Mô phỏng đánh giá lợi ích kinh tế của việc ứng dụng thực tế tăng cường (AR) trong hoạt động hoàn tất đơn hàng thương mại điện tử

Tóm tắt:

Nghiên cứu này hỗ trợ doanh nghiệp so sánh tính khả thi và hiệu quả kinh tế giữa phương pháp hoàn tất đơn hàng có tích hợp công nghệ thực tế tăng cường (AR) và phương pháp truyền thống. Các chỉ số như thời gian xử lý và chi phí vận hành được ước lượng thông qua thực nghiệm và mô phỏng. Từ đó, các doanh nghiệp có thể căn cứ vào đặc điểm hoạt động cụ thể của mình để đánh giá tiềm năng kinh tế của việc triển khai AR ở quy mô phù hợp.

Từ khoá: thực tế tăng cường, AR, thương mại điện tử, hoàn tất đơn hàng.

1. Đặt vấn đề

Trong thương mại điện tử, khâu chọn hàng đóng vai trò quan trọng trong quá trình hoàn tất đơn hàng. Đây là giai đoạn nhân viên kho xác định, tìm kiếm và lấy đúng sản phẩm theo yêu cầu của đơn hàng. Tuy nhiên, với khối lượng đơn hàng ngày càng tăng, đặc biệt trong các dịp cao điểm, khâu này thường xuyên gặp các sai sót như chọn nhầm sản phẩm, thiếu sản phẩm hoặc sai màu/mẫu mã (Fontin and Lin, 2020; Helm et al., 2024). Theo thống kê từ Red Stag Fulfillment, không có hệ thống hoàn tất đơn hàng nào là hoàn hảo và tỉ lệ lỗi trong khâu này có thể dao động từ 1% đến 3% hoặc nhiều hơn, tương đương với 1 lỗi trên mỗi 33 đến 100 sản phẩm (Rheude, 2025).

Những sai sót này không chỉ làm gián đoạn phương pháp giao hàng mà còn dẫn đến việc khách hàng trả lại sản phẩm, gây phát sinh chi phí đáng kể bao gồm chi phí vận chuyển, chi phí giao nhận, chi phí kho bãi (Pohlen and Lambert, 2001). Chi phí xử lý một đơn hàng bị trả lại không cố định mà tùy thuộc vào loại mặt hàng và nhiều yếu tố khác. Nghiên cứu của Gustafsson et al. (2021) cho thấy chi phí trung bình để xử lý hàng trả lại là 17% giá trị sản phẩm ban đầu. Báo cáo từ Simple Global (2025) lại cho thấy con số này có thể dao động từ 20% đến 65%. Ngoài ra, việc xử lý lỗi ảnh hưởng đến hiệu suất vận hành và trải nghiệm khách hàng.

Trong bối cảnh đó, công nghệ thực tế tăng cường (Augmented Reality, AR) đang được xem là một giải pháp tiềm năng giúp cải thiện hiệu quả của khâu chọn hàng trong quá trình hoàn tất đơn hàng so với phương pháp truyền thống dựa trên tài liệu giấy. AR cho phép nhân viên kho sử dụng thiết bị tiên tiến như kính AR hoặc máy tính bảng để nhận hướng dẫn trực quan về vị trí sản phẩm, hình ảnh minh họa và xác nhận đơn hàng ngay trong không gian thực. Nhờ giao diện thân thiện và dễ sử dụng, công nghệ AR không đòi hỏi nhiều thời gian đào tạo ban đầu để vận hành. Trong các thử nghiệm thực tế, việc ứng dụng AR trong khâu chọn hàng giúp giảm thời gian xử lý và tỉ lệ lỗi so với phương pháp truyền thống với mức các cải thiện khác nhau tùy theo điều kiện vận hành (Fang and An, 2020; Windhausen et al., 2024; Reif and Günthner, 2009).

