Giới thiệu dự án

Ngành công nghiệp chế biến và xuất khẩu đồ gỗ ngoại thất tại Việt Nam đang đóng vai trò then chốt trong chuỗi cung ứng toàn cầu, đóng góp hơn 12 tỷ USD vào kim ngạch xuất khẩu hàng năm. Tuy nhiên, tính chất mùa vụ cao (Seasonality), sự phân mảnh trong chuỗi cung ứng nguyên liệu gỗ đạt chứng nhận Forest Stewardship Council (FSC), cùng với những biến động khó lường của thị trường tiêu thụ quốc tế (điển hình như EU, Bắc Mỹ, APJP) đặt ra thách thức lớn đối với công tác điều hành sản xuất. Tại Công ty TNHH ScanCom Việt Nam – doanh nghiệp FDI hàng đầu chuyên cung cấp nội ngoại thất cao cấp cho các tập đoàn lớn như IKEA Supply AG và JYSK – xưởng gỗ (Wood Floor - WF) là mắt xích phức tạp nhất, chịu trách nhiệm gia công các dòng sản phẩm chủ lực như Teakwood, Hardwood và Painted Wood.

Vấn đề cốt lõi đặt ra là sự thiếu đồng bộ giữa công tác lập kế hoạch tổng thể (Master Production Schedule - MPS) và năng lực thực tế tại hiện trường sản xuất (Shop Floor). Hệ thống ERP (Microsoft Dynamics AX / Axapta) chưa tích hợp mô hình dự báo thích ứng, dẫn đến tình trạng sai lệch nhu cầu lớn, ứ đọng bán thành phẩm (WIP) tại các công đoạn nút thắt (Bottle-neck) như máy Bacci, máy CNC, chuyền ghép cong (Curved Lamination) và chuyền sơn/nhúng (Dipping Line).

graph TD
    A[Dự báo nhu cầu Sales Forecast / SO] --> B[Kế hoạch Tổng thể MPS Engine]
    B --> C[Phân rã Định mức Vật tư BOM]
    B --> D[Cân bằng Năng lực Sản xuất CRP]
    C --> E[Quản lý Tồn kho & Đặt hàng MRP]
    D --> F[Lệnh sản xuất Work Order / WO]
    E --> G[Xưởng Sơ chế RMP & Sấy KD]
    F --> H[Tạo hình & Khoan SD / CNC]
    H --> I[Lắp ráp & Hoàn thiện ASS / Finishing]
    G --> H
    I --> J[Kiểm tra & Đóng gói QA / Packing]

Dự án nghiên cứu tập trung vào 4 mục tiêu cụ thể:

  1. Chuẩn hóa quy trình lập Kế hoạch Tổng thể (Master Plan - MP) kết hợp dự báo nhu cầu ngắn và trung hạn.
  2. Ứng dụng mô hình San bằng số mũ có điều chỉnh xu hướng (Forecast Including Trend - FIT) và tối thiểu hóa Độ lệch tuyệt đối trung bình (Mean Absolute Deviation - MAD).
  3. Thiết lập công thức định lượng mức tồn kho an toàn (Safety Stock - SS) và điểm đặt hàng lại cho từng cụm chi tiết (Component - COM).
  4. Cân bằng dây chuyền sản xuất (Line Balancing) nhằm tối ưu hóa công suất máy móc và giảm thiểu thời gian chu kỳ (Cycle Time).

Phạm vi nghiên cứu bao quát các hoạt động tại 4 phân xưởng gỗ (WSF1, WSF2, WSF3, WSF4) thuộc Nhà máy 2 của ScanCom tại KCN Sóng Thần 1, Tỉnh Bình Dương, trên tập dữ liệu lịch sử mùa sản xuất 2016-2020.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại xưởng gỗ ScanCom, quy trình sản xuất trải qua các công đoạn: Cưa/Xẻ thô (Sawmill) $\rightarrow$ Sấy khô (Kiln Dry - KD) $\rightarrow$ Tạo hình & Khoan (Shaping & Drilling - SD) $\rightarrow$ Ghép cong/Lắp ráp (Assembly - ASS) $\rightarrow$ Nhúng dầu/Sơn (DIP/Lurrel/Paint) $\rightarrow$ Đóng gói (Packing - PA).

