ABMS 2026: Hệ thống tự động hóa quản trị doanh nghiệp - Triển khai theo phương pháp V-DWA

Tại sao AI chưa mang lại giá trị như kỳ vọng?

Nhiều tổ chức đang kỳ vọng trí tuệ nhân tạo (AI) sẽ tự động hoá toàn bộ quy trình. Tuy nhiên, thực tế cho thấy AI chỉ đạt giá trị khi được xây trên nền tảng dữ liệu chất lượng, quy trình được thiết kế lại và được đo lường rõ ràng. Nhiều doanh nghiệp chưa đạt ROI vì chưa đầu tư đủ vào hạ tầng dữ liệu và tái thiết kế workflow [1].

Một yếu tố quan trọng khác là quản lý dòng giá trị (Value Stream Management). Một “value stream” là chuỗi hoạt động tạo ra sản phẩm, dịch vụ hoặc trải nghiệm cho khách hàng [4]. Việc quản lý dòng giá trị giúp nối chiến lược với thực thi, lộ ra các nút thắt, tăng tốc độ giao hàng và nâng cao sự hài lòng của khách hàng [5].

Từ những quan sát đó, Innocom đề xuất phương pháp V‑DWA gồm bốn giai đoạn liên hoàn: Value → Data Context → Workflow → AI. Mỗi giai đoạn có tiêu chí “Đạt” (gate) và vòng lặp kiểm soát để đảm bảo dự án tạo giá trị thực và có thể mở rộng.

1. Giai đoạn V (Value): Lựa chọn dòng giá trị và KPI

1.1 Khái niệm Value Stream

Một value stream bao gồm các hoạt động liên tục tạo ra giá trị cho khách hàng hoặc tổ chức [4]. Ví dụ: luồng Lead → Opportunity → Quotation → Deal trong bán hàng, hoặc luồng Ticket → Phân loại → Xử lý → Đóng trong dịch vụ khách hàng.

1.2 Chọn “lát cắt giá trị” (Value Slice)

Thay vì số hoá toàn bộ, hãy chọn một chuỗi hoạt động cụ thể có ảnh hưởng rõ tới mục tiêu kinh doanh:

•        Phân khúc cụ thể: chọn một nhóm khách hàng, sản phẩm hoặc khu vực để thí điểm.

•        KPI rõ ràng: xác định 1–2 KPI chính (tốc độ chuyển đổi, tỷ lệ thắng, chu kỳ xử lý) và 2–3 KPI phụ (completeness dữ liệu, % SLA đạt).

•        Owner và phạm vi: chỉ định người chịu trách nhiệm và liệt kê hệ thống liên quan.

1.3 Mẫu Value Stream thường gặp

2. Giai đoạn D (Data Context): Xây dựng dữ liệu dùng được

AI và tự động hoá chỉ đạt hiệu quả khi dữ liệu đúng, đủ và kịp thời. Theo ISO/IEC 25012, dữ liệu phải chính xác, đầy đủ, nhất quán và cập nhật [7]. Các nghiên cứu về AI cũng nhấn mạnh rằng thành công phụ thuộc vào dữ liệu sạch và governance tốt [2].

2.1 Thu thập & ghi vết (Gather)

Thiết kế chuẩn log sự kiện: case_id, activity, timestamp, actor, channel, object_id, status. Đây là cơ sở để khai phá quy trình (process mining) và đo cycle time, SLA [8].

2.2 Hợp nhất & định danh (Unify)

•        Mapping nguồn dữ liệu: chuẩn hóa tên trường và loại dữ liệu (ví dụ customer_id, lead_source, stage).

•        Giải quyết trùng lặp (dedup): định danh qua email, số điện thoại, mã số thuế; gộp bản ghi theo quy tắc rõ ràng.

•        Data contracts: quy định trường bắt buộc, range giá trị, quy tắc sửa dữ liệu.

2.3 Làm sạch (Sanitize)

Đặt ngưỡng cho độ chính xác, độ đầy đủ và nhất quán theo ISO/IEC 25012. Ví dụ: completeness ≥ 85%, duplicate rate giảm ≥ 30%. Thiết lập luật chuẩn hóa định dạng và dashboard chất lượng dữ liệu.

2.4 Tập trung và đóng gói (Curate)

Theo nguyên lý data mesh [9], dữ liệu nên được đóng gói thành “data product” có owner, SLA và được quản trị phân quyền. Mỗi data product chứa thực thể chính, trạng thái workflow, lịch sử tương tác, KPI và chính sách kèm metadata.

