Tái định hình kênh GT trong kỷ nguyên AI: từ quản trị thụ động sang hệ sinh thái Route-to-Consumer khép kín

Tác giả: Nguyễn Huỳnh Phương Nam (Tommy Nguyễn) – D&T Strategy, Portfolio & Change Lead

Executive Summary (Tóm tắt điều hành):

• Vị thế kênh truyền thống (GT): GT dự kiến giảm thị phần từ ~75–80% (năm 2026) xuống ~60–70% (năm 2036), nhưng vẫn là Route-to-Market (RTM) lớn nhất ngành FMCG. Bài toán cốt lõi hiện nay là chuyển từ mở rộng độ phủ sang tối ưu “chất lượng độ phủ” (Quality of Coverage).
• Nghịch lý đầu tư AI (Portfolio Allocation): Trong ngành FMCG, phần lớn ngân sách đang dồn vào GenAI (mốc so sánh 1x), nhưng AI truyền thống (Traditional AI – dự báo, chấm điểm, tối ưu) mới là động lực tạo ra giá trị gấp 2,5–7,0 lần và đóng góp thêm 5–15 điểm % biên EBITDA.
• Kiến trúc & Quản trị (Architecture & Governance): Chuyển đổi từ RTM tuyến tính sang vòng lặp RTC (Route-to-Consumer) khép kín đòi hỏi việc xây dựng tuần tự 3 lớp kiến trúc và 4 bậc trưởng thành để tối ưu TCO và ROI. Điểm đứt gãy của các dự án AI không nằm ở thuật toán mà ở mô hình tổ chức (Governance) và tỷ lệ áp dụng (Adoption rate) của đội ngũ thực thi.

1. Bối cảnh Chiến lược: Khi “Độ phủ” không còn là bảo chứng cho tăng trưởng tại GT

Trong các bàn tròn chiến lược về chuyển đổi số ngành Hàng tiêu dùng nhanh (FMCG), sự trỗi dậy của E-Commerce và Kênh hiện đại (MT) thường chiếm sóng. Tuy nhiên, dữ liệu thị trường chỉ ra rằng kênh truyền thống (General Trade – GT) không hề biến mất mà vẫn giữ vị thế trọng yếu nhờ đáp ứng những nhu cầu rất “đời thường” của người tiêu dùng: mua gần nhà, mua ngay, số lượng nhỏ, bổ sung thường xuyên từ những người bán quen thuộc. Dù dự kiến có sự suy giảm từ mức 75–80% thị phần (năm 2026) xuống khoảng 60–70% vào năm 2036, GT vẫn là kênh bán hàng lớn nhất.

Tuy nhiên, cấu trúc tạo giá trị bên trong kênh GT đang phân hóa mạnh mẽ. Theo dữ liệu từ NielsenIQ Vietnam Retail Audit (kỳ dữ liệu đến 12/2024), kênh GT chiếm 67,1% tổng giá trị FMCG toàn quốc, nhóm Semi-Retailer (các cửa hàng có 10–90% doanh số bán thẳng tới người tiêu dùng) chiếm 19,3%, và MT chiếm 13,7%. Đáng chú ý, chỉ riêng 25.444 cửa hàng Semi-Retailer đã tạo ra tới 19,3% giá trị FMCG toàn quốc, với doanh số gấp 7 lần, sức chứa hàng tồn gấp 2,2 lần và diện tích cửa hàng gấp 1,8 lần so với phần còn lại của GT. Trong Quý 4/2024, nhóm Semi-Retailer tăng trưởng +6,9% và GT miền Bắc tăng +6,5%, vượt xa tốc độ tăng trưởng toàn ngành (+4,5%) và sự chững lại của MT (+3,4%).

Thực tế này đặt ra một mệnh lệnh mới cho các Giám đốc Kinh doanh (Commercial Director) và Giám đốc Công nghệ (CIO): Vấn đề không còn là độ phủ (Coverage), mà là chất lượng độ phủ (Quality of Coverage).