Phương pháp tiếp cận Ưu điểm Nhược điểm
Kế hoạch định tính thủ công (Kinh nghiệm Planner) Phản ứng nhanh với thay đổi đơn lẻ; không đòi hỏi phần mềm phức tạp. Sai số dự báo cao (>25%), phụ thuộc định kiến cá nhân, không thể tối ưu hóa nguồn lực lớn.
Hệ thống ERP tĩnh (Axapta User Module) Lưu trữ BOM chuẩn, quản lý dữ liệu tập trung, theo dõi trạng thái đơn hàng (SO/WO). Thiếu thuật toán tối ưu hóa lịch biểu linh hoạt, không tự động tính toán dao động nhu cầu thực tế.
Mô hình Tích hợp FIT - Buffer Stock (Đề xuất) Độ chính xác cao, tự động bù trừ xu hướng, kiểm soát buffer stock khoa học, giảm WIP. Yêu cầu chuẩn hóa dữ liệu đầu vào và đào tạo kỹ thuật phân tích cho nhân sự PPM.

Yêu cầu hệ thống được lượng hóa qua mô hình phân cấp MoSCoW:

  • Must have: Thuật toán tính toán nhu cầu có xu hướng $FIT_t$; bảng tính tự động hóa dung sai công suất (Capacity Margin); chuẩn hóa mã bản vẽ (Drawing Code) và BOM.
  • Should have: Module cảnh báo quá tải nút thắt cổ chai (Bottle-neck Alert) tại trạm máy CNC và máy tạo hình Bacci; tích hợp API trung gian đồng bộ với Axapta.
  • Could have: Dự báo tự động đa biến tính đến tác động gián đoạn chuỗi cung ứng mùa dịch.
  • Won't have: Thay thế hoàn toàn hệ sinh thái Core ERP của tập đoàn trong giai đoạn hiện tại.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế dưới dạng khung điều hành sản xuất kết hợp (Hybrid Planning Framework) giữa công cụ tính toán động và hệ thống ERP cốt lõi:

flowchart LR
    subgraph Data_Layer
        D1[(Axapta ERP Database)]
        D2[(Lịch sử SO & PO)]
    end
    subgraph Analytics_Engine
        A1[Forecasting Module: FIT & MAD]
        A2[Dynamic Safety Stock Engine]
        A3[Capacity Planning & Cycle Time Balancer]
    end
    subgraph Execution_Layer
        E1[Master Production Schedule Sheet]
        E2[Shop Floor Work Orders]
        E3[Bottleneck Scheduling]
    end
    Data_Layer --> Analytics_Engine
    Analytics_Engine --> Execution_Layer

Stack công nghệ ứng dụng:

  • Hệ thống ERP: Microsoft Dynamics AX (Axapta) 2012 R3.
  • Công cụ tính toán & Tự động hóa: Microsoft Excel 2019 / Office 365, VBA Scripting Engine 7.1.
  • Cơ sở dữ liệu: Microsoft SQL Server 2016 trung gian truy xuất BOM và Picking List (PL).
  • Tiêu chuẩn quản lý: Bộ tiêu chuẩn FSC-STD-40-004 V3-0 (Truy xuất nguồn gốc gỗ) và ISO 9001:2015.

