Giới thiệu dự án

Trong bối cảnh toàn cầu hóa và chuỗi cung ứng thực phẩm tươi sống phát triển nhanh chóng, ngành logistics nông sản tại Việt Nam đang đối mặt với bài toán tối ưu hóa chi phí vận hành nghiêm ngặt. Theo các báo cáo logistics ngành hàng thực phẩm tươi sống (Fresh Food Supply Chain), chi phí tồn trữ và thất thoát do hư hỏng nguyên vật liệu chiếm trung bình từ 15% đến 25% tổng giá trị hàng tồn kho.

Công ty TNHH Thực phẩm GS là doanh nghiệp chuyên sơ chế, làm sạch và đóng gói các mặt hàng nông sản sạch (khoai tây, cà chua, củ dền, dưa leo, hành tây, su su). Do tính chất nông sản có hạn sử dụng ngắn, biến động giá theo mùa vụ và nhu cầu thị trường thay đổi linh hoạt theo từng tuần, doanh nghiệp gặp phải những điểm nghẽn nghiêm trọng trong công tác quản trị đơn hàng:

  • Tồn đọng vốn lưu động: Tần suất và quy mô đặt hàng chưa được chuẩn hóa theo mô hình định lượng, dẫn đến tình trạng tồn kho dư thừa trong một số chu kỳ, làm tăng chi phí lưu kho (Inventory Holding Cost - IHC).
  • Rủi ro suy giảm chất lượng nông sản: Đặt hàng vượt quá nhu cầu ngắn hạn làm tăng tỷ lệ hao hụt cơ học và hư hỏng tự nhiên của rau củ tươi.
  • Chi phí đặt hàng (Ordering Cost - C) gia tăng: Việc chia nhỏ đơn hàng thiếu tính toán làm phát sinh chi phí vận chuyển, bốc dỡ và thủ tục kiểm nghiệm nhiều lần.

Đề tài "Ứng dụng thuật toán Silver – Meal tối ưu hoá số lượng đơn hàng nhằm tiết kiệm chi phí tồn kho: Trường hợp nghiên cứu tại Công ty TNHH Thực phẩm GS" được xây dựng nhằm giải quyết triệt để bài toán quy mô lô đặt hàng động (Dynamic Lot-Sizing Problem).

+-------------------------------------------------------------------------------+
|                      MÔ HÌNH BÀI TOÁN QUẢN TRỊ TỒN KHO GS FOOD                 |
+-------------------------------------------------------------------------------+
| Nhu cầu biến thiên (13 tuần) ---> [ Phân tích ABC ] ---> [ Thuật toán SMA ]   |
| Chi phí đặt hàng (C)         ---> [ Lọc SKU Nhóm A] ---> [ Cực tiểu hóa MVC ] |
| Chi phí lưu kho (H = P x h)  ---> [ 4 Nông sản Key] ---> [ Lịch đặt hàng Q* ]|
+-------------------------------------------------------------------------------+

Mục tiêu dự án

  1. Khảo sát & Chuẩn hóa dữ liệu: Thu thập số liệu thực tế về nhu cầu tiêu thụ 6 mặt hàng nông sản trong 14 ngày (20/05/2024 – 02/06/2024), ứng dụng phương pháp dự báo xu hướng tuyến tính (Linear Trend Forecasting) cho chu kỳ 13 tuần (1 quý).
  2. Phân loại kiểm soát tồn kho: Ứng dụng kỹ thuật phân tích ABC (Activity-Based Classification) để xác định các mặt hàng trọng điểm nhóm A chiếm tỷ trọng chi phí lớn nhất.
  3. Mô hình hóa toán học & Tối ưu hóa: Triển khai thuật toán suy nghiệm Silver-Meal (Silver-Meal Algorithm - SMA) nhằm xác định quy mô đặt hàng tối ưu ($Q^*$) và chu kỳ đặt hàng ($T$), cực tiểu hóa tổng chi phí biến đổi (Total Variable Cost - TVC).
  4. Đánh giá & Kiến nghị chuyển giao: Đối soát hiệu quả kinh tế so với chính sách đặt hàng hiện hữu và đề xuất lộ trình áp dụng hệ thống cho 3 tháng tiếp theo.

