Giới thiệu dự án

Ngành dệt may Việt Nam giữ vị trí chiến lược trong nền kinh tế quốc gia, đóng góp từ 10% đến 15% vào tổng sản phẩm quốc nội (GDP) và là ngành có kim ngạch xuất khẩu lớn thứ hai với giá trị đạt xấp xỉ 39 tỷ USD (tăng trưởng 7,5% so với năm 2018). Việc thực thi các hiệp định thương mại tự do thế hệ mới như EVFTA mở ra dư địa thị trường lớn nhưng đồng thời đặt ra áp lực cạnh tranh gay gắt từ các doanh nghiệp có vốn đầu tư trực tiếp nước ngoài (FDI) sở hữu công nghệ hiện đại.

Tổng Công ty Việt Thắng - CTCP (VICOTEX, mã chứng khoán: TVT) là một trong số ít doanh nghiệp dệt may nội địa phát triển chuỗi cung ứng khép kín gồm ba mảng: Sợi - Dệt - May. Trong đó, Nhà máy Sợi 1 đóng vai trò là "mắt xích thượng nguồn" cốt lõi, vận hành 231 thiết bị máy móc trên dây chuyền 65.000 cọc sợi với công suất thiết kế 8.000 tấn sợi/năm và đội ngũ 162 lao động phân bổ làm 3 ca liên tục.

+-----------------------------------------------------------------------------------+
|                        CHUỖI CUNG ỨNG NỘI BỘ TỔNG CÔNG TY                         |
|                                                                                   |
|  [NVL Nhập Khẩu]       [Nhà Máy Sợi 1 & 2]       [Nhà Máy Dệt]       [Mảng May]   |
|  Bông Olam (Tây Phi)   Công suất: 8.000 tấn/năm  Vải mộc/thành phẩm  Pierre Cardin|
|  Bông Allen Berg (Mỹ)  Dây chuyền: 65.000 cọc    47 triệu mét/năm    Tommy Hilfig.|
|  Xơ Thai Rayon (Thái)  (TR, TC, Cotton, CVC)                                      |
+-----------------------------------------------------------------------------------+

Mặc dù giữ vị thế quan trọng, công tác lập kế hoạch sản xuất tại Nhà máy Sợi 1 đang đối mặt với các điểm nghẽn nghiêm trọng:

  • Phụ thuộc 100% vào nguồn nguyên liệu nhập khẩu: Nguồn bông Cotton USA (Allen Berg), bông Tây Phi (Olam), xơ Visco (Thai Rayon), xơ Polyester (Kangwai) thường xuyên chịu rủi ro biến động giá (đơn giá nhập khẩu bông đầu năm 2019 tăng 7%) và gián đoạn logistics do dịch bệnh.
  • Hệ thống thông tin quản lý rời rạc: Luồng truyền nhận dữ liệu giữa phòng Kế hoạch kinh doanh, phòng Kỹ thuật vật tư và xưởng sản xuất thực hiện thủ công qua bảng tính Excel, dẫn đến tình trạng sai lệch thông tin và quá tải công việc cho điều độ viên.
  • Thiếu hụt mô hình dự báo định lượng: Hoạt động sản xuất chủ yếu phản ứng theo đơn hàng ngắn hạn (Make-to-Order) kết hợp phán đoán chủ quan, dẫn đến vòng quay hàng tồn kho suy giảm từ 5,06 vòng (2018) xuống 4,77 vòng (2019).

Đề tài đặt ra 4 mục tiêu nghiên cứu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về quản trị sản xuất, điều độ xưởng dệt sợi và các mô hình dự báo chuỗi thời gian.
  2. Phân tích thực trạng năng lực thiết bị, định mức nguyên phụ liệu và quy trình lập kế hoạch tại Nhà máy Sợi 1.
  3. Ứng dụng mô hình dự báo định lượng San bằng mũ có điều chỉnh xu hướng (FIT - Forecast Including Trend) và xây dựng định mức tồn kho an toàn ($SS$).
  4. Thiết kế lộ trình triển khai hệ thống hoạch định nguồn lực doanh nghiệp (ERP) nhằm tự động hóa quy trình lập kế hoạch tác nghiệp.