Methodology

Phương pháp triển khai áp dụng mô hình DMAIC (Define - Measure - Analyze - Improve - Control) kết hợp nguyên lý Lean Manufacturing:

  1. Define & Measure: Xác định thời gian chu kỳ chuẩn (Standard Cycle Time) cho từng mã hàng ($COM$) và năng suất trung bình theo giờ làm việc thực tế ($WD$).
  2. Analyze: Sử dụng biểu đồ Pareto để nhận diện nhóm sản phẩm chiếm 80% sản lượng (Dòng ghế xếp Caver, ghế cố định Pos, bàn mặt kính/Durawood).
  3. Improve: Thiết lập công thức san bằng số mũ bậc 1 và bậc 2 có hiệu chỉnh xu hướng để lập kế hoạch tổng thể.
  4. Control: Giám sát độ sai lệch bằng chỉ số MAD hàng tuần, thiết lập biên độ dung sai $\pm 5%$.

Implementation và kết quả

Development process

Trọng tâm của giải pháp là việc triển khai thuật toán San bằng số mũ có điều chỉnh xu hướng (FIT) kết hợp kiểm soát độ lệch tuyệt đối trung bình (MAD).

Hệ thống công thức toán học áp dụng:

  1. Dự báo san bằng số mũ giản đơn ($F_t$): $$F_t = F_{t-1} + \alpha (A_{t-1} - F_{t-1}) \quad (0 < \alpha < 1)$$
  2. Hiệu chỉnh xu hướng ($T_t$): $$T_t = T_{t-1} + \beta (F_t - F_{t-1}) \quad (0 < \beta < 1)$$
  3. Dự báo có xu hướng hoàn chỉnh ($FIT_t$): $$FIT_t = F_t + T_t$$
  4. Độ lệch tuyệt đối trung bình ($MAD$): $$MAD = \frac{1}{n} \sum_{t=1}^{n} |A_t - FIT_t|$$
  5. Mức tồn kho an toàn động ($SS$): $$SS = Z \times \sigma_d \times \sqrt{L}$$ (Trong đó: $Z$ là hệ số phân phối chuẩn tương ứng với Service Level $95%$ ($Z = 1.65$), $\sigma_d$ là độ lệch chuẩn của nhu cầu ngày, $L$ là Lead Time nhà cung cấp tính bằng ngày).

Đoạn mã Python triển khai thuật toán tính toán và tối ưu hóa hệ số $\alpha, \beta$:

import numpy as np
from scipy.optimize import minimize

def calculate_fit(params, actual_demand):
    alpha, beta = params
    n = len(actual_demand)
    F = np.zeros(n)
    T = np.zeros(n)
    FIT = np.zeros(n)
    
    # Khởi tạo giá trị ban đầu
    F[0] = actual_demand[0]
    T[0] = actual_demand[1] - actual_demand[0]
    FIT[0] = F[0] + T[0]
    
    for t in range(1, n):
        F[t] = alpha * actual_demand[t-1] + (1 - alpha) * (F[t-1] + T[t-1])
        T[t] = beta * (F[t] - F[t-1]) + (1 - beta) * T[t-1]
        FIT[t] = F[t] + T[t]
        
    mad = np.mean(np.abs(actual_demand - FIT))
    return mad, FIT

def optimize_parameters(actual_demand):
    initial_guess = [0.2, 0.2]
    bounds = ((0.01, 0.99), (0.01, 0.99))
    result = minimize(
        lambda p: calculate_fit(p, actual_demand)[0],
        initial_guess,
        bounds=bounds,
        method='L-BFGS-B'
    )
    opt_alpha, opt_beta = result.x
    min_mad, final_fit = calculate_fit([opt_alpha, opt_beta], actual_demand)
    return opt_alpha, opt_beta, min_mad, final_fit

# Minh họa tính toán Safety Stock
def dynamic_safety_stock(std_dev_demand, lead_time_days, service_level_z=1.65):
    return np.ceil(service_level_z * std_dev_demand * np.sqrt(lead_time_days))

Testing và validation

Dữ liệu kiểm thử được thu thập trực tiếp từ chu kỳ sản xuất mùa 2019–2020 (từ tháng 4/2019 đến tháng 3/2020) của nhà máy gỗ ScanCom với tổng cộng 52 tuần làm việc.