Phạm vi và Giới hạn

  • Đối tượng nghiên cứu: Nhu cầu nguyên vật liệu nông sản và cơ cấu chi phí tồn kho (chi phí đặt hàng $C$, chi phí lưu kho đơn vị $H = P \times h$).
  • Phạm vi không gian: Công ty TNHH Thực phẩm GS, TP. Hồ Chí Minh.
  • Phạm vi thời gian: Thu thập dữ liệu cơ sở 14 ngày, mô phỏng và tối ưu hóa cho chu kỳ 13 tuần kế tiếp.
  • Giới hạn kỹ thuật: Mô hình giả định thời gian giao hàng (Lead time) xác định và tỷ lệ chi phí tồn kho $h$ cố định trong suốt chu kỳ tính toán.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại Công ty TNHH Thực phẩm GS, việc đặt mua nguyên liệu đầu vào trước đây chủ yếu dựa trên kinh nghiệm cảm tính của bộ phận thu mua hoặc áp dụng phương pháp đặt hàng theo lô cố định tuần hoàn (Lot-for-Lot - LFL). Điều này dẫn đến sự mất cân đối giữa chi phí cố định cho mỗi lần đặt hàng ($C$) và chi phí lưu giữ hàng tồn qua các kỳ ($IHC$).

Giải pháp hiện hữu Ưu điểm Nhược điểm Đánh giá hiệu quả kinh tế
Kinh nghiệm / Cảm tính Linh hoạt tức thời, không cần tính toán phức tạp Rủi ro thiếu hàng (Stockout) hoặc tồn dư cao; không có căn cứ định lượng Chi phí biến đổi hàng năm vượt ngưỡng tối ưu từ 20% - 35%
Lot-for-Lot (LFL) Tồn kho cuối kỳ bằng 0, không phát sinh chi phí lưu giữ giữa các kỳ Tần suất đặt hàng cao ($N = 13$ lần/quý), chi phí đặt hàng tích lũy cực lớn Phù hợp hàng cực kỳ mau hỏng, nhưng gây lãng phí chi phí logistics
Mô hình EOQ cổ điển Dễ triển khai, công thức đóng đơn giản Giả định nhu cầu phẳng ($D = const$), hoàn toàn không phù hợp với nhu cầu biến thiên Gây ra tình trạng lệch pha chu kỳ và tồn kho ảo

Nhóm nghiên cứu áp dụng mô hình phân tích phân loại ABC dựa trên nguyên lý Pareto (80/20) để sàng lọc 6 mặt hàng nông sản:

Tên sản phẩm Tỷ trọng Giá trị (%) Tỷ trọng Số lượng (%) Phân loại Hành động quản trị
Cà chua 23,8% 30,8% A Áp dụng mô hình toán học SMA, kiểm soát chặt chẽ hàng tuần
Khoai tây 18,8% 13,2% A Áp dụng mô hình toán học SMA, kiểm soát chặt chẽ hàng tuần
Củ dền 17,8% 16,5% A Áp dụng mô hình toán học SMA, kiểm soát chặt chẽ hàng tuần
Dưa leo 16,6% 14,3% A Áp dụng mô hình toán học SMA, kiểm soát chặt chẽ hàng tuần
Hành tây 13,2% 14,3% B Kiểm soát định kỳ, đặt hàng theo lô linh hoạt
Su su 9,8% 11,0% B Kiểm soát định kỳ, đơn giản hóa thủ tục đặt hàng

Nhóm A gồm 4 sản phẩm: Cà chua, Khoai tây, Củ dền và Dưa leo chiếm tổng cộng 77,0% tổng giá trị tồn trữ của doanh nghiệp. Việc tập trung tối ưu hóa 4 SKU này mang lại tác động trực tiếp đến dòng tiền và lợi nhuận của GS Food.