Hiện nay, tăng trưởng của các nhãn hàng (Brand) đang bị thất thoát mỗi ngày qua hàng triệu quyết định nhỏ tại từng điểm bán vì phải dựa trên dữ liệu phân mảnh và tín hiệu đến muộn. Mặc dù mức độ kết nối số (thanh toán, POS, e-invoice, đặt hàng) đang tăng từ thấp lên cao, nhưng mức độ minh bạch thương mại vẫn chỉ ở mức thấp đến trung bình do nhà phân phối (NPP) và tiểu thương giữ riêng thông tin về quan hệ khách hàng, giá cả và tín dụng. Sự đứt gãy dữ liệu này tạo ra 4 điểm thất thoát (Pain Points) cốt lõi trong quản trị kênh:

Để chặn đứng sự rò rỉ này, doanh nghiệp buộc phải dùng AI làm đòn bẩy chuyển dịch từ tư duy “phủ càng nhiều càng tốt” sang “đúng điểm bán, đúng danh mục (SKU), đúng economics”.

2. Góc nhìn IT Portfolio & Business Relationship: Giải mã nghịch lý GenAI và sức mạnh của “Right AI”

Dưới góc độ quản trị danh mục đầu tư công nghệ (IT Portfolio), năng lực của các mô hình AI đã tiến hóa qua 4 bậc: từ AI Dự báo (Predictive) (như XGBoost, dự báo chuỗi thời gian, recommendation engine với 88% doanh nghiệp đã ứng dụng rộng rãi), sang AI Tạo sinh & Đa phương thức (GenAI) (như Claude, Gemini, GPT với 78% có nhiều use case đang chạy), tiến tới AI Suy luận & Dùng công cụ (Reasoning & Tool-use) (kết hợp RAG, API giúp tỷ lệ triển khai tăng từ 10% lên 47%) và cao nhất là AI Điều phối (Agentic AI) (hệ đa agent tự chủ có kiểm soát nhưng hiện mới vào production, nơi quản trị rủi ro chưa theo kịp tốc độ ứng dụng).

Tuy nhiên, khi đóng vai trò là cầu nối giữa Công nghệ và Kinh doanh, các lãnh đạo D&T cần nhìn thẳng vào bức tranh tạo giá trị thực tế trong ngành FMCG được chỉ ra từ nghiên cứu của McKinsey & Company (khảo sát 63 lãnh đạo FMCG):

• Giá trị lớn nhất không nằm ở GenAI, mà nằm đúng ở AI truyền thống (Traditional AI) gắn liền với kênh phân phối. Trong khi phần lớn ngân sách thị trường đang đổ dồn vào GenAI (mốc tham chiếu 1x), thì các mô hình AI truyền thống phục vụ dự báo, chấm điểm và tối ưu hóa lại mang về giá trị gấp 2,5 đến 7,0 lần.
• Tác động định lượng lên P&L: Việc ứng dụng AI đúng trọng tâm giúp gia tăng 5 – 15 điểm % biên EBITDA toàn ngành FMCG. Riêng luồng giá trị từ quản trị khách hàng và kênh phân phối mang lại từ 230 – 470 triệu USD (trên quy mô doanh thu 10 tỷ USD ngành thực phẩm & đồ uống) thông qua việc chấm điểm điểm bán (Coverage), thiết lập tuyến động theo giá trị (Action), tối ưu hóa ngân sách khuyến mãi vốn chiếm tới 20% doanh thu (Economics) và gắn kết chủ sở hữu KPI (Governance).

Từ thực tế này, nguyên tắc cốt lõi trong quản trị danh mục AI cho kênh GT là “Right AI, not Big AI” — chỉ phê duyệt các dự án nằm ở vùng giao thoa (Sweet Spot) của 3 tiêu chí sàng lọc:

1. Business Value (Giá trị kinh doanh): Phải chỉ rõ dự án tác động vào dòng P&L nào (Off-take, chi phí phục vụ, hay chống rò rỉ khuyến mãi). Nguyên tắc quyết liệt: Loại bỏ ngay nếu không có P&L Owner đứng tên.
2. Data Readiness (Độ sẵn sàng dữ liệu): Dữ liệu đã tồn tại trong các hệ thống DoF (Nhà phân phối thế hệ mới), SFA (Ứng dụng bán hàng đi tuyến), TMS (Hệ thống quản trị vận tải) ngay hôm nay chưa, hay phải xây mới? Nguyên tắc: Nếu phải xây nguồn dữ liệu mới, lập tức hoãn lại và quay về củng cố Bậc 1.
3. Plug & Play (Khả năng tích hợp quy trình): Người dùng cuối có phải thay đổi hành vi, hay chỉ cần thêm một thao tác vào công việc họ vốn đã làm hằng ngày? Nguyên tắc: Hạ mức độ ưu tiên đối với các giải pháp đòi hỏi quy trình mới hoàn toàn và phải đào tạo lại toàn bộ lực lượng.

