11/03/2025 02:39:40 PM

Tin tức công nghệ

Tích hợp AI vào cảnh báo hết hàng
Tích hợp AI vào cảnh báo hết hàng:

1. Sử dụng AI để dự đoán mức tồn kho

AI có thể dự đoán khi nào sản phẩm sắp hết hàng dựa trên dữ liệu lịch sử bán hàng. Một số phương pháp:

  • Học máy (Machine Learning): Dùng mô hình hồi quy (Linear Regression) hoặc mạng nơ-ron nhân tạo (Neural Networks) để dự đoán số lượng hàng còn lại dựa trên tốc độ bán hàng.
  • Dự báo chuỗi thời gian (Time Series Forecasting): Dùng các mô hình như ARIMA, LSTM để dự đoán lượng hàng còn trong kho theo thời gian.

2. Thiết lập cảnh báo thông minh

  • Ngưỡng cảnh báo động (Dynamic Thresholds): Thay vì đặt một mức cố định (ví dụ: < 10 sản phẩm thì cảnh báo), AI có thể tự động điều chỉnh mức cảnh báo dựa trên tốc độ bán hàng.
  • Cảnh báo theo mùa vụ: AI có thể học từ dữ liệu bán hàng để xác định các mùa cao điểm và dự báo khi nào cần nhập hàng.

3. Tích hợp AI vào hệ thống

  • Sử dụng Python với thư viện AI: TensorFlow, Scikit-learn, hoặc Prophet để huấn luyện mô hình.
  • Kết nối AI với database: Định kỳ chạy mô hình AI để kiểm tra mức tồn kho và gửi cảnh báo (qua email, thông báo đẩy hoặc hiển thị trên giao diện quản lý).
  • API AI: Nếu ứng dụng của bạn chạy trên web hoặc mobile, bạn có thể triển khai AI trên server và gọi nó qua API.

4. Triển khai thực tế

  • Bước 1: Thu thập dữ liệu bán hàng (số lượng bán mỗi ngày, thời gian nhập hàng, v.v.).
  • Bước 2: Tiền xử lý dữ liệu và huấn luyện mô hình AI.
  • Bước 3: Tích hợp mô hình vào hệ thống cảnh báo.
  • Bước 4: Kiểm tra và tinh chỉnh mô hình để đạt độ chính xác cao

Ví dụ:

Dưới đây là một đoạn code Python sử dụng Machine Learning để dự đoán khi nào một sản phẩm sắp hết hàng dựa trên dữ liệu lịch sử bán hàng. Code này dùng Random Forest Regressor để dự đoán số lượng tồn kho trong tương lai và đưa ra cảnh báo khi sản phẩm gần hết.

 

 

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error
 
# Giả lập dữ liệu lịch sử bán hàng
data = {
    'day': np.arange(1, 31),  # 30 ngày dữ liệu
    'sales': np.random.randint(5, 20, size=30),  # Số lượng bán mỗi ngày
    'stock_left': np.linspace(200, 50, 30)  # Số lượng hàng tồn kho giảm dần
}
df = pd.DataFrame(data)
 
# Tạo đặc trưng (features) và nhãn (labels)
X = df[['day', 'sales']]
y = df['stock_left']
 
# Chia dữ liệu thành tập huấn luyện và kiểm tra
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 
# Huấn luyện mô hình Random Forest
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
 
# Dự đoán trên tập kiểm tra
y_pred = model.predict(X_test)
print("Mean Absolute Error:", mean_absolute_error(y_test, y_pred))
 
# Hàm dự đoán ngày hết hàng
def predict_out_of_stock(days_ahead=5, threshold=10):
    future_days = np.arange(df['day'].max() + 1, df['day'].max() + 1 + days_ahead)
    future_sales = np.random.randint(5, 20, size=days_ahead)  # Giả lập doanh số bán hàng
    future_data = pd.DataFrame({'day': future_days, 'sales': future_sales})
    predictions = model.predict(future_data)
    
    for day, stock in zip(future_days, predictions):
        if stock <= threshold:
            print(f"⚠️ Cảnh báo: Hàng có thể hết vào ngày {day} (dự đoán tồn kho: {stock:.2f})")
 
Hoặc sử dụng OPEN AI:
import openai
import pandas as pd
import numpy as np
import os
 
# Cấu hình API Key (Thay thế bằng API Key của bạn)
os.environ["OPENAI_API_KEY"] = "your-api-key-here"
 
# Giả lập dữ liệu lịch sử bán hàng
data = {
    'day': np.arange(1, 31),  # 30 ngày dữ liệu
    'sales': np.random.randint(5, 20, size=30),  # Số lượng bán mỗi ngày
    'stock_left': np.linspace(200, 50, 30)  # Số lượng hàng tồn kho giảm dần
}
df = pd.DataFrame(data)
 
# Tạo dữ liệu đầu vào cho mô hình AI
def prepare_prompt(df):
    prompt = "Dữ liệu bán hàng:\n"
    for _, row in df.iterrows():
        prompt += f"Ngày {row['day']}: Bán {row['sales']} - Tồn kho {row['stock_left']}\n"
    prompt += "Dự đoán tồn kho trong 5 ngày tới và cảnh báo nếu sắp hết hàng."
    return prompt
 
# Gửi yêu cầu đến OpenAI API
def predict_out_of_stock_with_openai(df):
    prompt = prepare_prompt(df)
    response = openai.ChatCompletion.create(
        model="gpt-4-turbo",
        messages=[{"role": "system", "content": "Bạn là một AI hỗ trợ quản lý bán hàng."},
                  {"role": "user", "content": prompt}]
    )
    return response["choices"][0]["message"]["content"]
 
# Dự đoán và cảnh báo
prediction_result = predict_out_of_stock_with_openai(df)
print("AI Dự Đoán:\n", prediction_result)
 
Trên đây là gợi ý, hy vọng các bạn sinh viên yêu thích!

 

» Tin mới nhất:

» Các tin khác:

Hôm nay, ngày

08/01/2026

Tuần học:

23

Sinh viên tiêu biểu

Số lượt truy cập: 10971295