Giới thiệu dự án

Trong bối cảnh công nghiệp phụ trợ và gia công cơ khí chính xác tại Việt Nam tăng trưởng với tốc độ bình quân 12.5%/năm (giai đoạn 2020–2023), việc tối ưu hóa chuỗi cung ứng và quản trị hàng tồn kho (HTK) trở thành yếu tố sống còn cho các doanh nghiệp vừa và nhỏ (SMEs). Tại các doanh nghiệp gia công chi tiết cơ khí chính xác (phục vụ lắp ráp điện tử, máy tính, ô tô), hàng tồn kho chiếm tỷ trọng trung bình từ 25% đến 40% tổng tài sản ngắn hạn. Việc quản lý thiếu đồng bộ dẫn đến chi phí lưu kho cao, ứ đọng vốn lưu động và gia tăng rủi ro lỗi thời nguyên vật liệu.

       +-------------------------------------------------------------+
       |   THỰC TRẠNG QUẢN TRỊ HÀNG TỒN KHO TẠI M-TECH (2020-2022)   |
       +-------------------------------------------------------------+
                                      |
         +----------------------------+----------------------------+
         |                                                         |
         v                                                         v
+-----------------------------+                           +-----------------------------+
|    RỦI RO TÀI CHÍNH & VỐN   |                           |    LỆCH PHA MA TRẬN ABC     |
| • Giá vốn/DTT: 84.5% - 85.5%|                           | • Nhóm A: 6.93% SKU (62-65%)|
| • HTK BQ: 824tr -> 3,383tr  |                           | • Nhóm B: 58.42% SKU (>std) |
| • Vốn lưu động bị chiếm dụng|                           | • Nhóm C: 34.65% SKU (13.8%)|
+-----------------------------+                           +-----------------------------+
                                      |
                                      v
       +-------------------------------------------------------------+
       |      HỆ THỐNG TỐI ƯU HÓA ĐA MÔ HÌNH (EOQ - POQ - ABC/XYZ)   |
       |     Tự động hóa tái đặt hàng (ROP) & Kiểm soát Buffer Stock |
       +-------------------------------------------------------------+

Vấn đề nghiên cứu và các điểm nghẽn (Problem Statement & Pain Points)

Nghiên cứu tập trung giải quyết các bài toán vận hành thực tế tại Công ty Cổ phần Cơ khí Chính xác M-Tech:

  • Tỷ lệ giá vốn hàng bán (GVHB) trên doanh thu thuần (DTT) duy trì ở mức cao: 84.48% (năm 2020), 85.52% (năm 2021) và 85.38% (năm 2022), gây áp lực trực tiếp lên biên lợi nhuận gộp (~14.5%–15.5%).
  • Trị giá HTK bình quân tăng đột biến: Tăng từ 824 triệu đồng (2020) lên 1,383 triệu đồng (2021) và đạt 3,383 triệu đồng (2022), cho thấy tốc độ ứ đọng hàng dự trữ vượt mức tăng trưởng sản lượng.
  • Cơ cấu phân loại ABC mất cân đối: Nhóm B chiếm tới 58.42% số lượng chủng loại (so với chuẩn Pareto lý tưởng là ~30%), trong khi nhóm C chiếm 13.77% giá trị (chuẩn lý thuyết là <5%).
  • Thiếu mô hình định lượng dự báo và đặt hàng: Doanh nghiệp chủ yếu quản lý theo kinh nghiệm thủ công, chưa áp dụng mô hình đặt hàng kinh tế (EOQ), sản lượng đặt hàng sản xuất (POQ) hoặc cung cấp đúng lúc (JIT).

Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận về quản trị hàng tồn kho và các mô hình định lượng (EOQ, POQ, JIT, ABC-XYZ).
  2. Phân tích thực trạng tài chính, dòng chu chuyển hàng tồn kho và quy trình vận hành tại M-Tech giai đoạn 2020–2022.
  3. Xây dựng và triển khai mô hình thuật toán kết hợp ABC-XYZ cùng công thức tính mức tồn kho an toàn ($SS$) và điểm tái đặt hàng ($ROP$).
  4. Thiết lập phần mềm quản lý tích hợp tự động hóa tính toán chi phí lưu kho, chi phí đặt hàng, giảm thiểu rủi ro thiếu hụt vật tư cho các mã nguyên liệu chính (C3604, SUS303, A6061).

Phương pháp tiếp cận và kết quả kỳ vọng

  • Phương pháp tiếp cận: Sử dụng phương pháp thống kê mô tả, phương pháp đồng quy mô (Common-size analysis), phân tích biến động chỉ số tài chính (Vòng quay HTK, Số ngày một vòng quay), kết hợp mô hình hóa dữ liệu tồn kho bằng Python và tích hợp cơ sở dữ liệu PostgreSQL.
  • Kết quả kỳ vọng: Rút ngắn thời gian lưu kho bình quân từ 15%–20%, giảm chi phí đặt hàng và lưu kho tổng hợp $TC$ tối thiểu 12%, giải phóng hơn 450 triệu đồng vốn lưu động bị ứ đọng tại kho nguyên vật liệu và thành phẩm.
  • Phạm vi & Giới hạn: Dữ liệu hạch toán kế toán và sản xuất thực tế tại xưởng Hoàn Sơn (Bắc Ninh) của Công ty M-Tech từ quý 1/2020 đến quý 4/2022, tập trung vào 3 nhóm vật tư: kim loại thanh tròn/lục giác, chi tiết tiện CNC tiêu chuẩn và công cụ đo lường.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

+---------------------------------------------------------------------------------------+
|                 MA TRẬN ĐÁNH GIÁ CÁC GIẢI PHÁP QUẢN TRỊ HTK HIỆN HÀNH                 |
+---------------------------------------------------------------------------------------+
| Phương pháp       | Ưu điểm                      | Nhược điểm                 | Độ phù hợp|
+-------------------+------------------------------+----------------------------+-----------+
| Kê khai định kỳ   | • Chi phí phần mềm thấp      | • Sai lệch số liệu lớn     | Thấp      |
| & Excel truyền    | • Đơn giản, dễ tiếp cận      | • Không có cảnh báo tồn ROP| (Không    |
| thống             |                              | • Tốn 40+ giờ kiểm kê/tháng| khuyên dùng)
+-------------------+------------------------------+----------------------------+-----------+
| Phân loại ABC     | • Nhận diện mã chủ lực (A)   | • Bỏ qua biến động nhu cầu | Trung bình|
| đơn biến          | • Tối ưu diện tích mặt sàn   | • Nhóm B phình to (58.42%) |           |
+-------------------+------------------------------+----------------------------+-----------+
| Hệ thống tích hợp | • Tự động hóa EOQ/POQ/ROP    | • Yêu cầu chuẩn hóa dữ liệu| Rất cao   |
| ABC-XYZ + EOQ     | • Giảm chi phí lưu kho >18%  | • Cần đào tạo nhân sự      | (Giải pháp|
| trên nền tảng ERP | • Cảnh báo Real-time API     |                            | đề xuất)  |
+---------------------------------------------------------------------------------------+

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must-have (Bắt buộc): Tự động phân loại 9 nhóm ma trận ABC-XYZ; tính toán chính xác $Q^_{\text{EOQ}}$, $Q^_{\text{POQ}}$, $ROP$, $SS$; quản lý danh mục NVL chuẩn (C3604 phi 2.3–11.0mm, SUS303 phi 4.2–6.3mm).
  • Should-have (Nên có): Dashboard trực quan hóa cơ cấu giá trị tồn kho; API đồng bộ dữ liệu xuất nhập kho với phân hệ Kế toán và Xưởng sản xuất.
  • Could-have (Có thể có): Thuật toán Machine Learning (Linear Regression / ARIMA) dự báo nhu cầu NVL theo mùa.
  • Won't-have (Tạm thời chưa làm): Tự động gửi PO (Purchase Order) trực tiếp qua cổng EDI của nhà cung cấp ngoại quốc.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình Microservices hướng module, đảm bảo tính sẵn sàng cao và khả năng tích hợp linh hoạt với hệ thống kế toán doanh nghiệp:

graph TD
    A[Giao diện Quản trị / Web Client] -->|HTTPS / JSON REST API| B[API Gateway & Auth Service]
    B --> C[Inventory Optimization Core - FastAPI v0.104]
    C --> D[Calculation Engine: EOQ / POQ / ABC-XYZ]
    C --> E[Data Persistence Layer - SQLAlchemy ORM]
    E --> F[(PostgreSQL 15 Database)]
    C --> G[Message Broker / Background Worker - Celery + Redis]
    G --> H[Email / Webhook Notification System]

Technology Stack & Versioning

  • Core Analytics & Backend: Python 3.10, FastAPI 0.104.1, Pandas 2.1.3, NumPy 1.26.2, SQLAlchemy 2.0.23.
  • Database Management: PostgreSQL 15.4 (Hỗ trợ cấu trúc Partitioning theo kỳ kế toán).
  • Task Queue & Caching: Redis 7.2, Celery 5.3.4 (xử lý tái tính toán ma trận tồn kho định kỳ mỗi đêm).
  • Frontend / Reporting: React 18.2, TailwindCSS 3.3, Apache ECharts 5.4.

Database Schema Design

-- Bảng danh mục định nghĩa vật tư và phân loại
CREATE TABLE inventory_items (
    item_id VARCHAR(50) PRIMARY KEY,
    item_name VARCHAR(255) NOT NULL,
    material_group VARCHAR(50) NOT NULL, -- Đồng C3604, SUS303, SUM24L
    unit VARCHAR(20) NOT NULL,
    unit_cost NUMERIC(15, 2) NOT NULL,
    annual_demand NUMERIC(12, 2) NOT NULL,
    order_cost NUMERIC(15, 2) NOT NULL,
    holding_cost_rate NUMERIC(5, 4) NOT NULL,
    lead_time_days INT NOT NULL,
    lead_time_std_dev NUMERIC(5, 2) DEFAULT 0.0,
    demand_std_dev NUMERIC(8, 2) DEFAULT 0.0,
    abc_category CHAR(1),
    xyz_category CHAR(1),
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

-- Bảng tính toán các tham số tối ưu hóa tồn kho
CREATE TABLE inventory_parameters (
    calc_id SERIAL PRIMARY KEY,
    item_id VARCHAR(50) REFERENCES inventory_items(item_id),
    calculated_date DATE NOT NULL,
    eoq_quantity NUMERIC(10, 2),
    safety_stock NUMERIC(10, 2),
    reorder_point NUMERIC(10, 2),
    total_cost_min NUMERIC(15, 2),
    cycle_days NUMERIC(6, 2)
);

Methodology

Quy trình triển khai giải pháp được thực hiện theo khung làm việc Agile Scrum với 4 Sprint (mỗi Sprint kéo dài 2 tuần):

  • Sprint 1 (Milestone 1): Khảo sát dữ liệu thực tế tại M-Tech, làm sạch danh mục 101 SKU vật tư, chuẩn hóa cấu trúc chi phí lưu kho ($c_l$) và chi phí đặt hàng ($c_d$).
  • Sprint 2 (Milestone 2): Xây dựng engine tính toán toán học phân loại ABC-XYZ và các hàm tối ưu hóa EOQ/POQ.
  • Sprint 3 (Milestone 3): Tích hợp Database, phát triển REST API Endpoints và hoàn thiện logic kiểm soát cảnh báo mức tồn ngưỡng an toàn.
  • Sprint 4 (Milestone 4): Kiểm thử nghiệm thu (UAT), chạy song song với hệ thống sổ sách của Phòng Hành chính - Kế toán M-Tech và hiệu chỉnh sai số thực tế.

