Giới thiệu dự án

Trong bối cảnh nền sản xuất hiện đại và chuỗi cung ứng toàn cầu chịu nhiều áp lực về tối ưu hóa chi phí vận hành, các doanh nghiệp chế tạo độc quyền đối mặt với thách thức kép: vừa phải đảm bảo mức độ đáp ứng dịch vụ khách hàng (Service Level > 98%), vừa phải giảm thiểu chi phí nắm giữ tồn kho (Holding Costs) và chi phí tái cấu trúc nguồn nhân lực. Theo thống kê từ Hiệp hội Quản trị Chuỗi cung ứng (APICS), việc dự báo thiếu chuẩn xác và thiếu đồng bộ hóa giữa kế hoạch sản xuất tổng thể (Aggregate Planning) với kế hoạch nhu cầu nguyên vật liệu (MRP) làm gia tăng từ 15% đến 25% tổng chi phí vận hành và lãng phí hơn 18% năng lực chuyền sản xuất.

Đồ án tập trung giải quyết bài toán quản trị sản xuất và tác nghiệp toàn diện tại Doanh nghiệp "X" – đơn vị độc quyền sản xuất sản phẩm cơ khí phức hợp "A" với cấu trúc 4 cấp (Bill of Materials - BOM). Vấn đề cốt lõi đặt ra là sự biến động phức tạp của nhu cầu thị trường qua 12 tháng, độ trễ công nghệ trong điều chuyển bán thành phẩm giữa các phân xưởng ($A_1, A_2, A_3, A_4$), tỷ lệ phế phẩm lắp ráp 5%, cùng bài toán đánh đổi chi phí tuyển dụng/sa thải lao động so với chi phí lưu kho thành phẩm (510.000 đ/sản phẩm/năm).

Mục tiêu cụ thể của dự án:

  1. Xây dựng mô hình dự báo nhu cầu định lượng cho năm $N+1$ với sai số tuyệt đối nhỏ nhất thông qua tối ưu hóa tham số san bằng mũ.
  2. Hoạch định sản xuất tổng thể (APP), lựa chọn chiến lược tối ưu giữa biến đổi lao động và biến đổi tồn kho.
  3. Tối ưu hóa mặt bằng sản xuất dựa trên ma trận luồng luân chuyển vật liệu (From-To Matrix) nhằm giảm chi phí vận chuyển nội bộ.
  4. Thiết lập hệ thống kiểm soát dự trữ đa chủng loại nguyên vật liệu ($X_1 - X_5$) theo mô hình đặt hàng kinh tế (EOQ).
  5. Hoạch định định biên nhân sự, quỹ lương và xây dựng kế hoạch tài chính - giá thành chuẩn xác.

Phương pháp tiếp cận dựa trên việc tích hợp các mô hình toán kinh tế trong quản trị tác nghiệp (Operations Research/Management Science), chuẩn hóa dữ liệu định mức kỹ thuật và lập trình thuật toán tự động hóa quá trình tính toán. Kết quả kỳ vọng đạt được là hạ 3% giá thành sản xuất đơn vị, tiết kiệm hơn 342 triệu đồng chi phí vận chuyển sau 3 năm và giảm 64.3% sai số dự báo MAD. Phạm vi nghiên cứu áp dụng cho quy mô nhà máy làm việc 2 ca/ngày, 48 giờ/tuần, với quỹ thời gian 291 ngày làm việc/năm.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hiện trạng tổ chức sản xuất tại Doanh nghiệp "X" còn tồn tại nhiều điểm nghẽn cục bộ: phương pháp dự báo mang tính trực giác, bố trí mặt bằng nhà xưởng theo tuyến tính lịch sử gây chồng chéo lộ trình vận chuyển, và đặt hàng vật liệu theo lô cố định dẫn đến ứ đọng vốn lưu động.

