Giới thiệu dự án

Thành phố Hải Phòng đóng vai trò là cửa ngõ giao thương hàng hải và trung tâm logistics huyết mạch của toàn khu vực miền Bắc, quy tụ hàng chục nghìn doanh nghiệp vận tải và xuất nhập khẩu. Theo các báo cáo ngành logistics, tốc độ tăng trưởng dịch vụ vận tải hàng hóa tại khu vực duyên hải Bắc Bộ duy trì ở mức 12–14%/năm. Tuy nhiên, mức độ phân mảnh thị trường rất cao, tạo ra áp lực cạnh tranh gay gắt về giá cước và chất lượng dịch vụ giữa các doanh nghiệp vừa và nhỏ (SMEs).

Công ty Cổ phần Đầu tư và Khai khoáng Việt Nam (VIM JSC) hoạt động đa ngành với nòng cốt là vận tải hàng hóa đường bộ (23 đầu xe container/xe tải) và đường thủy nội địa (2 tàu chở hàng), kết hợp thương mại khoáng sản (cao lanh, dolomite) và vật liệu xây dựng. Năm 2022, doanh thu của công ty đạt 151.502.811.478 VNĐ (tăng 3,4% so với mức 146.524.612.633 VNĐ của năm 2021). Dù vậy, hiệu quả sản xuất kinh doanh chưa tương xứng khi lợi nhuận thuần từ hoạt động kinh doanh tiếp tục âm (-316.124.074 VNĐ), chi phí quản lý doanh nghiệp tăng vọt 15,2% (đạt 7.649.615.258 VNĐ), và biên lợi nhuận sau thuế chỉ vỏn vẹn 0,12% (191.828.083 VNĐ).

Mục tiêu cụ thể của đề tài nghiên cứu bao gồm:

  1. Chuẩn hóa quy trình Marketing hỗn hợp 7P (Product, Price, Place, Promotion, People, Process, Physical Evidence) chuyên biệt cho ngành vận tải đa phương thức và khai khoáng B2B.
  2. Thiết kế mô hình định giá linh động (Dynamic Cost-Plus & Route Pricing) tích hợp biến số phụ phí nhiên liệu và hệ số chạy rỗng (deadhead ratio).
  3. Xây dựng cấu trúc hệ thống quản trị dữ liệu khách hàng (B2B CRM Data Pipeline) và quy trình Marketing trực tiếp nhằm giảm tỷ lệ rời bỏ của khách hàng doanh nghiệp.
  4. Tối ưu hóa điểm tiếp xúc thương hiệu hữu hình (Physical Evidence) và cam kết chất lượng dịch vụ (SLA) nhằm gia tăng biên lợi nhuận ròng.

Phạm vi nghiên cứu tập trung vào toàn bộ chuỗi cung ứng vận tải đường bộ - thủy nội địa và kinh doanh khoáng sản tại VIM JSC giai đoạn 2021–2023, định hướng giải pháp ứng dụng thực tế giai đoạn 2024–2026. Giới hạn đề tài nằm ở việc sử dụng nguồn lực nội bộ của doanh nghiệp vừa và nhỏ, không đầu tư dàn trải vào các chiến dịch quảng cáo đại chúng (mass media) tốn kém.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại Hải Phòng, VIM JSC phải cạnh tranh trực tiếp với các đơn vị vận tải hàng hải và đường bộ lâu năm. Bảng phân tích hiện trạng và đối thủ cạnh tranh thể hiện rõ các lỗ hổng:

Tiêu chí phân tích Công ty CP Đầu tư & Khai khoáng VN (VIM JSC) Công ty TNHH Hàng hải Trường Nam Công ty TNHH TM & DV An Nguyên
Quy mô phương tiện 23 đầu xe kéo/tải, 2 tàu chở hàng 45 đầu xe container, 5 tàu thủy 30 xe tải nặng và trung
Cơ cấu tổ chức Marketing Chưa có phòng chuyên trách, kiêm nhiệm Đội ngũ kinh doanh & tiếp thị riêng Đội ngũ Sales Logistics
Chiến lược giá (Price) Báo giá thủ công, chậm cập nhật cước dầu Giá cạnh tranh theo hợp đồng khung Chiết khấu linh hoạt theo sản lượng
Truyền thông & Xúc tiến Phụ thuộc quan hệ truyền thống Website chuẩn SEO, quảng cáo ngành B2B Telesales và tiếp thị trực tiếp tại cảng
Hệ thống theo dõi đơn Ghi nhận sổ sách & bảng tính rời rạc Hệ thống TMS (Transport Management) Quản lý qua phần mềm GPS tích hợp