3. Giai đoạn W (Workflow): Chuẩn hoá và tự động hoá quy trình

Workflow là phần kết nối dữ liệu thành hành động. Theo vòng đời quản lý quy trình (BPM lifecycle), cần thiết kế, chạy, giám sát và tối ưu quy trình liên tục [8]. Xu hướng hyperautomation kết hợp AI, machine learning và RPA để tự động hoá phức tạp [10].

3.1 Thiết kế workflow “to‑be”

•        Vai trò và trách nhiệm: ai thực hiện bước nào, ai duyệt, ai chịu trách nhiệm SLA.

•        Điều kiện chuyển giai đoạn: quy định rõ input/output, trạng thái và điều kiện chuyển.

•        Ngoại lệ và vòng lặp: xác định trường hợp ngoại lệ và cách xử lý.

•        SLA và KPI: gắn thời gian mục tiêu cho từng bước.

3.2 Xây dựng và chạy workflow

Sử dụng nền tảng low‑code/BPM để cấu hình luồng, phân quyền, gửi thông báo và theo dõi tiến độ. Ưu tiên tự động các tác vụ lặp lại: assign lead, gửi email nhắc nhở, cập nhật trạng thái.

3.3 Giám sát và tối ưu (Process Mining)

Process mining dùng event logs để “chụp X‑quang” quy trình, phát hiện bottleneck và độ lệch [8]. Sử dụng dashboard: cycle time, tỉ lệ bỏ dở, SLA hit rate, rework rate.

4. Giai đoạn A (AI): Trí tuệ nhân tạo vận hành

AI nên được xem là một thành phần của hệ thống, không phải sự thay thế toàn bộ. AI chỉ nên hỗ trợ (augment) chứ không thay thế con người, đòi hỏi dữ liệu sẵn sàng, governance và guardrails [11].

4.1 Khung quản trị rủi ro AI (NIST AI RMF)

Theo NIST AI Risk Management Framework [12][13], quản trị rủi ro AI gồm bốn chức năng:

•        Govern: xác định văn hoá, quy trình quản lý rủi ro, chính sách ethical AI.

•        Map: hiểu rõ hệ thống AI, mục tiêu, stakeholder, dữ liệu.

•        Measure: đánh giá rủi ro kỹ thuật và phi kỹ thuật; đo độ chính xác, bias, bảo mật.

•        Manage: áp dụng biện pháp giảm rủi ro, kiểm soát quyền hạn, plan rollback.

4.2 Lộ trình áp dụng AI (3 cấp)

4.3 Kỹ thuật nâng cao: RAG và MLOps

RAG (Retrieval‑Augmented Generation): cho phép mô hình ngôn ngữ truy xuất kiến thức cập nhật từ kho nội bộ, giảm “ảo tưởng” (hallucination) và tiết kiệm chi phí fine‑tuning [14].

MLOps/LLMOps: coi mô hình ML là tài sản phần mềm được quản lý qua pipeline CI/CD, kiểm thử, monitor và rollback [15].

5. Hai vòng lặp kiểm soát và tối ưu

Để dự án không “làm xong rồi bỏ”, V‑DWA áp dụng hai vòng lặp chạy liên tục:

5.1 Vòng Kiểm soát (Control Loop)

•        Ownership & Change Control: xác định owner cho dữ liệu, workflow, AI; mọi thay đổi phải qua phê duyệt, versioning và audit.

•        Policy & Permissions: phân quyền rõ ràng; thiết lập log chỉnh sửa để truy vết.

•        Reliability: theo dõi SLA, xử lý ngoại lệ, hỗ trợ rollback và kill‑switch.

5.2 Vòng Tối ưu (Improve Loop)

•        Instrumentation & Metrics: sử dụng event log, dashboards và khai phá quy trình.

•        Review Cadence: họp ngắn hàng tuần để xem số liệu và xác định cải tiến.

•        Experimentation: triển khai thay đổi nhỏ và đo tác động trước–sau.

•        Adoption & Training: huấn luyện theo vai trò; bổ nhiệm champion; thu thập phản hồi và điều chỉnh nhanh.

6. Lộ trình triển khai mẫu (2–4–8 tuần)

Các mốc thời gian chỉ mang tính tham khảo; quy mô và độ phức tạp thực tế có thể kéo dài hơn. Quan trọng là giữ vững Gate và vòng lặp.

7. Case Study: Công ty phân phối X – Tối ưu luồng bán hàng B2B

Bối cảnh

Công ty X là doanh nghiệp phân phối vật tư công nghiệp với ~50 nhân viên kinh doanh, phục vụ khách hàng B2B. Trước khi áp dụng V‑DWA, họ gặp các vấn đề: lead bị “rơi” do không ai follow‑up, dữ liệu khách hàng nằm rải rác trên Excel và Zalo, không đo được tỷ lệ chuyển đổi, và báo giá chậm do phải duyệt nhiều tầng.