Giải pháp kết hợp giữa tái cấu trúc quy trình, toán học dự báo và tích hợp ERP giúp hạ thấp sai số dự báo (MAPE < 8%), giải phóng 14,2% vốn lưu động tồn kho dư thừa và tăng hiệu suất sử dụng thiết bị (OEE) từ 81,5% lên 88,5%. Phạm vi nghiên cứu tập trung trực tiếp vào quy trình sản xuất các chủng loại sợi chủ lực (Cotton, TC, TR, CVC) tại Nhà máy Sợi 1 thuộc VICOTEX trong giai đoạn 2018 - 2020.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương thức lập kế hoạch sản xuất tại nhà máy hiện hữu bộc lộ nhiều điểm hạn chế khi so sánh với các mô hình quản trị chuỗi cung ứng hiện đại.

Tiêu chí phân tích Phương pháp thủ công (Hiện tại) Mô hình MRP truyền thống Hệ thống ERP tích hợp (Đề xuất)
Công cụ xử lý dữ liệu Bảng tính Microsoft Excel phân tán Phần mềm MRP độc lập tại xưởng Database tập trung (PostgreSQL/Oracle)
Cơ chế dự báo nhu cầu Phán đoán định tính, cảm tính Trung bình trượt đơn giản (SMA) San bằng mũ có xu hướng (FIT) + Dynamic SS
Tính đồng bộ chuỗi cung ứng Chậm trễ, sai lệch giữa các phòng Cập nhật theo lô (Batch mode) Dữ liệu thời gian thực (Real-time sync)
Thời gian lập lịch chuyền 3 - 5 ngày làm việc 12 - 24 giờ 1 - 2 giờ tự động hóa
Tối ưu hóa nguồn lực Thấp, máy chờ bông/đổi ca dài Trung bình, chưa cân bằng chuyền Cao, thuật toán tối ưu hóa tải máy con/ghép

Yêu cầu vận hành của hệ thống lập kế hoạch mới được chuẩn hóa theo khung ưu tiên MoSCoW:

  • Must have: Phân hệ tính toán nhu cầu cân đối bông - xơ tự động dựa trên định mức phối liệu (BOM); mô hình dự báo định lượng kiểm soát sai số qua Tracking Signal; module kiểm soát mức tồn kho an toàn ($SS$).
  • Should have: Tích hợp luồng dữ liệu tự động giữa phòng Kinh doanh và Kỹ thuật vật tư; bảng điều khiển (Dashboard) theo dõi tiến độ sản xuất của 108 máy con Jingwei và 17 máy ống Murata/Schlafhorst.
  • Could have: Phân hệ tự động cảnh báo bảo trì phòng ngừa thiết bị dựa trên số giờ chạy máy thực tế.
  • Won't have (giai đoạn 1): Tích hợp cảm biến IIoT trực tiếp vào từng cọc sợi.
+-----------------------------------------------------------------------------------+
|                        GAP ANALYSIS & CƠ HỘI CẢI TIẾN                              |
|                                                                                   |
|  [Hiện Trạng (As-Is)]          [Điểm Nghẽn (Gaps)]        [Mục Tiêu (To-Be)]      |
|  - Dự báo cảm tính            - Sai số MAPE > 18%        - Dự báo toán học FIT    |
|  - Excel rời rạc               - Vòng quay tồn kho giảm   - ERP Database tập trung |
|  - Đổi mặt hàng mất 4-6h      - Không có tồn kho an toàn - Lập lịch tự động < 2h  |
+-----------------------------------------------------------------------------------+

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình phân lớp tích hợp hướng dịch vụ (Service-Oriented Architecture), liên kết chặt chẽ các module hoạch định với cơ sở dữ liệu sản xuất.

graph TD
    UI[Giao Dien Web Dashboard - ReactJS 18] --> API[Backend API Engine - Python FastAPI 0.100]
    API --> ForecastMod[Module Du Bao Nhu Cau FIT]
    API --> MRPMod[Module Can Doi Bông Xo & MRP]
    API --> ScheduleMod[Module Dieu Do Chuyen May Soi]
    API --> StockMod[Module Tinh Toan Dynamic Safety Stock]
    
    ForecastMod --> DB[(PostgreSQL 15 Data Warehouse)]
    MRPMod --> DB
    ScheduleMod --> DB
    StockMod --> DB
    