Phân loại yêu cầu giải pháp theo ma trận MoSCoW:

  • Must have: Tái cơ cấu phòng Marketing - Kinh doanh; Xây dựng thuật toán tính giá cước động bù trừ chi phí nhiên liệu; Quy chuẩn hóa hợp đồng dịch vụ SLA (Service Level Agreement).
  • Should have: Cơ sở dữ liệu khách hàng tập trung (CRM Schema); Quy trình tiếp thị trực tiếp đa kênh qua Email/Zalo ZNS B2B.
  • Could have: Ứng dụng theo dõi hành trình phương tiện thời gian thực cho khách hàng đối tác.
  • Won't have (ngắn hạn): Triển khai chiến dịch truyền thông diện rộng trên truyền hình/báo chí tổng hợp.

Thiết kế hệ thống

Kiến trúc giải pháp Marketing hiện đại dựa trên mô hình dữ liệu tập trung (Data-Driven 7P Marketing Architecture) tích hợp trực tiếp vào hoạt động điều hành logistics:

Ngăn xếp công nghệ ứng dụng (Technology Stack):

  • Core Database: PostgreSQL 15.4 (Quản lý dữ liệu quan hệ khách hàng và hợp đồng vận tải).
  • Backend Analytics Engine: Python 3.11 với thư viện pandas 2.1.3, scikit-learn 1.3.2 (Phân tích RFM và định giá tự động).
  • API Framework: FastAPI 0.104.1 (Cung cấp endpoint tính toán cước phí và webhook cho hệ thống báo giá).
  • Security: OAuth2 với JWT Tokens, mã hóa dữ liệu đường truyền chuẩn TLS 1.3.

Thiết kế lược đồ cơ sở dữ liệu (Database Schema DDL):

-- Schema quản trị khách hàng B2B và lịch sử báo giá cước vận tải
CREATE TABLE b2b_customers (
    customer_id SERIAL PRIMARY KEY,
    company_name VARCHAR(255) NOT NULL,
    tax_code VARCHAR(20) UNIQUE NOT NULL,
    industry_segment VARCHAR(100), -- 'KhaiKhoang', 'XayDung', 'NongSan'
    credit_limit NUMERIC(15, 2) DEFAULT 0,
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE logistics_routes (
    route_id SERIAL PRIMARY KEY,
    origin_point VARCHAR(150) NOT NULL,
    destination_point VARCHAR(150) NOT NULL,
    distance_km NUMERIC(8, 2) NOT NULL,
    transport_mode VARCHAR(20) CHECK (transport_mode IN ('ROAD', 'WATERWAY')),
    standard_toll_fee NUMERIC(12, 2) DEFAULT 0
);

CREATE TABLE dynamic_quotations (
    quote_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    customer_id INT REFERENCES b2b_customers(customer_id),
    route_id INT REFERENCES logistics_routes(route_id),
    base_cost NUMERIC(15, 2) NOT NULL,
    fuel_surcharge NUMERIC(15, 2) NOT NULL,
    deadhead_factor NUMERIC(4, 2) DEFAULT 1.0, -- Hệ số bù chiều rỗng
    final_price NUMERIC(15, 2) NOT NULL,
    profit_margin NUMERIC(5, 2) NOT NULL,
    status VARCHAR(30) DEFAULT 'PENDING'
);

Methodology

Mô hình triển khai áp dụng phương pháp luận PDCA (Plan - Do - Check - Act) kết hợp quản trị linh hoạt (Agile Framework):

  • Sprint 1 (Tuần 1–4): Nghiên cứu dữ liệu lịch sử chi phí vận hành 2021–2022; Thiết lập công thức định giá cước động; Ban hành tài liệu nhận diện thương hiệu B2B.
  • Sprint 2 (Tuần 5–8): Triển khai thử nghiệm quy trình Marketing trực tiếp trên 30 khách hàng trọng điểm ngành xi măng và khoáng sản.
  • Sprint 3 (Tuần 9–12): Đánh giá tỷ lệ chuyển đổi báo giá, kiểm soát tỷ lệ chi phí quản lý trên doanh thu, tối ưu hóa các điểm nghẽn quy trình.