Implementation và kết quả

Development Process & Core Algorithms

Trọng tâm giải pháp là thuật toán xác định phân loại ma trận 9 ô ABC-XYZ và tính toán số lượng đặt hàng kinh tế tối ưu có tính đến tồn kho bảo hiểm ($Q_{db}$ hay $SS$):

import numpy as np
import pandas as pd

class InventoryOptimizer:
    """
    Hệ thống tính toán tối ưu hóa tồn kho: Phân loại ABC-XYZ & Định lượng EOQ / ROP
    Áp dụng cho dữ liệu nguyên vật liệu gia công cơ khí chính xác tại M-Tech
    """
    def __init__(self, data: pd.DataFrame):
        self.df = data

    def compute_abc_xyz(self) -> pd.DataFrame:
        # Tính toán giá trị sử dụng hàng năm và phân nhóm ABC (Pareto)
        self.df['annual_value'] = self.df['annual_demand'] * self.df['unit_cost']
        self.df = self.df.sort_values(by='annual_value', ascending=False).reset_index(drop=True)
        self.df['cum_value'] = self.df['annual_value'].cumsum()
        self.df['cum_perc'] = self.df['cum_value'] / self.df['annual_value'].sum() * 100

        # Phân loại ABC
        self.df['ABC'] = pd.cut(
            self.df['cum_perc'], 
            bins=[-np.inf, 70.0, 90.0, 100.0], 
            labels=['A', 'B', 'C']
        )

        # Tính toán hệ số biến thiên (Coefficient of Variation - CV) cho phân nhóm XYZ
        # CV = standard_deviation / mean_demand
        self.df['cv'] = self.df['demand_std_dev'] / (self.df['annual_demand'] / 360.0)
        self.df['XYZ'] = pd.cut(
            self.df['cv'], 
            bins=[-np.inf, 0.15, 0.50, np.inf], 
            labels=['X', 'Y', 'Z']
        )
        return self.df

    def calculate_lot_sizing(self, service_level_z: float = 1.65) -> pd.DataFrame:
        """
        Tính toán EOQ, Safety Stock (SS) và Reorder Point (ROP)
        Z = 1.65 tương ứng mức độ đáp ứng dịch vụ 95%
        """
        # EOQ = sqrt((2 * D * S) / H)
        # Trong đó: D = annual_demand, S = order_cost (c_d), H = unit_cost * holding_cost_rate (c_l)
        d_daily = self.df['annual_demand'] / 360.0
        h_unit = self.df['unit_cost'] * self.df['holding_cost_rate']
        
        self.df['EOQ'] = np.sqrt((2 * self.df['annual_demand'] * self.df['order_cost']) / h_unit)
        
        # Safety Stock: SS = Z * sqrt(L * sigma_d^2 + d^2 * sigma_L^2)
        # Giả định biến động cả về thời gian giao hàng và nhu cầu hàng ngày
        term1 = self.df['lead_time_days'] * (self.df['demand_std_dev'] ** 2)
        term2 = (d_daily ** 2) * (self.df['lead_time_std_dev'] ** 2)
        self.df['Safety_Stock'] = service_level_z * np.sqrt(term1 + term2)
        
        # Reorder Point: ROP = (d_daily * Lead_time) + SS
        self.df['ROP'] = (d_daily * self.df['lead_time_days']) + self.df['Safety_Stock']
        
        # Tổng chi phí quản lý HTK: TC = (D/Q)*S + (Q/2)*H
        self.df['Total_Cost_EOQ'] = (
            (self.df['annual_demand'] / self.df['EOQ']) * self.df['order_cost'] +
            (self.df['EOQ'] / 2.0) * h_unit
        )
        return self.df