Yêu cầu hệ thống theo khung ưu tiên MoSCoW

  • Must have: Thuật toán tính toán chính xác chi phí tồn trữ gia tăng ($IHC$), chi phí tích lũy ($CHC$), chi phí biến đổi trung bình ($MVC$); tự động dừng khi $MVC(T+1) > MVC(T)$.
  • Should have: Bảng biểu trực quan hóa điểm đặt hàng tối ưu $Q^*$ trên giao diện Excel/Python; cơ chế cảnh báo khi nhu cầu thực tế sai lệch quá $\pm 15%$ so với dự báo.
  • Could have: Tích hợp Module tự động kết nối qua API với hệ thống ERP/WMS (Odoo/SAP).
  • Won't have: Mô hình hóa biến động giá nguyên vật liệu ngẫu nhiên thời gian thực (Stochastic dynamic pricing) trong pha 1.

Thiết kế hệ thống và Cơ sở toán học

Mô hình thuật toán Silver-Meal (SMA) là phương pháp quy hoạch suy nghiệm (Heuristic Forward Algorithm) nhằm tìm kiếm chu kỳ đặt hàng $T$ tối ưu sao cho hàm chi phí biến đổi trung bình trên một đơn vị thời gian đạt cực tiểu:

$$\min MVC(T) = \frac{TVC(T)}{T} = \frac{C + CHC(T)}{T}$$

+------------------------------------------------------------------------------------+
|                         THUẬT TOÁN SILVER-MEAL (SMA) PIPELINE                      |
+------------------------------------------------------------------------------------+
| [ Khởi tạo kỳ k ] ---> [ Tính IHC_i = P x h x (i-1) x R_i ]                        |
|                                     |                                              |
|                                     v                                              |
|                          [ Tính CHC(T) = Tổng IHC ]                                |
|                                     |                                              |
|                                     v                                              |
|                          [ Tính TVC(T) = C + CHC(T) ]                              |
|                                     |                                              |
|                                     v                                              |
|                          [ Tính MVC(T) = TVC(T) / T ]                              |
|                                     |                                              |
|            +------------------------+------------------------+                     |
|            |                                                 |                     |
|  MVC(T+1) <= MVC(T)                                MVC(T+1) > MVC(T)               |
|            |                                                 |                     |
|            v                                                 v                     |
|    [ T = T + 1: Gộp kỳ ]                      [ DỪNG: Đặt Q* = Tổng(R_1 -> R_T) ]  |
|                                                              |                     |
|                                                              v                     |
|                                                  [ Chuyển sang kỳ k = T + 1 ]      |
+------------------------------------------------------------------------------------+

Các công thức cấu thành:

  1. Phí tồn trữ gia tăng tại kỳ $i$: $$IHC_i = P \cdot h \cdot (i - 1) \cdot R_i \quad (\text{với } i = 1, 2, \dots, T)$$ (Tại kỳ đầu tiên $i=1$, $IHC_1 = 0$ do hàng được tiêu thụ ngay khi nhập kho).
  2. Phí tồn trữ tích luỹ trong $T$ chu kỳ: $$CHC(T) = \sum_{i=1}^{T} IHC_i = \sum_{i=1}^{T} P \cdot h \cdot (i - 1) \cdot R_i$$
  3. Tổng chi phí biến thiên trong $T$ chu kỳ: $$TVC(T) = C + CHC(T)$$
  4. Trung bình chi phí biến thiên trên mỗi chu kỳ: $$MVC(T) = \frac{TVC(T)}{T} = \frac{C + \sum_{i=1}^{T} P \cdot h \cdot (i - 1) \cdot R_i}{T}$$
  5. Điều kiện dừng (Stopping Rule): Ngừng mở rộng chu kỳ khi: $$MVC(T+1) > MVC(T)$$ Lúc đó, quy mô lô đặt hàng tối ưu được xác định bởi: $$Q^* = \sum_{i=1}^{T} R_i$$ Quy trình lặp lại cho chu kỳ mới bắt đầu từ kỳ $k = T + 1$.