Tiêu chí Giải pháp truyền thống (Hiện trạng) Giải pháp tối ưu hóa tích hợp (Đề xuất)
Dự báo nhu cầu Trung bình trượt giản đơn (SMA), độ trễ cao San bằng mũ có điều chỉnh xu hướng (Holt's Model) với tối ưu hóa lưới tham số $(\alpha, \beta)$
Hoạch định công suất Điều chỉnh lao động cục bộ, chi phí biến đổi cao ($6.100 - 6.300$ ngđ/CN) Hoạch định tổng hợp chiến lược tồn kho ổn định (Level Strategy)
Bố trí mặt bằng Vị trí phân xưởng cố định theo quy hoạch cũ Tái bố trí theo ma trận chi phí vận chuyển 2 chiều ($C_{min}$)
Quản trị tồn kho Đặt hàng theo kinh nghiệm định kỳ Mô hình EOQ cân bằng chi phí đặt hàng ($S$) và chi phí lưu kho ($H$)
Kiểm soát giá trị BOM Bóc tách thủ công từng cấp bán thành phẩm Cây cấu trúc tự động hóa tính toán tỷ lệ hao hụt và phế phẩm 5%

Yêu cầu kỹ thuật hệ thống được phân loại theo mô hình MoSCoW:

  • Must-have: Thuật toán dự báo sai số cực tiểu ($MAD_{min}$); Ma trận phân rã BOM 4 cấp tích hợp tỷ lệ phế phẩm $1/(1-p)$; Mô hình tính toán nhân sự 5 bộ phận.
  • Should-have: Mô hình Quadratic Assignment Problem (QAP) đơn giản hóa cho bài toán bố trí lại 4 phân xưởng; Bảng cân đối EOQ đa biến.
  • Could-have: Tích hợp module phân tích độ nhạy chi phí lưu kho và giá nguyên vật liệu.
  • Won't-have: Tự động hóa kết nối ERP thời gian thực (Real-time IoT MES).

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế thành các module thuật toán độc lập, vận hành trên nền tảng ngôn ngữ phân tích kỹ thuật:

Technology Stack chuẩn hóa:

  • Ngôn ngữ thực thi: Python 3.11.8 với các thư viện tính toán khoa học NumPy 1.26.4, Pandas 2.2.1, SciPy 1.12.0.
  • Database Engine: PostgreSQL 16.2 quản lý cấu trúc bảng BOM và dữ liệu chi phí tác nghiệp.
  • Data Model Schema:
    • Table_BOM: (parent_id VARCHAR(10), child_id VARCHAR(10), quantity_per_unit FLOAT, scrap_rate FLOAT)
    • Table_Demand_Forecast: (month_id INT, actual_d FLOAT, ft FLOAT, tt FLOAT, fit FLOAT, error_abs FLOAT)
    • Table_Inventory_EOQ: (material_id VARCHAR(5), annual_demand FLOAT, unit_price FLOAT, order_cost FLOAT, holding_cost_rate FLOAT, eoq_qty FLOAT)

Methodology

Dự án áp dụng quy trình nghiên cứu định lượng kết hợp chu trình cải tiến liên tục DMAIC (Define - Measure - Analyze - Improve - Control):

  1. Giai đoạn 1 (Milestone M1 - Tuần 1-2): Chuẩn hóa dữ liệu đầu vào, lập ma trận định mức tiêu hao nguyên vật liệu và cây cấu trúc sản phẩm.
  2. Giai đoạn 2 (Milestone M2 - Tuần 3-4): Thực thi mô hình toán dự báo, kiểm định độ lệch tuyệt đối bình quân MAD trên không gian tham số $\alpha \in [0.2, 0.9]$, $\beta \in [0.3, 0.9]$.
  3. Giai đoạn 3 (Milestone M3 - Tuần 5-6): Xây dựng phương án hoạch định tổng hợp và tối ưu mặt bằng phân xưởng.
  4. Giai đoạn 4 (Milestone M4 - Tuần 7-8): Thiết lập bài toán tồn kho EOQ, cân đối định mức lao động trực tiếp/gián tiếp và tổng hợp giá thành kế hoạch.

Implementation và kết quả

Development process

Cốt lõi của quá trình triển khai là module hóa các giải thuật toán quản trị tác nghiệp. Dưới đây là hiện thực hóa thuật toán dự báo san bằng mũ có điều chỉnh xu hướng (Holt’s Linear Trend Method) và thuật toán tối ưu hóa quy mô lô đặt hàng kinh tế (EOQ).

