Giới thiệu dự án

Nguồn nhân lực trong ngành logistics và khai thác cảng biển đóng vai trò là yếu tố cạnh tranh chiến lược hàng đầu, đặc biệt trong bối cảnh các cảng biển phía Bắc chịu áp lực chuyển đổi sang mô hình cảng thông minh (Smart Port). Theo số liệu từ Hiệp hội Cảng biển Việt Nam (VPA), chi phí lao động và hiệu suất bốc xếp tại cầu bến chiếm từ 45% đến 60% tổng chi phí vận hành (OPEX) của một doanh nghiệp cảng tổng hợp. Tại Công ty Cổ phần Cảng Hải Phòng – đơn vị có bề dày lịch sử hình thành từ năm 1874 – việc tối ưu hóa hiệu quả sử dụng 749 cán bộ công nhân viên (CBCNV) trong giai đoạn 2019–2020 là yêu cầu cấp thiết để duy trì vị thế dẫn đầu trước sự cạnh tranh từ các bến cảng nước sâu hiện đại.

Problem statement tập trung vào các điểm nghẽn (pain points) cốt lõi:

  • Cơ cấu lao động chưa tối ưu: Tỷ lệ lao động gián tiếp còn chiếm 13,48% (101 người trên tổng số 749 người năm 2020), tạo gánh nặng chi phí quản lý hành chính và làm chậm luồng thông tin ra quyết định tác nghiệp.
  • Quy trình tuyển dụng và đánh giá năng lực còn mang tính định tính: Nặng tính nội bộ khép kín, chưa gắn kết chỉ số KPI định lượng theo sản lượng bốc dỡ thời gian thực với hệ thống đãi ngộ, dẫn đến việc chưa kích thích tối đa năng suất lao động cá nhân.
  • Chưa đồng bộ hóa hạ tầng công nghệ thông tin trong quản trị nhân sự: Dữ liệu từ hệ thống quản lý bến container (CTMS) và hệ thống tài chính kế toán (MIS-G2) chưa liên thông tự động với phần mềm quản lý nhân sự - tiền lương (MIS-G3).

Mục tiêu cụ thể của đề tài gồm 3 nhiệm vụ trọng tâm:

  1. Hệ thống hóa cơ sở lý luận về hiệu quả sử dụng nguồn nhân lực và phương pháp đo lường năng suất lao động trong doanh nghiệp cảng biển.
  2. Phân tích thực trạng biến động lao động, cơ cấu trình độ, giới tính, độ tuổi và đánh giá hiệu suất kinh doanh qua các chỉ tiêu kinh tế - kỹ thuật tại Công ty CP Cảng Hải Phòng giai đoạn 2019–2020.
  3. Đề xuất mô hình giải pháp tích hợp: Tái cơ cấu định mức lao động cầu bến, hoàn thiện quy chế đánh giá xếp loại theo KPI gắn với hệ số năng suất thực tế và chuyển đổi số quy trình quản lý nhân sự.

Giải pháp ứng dụng phương pháp phân tích định lượng kết hợp chuẩn hóa ma trận phân công lao động theo ca kíp (6h, 8h, 12h) và tích hợp luồng dữ liệu tác nghiệp bến bãi vào hệ thống MIS-G3. Kết quả kỳ vọng giúp giảm tỷ trọng lao động gián tiếp xuống dưới 12%, nâng tỷ suất doanh thu bình quân trên mỗi lao động tối thiểu 8,5%/năm và loại bỏ hoàn toàn các lỗi xếp dỡ do phân ca không đồng đều. Phạm vi nghiên cứu tập trung vào toàn bộ các phòng ban nghiệp vụ và các đội sản xuất trực tiếp (Đội Xếp dỡ, Đội Cần trục, Đội Cơ giới, Đội CFS) tại Công ty CP Cảng Hải Phòng.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại khu vực Hải Phòng, sự phát triển của các cảng mới như Cảng VIP Green, Cảng Nam Đình Vũ và Cảng Quốc tế Lạch Huyện đã phân chia mạnh mẽ thị phần hàng container. Đồng thời, việc chuyển dịch cơ cấu từ hàng ngoài container sang container hóa đòi hỏi quy trình vận hành tinh gọn hơn.