Do sự đa dạng của các yếu tố vận hành, việc đánh giá hiệu quả kinh tế khi ứng dụng công nghệ AR là một vấn đề khó khăn đối với nhiều doanh nghiệp. Bằng thực nghiệm và mô phỏng, nghiên cứu này cho phép doanh nghiệp phân tích tính khả thi và lợi ích kinh tế của việc tích hợp kính AR vào khâu chọn hàng trong quá trình hoàn tất đơn hàng thương mại điện tử so với phương pháp truyền thống thông qua các chỉ số như chi phí đầu tư ban đầu, thời gian xử lý đơn hàng, tỉ lệ sai sót và chi phí vận hành. Từ đó, các doanh nghiệp có cơ sở định lượng để đưa ra quyết định đầu tư phù hợp với điều kiện thực tế.

2. Phương pháp nghiên cứu

Để đánh giá lợi ích kinh tế của phương pháp chọn hàng có tích hợp AR khi vận hành với lượng đơn hàng lớn, chúng tôi tiến hành mô phỏng định lượng với các thông số được ước lượng hoặc lấy từ quá trình thử nghiệm tính khả thi. Từ đó, tổng chi phí vận hành sẽ được tính toán cho 2 phương pháp để so sánh: phương pháp có tích hợp AR và phương pháp truyền thống dựa trên tài liệu giấy.

Tổng chi phí vận hành (C) được cấu thành từ 3 thành phần chính: chi phí đầu tư công nghệ (C_I), chi phí xử lý lỗi (C_E), và chi phí lao động (C_L):

C = C_I + C_E + C_L

Lợi ích kinh tế của phương pháp có tích hợp AR (∆C) được đánh giá thông qua chênh lệch tổng chi phí giữa hai phương pháp:

∆C = C_T − C_AR

Trong đó, C_T là tổng chi phí vận hành theo phương pháp truyền thống và C_AR là tổng chi phí vận hành theo phương pháp có tích hợp AR. Nếu ∆C > 0, việc tích hợp AR được xem là mang lại lợi ích kinh tế.

Các chi phí thành phần được tính toán như sau. Chi phí đầu tư công nghệ C_I là khoản chi phí cố định ban đầu. Khoản chi này chỉ được tính trong phương pháp có tích hợp AR và được ước tính thông qua số lượng đơn hàng. Nếu số lượng đơn hàng lớn, chi phí đầu tư hệ thống phần cứng và phần mềm AR sẽ cao tương ứng do số lượng kính AR cần trang bị nhiều và hệ thống phần mềm quản lý phức tạp hơn.

Chi phí xử lý lỗi C_E phản ánh tổn thất do sai sót trong khâu chọn hàng bao gồm việc chọn sai sản phẩm hoặc sai số lượng:

Trong đó, N là tổng số lượng đơn hàng (gồm nhiều món hàng), E_i ∈ {0, 1} là biến nhị phân thể hiện đơn hàng thứ i có lỗi hay không, C_f là chi phí phát sinh cho mỗi lỗi và có thể được ước lượng dựa trên một hệ số tỉ lệ tương ứng với giá trị của đơn hàng. Trong mô hình giả định, tỉ lệ lỗi được coi là xác suất cố định: E_T đối với phương pháp truyền thống và E_AR đối với phương pháp có tích hợp AR.

Chi phí lao động được tính dựa trên tổng thời gian xử lý đơn hàng và đơn giá lao động theo giờ:

Trong đó, N là số lượng đơn hàng, T_i là thời gian xử lý đơn hàng thứ i (phút) và C_h là chi phí nhân công theo giờ. Trong mô hình giả định, T_i có thể được xấp xỉ bằng thời gian trung bình xử lý mỗi đơn hàng. Đối với phương pháp truyền thống, T_i = T_T ; đối với phương pháp có tích hợp AR, T_i = T_AR. Các thời gian này có thể được ước lượng thông qua quá trình mô phỏng bằng cách tạo ra các đơn hàng ngẫu nhiên với các thông số được tham khảo từ quá trình đánh giá tính khả thi.