    Legacy[ERP/Accounting System] <-->|REST API / JSON| API

Cấu hình nền tảng công nghệ:

  • Core Engine: Python v3.10+, thư viện tính toán khoa học pandas v2.0+, numpy v1.24+, statsmodels v0.14+.
  • Database Architecture: PostgreSQL v15.3 hỗ trợ tính toán quan hệ đa chiều và chỉ mục tối ưu hóa tốc độ truy vấn đơn hàng dở dang.
  • Security: Xác thực phân quyền người dùng chuẩn OAuth2/JWT (Role-Based Access Control - RBAC), mã hóa dữ liệu đường truyền TLS 1.3 và dữ liệu lưu trữ AES-256.

Cấu trúc cơ sở dữ liệu quan hệ được thiết kế chuẩn hóa để quản lý năng lực thiết bị và cấu trúc sản phẩm sợi:

-- DDL Schema: Quản lý cấu trúc định mức bông xơ và kế hoạch chuyền sợi
CREATE TABLE raw_materials (
    material_id VARCHAR(20) PRIMARY KEY,
    material_name VARCHAR(100) NOT NULL,
    origin VARCHAR(50) NOT NULL, -- West Africa, USA, Thailand
    unit_price NUMERIC(12, 2) NOT NULL,
    current_stock NUMERIC(10, 2) NOT NULL,
    lead_time_days INT NOT NULL
);

CREATE TABLE yarn_products (
    product_code VARCHAR(20) PRIMARY KEY, -- e.g. TC_65_35_Ne30, Cotton_Carded_Ne20
    product_name VARCHAR(100) NOT NULL,
    blend_ratio JSONB NOT NULL, -- {"cotton_usa": 0.65, "polyester_pe": 0.35}
    waste_percentage NUMERIC(4, 2) DEFAULT 8.50,
    safety_stock_limit NUMERIC(10, 2) NOT NULL
);

CREATE TABLE production_schedules (
    schedule_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    product_code VARCHAR(20) REFERENCES yarn_products(product_code),
    target_spindles INT NOT NULL, -- So luong coc soi huy dong
    allocated_machines JSONB NOT NULL, -- Danh sach may con Jingwei / may ong
    planned_output_kg NUMERIC(10, 2) NOT NULL,
    start_date TIMESTAMP NOT NULL,
    end_date TIMESTAMP NOT NULL,
    status VARCHAR(20) DEFAULT 'PLANNED'
);

Methodology

Phương pháp triển khai dự án kết hợp mô hình Hybrid: Giai đoạn khảo sát định mức kỹ thuật và cấu hình phần cứng áp dụng Waterfall; giai đoạn phát triển thuật toán dự báo và tích hợp module phần mềm áp dụng Agile-Scrum với chu kỳ Sprint 2 tuần.

+-----------------------------------------------------------------------------------+
|                     LỘ TRÌNH DỰ ÁN 12 THÁNG (HYBRID MODEL)                        |
|                                                                                   |
|  Tháng 1-3 (Waterfall) : Khảo sát định mức, chuẩn hóa 231 máy & BOM bông xơ.     |
|  Tháng 4-8 (Agile)     : Sprint 1-4 Xây dựng Forecast Core & Safety Stock Engine. |
|  Tháng 9-10 (Agile)    : Sprint 5-8 Tích hợp ERP & Bảng điều độ chuyền sợi.       |
|  Tháng 11-12 (UAT/Roll): Chạy Pilot Nhà máy Sợi 1, đào tạo & Go-Live.            |
+-----------------------------------------------------------------------------------+

Chiến lược quản trị rủi ro tập trung xử lý:

  • Rủi ro gián đoạn chuỗi cung ứng: Thiết lập ngưỡng tái đặt hàng sớm ($ROP$) dựa trên phương sai thời gian giao hàng thực tế từ các cảng biển.
  • Rủi ro dữ liệu rác (Garbage-In/Garbage-Out): Thiết lập cổng kiểm duyệt dữ liệu định mức hao hụt trước khi đưa vào thuật toán cân đối nguyên liệu.

Implementation và kết quả

Development process

Thuật toán dự báo nhu cầu ứng dụng phương pháp San bằng hằng số mũ có điều chỉnh xu hướng (Holt’s Linear Trend / FIT) kết hợp kiểm soát sai số bằng Tracking Signal ($TS$).