Điển hình của “Right AI” – Giải pháp AICV (AI nhận diện hình ảnh kệ hàng):
AICV đạt đồng thời cả 3 tiêu chí trên khi tích hợp trực tiếp vào công việc đi tuyến hiện có của nhân viên bán hàng (không thêm bước, không tốn thêm thời gian). Chỉ với 1 tấm ảnh chụp kệ hàng, trong vòng 5 giây, AI bóc tách thành 5 luồng dữ liệu giải quyết cùng lúc 5 nút thắt vận hành:

• OSA (On-Shelf Availability): Phát hiện điểm bán hết hàng theo ngày.
• PICOS: Đo lường chuẩn trưng bày trên 100% điểm bán đi tuyến.
• Share of Shelf: Đo tỷ lệ diện tích kệ so với đối thủ cạnh tranh theo từng vùng.
• TPO (Trade Promotion Optimization): Đối soát chi phí trả thưởng trưng bày (claim) với thực thi thực tế tại tiệm.
• SRoF (Sales Rep of the Future): Chuyển đổi vai trò của nhân viên bán hàng thế hệ mới sang tư vấn kinh doanh thay vì chỉ ghi đơn thủ công.

3. Kiến trúc Doanh nghiệp (Enterprise Architecture): Chuyển dịch từ RTM Tuyến tính sang Vòng lặp RTC Khép kín

Để AI thực sự vận hành ở quy mô lớn, kiến trúc hệ thống và mô hình vận hành phải chuyển từ RTM (Route-to-Market) tuyến tính sang RTC (Route-to-Consumer) khép kín. Trong mô hình RTM cũ, luồng hàng đi từ Nhà máy → Nhà phân phối → Điểm bán rồi dừng lại; doanh nghiệp đo lường bằng chỉ số Sell-in, rà soát theo tháng và chỉ phản ứng sau khi sự việc đã xảy ra. Ngược lại, hệ sinh thái RTC khép kín vươn tới tận Người mua (Consumer), thu thập dữ liệu Sell-out (NPP bán ra điểm bán) và Off-take (người tiêu dùng thực mua) quay ngược trở về để kích hoạt quyết định kế tiếp qua 5 lớp năng lực: (1) Dữ liệu hợp nhất → (2) Cảm biến → (3) Quyết định → (4) Hành động → (5) Quản trị.

Khi thiết kế kiến trúc B2B2C này, rủi ro chí mạng mà nhiều tổ chức mắc phải là xây Lớp 3 trước khi có Lớp 1:

• Lớp 1 – Nền dữ liệu nhà phân phối (VD: DOT – Số hóa quan hệ NPP): Đây là móng nhà bắt buộc. Phải chuyển từ trạng thái phân mảnh (Excel, ERP A, ERP B, phần mềm nội địa, sổ tay) sang một nền tảng chuẩn hóa Master Data duy nhất, kết nối API mở, vận hành VMI (quản lý tồn kho thay NPP) và cập nhật số liệu Sell-out hằng ngày gắn chặt với kế hoạch kinh doanh chung (JBP). Khi hợp nhất thành công nền dữ liệu này, giá trị vận hành lập tức được chứng minh trên thực tế: +13% độ chính xác dự báo, -40% tỷ lệ thiếu hàng (nối thẳng vào chỉ số OSA), và -35% lượng hàng tồn kho. Bên cạnh công nghệ, cần phân tầng NPP theo ma trận Năng lực × Cam kết (quy mô doanh số chỉ là yếu tố tham chiếu, không phải trục phân tầng), bởi dữ liệu không tự tạo ra sự hợp tác — chính cơ chế đãi ngộ (thưởng theo kết quả điểm bán và rà soát qua JBP Scorecard theo nhịp cố định) mới tạo ra sự hợp tác.
• Lớp 2 – Giao diện với điểm bán (VD: BEES / eB2B): Nền tảng đặt hàng số cho phép các tiệm tạp hóa tự đặt hàng, xem khuyến mãi, tích điểm loyalty và tiếp cận nguồn vốn.
• Lớp 3 – AI ra quyết định (VD: E-RTM): Tầng thông minh giúp điều phối tuyến bán hàng từ cố định sang tuyến động (Dynamic Routing) theo giá trị kỳ vọng, đưa ra gợi ý hành động tiếp theo (Next-best-action) và gợi ý đơn hàng (Suggested order).