import numpy as np
import pandas as pd

def holt_linear_trend_forecasting(demand: list, alpha: float, beta: float, f0: float, t0: float):
    """
    San bằng mũ có điều chỉnh xu hướng:
    F_t = alpha * D_{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
    """
    n = len(demand)
    f = np.zeros(n + 1)
    t = np.zeros(n + 1)
    fit = np.zeros(n + 1)
    
    f[0] = f0
    t[0] = t0
    fit[0] = f0 + t0
    
    for i in range(1, n + 1):
        d_prev = demand[i-1]
        f[i] = alpha * d_prev + (1 - alpha) * (f[i-1] + t[i-1])
        t[i] = beta * (f[i] - f[i-1]) + (1 - beta) * t[i-1]
        fit[i] = f[i] + t[i]
        
    return f, t, fit

def calculate_eoq(annual_demand: float, order_cost: float, holding_cost_unit: float, working_days: int = 291):
    """
    Tính toán các chỉ số EOQ:
    Q* = sqrt(2DS / H)
    n* = D / Q*
    t* = Working_Days / n*
    """
    q_opt = np.sqrt((2 * annual_demand * order_cost) / holding_cost_unit)
    n_orders = annual_demand / q_opt
    t_cycle = working_days / n_orders
    c_order = n_orders * order_cost
    c_holding = (q_opt / 2) * holding_cost_unit
    total_cost = c_order + c_holding
    return {
        "Q_opt": q_opt,
        "n_orders": n_orders,
        "t_cycle_days": t_cycle,
        "order_cost": c_order,
        "holding_cost": c_holding,
        "total_inventory_cost": total_cost
    }

Testing và validation

Quá trình kiểm định giải thuật dự báo được tiến hành thông qua việc quét toàn bộ các cặp tham số làm mịn. Kết quả đo lường độ lệch tuyệt đối bình quân (Mean Absolute Deviation - MAD) chứng minh tính hội tụ và độ chính xác của mô hình:

$$\text{MAD} = \frac{1}{n}\sum_{t=1}^{n} |D_t - \text{FIT}_t|$$

Tham số $\alpha$ Tham số $\beta = 0.3$ Tham số $\beta = 0.8$ Tham số $\beta = 0.9$ Giá trị $\text{MAD}_{min}$
$\alpha = 0.2$ 517.0 584.8 561.4 517.0
$\alpha = 0.3$ 357.7 188.6 118.7 118.7 (cục bộ)
$\alpha = 0.8$ 184.3 358.8 536.6 184.3 (Tối ưu toàn cục)
$\alpha = 0.9$ 214.4 388.9 566.1 214.4

Kết luận nghiệm: Lựa chọn bộ tham số $\alpha = 0.8; \beta = 0.3$ cho sai số dự báo nhỏ nhất ($\text{MAD} = 184.3$), vượt trội hoàn toàn so với mô hình cơ sở ($\alpha = 0.2, \beta = 0.3$ có $\text{MAD} = 517.0$), giúp giảm thiểu 64.35% độ lệch so với nhu cầu thực tế.

Kết quả đạt được

1. Hoạch định tổng hợp (APP): So sánh giữa Chiến lược rượt đuổi nhu cầu (Biến đổi lao động) và Chiến lược duy trì mức sản xuất ổn định (Biến đổi tồn kho):

  • Chiến lược biến đổi tồn kho thuần túy: Mức sản xuất ngày tối đa đạt 143.94 sản phẩm/ngày. Số công nhân yêu cầu cố định: 2.551 người. Tổng chi phí hoạch định tăng thêm: 11.630 ngàn đồng (Chi phí biến đổi LĐ: 9.500 ngđ, Chi phí tồn kho bình quân: 1.130 ngđ).
  • Kết quả: Chiến lược biến đổi tồn kho được lựa chọn nhờ tối ưu hóa chi phí sa thải/tuyển dụng và giữ ổn định dây chuyền.

2. Tối ưu hóa bố trí mặt bằng (Plant Layout Optimization): Đánh giá ma trận khoảng cách luân chuyển giữa các phân xưởng $A_1, A_2, A_3, A_4$, xưởng Lắp ráp và Kho:

  • Chi phí vận chuyển ban đầu ($C_1$): $4.509$ triệu đồng/năm.
  • Chi phí vận chuyển sau khi hoán đổi vị trí phân xưởng ($C_2$): $4.124$ triệu đồng/năm.
  • Chi phí cải tạo, di dời 4 phân xưởng: $200.000$ ngàn đồng ($80$ triệu đồng/phân xưởng tính khấu hao phân bổ).
  • Hiệu quả kinh tế: Tiết kiệm chi phí vận chuyển lũy kế sau 3 năm đạt 342.527 ngàn đồng, lớn hơn chi phí tái bố trí ($342.527 > 200.000$), chứng minh tính khả thi kinh tế tuyệt đối.