3. Kết quả và thảo luận

Để hỗ trợ doanh nghiệp đánh giá tính khả thi của việc tích hợp AR vào khâu chọn hàng trong quá trình hoàn tất đơn hàng, một môi trường thử nghiệm được xây dựng bởi dự án OPENVERSE nhằm tái tạo lại khâu chọn hàng trong kho với các ô hàng mẫu (xem Hình 1-trái). Môi trường này cho phép doanh nghiệp quan sát hoặc trực tiếp tham gia thử nghiệm với chính các dạng đơn hàng, loại mặt hàng và số lượng sản phẩm đặc thù của mình. Thông qua việc điều chỉnh các tham số đặc thù, doanh nghiệp có thể có trải nghiệm sát với thực tế nhất về cơ chế vận hành, độ chính xác và thời gian xử lý đơn hàng.

Một mô hình mô phỏng để ước tính lợi ích kinh tế được triển khai bằng ngôn ngữ lập trình Python kết hợp với thư viện Streamlit nhằm xây dựng giao diện tương tác người dùng (GUI). Ứng dụng cho phép người dùng điều chỉnh các tham số đầu vào như số đơn hàng, chi phí lao động/giờ, chi phí đầu tư AR, chi phí lỗi nhập trực tiếp hoặc gián tiếp qua % giá trị đơn hàng, thời gian lấy hàng và tỉ lệ lỗi. Thời gian lấy hàng có thể được ước lượng trong quá trình đánh giá tính khả thi hoặc thông qua việc mô phỏng khâu chọn hàng với số lượng và nội dung đơn hàng được tạo ngẫu nhiên. Kết quả được trực quan hóa thông qua ước lượng chi phí tiết kiệm được, biểu đồ so sánh chi phí dùng AR so với phương pháp truyền thống, ước tính điểm hoà vốn,... (xem Hình 1-phải). Bằng cách điều chỉnh linh hoạt và thử nghiệm các thông số, doanh nghiệp có thể đánh giá lợi ích kinh tế của các kịch bản đầu tư và vận hành khác nhau. Do đó, mô hình này có vai trò như một công cụ hỗ trợ ra quyết định đầu tư cho các doanh nghiệp thương mại điện tử trong việc ứng dụng công nghệ AR vào hoạt động kho vận.

Việc triển khai phương pháp chọn hàng có tích hợp AR trong quá trình hoàn tất đơn hàng phụ thuộc nhiều vào quy mô hoạt động và năng lực đầu tư của từng doanh nghiệp. Kết quả mô phỏng gợi ý rằng ở thời điểm hiện tại, công nghệ này bước đầu phù hợp với các doanh nghiệp có khối lượng đơn hàng lớn đến rất lớn, hoặc/và các doanh nghiệp hoạt động ở những quốc gia phát triển nơi có chi phí lao động và chi phí xử lý lỗi ở mức cao như Mỹ và châu Âu. Trong những môi trường như vậy, việc giảm thời gian xử lý đơn hàng và hạn chế lỗi thông qua hỗ trợ AR có tiềm năng mang lại lợi ích kinh tế, góp phần tối ưu hóa hiệu suất vận hành và nâng cao trải nghiệm khách hàng. Đối với các doanh nghiệp vừa và nhỏ, hoặc/và các doanh nghiệp hoạt động ở các quốc gia đang phát triển như Việt Nam, nơi có chi phí lao động và kèm theo là chi phí xử lý lỗi còn thấp, khoản chi phí đầu tư ban đầu cho hệ thống phần cứng và phần mềm AR vẫn còn là một rào cản đáng kể. Tuy nhiên, chi phí phát triển phần mềm AR tại khu vực này có thể thấp hơn (do chi phí nhân công thấp). Điều này có thể góp phần giảm tổng chi phí đầu tư ban đầu nếu doanh nghiệp có khả năng tự phát triển hoặc nội địa hóa giải pháp phần mềm.

Hạn chế của mô hình hiện tại là chỉ tập trung vào việc đánh giá lợi ích kinh tế trực tiếp thông qua chi phí đầu tư, chi phí xử lý lỗi và chi phí lao động. Trong khi đó, việc tích hợp AR còn tiềm năng có thể mang lại những lợi ích kinh tế gián tiếp mà chưa được lượng hóa trong tính toán ở nghiên cứu này, đặc biệt là khả năng nâng cao trải nghiệm người dùng và giữ chân khách hàng. Những yếu tố này khó có thể đo lường ngay lập tức nhưng góp phần quan trọng vào việc xây dựng lòng trung thành với thương hiệu và thúc đẩy tăng trưởng dài hạn cho doanh nghiệp.

