết trong thực tiễn. triển khai. revolutionizing Archive demand forecasting (IJSRA). and inventory optimization Ai-powered demand International
Ứng dụng trí tuệ nhân tạo Nghiên cứu ứng dụng AI (LSTM, AI giúp nâng cao độ chính forecasting and Journal
(AI) để cải thiện độ chính XGBoost) để nâng cao dự báo xác dự báo nhu cầu, giảm inventory optimization of
xác của dự báo nhu cầu và nhu cầu, tối ưu tồn kho, giảm chi tồn kho dư thừa, hạn chế 10 in ecommerce Swathi Suddala 2023 Novel
tối ưu hóa quản lý hàng phí và cải thiện hiệu suất chuỗi hết hàng và tối ưu chi phí fulfillment centers Research and
tồn kho trong các trung cung ứng thương mại điện tử. lưu kho. Mô hình LSTM Development tâm hoàn tất đơn hàng
đạt RMSE thấp hơn, cải (IJNRD) thương mại điện tử thiện tự động hóa. lOMoAR cPSD| 37879319 Impact of Internet of
JIT có giúp cải thiện hiệu Tổng quan về ứng dụng IoT trong IoT giúp nâng cao độ chính Things (IoT) on Yasaman
quả quản lý hàng tồn kho quản lý hàng tồn kho, so sánh các xác trong quản lý kho, tối Inventory Mashayekhy, tại Nam Phi không?
mô hình truyền thống như EOQ, ưu chuỗi cung ứng và giảm Amir Babaei, Logistics 11 Management: A 2022
EPQ, JIT. Phân tích Industry 4.0, chi phí tồn kho. Nhưng cần Xue-Ming Literature Survey (MDPI)
bao gồm RFID, AI, Big Data và chính sách hỗ trợ phát triển. Yuan, Anrong Xue
điện toán đám mây trong tối ưu hóa quản lý tồn kho. Internet of things for
Tối ưu hóa việc triển khai Mô hình cung cấp phân tích chi Chứng minh mối tương perishable inventory Maheshwari, P.,
IoT trong hệ thống quản phí-lợi ích của các khoản đầu tư quan tích cực giữa việc áp management systems: Kamble, S.,
lý hàng tồn kho của các IoT nhằm mục đích tăng thời hạn dụng IoT và giảm chi phí Annals of an application and Pundir, A.,
MSME và cung cấp bằng sử dụng của sản phẩm.
hàng tồn kho hỗ trợ triển 12 2021 Operations managerial insights Belhadi, A.,
chứng hữu hình về tính Áp dụng phương pháp chương khai IoT để cải thiện hiệu Research for micro, small and Ndubisi, N. O.,
khả thi và tính hữu ích của trình phân số, được giải quyết suất dễ hỏng trong các medium enterprises & Tiwari, S.
bằng cách tối ưu hóa bầy hạt trên nó. MSME. phần mềm MATLAB. Investigating the Tác động AI và
Bài báo tổng quan ứng dụng AI AI tối ưu hóa quản lý tồn Impact of Artificial European
Generative AI tối ưu và Generative AI trong thương kho, dự báo nhu cầu và vận Intelligence and Journal
of thương mại điện tử, mại điện tử, nhấn mạnh tác động, hành chuỗi cung ứng, trong Generative AI in Advances in Chandra Sekhar
logistics, dự báo nhu cầu, thách thức và cơ hội phát triển. khi Generative AI tự động 13 ECommerce and 2024 Engineering Veluru
quản lý tồn kho, nhưng Phương pháp nghiên cứu mang hóa quyết định và cá nhân Supply and
đối mặt thách thức và cơ tính định tính, phân tích nội dung hóa trải nghiệm. Thách Chain: A Technology hội phát triển.
từ nhiều nguồn khác nhau.
thức gồm dữ liệu, chi phí và Comprehensive (EJAET) bảo mật. Literature Review lOMoAR cPSD| 37879319 Conceptual
Phân tích tác động của AI Phương pháp nghiên cứu định AI cải thiện hiệu suất chuỗi framework of Revue
trong chuỗi cung ứng, tập tính, tổng hợp tài liệu để đánh giá cung ứng bằng cách nâng Artificial Intelligence International
trung vào dự báo nhu cầu, tác động của AI trong quản lý cao độ chính xác dự báo, Integration within Mariame e de la 14 2024
quản lý tồn kho và chuỗi cung ứng. Phân tích các tối ưu hóa tồn kho và hỗ trợ Supply Chain Ababou Recherche
logistics. Xem xét các yếu công nghệ AI và xem xét vai trò ra quyết định. Nghiên cứu Scientifique
tố như văn hóa tổ chức, của hệ thống hỗ trợ quyết định triển khai AI tận dụng xu (Revue-IRS) quản trị dữ liệu.