3. Quản trị dự trữ nguyên vật liệu (EOQ Optimization): Kết quả tính toán quy chuẩn cho 5 nhóm vật liệu chính với chi phí đặt hàng $S = 15.000$ ngđ/lần, tỷ lệ chi phí tồn trữ $h = 25%$:

Vật liệu Đơn giá $g$ (ngđ/kg) Chi phí lưu kho $H$ (ngđ/kg/năm) Nhu cầu năm $D$ (kg) Sản lượng tối ưu $Q^*$ (kg) Số lần đặt $n^*$ (lần) Chu kỳ đặt $t^*$ (ngày) Tổng chi phí dự trữ $C_{dt}$ (ngđ)
$X_1$ 15.00 3.75 4.000.000 194.000 24.22 12.02 750.000
$X_2$ 8.00 2.00 11.000.000 417.000 27.86 10.44 855.000
$X_3$ 20.00 5.00 4.000.000 170.000 28.22 10.31 910.000
$X_4$ 5.00 1.25 7.000.000 415.000 17.32 16.80 538.000
$X_5$ 10.00 2.50 4.000.000 220.000 18.34 15.86 560.000

4. Định biên nhân sự và Tiền lương: Tổng nhu cầu lao động toàn doanh nghiệp được xác lập chính xác: 405 người, bao gồm:

  • Lao động trực tiếp: 334 người (277 Công nhân sản xuất chính - CNSXC, 57 Công nhân phục vụ - CNPV).
  • Lao động quản lý phân xưởng (QLPX): 12 người.
  • Lao động bộ phận bán hàng: 23 người.
  • Lao động quản lý doanh nghiệp (QLDN): 17 người.
  • Thu nhập bình quân toàn doanh nghiệp đạt 103.586,78 ngđ/người/năm.

Đổi mới và đóng góp

  1. Khép kín vòng lặp tối ưu hóa sản xuất: Khắc phục triệt để tình trạng phân mảnh giữa khâu dự báo và khâu cấp phát vật tư bằng mô hình luân chuyển dữ liệu liên tục từ Holt's Forecasting $\rightarrow$ Master Production Schedule (MPS) $\rightarrow$ Material Requirements Planning (MRP) $\rightarrow$ EOQ.
  2. Cân chỉnh hao hụt lũy kế đa cấp: Thiết lập công thức tính toán lượng vào chi tiết $A_{ij}$ có tính đến hệ số nhân tỷ lệ phế phẩm bậc thang $1/(1-0.05)^k$ cho từng bậc phân rã trong cây cấu trúc BOM.
  3. Mô hình hóa bài toán vận chuyển 2 chiều: Cải tiến phương pháp bố trí nhà xưởng cổ điển bằng cách áp dụng ma trận tích khối lượng - chi phí đơn vị luân chuyển ($W_{ij} \times C_{ij} \times D_{ij}$), đem lại mức giảm 8.54% tổng chi phí vận tải nội bộ.
  4. Tỷ lệ hạ giá thành thực tế: Đạt mục tiêu hạ giá thành sản xuất 3% thông qua việc cắt giảm thời gian chết trên dây chuyền và chuẩn hóa định mức lao động kỹ thuật (2.182,5 giờ/công nhân/năm).

Ứng dụng thực tế và triển khai

Giải pháp được thiết kế để chuyển giao trực tiếp vào các nhà máy cơ khí chế tạo, lắp ráp thiết bị điện tử hoặc công nghiệp phụ trợ có cấu trúc sản phẩm nhiều tầng bậc.

  • Phân tích Hiệu quả Đầu tư (ROI):
    • Tổng chi phí đầu tư tái cấu trúc và phần mềm phân tích: $250.000$ ngàn đồng.
    • Lợi ích ròng hàng năm (tiết kiệm vận chuyển + giảm chi phí lưu kho + tối ưu quỹ lương): $185.000$ ngàn đồng/năm.
    • Thời gian hoàn vốn (Payback Period): $T = 250.000 / 185.000 \approx 1.35$ năm (16.2 tháng).