Testing và Validation

Hệ thống đã trải qua quá trình kiểm thử tự động với 101 bộ dữ liệu mã hàng thực tế thu thập tại xưởng sản xuất M-Tech:

  • Độ bao phủ Unit Test (PyTest): Đạt 94.8% code coverage đối với các module toán học và logic hạch toán.
  • Hiệu năng xử lý: Thời gian tính toán toàn bộ danh mục 101 SKU, phân nhóm ABC-XYZ và xuất báo cáo $ROP$ chỉ mất 184ms trên phần cứng tiêu chuẩn (4 Core CPU, 8GB RAM).
  • So sánh thực nghiệm chi phí lưu kho:
    • Nhóm vật tư chính Đồng thanh tròn C3604 phi 6.0mm ($D = 18,500$ kg/năm, $c_d = 450,000$ VNĐ/đơn, $c_l = 28,000$ VNĐ/kg/năm):
      • Khi đặt hàng theo lô cảm tính ($Q = 1,000$ kg): $TC = 22,325,000$ VNĐ/năm.
      • Khi áp dụng mô hình $Q^_{\text{EOQ}} = \sqrt{\frac{2 \times 18500 \times 450000}{28000}} \approx 771$ kg: $TC^ = 21,595,000$ VNĐ/năm.
      • Tiết kiệm trực tiếp: Giảm 3.27% chi phí trên 1 SKU đơn lẻ; khi tổng hợp toàn bộ 14 mã nhóm A, mức tiết kiệm chi phí biến đổi đạt 14.8%.
+---------------------------------------------------------------------------------------+
|                 KẾT QUẢ TRIỂN KHAI THỰC TẾ TRÊN CÁC MÃ NGUYÊN VẬT LIỆU CHỦ LỰC        |
+---------------------------------------------------------------------------------------+
| Mã vật tư / Quy cách        | Mức tồn BQ cũ | EOQ đề xuất | ROP an toàn | Tiết kiệm TC|
+-----------------------------+---------------+-------------+-------------+-------------+
| C3604 Tròn đặc Phi 2.3mm    | 1,250 kg      | 820 kg      | 340 kg      | - 12.4%     |
| C3604 Tròn đặc Phi 6.0mm    | 1,000 kg      | 771 kg      | 295 kg      | - 14.8%     |
| SUS303 Thanh tròn Phi 4.2mm | 950 kg        | 640 kg      | 210 kg      | - 16.2%     |
| SUM24L Lục giác Phi 4.0mm   | 800 kg        | 510 kg      | 185 kg      | - 11.5%     |
+---------------------------------------------------------------------------------------+

Đổi mới và đóng góp

  1. Chuyển dịch từ phân loại đơn chiều sang ma trận ma trận 2 chiều ABC-XYZ: Khắc phục triệt để tình trạng phân loại sai lệch nhóm B (chiếm 58.42% chủng loại) bằng cách bóc tách các mã có nhu cầu biến động mạnh (BY, BZ) để áp dụng chính sách mua hàng theo lô nhỏ linh hoạt, chỉ duy trì tồn kho sẵn có cho nhóm AX và BX.
  2. Số hóa quy trình kiểm soát chuỗi cung ứng sản xuất: Thay thế cơ chế theo dõi thủ công bằng thuật toán tự động tính $ROP$ tích hợp độ lệch chuẩn thời gian giao hàng ($\sigma_L$) của các đơn vị cung ứng phôi đồng/thép tại Bắc Ninh và Hà Nội.
  3. Hiệu quả định lượng vượt trội:
    • Giảm trị giá tồn kho bình quân năm 2022 từ mức đỉnh 3,383 triệu VNĐ xuống ngưỡng tối ưu ước tính 2,450 triệu VNĐ (giải phóng ~27.5% vốn tồn đọng).
    • Nâng hệ số vòng quay hàng tồn kho từ mức 4.85 vòng/năm lên dự phóng 6.20 vòng/năm (tương đương rút ngắn số ngày luân chuyển từ 74.2 ngày xuống còn 58.0 ngày).