Technology Stack & Công cụ triển khai

  • Core Engine: Python 3.10+ kết hợp pandas (v2.2.0), numpy (v1.26.0) để xây dựng hàm tính toán ma trận chi phí.
  • Mô hình hóa bảng tính: Microsoft Excel 2021 / Office 365 (Sử dụng các hàm SUM, INDEX, MATCH, VBA Macro để tự động hóa bảng tính chi phí).
  • Hệ thống ERP hỗ trợ triển khai: Odoo Inventory Module v16.0 (Quản lý Master Data mã SKU, định mức chi phí lưu kho $H$ và đơn giá mua $P$).

Methodology

Nghiên cứu được triển khai theo quy trình khoa học khép kín gồm 6 giai đoạn chính:

graph TD
    A[Giai đoạn 1: Xác định mục tiêu & Khảo sát hiện trạng GS Food] --> B[Giai đoạn 2: Thu thập dữ liệu bán hàng & Đo lường chi phí]
    B --> C[Giai đoạn 3: Phân tích ABC & Dự báo nhu cầu 13 tuần]
    C --> D[Giai đoạn 4: Lập trình thuật toán Silver-Meal SMA]
    D --> E[Giai đoạn 5: Kiểm tra tính khả thi & Đánh giá độ nhạy]
    E --> F[Giai đoạn 6: Báo cáo kết quả & Xây dựng kế hoạch đặt hàng 3 tháng]

Quản trị rủi ro dự án

  • Rủi ro sai số dữ liệu khảo sát: Dữ liệu bán hàng 14 ngày có thể chịu ảnh hưởng bởi biến động bất thường. Biện pháp: Sử dụng phương pháp hồi quy tuyến tính loại bỏ ngoại lai (Outlier Detection) và tham vấn chéo với giám đốc kinh doanh.
  • Rủi ro đứt gãy nguồn cung từ nhà vườn: Thời gian giao hàng thực tế bị trễ. Biện pháp: Bổ sung đệm an toàn tồn kho tối thiểu (Safety Stock) bằng mức tiêu thụ cực đại 2 ngày.

Implementation và kết quả

Development Process & Mã nguồn thuật toán

Nhóm nghiên cứu đã chuyển hóa mô hình toán học Silver-Meal thành module xử lý bằng Python và bảng tính động Excel. Dưới đây là triển khai mã nguồn chuẩn hóa của thuật toán Silver-Meal cho bài toán của GS Food:

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

def silver_meal_lot_sizing(
    demands: List[float], 
    order_cost: float, 
    holding_cost_rate: float, 
    unit_price: float
) -> Dict[str, any]:
    """
    Thuật toán Silver-Meal (SMA) tối ưu hóa quy mô đặt hàng nông sản.
    
    Args:
        demands: Danh sách nhu cầu qua các tuần (R_1, R_2, ..., R_N)
        order_cost: Chi phí cho mỗi lần đặt hàng (C)
        holding_cost_rate: Tỷ lệ chi phí lưu kho trên giá trị hàng (h)
        unit_price: Đơn giá sản phẩm (P)
        
    Returns:
        Dict chứa lịch đặt hàng, quy mô các lô hàng và tổng chi phí.
    """
    n = len(demands)
    h_unit = unit_price * holding_cost_rate  # Chi phí lưu kho 1 đơn vị/tuần
    
    orders = []          # Lưu thông tin (kỳ đặt, số lượng, chu kỳ bao phủ)
    total_tvc = 0.0
    current_idx = 0
    
    while current_idx < n:
        t = 1
        chc = 0.0
        best_mvc = order_cost / 1.0
        best_t = 1
        best_chc = 0.0
        
        while current_idx + t < n:
            next_period = t + 1
            # Tính IHC cho kỳ tiếp theo: P * h * (i - 1) * R_i
            ihc_next = h_unit * t * demands[current_idx + t]
            chc_next = chc + ihc_next
            tvc_next = order_cost + chc_next
            mvc_next = tvc_next / next_period
            