4. Kết luận

Nghiên cứu này là công cụ hỗ trợ doanh nghiệp đánh giá tính khả thi và lợi ích kinh tế của việc tích hợp công nghệ thực tế tăng cường (AR) vào khâu chọn hàng trong quá trình hoàn tất đơn hàng thương mại điện tử. Hiện tại, giải pháp này có tiềm năng mang lại lợi ích kinh tế đối với các doanh nghiệp có quy mô lớn có chi phí vận hành cao. Tuy nhiên, chi phí đầu tư ban đầu cho hệ thống AR vẫn là một rào cản đối với các doanh nghiệp vừa và nhỏ, đặc biệt là doanh nghiệp tại các quốc gia đang phát triển. Các nghiên cứu tiếp theo có thể mở rộng mô hình mô phỏng bằng cách định lượng thêm các lợi ích trực tiếp và gián tiếp khác, hỗ trợ doanh nghiệp ra quyết định đầu tư hiệu quả hơn và hướng tới các giá trị kinh tế trong dài hạn.

Lời cảm ơn:

Tác giả xin trân trọng cảm ơn ông Aleksander Burkiewicz vì sự hỗ trợ quý báu trong quá trình thực hiện nghiên cứu trong khuôn khổ hợp tác với dự án OPENVERSE do Liên minh Châu Âu tài trợ, mã số No. 101135701.

Tài liệu tham khảo:

Fang, W. and An, Z. (2020).  A scalable wearable AR system for manual order picking based on warehouse floor-related navigation. The International Journal of Advanced Manufacturing Technology, 109(7):2023-2037.

Fontin, J.-R. and Lin, S.-W. (2020). A joint comparative analysis of routing heuristics and paperless picking technologies using simulation and data envelopment analysis. Applied Sciences, 10(24):8777.

Gustafsson, E., Jonsson, P., and Holmström, J. (2021). Reducing retail supply chain costs of product returns using digital product fitting. International Journal of Physical Distribution & Logistics Management, 51(8):877-896.

Helm, M., Malikova, A., and Kembro, J. (2024). Rooting out the root causes of order fulfilment errors: a multiple case study. International Journal of Production Research, 62(11):3853-3871.

Pohlen, T. L. and Lambert, D. M. (2001). Supply chain metrics. International journal of logistics management, 12(1):1-19.

Reif, R. and Günthner, W. A. (2009). Pick-by-vision: augmented reality supported order picking. The Visual Computer, 25(5):461-467.

Rheude, J. (2025). How does RSF achieve such low fulfillment error rates? Available at https://redstagfulfillment. com/rsf-low-fulfillment-error-rates/.

Simple Global (2025). What is the average cost of processing a return in ecommerce? Available at https://www. simpleglobal.com/faqs/what-is-the-average-cost-of-processing-a-return-in-ecommerce/.

Windhausen, A., Heller, J., Hilken, T., Mahr, D., Di Palma, R., and Quintens, L. (2024). Exploring the impact of augmented reality smart glasses on worker well-being in warehouse order picking. Computers in Human Behavior, 155:108153.

Simulation-based evaluation of the economic benefits of applying Augmented Reality in e-commerce order fulfillment

Nguyen Thi Huyen Trang
Can Tho University

Abstract

This study provides a comparative assessment of the feasibility and economic effectiveness of Augmented Reality (AR) - integrated workflows versus traditional processes in order fulfillment operations. By leveraging pilot implementations and simulation modeling, key performance indicators, including processing time and operating costs, were quantified to evaluate operational efficiency. The findings offer businesses a data-driven basis for estimating the economic value of AR adoption and determining the appropriate scale of implementation that best fits their operational conditions and strategic objectives.

Keywords: economic benefits, augmented reality, AR, e-commerce, order fulfillment.

[Tạp chí Công Thương - Các kết quả nghiên cứu khoa học và ứng dụng công nghệ, số 32 năm 2025]