Colgate Palmolive là một thương hiệu toàn cầu, nhưng lại đối mặt với một vấn đề quen thuộc của nhiều tập đoàn lâu năm: dữ liệu phân mảnh và thiếu kết nối. Dữ liệu tồn tại ở nhiều nhà máy và hệ thống khác nhau, nhưng không thể lưu thông hiệu quả. Từ góc nhìn Learning Chain, đây là một case đáng học vì Colgate đã nhận ra đúng điểm nghẽn cốt lõi. Khi dữ liệu không chảy, doanh nghiệp khó có thể theo kịp tốc độ của thị trường.
Colgate Palmolive vận hành hàng chục nhà máy trên khắp thế giới. Những nhà máy này được xây dựng qua nhiều giai đoạn khác nhau, với các thế hệ dây chuyền, hệ thống IT và cách lưu trữ dữ liệu khác nhau. Một dây chuyền sản xuất kem đánh răng tại Mỹ gần như không thấy được dữ liệu thời gian thực từ dây chuyền đóng gói tại châu Á.
Trong bối cảnh cạnh tranh ngày càng nhanh, độ trễ này trở thành vấn đề lớn. Khi ban lãnh đạo Colgate Palmolive cần nhìn bức tranh vận hành toàn hệ thống, dữ liệu phải được gom lại thủ công. Khi thị trường thay đổi, phân tích chậm đồng nghĩa với phản ứng chậm. Sản phẩm mới ra đời không kịp lúc nhu cầu người tiêu dùng đang hình thành.
Ở Learning Chain, tụi mình thường gọi đây là tình trạng dữ liệu có mặt khắp nơi nhưng không tạo ra năng lực. Nó không giúp tổ chức phản ứng nhanh hơn, cũng không giúp ra quyết định thông minh hơn.
Điểm đáng học nhất là Colgate Palmolive không bắt đầu bằng việc “chạy AI”. Họ bắt đầu bằng việc tổ chức lại dữ liệu. Hợp tác với Google Cloud, họ xây dựng AI Hub và colgate cloud infrastructure đóng vai trò xương sống. Toàn bộ dữ liệu từ sản xuất đến phản hồi người tiêu dùng được đưa về kho dữ liệu trung tâm BigQuery.
Nếu so sánh với ai trong supply chain và logistics (ví dụ như Amazon Kiva Robots), Colgate chọn cách tiếp cận khác: họ không dùng robot để thay đổi vật lý kho hàng ngay lập tức, mà dùng dữ liệu để thay đổi quy trình ra quyết định.
Điểm đáng học nhất là Colgate Palmolive không bắt đầu bằng việc “chạy AI”. Họ bắt đầu bằng việc tổ chức lại dữ liệu.
Hợp tác với Google Cloud, tập đoàn xây dựng AI Hub – một nền tảng dữ liệu và AI thống nhất. Toàn bộ dữ liệu từ sản xuất, chuỗi cung ứng, chất lượng đến phản hồi người tiêu dùng được đưa về một hệ thống chung, với BigQuery đóng vai trò kho dữ liệu trung tâm.
Trên nền đó, Vertex AI được sử dụng để phát triển các mô hình học máy phục vụ dự đoán và tự động hóa phân tích. Nhưng điều quan trọng không nằm ở tên công nghệ, mà ở cách tiếp cận. Colgate không giới hạn AI cho đội ngũ data scientist. Họ thiết kế hệ thống để kỹ sư nhà máy, nhân viên kiểm định và đội vận hành tuyến đầu đều có thể sử dụng dữ liệu trong công việc hàng ngày.
Chi tiết này Learning Chain được ví rằng:
“công nghệ chỉ có giá trị khi con người dùng được nó một cách tự nhiên.”
Khi AI Hub đã được đặt đúng nền móng, Colgate Palmolive không vội khoe công nghệ. Họ không chạy theo những use case nghe cho hay, mà quay về một câu hỏi rất thực tế:
“AI có giúp nhà máy vận hành tốt hơn mỗi ngày hay không?”
Và câu trả lời đến từ những bài toán quen thuộc nhất trong sản xuất – nơi hiệu quả có thể nhìn thấy, đo được và cảm nhận rõ ràng.
Colgate sử dụng ml cho demand forecasting để phân tích hàng triệu tín hiệu thị trường. Khác với ai trong cpg vs retail (như Starbucks tập trung vào cá nhân hóa từng người), AI trong ngành hàng tiêu dùng nhanh (CPG) tập trung vào việc dự báo xu hướng đám đông để tối ưu sản xuất.