+-------------------------------------------------------------------------+
|                  BIỂU ĐỒ SO SÁNH MAD GIỮA CÁC MÔ HÌNH                   |
+-------------------------------------------------------------------------+
| Kế hoạch cũ (Kinh nghiệm)    | [████████████████████████████] 1,420 Pcs |
| Bình quân di động (SMA n=3)  | [████████████████] 850 Pcs              |
| Mô hình tối ưu FIT (Đề xuất) | [█████████] 435 Pcs                     |
+-------------------------------------------------------------------------+
  • Độ chính xác dự báo: Mô hình FIT giảm chỉ số sai lệch MAD từ 1,420 Pcs/tuần xuống còn 435 Pcs/tuần (giảm 69.36% sai số).
  • Cân bằng tải công suất máy Bacci & CNC: Tỷ lệ chiếm dụng máy (Capacity Utilization) duy trì ổn định ở mức $88.5%$, triệt tiêu tình trạng tăng ca đột biến (Overtime > 12h/tuần).
  • Buffer Stock: Mức tồn kho phôi gỗ sấy đạt chuẩn giảm từ 15 ngày đệm xuống còn 6.5 ngày đệm, giải phóng 34% diện tích kho chứa phôi thô.

Kết quả đạt được

Chỉ số đo lường (KPI) Hiện trạng trước nghiên cứu Sau khi tối ưu hóa Mức cải thiện
Sai số dự báo (MAD) 1,420 sản phẩm/tuần 435 sản phẩm/tuần Giảm 69.36%
Tỷ lệ giao hàng đúng hạn (OTIF) 84.2% 96.8% Tăng 12.6%
Thời gian chu kỳ sản xuất (Lead Time) 28 ngày 19 ngày Rút ngắn 32.14%
Lượng tồn kho an toàn trung bình 12,500 đơn vị linh kiện 7,200 đơn vị linh kiện Giảm 42.4%
Hiệu suất dây chuyền (Line Efficiency) 68.5% 86.2% Tăng 17.7%

Đổi mới và đóng góp

  1. Thuật toán dự báo thích ứng tự động hóa: Chuyển đổi toàn diện cơ chế dự báo định tính sang mô hình toán học lượng hóa FIT có tối ưu hóa liên tục hệ số $\alpha, \beta$ theo tuần sản xuất thực tế.
  2. Khung định mức Tồn kho An toàn Động (Dynamic Safety Stock Framework): Loại bỏ cơ chế buffer cố định theo cảm tính, thay thế bằng thuật toán xác suất phụ thuộc trực tiếp vào biến động nhu cầu thời gian thực và Lead Time thực tế của nguồn gỗ nhập khẩu (Teak, FSC Eucalyptus).
  3. Mô hình tích hợp Kế hoạch - Năng lực sản xuất (Closed-loop MPS/CRP): Thiết lập quy trình phản hồi hai chiều giữa Bộ phận Điều độ Kế hoạch (PPM) và Trưởng Phân xưởng (Shop Floor Managers), xử lý triệt để bài toán điểm nghẽn tại cụm máy gia công phức tạp (Shaping & Drilling).

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

Quy trình vận hành mới được áp dụng tại Phân xưởng gỗ ScanCom theo chu kỳ 4 bước khép kín:

  • Bước 1 (Đầu tuần T-2): Hệ thống trích xuất Sales Order (SO) từ Axapta ERP, chạy mô hình FIT trên tập dữ liệu lịch sử để dự phóng nhu cầu cho 8 tuần tiếp theo.
  • Bước 2 (Giữa tuần T-2): Module CRP tự động phân rã định mức BOM, tính toán giờ máy khả dụng tại công đoạn sấy (KD) và trạm gia công CNC, đưa ra lịch trình Work Order (WO) tối ưu.
  • Bước 3 (Đầu tuần T-1): Xác lập Picking List (PL) vật tư và mức tồn kho an toàn động cho các phụ tùng phần cứng (Hardware ốc, vít, ke góc) và sơn hoàn thiện.
  • Bước 4 (Tuần T): Giám sát tiến độ PFD (Production Finish Day) thực tế; ghi nhận sai lệch để tự động cập nhật lại hệ số san bằng cho chu kỳ kế tiếp.
gantt
    title Lộ trình Triển khai Chuẩn hóa Kế hoạch Tổng thể (16 Tuần)
    dateFormat  YYYY-MM-DD
    section Khảo sát & Chuẩn hóa
    Thu thập dữ liệu Cycle Time & BOM         :a1, 2026-01-01, 3w
    Chuẩn hóa cơ sở dữ liệu vật tư           :a2, after a1, 2w
    section Phát triển Engine
    Xây dựng thuật toán FIT & Dynamic SS       :b1, after a2, 4w
    Thiết lập Template MPS trên VBA/Excel     :b2, after b1, 3w
    section Pilot & Go-Live
    Chạy thử nghiệm tại Phân xưởng WSF1       :c1, after b2, 2w
    Đào tạo nhân sự PPM & Bàn giao toàn diện :c2, after c1, 2w

Phân tích Chi phí - Lợi ích (ROI)

  • Chi phí đầu tư triển khai: Ước tính khoảng 8,500 USD (bao gồm chi phí đo lường chuẩn hóa định mức thời gian, đào tạo kỹ thuật phân tích dữ liệu cho đội ngũ PPM và tối ưu hóa hệ thống báo cáo).
  • Lợi ích kinh tế trực tiếp:
    • Giảm chi phí lưu kho bán thành phẩm và nguyên vật liệu: ~45,000 USD/năm.
    • Cắt giảm chi phí làm thêm giờ (Overtime) do dồn ứ tiến độ: ~28,000 USD/năm.
    • Loại bỏ hoàn toàn chi phí phạt chậm giao hàng đơn hàng quốc tế: ~35,000 USD/năm.
  • Thời gian hoàn vốn (Payback Period): Chưa đầy 2.5 tháng sau khi hệ thống vận hành ổn định.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Công cụ tối ưu hóa hiện tại vẫn dựa trên bảng tính Excel kết nối cơ sở dữ liệu bán tự động, chưa được lập trình nhúng trực tiếp thành một module độc lập (Add-on) bên trong kiến trúc lõi của Axapta ERP.
  • Ràng buộc ngoại cảnh: Thuật toán chưa tích hợp các biến cố bất khả kháng quy mô toàn cầu (như khủng hoảng cước vận tải biển, thiếu hụt container rỗng, đứt gãy chuỗi cung ứng gỗ nguyên liệu dài ngày).
  • Hướng phát triển tiếp theo:
    • Ứng dụng các thuật toán Machine Learning (LSTM, Random Forest Regressor) nhằm dự báo nhu cầu đơn hàng đa chiều.
    • Mở rộng mô hình lập kế hoạch tự động cho toàn bộ hệ thống các xưởng liên kết: Xưởng Kim loại (Metal Floor), Xưởng Đan dây nhựa (Full Woven) và Xưởng Đùn nhựa composite (Duraboard).

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Cung cấp tài liệu tham khảo thực tế điển hình về cách áp dụng phương pháp định lượng (Operations Research) vào bài toán quản trị sản xuất thực tế tại doanh nghiệp quy mô lớn.
  • Kỹ sư Quản lý Công nghiệp & Planner: Nắm vững cấu trúc thuật toán FIT, cách tính toán Buffer Stock động và phương pháp cân bằng tải năng lực thiết bị (Rough-Cut Capacity Planning).
  • Doanh nghiệp chế biến gỗ & Sản xuất nội thất: Có được mô hình tham chiếu sẵn sàng ứng dụng để tái cấu trúc bộ phận kế hoạch (PPM), nâng cao tỷ lệ OTIF và tối ưu hóa dòng vốn lưu động.
  • Nhà nghiên cứu học thuật: Cung cấp bộ dữ liệu thực chứng và kết quả đo lường cụ thể về mối tương quan giữa độ chính xác dự báo (MAD) và hiệu suất vận hành dây chuyền sản xuất gỗ ngoại thất.