(DSS) và yếu tố tổ chức. hướng thị trường. Transforming Supply
Ứng dụng AI trong chuỗi Bài báo manhg đặc tính nghiên AI cải thiện độ chính xác Chains Through AI: Integrated
cung ứng, tập trung vào cứu ứng dụng và tổng quan, tập dự báo nhu cầu. Các thuật Demand Forecasting, Journal of dự báo nhu cầu.
trung vào việc tích hợp trí tuệ toán Machine Learning 15 Inventory Pradeep Verma 2024 Science and
nhân tạo (AI) vào chuỗi cung vượt trội so với phương Management, and Technology ứng.
pháp truyền thống, giúp tự Dynamic (IJST)
động hóa quyết định tồn Optimization kho. Optimizing Supply International
Kỹ thuật dự báo nhu cầu Báo cáo nghiên cứu các kỹ thuật Nghiên cứu cho thấy dự Chain Performance Journal
on và tối ưu hóa tồn kho cho dự báo nhu cầu và tối ưu hóa tồn báo nhu cầu và tối ưu hóa with AI, ML, and ERP Recent and
startup, kết hợp phân tích kho cho startup, kết hợp phương tồn kho giúp startups giảm Integration for Irshadullah Innovation
chuỗi thời gian, học máy 16
pháp định lượng, định tính và chi phí, tăng hiệu suất và Proactive Supplier Asim 2020 Trends in và ý kiến chuyên gia. Mohammed case study thực tế. khả năng đáp ứng thị Quality Management Computing Nhấn mạnh chiến lược trường. Communicati JIT. on The Impact of Salim Muhanna International
Chiến lược quản lý hàng Strategic Inventory Salim Al
Nghiên cứu các mô hình dự báo Journal
of Đánh giá tác động của
tồn kho hợp lý giúp cải Management on Shukaili ,
nhu cầu, quản lý tồn kho (JIT,
Business and quản lý hàng tồn kho
thiện phân bổ nguồn lực, 17 Logistics Zaharuzaman 2023
EOQ, ABC) và phân tích tác Technology
chiến lược đến hiệu suất
giảm thiểu tình trạng thiếu Organization’s Jamaluddin,
động hiệu suất (hồi quy tuyến Management logistics tại Oman.
hàng, tăng khả năng đáp Performance Norhayah tính, tương quan). Zulkifli · ứng. lOMoAR cPSD| 37879319 Optimizing inventory
Đề xuất hệ thống đa tác tử management using a
sử dụng mô hình ngôn Hệ thống đa tác nhân sử dụng mô Hệ thống đa tác tử kết hợp multi-agent LLM Zhihong Li,
ngữ lớn (LLM) để tối ưu hình ngôn ngữ lớn (LLM) để tối LLMs giúp tối ưu quản lý 18 system
Albaraa Ksibi 2 2024 International
quản lý tồn kho, khắc ưu quản lý tồn kho, tự động hóa tồn kho, tăng tỷ lệ luân Xiaoying Xu Conference
on Electronic phục hạn chế của AI quy trình và cải thiện hiệu suất. chuyển hàng hóa. Business truyền thống. Applications of Nghiên cứu ứng dụng AI
AI cải thiện độ chính xác Artificial Intelligence
trong dự báo nhu cầu để Nghiên cứu phân tích ứng dụng dự báo nhu cầu, tối ưu hóa for Demand Operations
nâng cao hiệu quả chuỗi AI trong dự báo nhu cầu chuỗi tồn kho và giảm chi phí Forecasting Thi Thuy Hanh and supply
cung ứng, phân tích các cung ứng giai đoạn 2013–2023, chuỗi cung ứng. LSTM là 19 2023 Nguyen chain
phương pháp như LSTM đánh giá xu hướng, thách thức và phương pháp hiệu quả, management
và thách thức triển khai, đề xuất giải pháp tối ưu hóa triển nhưng gặp thách thức về
dựa trên tổng hợp nghiên khai AI.
lựa chọn và khả dụng dữ cứu từ 2013–2023. liệu. Optimizing demand
AI cải thiện dự báo nhu cầu
Nghiên cứu ứng dụng AI Nghiên cứu này sử dụng phương forecasting and Lappeenranta
và quản lý tồn kho ô tô,
để tối ưu dự báo nhu cầu pháp định tính, kết hợp phân tích inventory Manoj –Lahti
giảm dư thừa, thiếu hụt
và quản lý tồn kho trong tài liệu và nghiên cứu tình huống 20
management with ai in Kumawath 2024 University of
hàng. Thách thức gồm chất
ngành ô tô, khắc phục hạn để đánh giá tác động của automotive industry AI đối Omprakash Technology
lượng dữ liệu, tích hợp hệ
chế của phương pháp với dự báo nhu cầu và quản lý (LUT) thống và văn hóa doanh truyền thống.
hàng tồn kho trong ngành ô tô. nghiệp.