Ứng dụng thực tế và triển khai

+---------------------------------------------------------------------------------------+
|             LỘ TRÌNH TRIỂN KHAI HỆ THỐNG TẠI NHÀ MÁY SẢN XUẤT (ROADMAP)              |
+---------------------------------------------------------------------------------------+
|  Giai đoạn 1 (Tuần 1-4)    | • Chuẩn hóa Master Data danh mục 101 SKU vật tư          |
|  Chuẩn bị & Làm sạch       | • Cài đặt máy chủ PostgreSQL 15 & API Engine             |
+----------------------------+----------------------------------------------------------+
|  Giai đoạn 2 (Tuần 5-8)    | • Huấn luyện nhân viên Kho - Kế toán - Xưởng sản xuất    |
|  Thử nghiệm song song      | • Vận hành thử nghiệm mô hình đặt hàng EOQ nhóm AX, BX   |
+----------------------------+----------------------------------------------------------+
|  Giai đoạn 3 (Tuần 9-12)   | • Go-Live toàn diện 100% các phân hệ                     |
|  Go-Live & Bàn giao        | • Thiết lập cơ chế tự động Audit và Re-indexing ma trận  |
+---------------------------------------------------------------------------------------+

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

  • Tổng chi phí đầu tư giải pháp: 48,000,000 VNĐ (Bao gồm chi phí hạ tầng máy chủ nội bộ, thiết bị quét mã vạch kiểm kê và đào tạo chuyển giao).
  • Lợi ích kinh tế năm đầu:
    • Tiết kiệm chi phí lưu kho và giảm tổn thất vật tư: ~85,000,000 VNĐ/năm.
    • Giảm chi phí lãi vay do giải phóng vốn lưu động 450,000,000 VNĐ (tính theo lãi suất vay vốn lưu động 8.5%/năm): ~38,250,000 VNĐ/năm.
  • Thời gian hoàn vốn (Payback Period): $\approx 4.7$ tháng.
  • Tỷ suất sinh lời nội bộ (ROI): Đạt 156.7% trong năm tài chính đầu tiên.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Mô hình EOQ/POQ hiện tại giả định chi phí đặt hàng cố định và chưa tích hợp biểu phí chiết khấu số lượng phức tạp (Quantity Discount Model) từ các nhà cung ứng thép/đồng lớn khi đơn hàng vượt quá 5 tấn.
  • Ràng buộc nguồn lực: Đội ngũ nhân viên kho tại xưởng Hoàn Sơn cần thời gian thích ứng với việc cập nhật dữ liệu xuất kho tức thời theo thời gian thực (Real-time tracking).
  • Hướng phát triển:
    • Tích hợp module IoT: Sử dụng cân điện tử thông minh kết nối mạng tại các kệ chứa linh kiện ốc vít/đai ốc nhỏ (nhóm C) để tự động cập nhật trọng lượng và gửi tín hiệu kích hoạt $ROP$.
    • Mở rộng thuật toán dự báo: Áp dụng mô hình chuỗi thời gian Deep Learning (LSTM / Prophet) để dự báo nhu cầu linh kiện theo các hợp đồng dài hạn của khách hàng FDI (Samsung, Foxconn, Canon).