            # Kiểm tra điều kiện dừng của Silver-Meal
            if mvc_next > (order_cost + chc) / t:
                break
            else:
                chc = chc_next
                best_mvc = mvc_next
                best_t = next_period
                best_chc = chc_next
                t += 1
        
        # Tính toán số lượng đặt hàng cho chu kỳ tối ưu
        lot_size = sum(demands[current_idx : current_idx + best_t])
        cycle_tvc = order_cost + best_chc
        total_tvc += cycle_tvc
        
        orders.append({
            "order_period": current_idx + 1,
            "coverage_periods": best_t,
            "lot_size_kg": lot_size,
            "cycle_tvc": cycle_tvc,
            "mvc": (order_cost + best_chc) / best_t
        })
        
        # Nhảy tới chu kỳ tiếp theo
        current_idx += best_t
        
    return {
        "schedule": orders,
        "total_cost": total_tvc,
        "number_of_orders": len(orders)
    }

Testing và validation chi tiết trên 4 SKU nhóm A

Dữ liệu khảo sát nhu cầu dự báo trong 13 tuần tại GS Food đối với 4 mặt hàng chủ lực được đưa vào ma trận thử nghiệm:

  • Khoai tây ($P = 37.000$ VNĐ/kg, $C = 120.000$ VNĐ/đơn, $h = 2%$/tuần $\rightarrow H = 740$ VNĐ/kg/tuần)
  • Cà chua ($P = 28.000$ VNĐ/kg, $C = 120.000$ VNĐ/đơn, $h = 2,5%$/tuần $\rightarrow H = 700$ VNĐ/kg/tuần)
  • Củ dền ($P = 32.000$ VNĐ/kg, $C = 120.000$ VNĐ/đơn, $h = 2%$/tuần $\rightarrow H = 640$ VNĐ/kg/tuần)
  • Dưa leo ($P = 22.000$ VNĐ/kg, $C = 120.000$ VNĐ/đơn, $h = 3%$/tuần $\rightarrow H = 660$ VNĐ/kg/tuần)

Bảng chi tiết tính toán SMA cho sản phẩm Khoai Tây (Chu kỳ mẫu 1):

Giai đoạn ($T$) Nhu cầu $R_i$ (kg) Phí gia tăng $IHC_i$ (VNĐ) Phí tích lũy $CHC(T)$ (VNĐ) Tổng phí $TVC(T)$ (VNĐ) Phí trung bình $MVC(T)$ (VNĐ) Quyết định điều kiện dừng
$T=1$ (Tuần 1) 89 0 0 120.000 120.000 Tiếp tục ($MVC$ giảm)
$T=2$ (Tuần 2) 87 $740 \times 1 \times 87 = 64.380$ 64.380 184.380 92.190 Tiếp tục ($92.190 < 120.000$)
$T=3$ (Tuần 3) 85 $740 \times 2 \times 85 = 125.800$ 190.180 310.180 103.393 DỪNG ($103.393 > 92.190$)

Kết luận chu kỳ 1: Đặt hàng tại Tuần 1 để cung cấp cho Tuần 1 và Tuần 2 ($T=2$). Số lượng đặt hàng $Q_1^* = 89 + 87 = 176\text{ kg}$. Chu kỳ tiếp theo bắt đầu tính toán lại từ Tuần 3.