Song hành với 3 lớp kiến trúc là Bốn bậc trưởng thành (Maturity Model) mà mọi CIO cần dùng làm thước đo kiểm soát danh mục dự án, bởi nút thắt thực sự nằm ở dữ liệu chứ không phải ở thuật toán:

1. Bậc 1 – Visibility (Phần lớn ngành đang ở đây): Tiêu chí nghiệm thu là thu thập được dữ liệu Sell-out hằng ngày trên phần lớn mạng lưới.
2. Bậc 2 – Compliance: Đo lường chuẩn trưng bày (PICOS) trên 100% điểm bán đi tuyến và phát cảnh báo OSA theo ngày.
3. Bậc 3 – Intelligence: Tỷ lệ nhân viên bán hàng chấp nhận gợi ý của AI đạt ngưỡng chuẩn; đo lường được chính xác ROI của từng cơ chế khuyến mãi.
4. Bậc 4 – Orchestration: Toàn bộ quá trình từ lúc xuất hiện tín hiệu thị trường đến khi chuyển thành hành động tại điểm bán diễn ra trọn vẹn trong 1 ngày làm việc mà không cần can thiệp thủ công.

Nguyên tắc Quản trị TCO: Không phải mọi điểm đau của GT đều nên bắt đầu bằng AI. Nếu chưa giải quyết xong bài toán mô hình vận hành (Level 1: KPI sell-in xung đột sell-out, thiếu owner) và nền tảng dữ liệu (Level 2: trùng lặp outlet master, thiếu hiển thị secondary-sales, DMS chưa kết nối), việc đốt cháy giai đoạn nhảy lên làm AI sẽ chỉ làm phình to Tổng chi phí sở hữu (TCO) mà không tạo ra ROI — mỗi bậc trưởng thành đều phải được leo tuần tự.

4. Quản trị Sự thay đổi (Change Management) & Lộ trình 90 Ngày: Biến thuật toán thành Kết quả Kinh doanh

Trong 5 lớp năng lực của vòng lặp RTC, lớp Quản trị (Governance) chính là nơi các chương trình chuyển đổi số thường đứt gãy nhất. Nhiều dự án AI chỉ dừng lại ở các báo cáo độ chính xác của model, những chiếc dashboard bắt mắt hay các buổi demo kỹ thuật vì thiếu một chuỗi quyết định (Decision Chain) hoàn chỉnh: từ AI Recommendation → Human Review → Quyền Accept/Edit/Reject (với mã lý do Reason codes được ghi nhận) → Execution → Business Outcome → Feedback ngược lại cho model và quy trình.

Lý do cốt lõi nằm ở chỗ: Mức độ áp dụng (Adoption rate) là biến số nhân, không phải biến số cộng. Hãy nhìn vào phép tính minh họa sự đánh đổi giữa độ chính xác kỹ thuật và mức độ chấp nhận của người dùng:

Đội ngũ IT và Data Science không bao giờ có thể bù đắp được mức độ áp dụng thấp dưới hiện trường bằng việc cố gắng tinh chỉnh một mô hình chính xác hơn. Để giải quyết điểm đứt gãy ở mô hình tổ chức, việc triển khai AI bắt buộc phải tích hợp khung quản trị sự thay đổi ADKAR đồng bộ với Operating Model:

• Awareness + Desire (Nhận thức & Mong muốn): Gắn việc sử dụng công cụ AI trực tiếp với cơ chế tính thu nhập của chính nhân viên bán hàng.
• Knowledge + Ability (Kiến thức & Năng lực): Không đào tạo lý thuyết trong phòng họp; phải đào tạo trực tiếp tại hiện trường, ngay trên tuyến bán hàng thật.
• Reinforcement (Củng cố): Đưa chỉ số sử dụng hệ thống (Adoption KPI) vào thẳng bảng KPI đánh giá của cấp Quản lý vùng (Supervisor), đồng thời chuyển vai trò của Supervisor sang hướng dẫn dựa trên các trường hợp ngoại lệ và kết quả thực tế.
• Operating Model (Mô hình vận hành): Chỉ định duy nhất một P&L Owner chịu trách nhiệm cho toàn bộ vòng lặp từ đầu đến cuối.