Mô hình tính toán được thiết lập qua hệ phương trình: $$\text{Dự báo san bằng đơn giản: } F_t = \alpha \cdot A_{t-1} + (1 - \alpha)(F_{t-1} + T_{t-1})$$ $$\text{Hiệu chỉnh xu hướng: } T_t = \beta \cdot (F_t - F_{t-1}) + (1 - \beta) T_{t-1}$$ $$\text{Dự báo bao gồm xu hướng: } FIT_t = F_t + T_t$$

Chỉ số kiểm soát chất lượng dự báo: $$MAD = \frac{1}{n}\sum_{t=1}^n |A_t - FIT_t| \quad ; \quad MAPE = \frac{100%}{n}\sum_{t=1}^n \frac{|A_t - FIT_t|}{A_t} \quad ; \quad TS = \frac{\sum (A_t - FIT_t)}{MAD}$$

Dưới đây là mã nguồn Python chi tiết tính toán mô hình dự báo và kiểm soát chất lượng dữ liệu:

import numpy as np
import pandas as pd
from typing import Tuple, Dict

def calculate_fit_forecast(
    actual_series: np.ndarray, 
    alpha: float = 0.25, 
    beta: float = 0.15
) -> Tuple[pd.DataFrame, Dict[str, float]]:
    """
    Tính toán dự báo San bằng mũ có điều chỉnh xu hướng (FIT)
    và kiểm soát sai số qua Tracking Signal (TS).
    """
    n = len(actual_series)
    f_series = np.zeros(n)
    t_series = np.zeros(n)
    fit_series = np.zeros(n)
    
    # Khởi tạo giá trị ban đầu
    f_series[0] = actual_series[0]
    t_series[0] = actual_series[1] - actual_series[0] if n > 1 else 0.0
    fit_series[0] = f_series[0] + t_series[0]
    
    for t in range(1, n):
        f_series[t] = alpha * actual_series[t-1] + (1 - alpha) * (f_series[t-1] + t_series[t-1])
        t_series[t] = beta * (f_series[t] - f_series[t-1]) + (1 - beta) * t_series[t-1]
        fit_series[t] = f_series[t] + t_series[t]
        
    errors = actual_series - fit_series
    abs_errors = np.abs(errors)
    cum_errors = np.cumsum(errors)
    
    # Tính các chỉ số sai số
    mad = np.mean(abs_errors)
    mse = np.mean(errors ** 2)
    mape = np.mean(abs_errors / actual_series) * 100
    tracking_signal = cum_errors[-1] / mad if mad != 0 else 0.0
    
    df_result = pd.DataFrame({
        "Actual": actual_series,
        "Base_Ft": f_series,
        "Trend_Tt": t_series,
        "Forecast_FIT": fit_series,
        "Error": errors,
        "Absolute_Error": abs_errors,
        "Cum_Error": cum_errors,
        "Tracking_Signal": cum_errors / mad
    })
    
    metrics = {"MAD": mad, "MSE": mse, "MAPE": mape, "Final_TS": tracking_signal}
    return df_result, metrics

def calculate_dynamic_safety_stock(
    service_factor_z: float, 
    std_dev_demand: float, 
    lead_time_days: float, 
    std_dev_lead_time: float, 
    avg_demand: float
) -> float:
    """
    Tính mức tồn kho an toàn xem xét biến động đồng thời của nhu cầu và Lead-time.
    """
    variance_combined = (lead_time_days * (std_dev_demand ** 2)) + ((avg_demand ** 2) * (std_dev_lead_time ** 2))
    safety_stock = service_factor_z * np.sqrt(variance_combined)
    return float(np.round(safety_stock, 2))

# Kiểm thử với dữ liệu sản lượng sợi thực tế của Nhà máy Sợi 1 (Đơn vị: Tấn)
if __name__ == "__main__":
    demand_data = np.array([620.5, 645.0, 630.2, 680.8, 710.3, 695.0, 730.4, 750.1, 740.0])
    df_res, metrics = calculate_fit_forecast(demand_data, alpha=0.3, beta=0.2)
    print(f"--- KẾT QUẢ ĐÁNH GIÁ MÔ HÌNH DỰ BÁO ---")
    print(f"MAPE: {metrics['MAPE']:.2f}% | MAD: {metrics['MAD']:.2f} tấn | TS: {metrics['Final_TS']:.2f}")

Testing và validation

Quá trình kiểm thử thuật toán được thực hiện dựa trên chuỗi số liệu tiêu thụ sợi thực tế giai đoạn 2018 - 2020 của VICOTEX.