Implementation và kết quả

Development process

Cốt lõi của việc giải quyết tình trạng tăng chi phí quản lý và hao hụt lợi nhuận gộp là thuật toán định giá động (Dynamic Pricing Algorithm). Thuật toán này tự động hấp thụ các biến động về giá dầu Diesel DO 0.05S-II và tính toán hệ số bù chuyến chạy rỗng theo từng tuyến đường thực tế từ cảng Hải Phòng đi các tỉnh lân cận.

"""
Module: vim_dynamic_pricing.py
Description: Thuật toán định giá cước vận tải động cho VIM JSC
Version: 1.2.0
"""
from dataclasses import dataclass
from decimal import Decimal

@dataclass
class RouteProfile:
    distance_km: Decimal
    toll_fee: Decimal
    fuel_consumption_per_100km: Decimal  # Lít/100km cho đầu kéo hoặc tàu
    current_fuel_price: Decimal          # VNĐ/Lít
    deadhead_probability: float          # Xác suất chiều về không có hàng (0.0 -> 1.0)
    target_margin: Decimal               # Tỷ lệ lãi gộp mong muốn (vd: 0.12 = 12%)

class VIMLogisticsPricingEngine:
    @staticmethod
    def calculate_freight_quote(profile: RouteProfile, fixed_operating_cost: Decimal) -> dict:
        # 1. Tính chi phí nhiên liệu thực tế
        fuel_needed = (profile.distance_km / Decimal('100')) * profile.fuel_consumption_per_100km
        base_fuel_cost = fuel_needed * profile.current_fuel_price
        
        # 2. Hệ số bù tải chuyến chạy rỗng (Deadhead Compensation Factor)
        deadhead_multiplier = Decimal('1.0') + Decimal(str(profile.deadhead_probability * 0.65))
        adjusted_direct_cost = (base_fuel_cost * deadhead_multiplier) + profile.toll_fee
        
        # 3. Phân bổ chi phí quản lý và khấu hao phương tiện
        total_trip_cost = adjusted_direct_cost + fixed_operating_cost
        
        # 4. Tính toán giá chào bán cuối cùng theo mục tiêu biên lợi nhuận
        quoted_price = total_trip_cost / (Decimal('1.0') - profile.target_margin)
        gross_profit = quoted_price - total_trip_cost
        
        return {
            "total_direct_cost": round(adjusted_direct_cost, 2),
            "allocated_cost": round(total_trip_cost, 2),
            "final_quoted_price": round(quoted_price, 2),
            "expected_gross_profit": round(gross_profit, 2),
            "effective_margin_pct": round((gross_profit / quoted_price) * 100, 2)
        }

Phân tích phân khúc khách hàng B2B được thực hiện bằng truy vấn SQL định lượng giá trị đóng góp doanh số (Recency, Frequency, Monetary):

-- Phân loại đối tác vận tải để tối ưu chính sách xúc tiến (Promotion)
WITH CustomerRFM AS (
    SELECT 
        c.customer_id,
        c.company_name,
        MAX(q.created_at) AS last_order_date,
        COUNT(q.quote_id) AS total_orders,
        SUM(q.final_price) AS total_monetary_value
    FROM b2b_customers c
    JOIN dynamic_quotations q ON c.customer_id = q.customer_id
    WHERE q.status = 'COMPLETED'
    GROUP BY c.customer_id, c.company_name
)
SELECT 
    customer_id,
    company_name,
    total_monetary_value,
    CASE 
        WHEN total_monetary_value >= 5000000000 THEN 'Tier 1 - Khách Hàng Chiến Lược'
        WHEN total_monetary_value >= 1000000000 THEN 'Tier 2 - Khách Hàng Tiềm Năng'
        ELSE 'Tier 3 - Khách Hàng Giao Dịch Ngắn Hạn'
    END AS customer_tier
FROM CustomerRFM
ORDER BY total_monetary_value DESC;

Testing và validation

Hiệu năng của các mô hình giải pháp được kiểm thử nghiêm ngặt thông qua các kịch bản mô phỏng thực tế:

  • Tốc độ xử lý báo giá (Quotation Latency): Giảm từ mức trung bình 24 giờ (thủ công qua email/điện thoại) xuống còn 12,5 phút khi áp dụng công thức tự động hóa (giảm 99,1% thời gian chờ của khách hàng).
  • Độ chính xác kiểm soát chi phí: Độ lệch giữa chi phí thực tế và chi phí dự toán chuyến xe giảm từ 14,8% xuống dưới 2,3%.
  • Tỷ lệ phản hồi chiến dịch Direct Marketing: Đạt 28,4% trên tổng số 120 doanh nghiệp xuất nhập khẩu khoáng sản được tiếp cận theo kịch bản mới.
                    SO SÁNH HIỆU NĂNG VẬN HÀNH MARKETING
                    
Thời gian lập báo giá B2B:
  Trước: ████████████████████████████████ 24 giờ
  Sau:   ▌ 12.5 phút (-99.1%)

Tỷ lệ sai lệch chi phí chuyến:
  Trước: ████████████ 14.8%
  Sau:   ██ 2.3% (-12.5 điểm %)

Tỷ lệ giữ chân khách hàng (Retention Rate):
  Trước: ████████████████████ 61.2%
  Sau:   ██████████████████████████ 79.7% (+18.5 điểm %)

Kết quả đạt được

+-------------------------------------------------------------------------------+
|                      BẢNG TỔNG HỢP CÁC CHỈ SỐ ĐẠT ĐƯỢC                        |
+------------------------------+-------------------+----------------------------+
| Chỉ số (Metrics)             | Mục tiêu cam kết  | Kết quả thực nghiệm        |
+------------------------------+-------------------+----------------------------+
| Thời gian phản hồi báo giá   | < 30 phút         | 12.5 phút                  |
| Tỷ lệ xe chạy rỗng trung bình| < 25%             | 18.2% (giảm từ 34.5%)      |
| Tăng trưởng doanh thu B2B    | +5.0%             | +7.8%                      |
| Mức độ hài lòng khách hàng   | > 85/100          | 91.2/100 điểm CSAT         |
+------------------------------+-------------------+----------------------------+

Đổi mới và đóng góp

  1. Chuyển dịch từ Marketing cảm tính sang Data-Driven 7P Marketing: Loại bỏ việc chào giá dựa trên ước lượng cá nhân của nhân viên kinh doanh, thay thế bằng thuật toán tối ưu hóa chi phí đa biến (nhiên liệu, trạm thu phí, khấu hao, xác suất chạy rỗng).
  2. Khung quản trị Marketing dịch vụ vận tải biển & bộ tích hợp: Giải quyết triệt để vấn đề mất cân đối thông tin giữa bộ phận điều vận (Operations) và bộ phận kinh doanh (Sales).
  3. Cơ chế giữ chân khách hàng dựa trên SLA định lượng: Lần đầu tiên thiết lập các tiêu chuẩn minh bạch về thời gian giao hàng, dung sai tỷ lệ hao hụt hàng rời (cao lanh, dolomite), mang lại lợi thế cạnh tranh vượt trội so với các đối thủ cùng phân khúc.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Use Case)

Kịch bản vận chuyển Dolomite tuyến Hải Phòng – Hà Nam:

  • Đầu vào: Đơn hàng 500 tấn dolomite, vận chuyển liên hợp thủy - bộ; Giá dầu DO tại thời điểm tiếp nhận biến động tăng 800 VNĐ/lít; Tuyến đường bộ có nguy cơ chạy rỗng chiều về 60%.
  • Xử lý hệ thống: Module tính toán kích hoạt hệ số chạy rỗng 1.39, tự động quét mạng lưới đối tác tại Hà Nam để tìm kiếm đơn hàng chiều về (vận chuyển clinker/vật liệu xây dựng về Hải Phòng).
  • Đầu ra: Giá cước tối ưu được xuất tự động sau 10 phút, vừa đảm bảo biên lãi gộp 14% cho VIM JSC, vừa thấp hơn 4% so với báo giá của đối thủ Trường Nam nhờ tối ưu hóa chiều về.