Để hiện thực hóa toàn bộ khung chiến lược này một cách tinh gọn và kiểm soát chặt chẽ rủi ro tài chính, các doanh nghiệp FMCG có thể áp dụng ngay Lộ trình 90 ngày với 3 Cổng kiểm soát (Stage-Gate Governance):

Chuyển đổi số kênh GT trong thời đại AI không bắt đầu từ việc mua sắm những thuật toán đắt đỏ nhất, mà bắt đầu từ sự đồng bộ giữa Chiến lược Kênh (Trade Strategy) – Kiến trúc Dữ liệu (Data Foundation) – Quản trị Thay đổi (Change Governance). Và để khởi động Ngày 1 của lộ trình 90 ngày này, hành động duy nhất mà Ban Điều hành cần quyết định ngay hôm nay không phải là chốt phạm vi công nghệ hay giải ngân ngân sách lớn, mà là chỉ định một P&L Owner có tên trong vòng hai tuần để chính thức đứng mũi chịu sào cho toàn bộ vòng lặp tạo giá trị.

Ghi chú: Bài viết tổng hợp và phân tích từ nội dung chia sẻ chuyên môn tại sự kiện Executive Workshop “Định hình kênh bán GT trong thời đại AI” (22/10/2026) do EY-Parthenon Việt Nam tổ chức, kết hợp dữ liệu nghiên cứu từ NielsenIQ, McKinsey & Company, Stanford AI Index và kinh nghiệm thực chiến của tác giả.

Câu hỏi thường gặp về kênh GT trong kỷ nguyên AI

Kênh GT là gì?

Kênh GT (General Trade) là kênh bán lẻ truyền thống gồm tiệm tạp hoá, sạp chợ và cửa hàng nhỏ lẻ. Theo số liệu NielsenIQ mà tác giả dẫn (kỳ đến 12/2024), kênh GT chiếm 67,1% tổng giá trị FMCG tại Việt Nam, lớn hơn nhiều so với kênh hiện đại (MT).

Route-to-Market và Route-to-Consumer khác nhau thế nào?

Route-to-Market là chuỗi tuyến tính từ nhà máy qua nhà phân phối đến điểm bán, đo bằng sell-in và rà soát theo tháng. Route-to-Consumer vươn tới người mua cuối, thu dữ liệu sell-out và off-take quay về để kích hoạt quyết định kế tiếp gần như theo ngày.

Vì sao AI truyền thống lại tạo nhiều giá trị hơn GenAI ở kênh phân phối?

Theo nghiên cứu của McKinsey mà tác giả dẫn, các mô hình dự báo, chấm điểm và tối ưu gắn trực tiếp với những quyết định lặp lại hằng ngày như chọn điểm bán, xếp tuyến và phân bổ khuyến mãi, nên mang về giá trị gấp 2,5–7 lần so với mức đầu tư vào GenAI.

Doanh nghiệp FMCG nên bắt đầu ứng dụng AI cho kênh GT từ đâu?

Theo tác giả, bắt đầu từ Lớp 1 là nền dữ liệu nhà phân phối, rồi mới đến giao diện điểm bán và AI ra quyết định. Về tổ chức, bước đầu tiên là chỉ định một P&L Owner có tên trong hai tuần và chọn đúng một use case cho lộ trình 90 ngày.

Vì sao tỷ lệ áp dụng quan trọng hơn độ chính xác của mô hình AI?

Vì giá trị thực nhận bằng độ chính xác nhân với mức độ áp dụng. Mô hình chính xác 95% nhưng chỉ 30% nhân viên dùng mang lại khoảng 29% giá trị tiềm năng, thấp hơn nhiều so với mô hình 80% được 90% đội ngũ sử dụng.

Tham khảo & đọc thêm

Nguồn: Digital Leaders Publishing Club — bài gốc (tác giả: Nguyễn Huỳnh Phương Nam — @namnhp trên forum). Bản quyền thuộc tác giả gốc.