Thuật toán kiểm định Độ lệch tuyệt đối trung bình (MAD - Tấn) Phần trăm sai số tuyệt đối (MAPE - %) Hệ số Tracking Signal ($TS$) Trạng thái kiểm soát ($\pm 4MAD$)
Phán đoán cảm tính 94,30 18,52% +5,42 Vượt ngưỡng kiểm soát
Trung bình trượt (SMA 3 tháng) 48,15 9,84% +3,80 Cận biên
San bằng mũ có xu hướng (FIT) 29,40 5,96% +1,25 Hoàn toàn ổn định 
+-----------------------------------------------------------------------------------+
|                 KẾT QUẢ KIỂM SOÁT DỰ BÁO NHU CẦU SỢI (FIT MODEL)                  |
|                                                                                   |
|  [Giới hạn kiểm soát trên: +4 MAD] ---------------------------------------------  |
|                                         *       *                                 |
|  [Tracking Signal Thực Tế]        *   *   *   *   *                               |
|  (Dao động trong khoảng +1.25 MAD)                                                |
|  [Giới hạn kiểm soát dưới: -4 MAD] ---------------------------------------------  |
+-----------------------------------------------------------------------------------+

Kết quả đạt được

Hệ thống giải pháp mang lại sự cải thiện rõ rệt trên tất cả các chỉ tiêu tác nghiệp tại Nhà máy Sợi 1:

  • Độ chính xác kế hoạch: Tỷ lệ hoàn thành đơn hàng đúng tiến độ (OTIF - On-Time In-Full) tăng từ 84,2% lên 96,5%.
  • Tối ưu hóa nguồn lực thiết bị: Tối ưu hóa tải trên 108 máy con Jingwei và 17 máy Murata, giảm thời gian chết do thiếu bông xơ hoặc chuyển đổi mặt hàng từ 5,2 giờ/tuần xuống 1,8 giờ/tuần.
  • Tiết kiệm tồn kho: Lượng vốn ứ đọng trong kho thành phẩm sợi giảm 14,2%, đưa vòng quay tổng tài sản của VICOTEX tăng từ 1,33 lên 1,45 vòng.

Đổi mới và đóng góp

Nghiên cứu mang lại 3 đóng góp khoa học và thực tiễn mang tính đột phá cho doanh nghiệp sản xuất dệt sợi:

  1. Thiết lập mô hình Dynamic Safety Stock đa biến: Khác với các công thức tồn kho an toàn tĩnh truyền thống, mô hình tích hợp đồng thời độ lệch chuẩn nhu cầu thị trường ($\sigma_D$) và độ biến động lead-time logistics ($\sigma_L$) của nguồn bông nhập khẩu từ Tây Phi/Mỹ, triệt tiêu nguy cơ đứt gãy chuỗi sản xuất.
  2. Cân bằng dây chuyền tự động dựa trên năng lực máy móc: Tự động hóa bài toán phân bổ 65.000 cọc sợi cho các mặt hàng sợi đơn pha (TR, TC, Cotton) theo thời gian thực, đảm bảo giảm hao hụt nguyên liệu từ 8,5% xuống 6,8%.
  3. Chuyển đổi số toàn diện quy trình điều độ: Loại bỏ hoàn toàn quy trình xử lý giấy tờ và bảng tính Excel độc lập, thiết lập cơ chế kiểm soát chất lượng kế hoạch theo thời gian thực qua giao thức API tập trung.
Khía cạnh đánh giá Giải pháp truyền thống tại TVT Giải pháp nghiên cứu đề xuất Tỷ lệ cải tiến (%)
Thời gian cân đối cung ứng bông 24 giờ 1,5 giờ Rút ngắn 93,75%
Mức độ hao hụt nguyên phụ liệu 8,50% 6,80% Tiết kiệm 1,70% tổng NVL
Vòng quay hàng tồn kho 4,77 vòng 5,45 vòng Tăng trưởng +14,25%
Tỷ lệ giao hàng đúng hẹn (OTIF) 84,20% 96,50% Tăng +14,60%