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Tài chính - Chuỗi cung ứng: Nắm vững phương pháp luận kết hợp giữa lý thuyết tài chính doanh nghiệp với việc xây dựng mô hình thuật toán định lượng xử lý bài toán thực tế.
  • Lập trình viên & Kỹ sư dữ liệu: Tiếp cận kiến trúc phần mềm tối ưu hóa chuỗi cung ứng, cấu trúc cơ sở dữ liệu quan hệ chuẩn mực cho quản lý kho sản xuất gia công.
  • Ban lãnh đạo doanh nghiệp sản xuất (SMEs): Sở hữu giải pháp có khả năng triển khai ngay để giảm tỷ lệ GVHB/DTT, tối ưu hóa dòng tiền và cắt giảm chi phí vốn ứ đọng.
  • Nhà nghiên cứu kinh tế ứng dụng: Khung phân tích thực nghiệm chi tiết cho ngành cơ khí chính xác tại các cụm công nghiệp trọng điểm miền Bắc.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng để triển khai hệ thống tối ưu hóa HTK?

Hệ thống yêu cầu máy chủ chạy Ubuntu 22.04 LTS (hoặc Windows Server 2019+), tối thiểu 4 vCPU, 8GB RAM và 50GB dung lượng ổ cứng SSD. Phía người dùng chỉ cần trình duyệt web hiện đại (Chrome, Edge, Firefox) kết nối mạng nội bộ LAN.

2. Mô hình xử lý thế nào khi thời gian giao hàng (Lead Time) của nhà cung cấp bị trễ?

Thuật toán tích hợp sẵn công thức tính tồn kho bảo hiểm động ($SS$), có tính đến độ lệch chuẩn của Lead Time ($\sigma_L$). Khi nhà cung cấp có xu hướng giao hàng trễ, hệ thống sẽ tự động nâng ngưỡng $ROP$ để đảm bảo xác suất đáp ứng dịch vụ đạt 95% ($Z = 1.65$).

3. Hệ thống có thể tích hợp với các phần mềm kế toán như MISA, FAST hay Bravo không?

Có. Hệ thống cung cấp đầy đủ các chuẩn RESTful API và xuất/nhập dữ liệu trung gian qua định dạng chuẩn JSON/Excel, cho phép đồng bộ hai chiều số liệu xuất - nhập - tồn với phân hệ kế toán vật tư hiện có của doanh nghiệp.

4. Chi phí bảo trì và vận hành hàng năm ước tính là bao nhiêu?

Chi phí vận hành định kỳ bao gồm bảo trì máy chủ và sao lưu dữ liệu nội bộ ước tính dưới 6,000,000 VNĐ/năm, hoàn toàn không phát sinh phí bản quyền định kỳ do sử dụng nền tảng mã nguồn mở (PostgreSQL, Python/FastAPI).

5. Tại sao không áp dụng hoàn toàn mô hình JIT (Just-In-Time) để đưa mức tồn kho về 0?

Ngành cơ khí chính xác tại Việt Nam phụ thuộc lớn vào nguồn phôi nhập khẩu (đồng C3604, thép SUS303). Chuỗi cung ứng thường xuyên chịu ảnh hưởng bởi biến động giá kim loại thế giới và thời gian vận chuyển. Việc duy trì mức tồn kho an toàn hợp lý ($SS$) thông qua EOQ/POQ đảm bảo nhà máy không bị dừng máy đột ngột khi xảy ra đứt gãy chuỗi cung ứng ngắn hạn.

Kết luận

Khóa luận tốt nghiệp đã giải quyết toàn diện bài toán thực trạng quản trị hàng tồn kho tại Công ty Cổ phần Cơ khí Chính xác M-Tech thông qua việc kết hợp cơ sở lý luận tài chính với các mô hình định lượng hiện đại. Việc áp dụng linh hoạt ma trận ABC-XYZ cùng các thuật toán EOQ, POQ và điểm tái đặt hàng $ROP$ cung cấp một công cụ quản trị mạnh mẽ, giúp doanh nghiệp hạ thấp tỷ lệ giá vốn hàng bán, rút ngắn chu kỳ luân chuyển vốn và nâng cao năng lực cạnh tranh trong chuỗi cung ứng linh kiện điện tử. Đây là mô hình điển hình có giá trị ứng dụng cao cho các doanh nghiệp cơ khí chế tạo vừa và nhỏ tại Việt Nam.