Kết quả đạt được

Triển khai đồng loạt thuật toán Silver-Meal cho cả 13 tuần trên 4 dòng sản phẩm chính mang lại hiệu quả vượt trội so với phương pháp Lot-for-Lot (LFL) và phương pháp đặt hàng kinh nghiệm:

Chỉ số đánh giá Phương pháp cũ (LFL / Cảm tính) Phương pháp tối ưu SMA Mức độ cải thiện (%)
Số lần đặt hàng (Khoai tây) 13 lần 6 lần Giảm 53,8% số lần đặt
Số lần đặt hàng (Cà chua) 13 lần 5 lần Giảm 61,5% số lần đặt
Số lần đặt hàng (Củ dền) 13 lần 6 lần Giảm 53,8% số lần đặt
Số lần đặt hàng (Dưa leo) 13 lần 5 lần Giảm 61,5% số lần đặt
Tổng chi phí biến đổi (Khoai tây) 1.560.000 VNĐ 1.228.400 VNĐ Tiết kiệm 21,25%
Tổng chi phí biến đổi (Cà chua) 1.560.000 VNĐ 1.182.200 VNĐ Tiết kiệm 24,22%
Tổng chi phí biến đổi (Củ dền) 1.560.000 VNĐ 1.254.600 VNĐ Tiết kiệm 19,58%
Tổng chi phí biến đổi (Dưa leo) 1.560.000 VNĐ 1.271.800 VNĐ Tiết kiệm 18,47%
TỔNG TIẾT KIỆM (4 SKU NHÓM A) 6.240.000 VNĐ 4.937.000 VNĐ Tiết kiệm ròng 20,88% 
BIỂU ĐỒ SO SÁNH TỔNG CHI PHÍ BIẾN ĐỔI (TVC) QUA 13 TUẦN
+-------------------------------------------------------------+
| Phương pháp LFL:  [========================] 6.240.000 VNĐ  |
| Ứng dụng SMA:     [==================] 4.937.000 VNĐ       |
| TIẾT KIỆM:        [-20.88%] -> Giảm 1.303.000 VNĐ/quý/4 SKU |
+-------------------------------------------------------------+

Đổi mới và đóng góp

  1. Chuyển dịch từ quản lý tồn kho cảm tính sang tối ưu hóa định lượng: Đồ án đã thiết lập thành công quy trình kết hợp chuẩn tắc giữa kỹ thuật phân loại ABC và thuật toán tối ưu kích thước lô động Silver-Meal, phù hợp hoàn hảo với đặc tính nhu cầu biến thiên trong ngành thực phẩm.
  2. So sánh ưu thế vượt trội với các giải pháp truyền thống:
    • So với EOQ: EOQ thất bại khi nhu cầu dao động mạnh qua từng tuần (nhu cầu cà chua tăng từ 88 kg ở tuần 1 lên 290 kg ở tuần 12), dẫn tới thiếu hụt hàng tuần cao điểm. SMA thích ứng linh hoạt theo từng chuỗi nhu cầu cụ thể.
    • So với Wagner-Whitin Algorithm (WWA): Mặc dù WWA cho kết quả tối ưu tuyệt đối bằng quy hoạch động ($O(N^2)$), nhưng thuật toán Silver-Meal ($O(N)$) có độ phức tạp tính toán thấp hơn rất nhiều, dễ dàng tích hợp vào hệ thống bảng tính Excel của các doanh nghiệp vừa và nhỏ (SME) mà độ sai lệch chi phí thực nghiệm chỉ dưới 1% - 2%.
  3. Đóng góp học thuật và ứng dụng ngành: Xây dựng biểu mẫu tính toán thực hành chuẩn cho sinh viên ngành Logistics & Quản lý chuỗi cung ứng, cung cấp tài liệu tham khảo có tính ứng dụng cao cho các doanh nghiệp chế biến nông sản tại Việt Nam.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế tại kho GS Food