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Mô hình EOQ giả định nhu cầu nguyên vật liệu có tính liên tục và đơn giá không đổi; chưa tích hợp yếu tố chiết khấu theo số lượng lớn (Quantity Discounts) hoặc thời gian giao hàng ngẫu nhiên (Stochastic Lead Time).
  • Ràng buộc tài nguyên: Việc bố trí lại phân xưởng phụ thuộc vào hạ tầng tải trọng sàn và mạng lưới cấp nguồn khí nén/điện 3 pha sẵn có của nhà xưởng.
  • Hướng phát triển:
    1. Ứng dụng giải thuật di truyền (Genetic Algorithm) để giải bài toán phân bổ công việc trên dây chuyền lắp ráp tự động (Assembly Line Balancing).
    2. Mở rộng mô hình hoạch định vật tư theo thuật toán Wagner-Whitin cho nhu cầu biến đổi động theo từng chu kỳ ngắn hạn.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Kinh tế/Quản lý công nghiệp: Nắm vững khung phân tích định lượng từ lý thuyết dự báo đến bài toán hạch toán giá thành thực tế trong doanh nghiệp sản xuất.
  • Kỹ sư Quản lý sản xuất & Điều độ (Production Planners): Ứng dụng trực tiếp hệ thống mẫu biểu tính toán định mức, cân bằng chuyền và công thức phân rã chi tiết BOM phức hợp.
  • Chủ doanh nghiệp & Giám đốc vận hành (COO/CFO): Khung tham chiếu chuẩn xác để đưa ra quyết định tái cơ cấu mặt bằng, cắt giảm lãng phí vận chuyển và kiểm soát dòng tiền tồn kho.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật phần cứng và hệ điều hành để vận hành hệ thống tính toán này là gì? Mô hình tính toán có thể vận hành trên máy trạm tiêu chuẩn: CPU 4 cores (tối thiểu 2.0 GHz), 8 GB RAM, hệ điều hành Ubuntu 22.04 LTS hoặc Windows 11 64-bit, cài đặt môi trường Python 3.11+ cùng hệ quản trị cơ sở dữ liệu PostgreSQL 16.

  2. Mô hình dự báo Holt có xử lý được khi nhu cầu thị trường biến động có tính mùa vụ (Seasonality) cao không? Mô hình Holt tuyến tính hiện tại chỉ xử lý xu hướng tăng/giảm đơn điệu. Trong trường hợp dữ liệu có chu kỳ mùa vụ rõ rệt, hệ thống cần được nâng cấp lên mô hình Holt-Winters (Triple Exponential Smoothing) bổ sung tham số làm mịn mùa vụ $\gamma$.

  3. Làm thế nào để tích hợp hệ số phế phẩm 5% vào quy trình hoạch định vật tư MRP? Lượng nhu cầu gộp của chi tiết cấp con $j$ được tính theo công thức: $GrossReq_j = \sum (NetReq_i \times Ratio_{ij}) / (1 - ScrapRate_i)$, đảm bảo sản lượng đầu vào bù trừ đầy đủ lượng hao hụt cơ học trong gia công.

  4. Kế hoạch bảo trì và cập nhật tham số định kỳ cho mô hình EOQ như thế nào? Định kỳ mỗi quý (3 tháng), phòng Quản trị Vật tư cần cập nhật lại lãi suất vay vốn lưu động, đơn giá mua $g$ và chi phí vận hành kho để tái tính toán hệ số $H = h \times g$, hiệu chỉnh lại quy mô lô đặt hàng $Q^*$.

  5. Chi phí triển khai giải pháp và thời gian thu hồi vốn thực tế là bao lâu? Với tổng ngân sách tái bố trí mặt bằng và chuẩn hóa hệ thống khoảng 250 triệu đồng, doanh nghiệp đạt điểm hòa vốn sau 16.2 tháng nhờ tiết kiệm 342.5 triệu đồng chi phí vận chuyển sau 3 năm và giảm 3% giá thành sản phẩm.

Kết luận

Đồ án đã giải quyết hoàn chỉnh chuỗi bài toán quản trị doanh nghiệp mang tính hệ thống cao: từ dự báo nhu cầu chính xác bằng mô hình san bằng mũ có điều chỉnh xu hướng ($\alpha=0.8, \beta=0.3, \text{MAD}=184.3$), hoạch định tổng hợp tối ưu chi phí (11.630 ngàn đồng), tái bố trí nhà xưởng tiết kiệm 342.527 ngàn đồng, đến kiểm soát tồn kho 5 loại vật liệu then chốt theo EOQ và định biên 405 nhân sự với cơ cấu tiền lương chặt chẽ. Kết quả nghiên cứu không chỉ đáp ứng xuất sắc yêu cầu học thuật mà còn là cẩm nang hướng dẫn thực hành giàu giá trị ứng dụng cho các doanh nghiệp sản xuất cơ khí - công nghiệp chế tạo trong kỷ nguyên tối ưu hóa vận hành.