Câu hỏi thường gặp

1. Hệ thống yêu cầu cấu hình phần cứng và môi trường kỹ thuật nào để triển khai?

Giải pháp được thiết kế tối ưu trên máy trạm văn phòng tiêu chuẩn: Hệ điều hành Windows 10/11 64-bit, RAM tối thiểu 8GB, cài đặt Microsoft Office 2016 trở lên (khuyến nghị Office 365 có hỗ trợ Dynamic Arrays và Power Query) cùng quyền truy xuất cơ sở dữ liệu SQL Server của Axapta ERP.

2. Mô hình xử lý thế nào khi có sự thay đổi đơn hàng đột ngột (Engineering Change Order - ECO)?

Khi có ECO từ khách hàng, hệ thống kích hoạt module tái cân bằng năng lực sản xuất tức thời: Tự động khóa các lệnh sản xuất (WO) chưa phát hành, tính toán lại lượng tồn kho khả dụng của các cụm chi tiết cũ và tái điều phối BOM mới cho phân xưởng trong vòng dưới 2 giờ.

3. Làm thế nào để lựa chọn hệ số san bằng $\alpha$ và $\beta$ tối ưu nhất?

Hệ số $\alpha$ và $\beta$ không cố định mà được xác định tự động thông qua giải thuật tối thiểu hóa hàm mục tiêu sai số (MAD Minimization) bằng công cụ Solver hoặc script Python tối ưu hóa định kỳ hàng tháng theo từng nhóm sản phẩm.

4. Giải pháp có tương thích với các hệ thống ERP khác ngoài Axapta không?

Hoàn toàn tương thích. Thuật toán hoạt động độc lập trên tầng logic dữ liệu (Data Logic Layer), có thể dễ dàng nhập/xuất dữ liệu chuẩn định dạng CSV, Excel, hoặc kết nối thông qua ODBC/REST API với SAP ERP, Oracle NetSuite hay Odoo.

5. Chi phí bảo trì và chuyển giao hệ thống định kỳ bao gồm những gì?

Hệ thống chủ yếu sử dụng các công cụ sẵn có của doanh nghiệp nên chi phí duy trì gần như bằng 0. Hoạt động định kỳ bao gồm việc kiểm chuẩn lại định mức thời gian chu kỳ (Standard Time Review) 6 tháng/lần và đào tạo cập nhật cho nhân sự mới của phòng PPM.

Kết luận

Đề tài "Hoàn thiện công tác lập kế hoạch tổng thể tại xưởng gỗ - Công ty TNHH ScanCom Việt Nam" đã giải quyết triệt để bài toán mất cân đối giữa kế hoạch điều độ và năng lực thực tế tại một trong những doanh nghiệp sản xuất đồ gỗ lớn nhất cả nước. Bằng việc lượng hóa toàn diện quy trình dự báo qua mô hình San bằng số mũ có hiệu chỉnh xu hướng (FIT) kết hợp thiết lập tồn kho an toàn động, dự án đã cắt giảm gần 70% sai số dự báo, nâng tỷ lệ giao hàng đúng hạn lên 96.8% và rút ngắn thời gian chu kỳ sản xuất xuống còn 19 ngày. Đây là minh chứng rõ nét cho thấy việc kết hợp tư duy Quản lý Công nghiệp hiện đại với các công cụ tối ưu hóa dữ liệu thực tế mang lại giá trị gia tăng vượt bậc cho doanh nghiệp trong kỷ nguyên số hóa chuỗi cung ứng.