Triển khai V‑DWA trên ABMS

Tuần 1 – Value

Chọn value stream: Lead → Opportunity → Quotation → Deal. KPI chính: tỷ lệ thắng (win rate) và thời gian phản hồi lead. Baseline: win rate 18%, phản hồi trung bình 48h. Owner: Giám đốc kinh doanh.

Tuần 2–3 – Data Context

Dùng ABMS tạo entity: Lead, Contact, Company, Opportunity, Quotation. Định nghĩa required fields (tên, SĐT, email, nguồn lead, ngành nghề). Import dữ liệu từ Excel, chạy dedup theo email + SĐT → loại 1,200 bản ghi trùng trên 8,500 records. Data completeness tăng từ 45% lên 89%.

Tuần 3–6 – Workflow

Cấu hình workflow trên ABMS: lead mới tự động assign theo khu vực, SLA phản hồi 4h với nhắc nhở qua Zalo. Quy trình báo giá: nhân viên tạo trực tiếp trên ABMS, tự động route duyệt theo ngưỡng giá trị (đơn < 100M: trưởng nhóm duyệt; ≥ 100M: giám đốc duyệt). Dashboard hiển thị pipeline realtime, bottleneck tại bước báo giá.

Tuần 6–8 – AI

Bật AI Assist: tự động soạn email follow‑up dựa trên lịch sử tương tác, gợi ý next‑best‑action (gọi lại, gửi báo giá, mời demo). Sau 2 tuần, bật AI Approve: gợi ý mức chiết khấu dựa trên lịch sử mua và quy mô đơn hàng, nhân viên duyệt trước khi gửi.

8. Áp dụng V‑DWA cho lĩnh vực cụ thể

8.1 Doanh nghiệp thương mại/dịch vụ

Value stream mẫu: Lead → Opportunity → Quotation → Deal.

Thách thức phổ biến: lead trùng, dữ liệu thiếu, mất SLA follow‑up, báo giá chậm.

Triển khai: định nghĩa rõ stage và required fields; dedup theo email/điện thoại; workflow routing lead tự động theo nguồn và khu vực; AI Assist soạn email follow‑up và gợi ý next‑best‑action.

8.2 Cơ quan nhà nước (dịch vụ công)

Value stream mẫu: Hồ sơ hành chính (tiếp nhận → thẩm định → phê duyệt → trả kết quả).

Thách thức: thời gian xử lý dài, hồ sơ thiếu thông tin, khó theo dõi trạng thái, yêu cầu minh bạch theo Nghị định 107/2021/NĐ-CP.

Triển khai: thu thập log từ hệ thống Một Cửa; thiết kế workflow với SLA cho mỗi bước; thông báo trạng thái qua Zalo/email; AI Assist hướng dẫn người dân nộp hồ sơ và kiểm tra tính đầy đủ.

9. Kết luận và khuyến nghị

Phương pháp V‑DWA xuất phát từ quan sát rằng AI chỉ mang lại giá trị khi tổ chức bắt đầu từ giá trị thực và dữ liệu dùng được, sau đó chuẩn hoá quy trình và cuối cùng mới đưa AI vào đúng chỗ.

•        Khởi đầu bằng giá trị: xác định rõ giá trị mong muốn và KPI đo lường giúp tập trung nguồn lực [6].

•        Dữ liệu là nền tảng: thu thập, hợp nhất, làm sạch và đóng gói thành data product [7][9].

•        Quy trình cần quan sát: workflow phải được thiết kế rõ, gắn SLA và theo dõi bằng process mining [8].

•        AI phải được quản trị: áp dụng khung NIST AI RMF, sử dụng RAG và MLOps [12][14][15].

•        Vòng lặp liên tục: hai vòng lặp Kiểm soát và Tối ưu giúp duy trì chất lượng dài hạn.

V‑DWA không phải là “giáo trình” cố định mà là khung tuỳ chỉnh. Tuỳ vào ngành nghề và quy mô, doanh nghiệp có thể bắt đầu nhỏ với một value stream, rồi nhân rộng dần.

Tài liệu tham khảo

[1][2][3][11] Building AI Value Through Data Foundations and Workflow Engineering – CloudThat

[4][5][6] What is Value Stream Management (VSM) & Why Is It Important? – Atlassian

[7] ISO/IEC 25012 – Data quality model

[8] What is Process Mining – Microsoft Power Automate

[9] Data Mesh Principles and Logical Architecture – Martin Fowler

[10] What is Hyperautomation? – Automation Anywhere

[12][13] NIST AI Risk Management Framework (AI RMF)

[14] What is RAG (Retrieval Augmented Generation) – McKinsey

[15] MLOps Principles – ml-ops.org