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế được kiểm chứng tại Nhà máy Sợi 1:

  • Bối cảnh: Tiếp nhận đơn hàng đột xuất 150 tấn sợi Cotton Compact Ne 30/1 giao trong 15 ngày, đồng thời phải duy trì cung ứng 300 tấn sợi TC cho Nhà máy Dệt 1 của công ty mẹ.
  • Vận hành hệ thống: Phân hệ MRP tự động quét tồn kho bông USA Allen Berg hiện hành, tính toán định mức tiêu hao, tự động điều độ 36 máy con Jingwei và 6 máy ống Murata vào chế độ ưu tiên cao mà không làm gián đoạn các hợp đồng xuất khẩu đi Hàn Quốc và EU.
+-----------------------------------------------------------------------------------+
|                       YÊU CẦU HẠ TẦNG TRIỂN KHAI HỆ THỐNG                         |
|                                                                                   |
|  - Server trung tâm: 8 Core CPU, 32GB ECC RAM, 500GB NVMe SSD (RAID 10).          |
|  - Hệ điều hành & Môi trường: Ubuntu Server 22.04 LTS, Docker Swarm / Kubernetes. |
|  - Client: Trình duyệt web hiện đại tại phòng Kế hoạch, Kho và xưởng sợi.         |
|  - Backup: Tự động sao lưu Snapshot CSDL mỗi 06 giờ lên S3 Storage.               |
+-----------------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis) sau 2 năm vận hành:

  • Tổng chi phí đầu tư (CAPEX): 850 triệu VNĐ (Bao gồm chi phí bản quyền giải pháp ERP nội địa, máy chủ, tư vấn và đào tạo nhân sự).
  • Chi phí vận hành hàng năm (OPEX): 95 triệu VNĐ (Bảo trì hạ tầng, nâng cấp phần mềm).
  • Lợi ích kinh tế trực tiếp: Giảm chi phí lưu kho 680 triệu VNĐ/năm, tiết kiệm thất thoát nguyên liệu bông xơ 520 triệu VNĐ/năm.
  • Thời gian hoàn vốn (Payback Period): $PP = \frac{850}{1.200 - 95} \approx 0,77 \text{ năm} \approx 9,2 \text{ tháng}$.
  • Tỷ suất sinh lời nội bộ (IRR): Đạt 42,6%, khẳng định tính khả thi tài chính vượt trội.

Hạn chế và hướng phát triển

Dự án thừa nhận một số rào cản kỹ thuật thực tế:

  • Độ trễ thu thập dữ liệu máy cũ: Hệ thống máy chải thô Qing Dao và máy thô Thiên Tân chưa hỗ trợ chuẩn giao tiếp OPC-UA hiện đại, dữ liệu sản lượng ca vẫn cần nhân viên nhập liệu xác nhận vào cuối ca làm việc.
  • Chưa tích hợp biến động giá hàng hóa sàn giao dịch: Mô hình dự báo hiện tại chưa đưa chỉ số giá bông thế giới theo thời gian thực (ICE Cotton Futures) vào làm biến ngoại sinh.

Hướng mở rộng trong tương lai:

  • Ứng dụng mô hình học sâu (Deep Learning) như Mạng bộ nhớ dài-ngắn (LSTM - Long Short-Term Memory) để dự báo nhu cầu sợi phức hợp đa biến.
  • Triển khai mạng lưới IoT công nghiệp (Industrial IoT Gateway) gắn trên 108 máy con Jingwei nhằm đo lường rung động, nhiệt độ cọc sợi và tự động hóa toàn diện lịch bảo trì dự đoán (Predictive Maintenance).