  • Bước 1 (Đầu tuần): Bộ phận kế hoạch tổng hợp dữ liệu đơn đặt hàng từ khách hàng và dữ liệu dự báo cho 3-4 tuần tiếp theo.
  • Bước 2 (Tính toán điểm đặt): Nhập nhu cầu dự báo vào công cụ SMA đã được xây dựng. Công cụ tự động trả về quyết định: Có cần đặt hàng trong tuần này không? Nếu có, số lượng $Q^$ là bao nhiêu để bao phủ bao nhiêu tuần tiếp theo?*
  • Bước 3 (Thực thi chuỗi cung ứng): Phát hành đơn mua hàng (Purchase Order - PO) tới các nhà vườn liên kết tại Đà Lạt và Củ Chi đúng với số lượng $Q^*$.
+-----------------------------------------------------------------------------------+
|                        LỘ TRÌNH TRIỂN KHAI 4 GIAI ĐOẠN                            |
+-----------------------------------------------------------------------------------+
| Giai đoạn 1 (Tuần 1 - 2) : Chuẩn hóa Master Data (C, P, h) và đào tạo nhân sự     |
| Giai đoạn 2 (Tuần 3 - 6) : Triển khai chạy song song SMA trên Excel và phương pháp cũ|
| Giai đoạn 3 (Tuần 7 - 10): Đánh giá độ lệch, hiệu chỉnh tham số h theo mùa vụ     |
| Giai đoạn 4 (Tuần 11+)   : Tích hợp hoàn toàn vào quy trình thu mua chính thức     |
+-----------------------------------------------------------------------------------+

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis) & ROI

  • Chi phí đầu tư giải pháp: ~0 VNĐ (Tận dụng cơ sở hạ tầng máy tính văn phòng và phần mềm Microsoft Excel / mã nguồn Python mã nguồn mở sẵn có).
  • Hiệu quả kinh tế hàng năm: Với 4 SKU nhóm A, doanh nghiệp tiết kiệm trực tiếp hơn 5,2 triệu VNĐ/năm. Khi mở rộng quy mô áp dụng cho toàn bộ hơn 50 SKU nông sản của công ty, ước tính mức cắt giảm chi phí tồn trữ và đặt hàng đạt từ 45.000.000 đến 65.000.000 VNĐ/năm.
  • Thời gian hoàn vốn (ROI): Ngay lập tức trong chu kỳ vận hành đầu tiên ($ROI > 500%$).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Tính dừng cục bộ của Heuristic: Trong một số phân phối nhu cầu đặc thù có bước nhảy đột ngột, thuật toán Silver-Meal có thể dừng sớm trước khi đạt điểm cực tiểu toàn cục.
  • Giả định thời gian giao hàng bằng 0 hoặc cố định: Chưa xét đến trường hợp thời gian giao hàng bị kéo dài do thời tiết bất lợi ảnh hưởng đến vận chuyển liên tỉnh.
  • Ràng buộc dung tích kho bãi và ngân sách: Chưa tính đến giới hạn diện tích thể tích kho lạnh chứa hàng đồng thời nhiều SKU.

Hướng phát triển tương lai

  1. Mở rộng phát triển mô hình Multi-Item Silver-Meal with Joint Replenishment: Gom các đơn hàng của nhiều mặt hàng nông sản cùng xuất xứ nhà cung cấp để tối ưu hóa chi phí vận chuyển chung.
  2. Tích hợp thuật toán Machine Learning (LSTM / Prophet) để nâng cao độ chính xác dự báo nhu cầu ngắn hạn trước khi chuyển vào bộ tính toán SMA.
  3. Xây dựng Web App trực quan trên nền tảng FastAPI + React để nhân viên kho thao tác trực tiếp trên thiết bị di động.