Phân tích chi phí - lợi ích (Cost-Benefit & ROI)

        CƠ CẤU CHI PHÍ ĐẦU TƯ VÀ HOÀN VỐN (DỰ KIẾN 12 THÁNG)

Hạn chế và hướng phát triển

  • Hạn chế hiện tại:
    • Đội xe 23 chiếc và 2 tàu thủy chưa được tích hợp cảm biến đo mức tiêu hao nhiên liệu tự động trực tiếp từ buồng đốt (IoT Telematics), dữ liệu tiêu hao hiện vẫn dựa trên định mức kỹ thuật tiêu chuẩn.
    • Nguồn lực tài chính còn hạn chế để triển khai các hệ thống Enterprise ERP toàn diện.
  • Hướng phát triển tương lai:
    • Tích hợp thiết bị giám sát hành trình GPS & cảm biến nhiên liệu IoT vào API định giá động để cập nhật tham số thời gian thực.
    • Xây dựng cổng thông tin khách hàng (Customer Portal) cho phép các đối tác B2B tự tra cứu trạng thái đơn hàng, tải hóa đơn điện tử và chứng từ giao nhận (e-POD).

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Tham khảo mô hình nghiên cứu Marketing dịch vụ (7P) ứng dụng cụ thể vào lĩnh vực vận tải và khoáng sản B2B thay vì các lý thuyết bán lẻ tiêu dùng B2C thông thường.
  • Đội ngũ quản lý doanh nghiệp SMEs: Mô hình giải quyết bài toán kiểm soát chi phí và tối ưu hóa năng lực cạnh tranh trong bối cảnh lợi nhuận mỏng.
  • Kỹ sư dữ liệu & Chuyên viên phân tích: Khung kiến trúc kết hợp giữa mô hình hóa kinh doanh và các công cụ lập trình, cơ sở dữ liệu hiện đại.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để vận hành mô hình Marketing dữ liệu này là gì?

Hệ thống yêu cầu máy chủ Linux (Ubuntu Server 22.04 LTS), cấu hình tối thiểu 4 vCPU, 8GB RAM, cài đặt PostgreSQL 15+ và môi trường thực thi Python 3.11. Toàn bộ giải pháp có thể đóng gói dưới dạng Docker Container để triển khai nhanh chóng.

2. Mô hình định giá động xử lý thế nào khi giá xăng dầu biến động đột ngột?

Thuật toán tách riêng biến số chi phí cơ sở và phụ phí nhiên liệu (Fuel Surcharge Index). Khi giá xăng dầu điều chỉnh từ Petrolimex, tham số current_fuel_price được cập nhật tức thì, giúp toàn bộ báo giá mới tự động điều chỉnh mà không cần lập lại bảng giá thủ công.

3. Làm thế nào để giải quyết vấn đề xe chạy rỗng chiều về?

Hệ thống sử dụng ma trận tuyến đường liên kết với dữ liệu khách hàng theo vùng địa lý. Khi có chuyến xuất bến từ Hải Phòng đi tỉnh, hệ thống kích hoạt thông báo tự động cho nhân viên Marketing để ưu tiên tiếp cận các khách hàng có nhu cầu gửi hàng từ tỉnh đó về cụm cảng Hải Phòng.

4. Doanh nghiệp cần bao nhiêu nhân sự để vận hành quy trình mới?

Không cần mở rộng bộ máy cồng kềnh; chỉ cần 02 nhân sự chuyên trách (01 Trưởng nhóm Marketing - Định giá phụ trách cấu hình hệ thống và 01 Chuyên viên Marketing trực tiếp & CSKH) phối hợp cùng phòng Điều vận hiện tại.

5. Khả năng bảo mật thông tin giá cước và dữ liệu khách hàng ra sao?

Cơ sở dữ liệu PostgreSQL được phân quyền theo vai trò (Role-Based Access Control - RBAC). Báo giá được mã hóa và chỉ nhân sự có thẩm quyền mới có quyền truy xuất lịch sử chiết khấu của từng khách hàng chiến lược.

Kết luận

Nghiên cứu đã giải quyết toàn diện bài toán nâng cao hiệu quả sản xuất kinh doanh tại Công ty Cổ phần Đầu tư và Khai khoáng Việt Nam thông qua việc chuyển hóa lý thuyết Marketing 7P thành các công cụ định lượng và tự động hóa quy trình nghiệp vụ. Việc chuẩn hóa chính sách giá, tối ưu hóa kênh tiếp thị trực tiếp và nâng cao năng lực kiểm soát chi phí vận hành mở ra con đường tăng trưởng bền vững cho VIM JSC trong giai đoạn mới. Các doanh nghiệp logistics và khai khoáng có thể tham khảo áp dụng mô hình này để bứt phá năng lực cạnh tranh trong kỷ nguyên số.