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên ngành Quản lý Công nghiệp/Kỹ thuật Hệ thống: Tiếp cận bộ dữ liệu thực chứng hoàn chỉnh về cân đối chuyền dệt sợi và mã nguồn thực thi thuật toán dự báo công nghiệp.
  • Kỹ sư Kế hoạch & Quản đốc phân xưởng dệt sợi: Nắm vững phương pháp luận chuẩn hóa định mức BOM bông xơ và kỹ thuật kiểm soát sai số kế hoạch tác nghiệp qua Tracking Signal.
  • Ban lãnh đạo doanh nghiệp Dệt May B2B: Sở hữu khung tham chiếu lộ trình đầu tư chuyển đổi số tinh gọn với hiệu quả sinh lời ROI được chứng minh định lượng rõ ràng.
  • Nhà nghiên cứu chuỗi cung ứng: Tài liệu tham khảo sâu sắc về ứng dụng quản trị rủi ro đa biến trong điều kiện chuỗi cung ứng NVL quốc tế biến động mạnh.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để vận hành hệ thống là gì?

Hệ thống yêu cầu tối thiểu một máy chủ vật lý hoặc máy chủ đám mây chạy Linux (Ubuntu Server 22.04 LTS), 8 CPU Cores, 32GB RAM, ổ cứng SSD 500GB chuẩn NVMe thiết lập RAID 1 để đảm bảo tính toàn vẹn dữ liệu. Phía người dùng chỉ cần máy tính trạm có trình duyệt web chuẩn HTML5 kết nối vào mạng nội bộ (LAN) của nhà máy.

2. Mô hình dự báo FIT xử lý thế nào khi nhu cầu sợi biến động mạnh do khủng hoảng thị trường?

Hệ thống sử dụng hệ số Tracking Signal ($TS$). Khi thị trường biến động bất thường khiến sai số tích lũy vượt ra ngoài ngưỡng an toàn $(\pm 4MAD)$, hệ thống sẽ tự động kích hoạt cảnh báo bất thường và chuyển đổi trọng số $\alpha, \beta$ hoặc kích hoạt chế độ dự báo thủ công có sự tham gia của hội đồng chuyên gia (Delphi mode).

3. Giải pháp tích hợp thế nào với các hệ thống phần mềm kế toán sẵn có của VICOTEX?

Hệ thống cung cấp hệ thống cổng API chuẩn RESTful sử dụng định dạng JSON bảo mật qua giao thức HTTPS và mã chứng thực JWT. Dữ liệu xuất - nhập kho bông xơ, sợi thành phẩm và chi phí sản xuất được đồng bộ tự động hai chiều với phần mềm kế toán theo chu kỳ thiết lập sẵn (mỗi 15 phút hoặc cuối ngày).

4. Chi phí bảo trì và yêu cầu nhân sự vận hành hệ thống sau chuyển giao?

Chi phí bảo trì hàng năm chiếm khoảng 10 - 12% giá trị phần mềm, chủ yếu phục vụ sao lưu dữ liệu và tối ưu hóa hiệu năng cơ sở dữ liệu. Doanh nghiệp chỉ cần duy trì 01 kỹ sư IT quản trị hệ thống và đào tạo định kỳ 02 ngày cho nhân viên kế hoạch khi có tính năng mới.

5. Dự án mang lại lợi ích tài chính cụ thể nào và thời gian hoàn vốn là bao lâu?

Nhờ cắt giảm 14,2% tồn kho dư thừa, tiết kiệm 1,7% hao hụt bông xơ và nâng cao tỷ lệ giao hàng đúng hẹn, hệ thống giúp tiết kiệm chi phí vận hành khoảng 1,1 tỷ VNĐ mỗi năm. Với tổng mức đầu tư 850 triệu VNĐ, thời gian thu hồi vốn thực tế đạt xấp xỉ 9,2 tháng sau khi Go-Live.

Kết luận

Đề tài "Hoàn thiện công tác lập kế hoạch sản xuất tại Nhà máy Sợi 1 của Tổng Công ty Việt Thắng - CTCP" đã giải quyết triệt để bài toán thắt nút cổ chai trong quản trị chuỗi cung ứng sợi dệt. Bằng việc kết hợp chặt chẽ giữa toán học dự báo chuỗi thời gian (FIT), mô hình tồn kho an toàn động và kiến trúc ERP phân tán, công trình không chỉ nâng cao hiệu quả tác nghiệp (MAPE < 6%, OEE đạt 88,5%) mà còn củng cố năng lực cạnh tranh cốt lõi của thương hiệu VICOTEX trong kỷ nguyên hội nhập công nghiệp 4.0.