Việc áp dụng tự động hóa supply chain giúp Colgate giảm thời gian chết của máy móc thông qua bảo trì dự đoán (Predictive Maintenance). Cảm biến IoT gửi dữ liệu về AI Hub, cảnh báo kỹ sư trước khi máy hỏng.
Dữ liệu từ AI Hub cũng chảy về bộ phận kinh doanh. Việc phân tích dữ liệu bán hàng giúp họ hiểu rõ hiệu quả của từng chiến dịch. Đồng thời, automation trong cpg marketing giúp tự động hóa việc phân bổ ngân sách quảng cáo đến đúng khu vực đang có nhu cầu cao.
Điều Colgate Palmolive nhận ra sau khi hợp nhất dữ liệu rất rõ ràng: vấn đề không nằm ở thiếu dữ liệu, mà ở cách dữ liệu được tổ chức và sử dụng. Khi thông tin từ nhà máy, chuỗi cung ứng và phản hồi người tiêu dùng được kết nối trên cùng một nền tảng, nhịp vận hành của doanh nghiệp thay đổi hẳn.
Những báo cáo từng mất nhiều ngày giờ chỉ còn vài phút. Ban lãnh đạo có thể nhìn thấy tình hình gần như theo thời gian thực và ra quyết định sớm hơn. Ở nhà máy, bảo trì chủ động và kiểm định chất lượng tự động giúp năng suất ổn định hơn, ít gián đoạn hơn.
Quan trọng nhất, dữ liệu không còn là “tài sản của bộ phận phân tích”. Kỹ sư, đội vận hành, chất lượng hay R&D đều có thể dùng dữ liệu trong công việc hằng ngày. Với Learning Chain, đây chính là giá trị thật của chuyển đổi số: khi dữ liệu trở thành công cụ chung, công nghệ bắt đầu mở rộng năng lực của con người và cả tổ chức.
Câu chuyện của Colgate Palmolive nhắc chúng ta một điều rất thực tế: chuyển đổi số không bắt đầu từ thuật toán cao siêu, mà bắt đầu từ việc tổ chức lại dữ liệu để con người có thể dùng được. Một hệ thống AI dù mạnh đến đâu cũng không tạo ra giá trị nếu dữ liệu bị chia cắt và đội ngũ không thể tiếp cận trong công việc hằng ngày.
Văn hóa doanh nghiệp vì thế trở thành yếu tố then chốt. Công nghệ chỉ phát huy sức mạnh khi nó phục vụ vận hành thật, chứ không phải để “đẹp” trong slide chiến lược. Việc hợp tác với đối tác công nghệ phù hợp cũng giúp doanh nghiệp đi nhanh hơn, tập trung vào năng lực cốt lõi thay vì sa lầy vào triển khai.
Đây cũng chính là tinh thần mà Learning Chain luôn nhấn mạnh: hiểu nền tảng dữ liệu, hiểu cách hệ thống vận hành và biết biến công nghệ thành năng lực thực tế. Đó là con đường bền vững hơn nhiều so với việc chỉ chạy theo công cụ hay xu hướng.
Colgate Palmolive cho thấy chuyển đổi số thành công không đến từ việc “có AI”, mà từ cách tổ chức dữ liệu và trao quyền cho con người. Và đó cũng là tinh thần Learning Chain theo đuổi: học để hiểu, làm để tạo giá trị thật, và dùng công nghệ để mở rộng năng lực của chính mình.
CÂU HỎI THƯỜNG GẶP
Vì sao một tập đoàn toàn cầu như Colgate Palmolive vẫn có thể bị “chậm” vì dữ liệu?
Vì dữ liệu tuy nhiều nhưng bị chia cắt theo nhà máy, hệ thống và khu vực, khiến thông tin không chảy kịp theo nhịp vận hành. Khi dữ liệu không kết nối, doanh nghiệp buộc phải ra quyết định dựa trên độ trễ thay vì thời gian thực.
Vấn đề cốt lõi của Colgate Palmolive nằm ở công nghệ hay ở cách tổ chức dữ liệu?
Không phải thiếu công nghệ, mà là thiếu một cấu trúc dữ liệu thống nhất để con người sử dụng hằng ngày. Khi dữ liệu bị “đóng khung” trong từng bộ phận, AI hay phân tích nâng cao cũng khó tạo ra giá trị thật.
Vì sao các use case như bảo trì dự đoán hay kiểm định chất lượng lại mang giá trị rõ ràng nhất?
Vì chúng gắn trực tiếp với vận hành thực tế: giảm downtime, giảm lỗi, kiểm soát chi phí và ổn định năng suất. Ở đây, AI không làm thay con người, mà giúp họ nhìn thấy rủi ro sớm hơn và hành động chủ động hơn.