Đối tượng hưởng lợi

  • Sinh viên ngành Logistics & SCM: Nắm bắt phương pháp luận nghiên cứu khoa học ứng dụng, kết nối lý thuyết quản trị chuỗi cung ứng với bài toán thực nghiệm tại doanh nghiệp thực tế.
  • Kỹ sư tối ưu hóa & Lập trình viên: Tiếp cận mã nguồn Python và logic triển khai thuật toán quy hoạch sản xuất, quản trị kho bãi.
  • Doanh nghiệp vừa và nhỏ (SMEs) ngành thực phẩm: Sở hữu ngay một giải pháp định lượng có thể áp dụng tức thì mà không đòi hỏi chi phí đầu tư phần mềm đắt đỏ.
  • Nhà nghiên cứu học thuật: Cơ sở dữ liệu thực nghiệm phục vụ việc kiểm thử các thuật toán heuristic và meta-heuristic nâng cao.

Câu hỏi thường gặp

1. Doanh nghiệp cần chuẩn bị dữ liệu gì để triển khai thuật toán Silver-Meal?

Doanh nghiệp chỉ cần 4 thông số cơ bản: (1) Chuỗi nhu cầu theo từng kỳ $R_i$, (2) Chi phí cố định cho mỗi lần tạo và nhận đơn hàng $C$, (3) Đơn giá mua nguyên liệu $P$, và (4) Tỷ lệ chi phí lưu kho $h$ (% giá trị sản phẩm/kỳ).

2. Khi nào nên dùng thuật toán Silver-Meal thay vì mô hình EOQ truyền thống?

Nên áp dụng SMA khi nhu cầu giữa các chu kỳ có sự biến động đáng kể (Dynamic Demand Pattern). Mô hình EOQ giả định nhu cầu không đổi, do đó nếu áp dụng vào thực tế biến thiên sẽ gây ra chi phí tồn kho rất lớn hoặc thiếu hụt đơn hàng.

3. Thuật toán Silver-Meal có thể giải quyết bài toán thời hạn sử dụng nông sản ngắn không?

Có. Bằng cách điều chỉnh tăng tỷ lệ chi phí tồn kho $h$ (bao gồm chi phí khấu hao hư hỏng theo thời gian), thuật toán sẽ tự động điều chỉnh điều kiện dừng sớm hơn, qua đó giảm quy mô lô đặt hàng $Q^*$ và rút ngắn chu kỳ $T$ để đảm bảo hàng luôn tươi mới.

4. Chi phí bảo trì và vận hành hệ thống này có cao không?

Chi phí vận hành gần như bằng 0 vì toàn bộ logic có thể vận hành trơn tru trên bảng tính Excel hoặc một script Python tự động hóa độc lập.

5. Độ chính xác của thuật toán Silver-Meal so với quy hoạch động tối ưu (Wagner-Whitin) là bao nhiêu?

Nhiều nghiên cứu thực nghiệm trong ngành quản trị vận hành đã chứng minh chi phí của thuật toán Silver-Meal chỉ chênh lệch trung bình dưới 1% so với nghiệm tối ưu tuyệt đối của thuật toán Wagner-Whitin, trong khi tốc độ tính toán nhanh hơn và trực quan hơn rất nhiều.

Kết luận

Đề tài "Ứng dụng thuật toán Silver – Meal tối ưu hoá số lượng đơn hàng nhằm tiết kiệm chi phí tồn kho: Trường hợp nghiên cứu tại Công ty TNHH Thực phẩm GS" đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra. Thông qua việc phân loại 6 mặt hàng bằng kỹ thuật ABC và áp dụng giải thuật tối ưu kích thước lô động Silver-Meal cho 4 SKU trọng điểm nhóm A, nghiên cứu đã chứng minh hiệu quả giảm thiểu 20,88% tổng chi phí biến đổi tồn kho trong chu kỳ 13 tuần.

Kết quả này khẳng định giá trị ứng dụng mạnh mẽ của các phương pháp nghiên cứu định lượng trong việc giải quyết các thách thức logistics thực tế tại các doanh nghiệp Việt Nam, mở ra hướng đi hiệu quả để nâng cao năng lực cạnh tranh và tối ưu hóa dòng tiền cho doanh nghiệp trong kỷ nguyên số.