Tiêu chí phân tích Phương pháp thủ công / Truyền thống Quản trị nhân lực tích hợp (Đề xuất)
Bố trí ca kíp Dựa trên kinh nghiệm điều độ, phân ca cố định Tự động hóa dựa trên sản lượng tàu cập bến & CTMS
Đánh giá KPI Bình xét định tính cuối kỳ, bình quân chủ nghĩa Đo lường định lượng theo TEU/tấn hàng bốc dỡ thực tế
Thời gian chốt lương 5-7 ngày làm việc sau khi kết thúc tháng Tự động tổng hợp dữ liệu chấm công - sản lượng (< 24h)
Tỷ lệ sai sót dữ liệu ~3,5% do nhập liệu thủ công nhiều bước Giảm xuống < 0,1% nhờ liên thông MIS-G3 và CTMS

Yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Phân rã định mức lao động theo từng dòng thiết bị (cần trục chân đế, QC, RTG); tính toán chính xác hệ số lương chuyên môn theo Nghị định 17/2013/NĐ-CP kết hợp phụ cấp năng suất.
  • Should have: Tích hợp module theo dõi an toàn lao động hiện trường và cảnh báo thời gian nghỉ chuyển ca (12h, 16h, 36h).
  • Could have: Ứng dụng thuật toán tối ưu hóa lịch trực cho 141 công nhân cần trục và 147 công nhân xếp dỡ.
  • Won't have: Tự động hóa thay thế hoàn toàn vai trò phê duyệt nhân sự của Ban Tổ chức Tiền lương trong giai đoạn hiện tại.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình 3 lớp phân tán, liên kết trực tiếp trên hạ tầng mạng cáp quang Cisco STP/UTP và mạng không dây 54 Mbps hiện hữu của Cảng Hải Phòng.

flowchart TD
    subgraph Client_Layer ["Client Layer (83 Trạm làm việc & Mobile App)"]
        UI1["Giao diện Điều độ Bến bãi"]
        UI2["Cổng Thông tin Nhân viên (KPI Portal)"]
        UI3["Giao diện Quản trị Nhân sự - Ban TCTL"]
    end

    subgraph Service_Layer ["Business Logic & Application Layer"]
        API_GW["API Gateway / Reverse Proxy (Nginx v1.20)"]
        AUTH["Module Xác thực & Phân quyền (RBAC)"]
        KPI_ENG["Engine Tính toán KPI & Hiệu suất Lao động"]
        SCHED["Engine Tối ưu Lịch trực & Bố trí Ca kíp"]
        PAY_ENG["Engine Tính Lương & Đãi ngộ Tự động"]
    end

    subgraph Integration_Layer ["Enterprise Systems Integration"]
        CTMS["Hệ thống Quản lý Bến Container (CTMS v4.2)"]
        MIS_G2["Hệ thống Tài chính Kế toán (MIS-G2 v2.4)"]
        MIS_G3["Hệ thống Quản trị Nhân sự (MIS-G3 v3.1)"]
    end

    subgraph Data_Layer ["Database Layer (MS SQL Server 2019 Cluster)"]
        DB_HR[(Cơ sở dữ liệu Nhân sự & Kỹ năng)]
        DB_PERF[(Dữ liệu Sản lượng & Nhật ký Ca kíp)]
    end

    UI1 & UI2 & UI3 --> API_GW
    API_GW --> AUTH
    AUTH --> KPI_ENG & SCHED & PAY_ENG
    KPI_ENG <--> CTMS
    PAY_ENG <--> MIS_G2
    SCHED <--> MIS_G3
    KPI_ENG & SCHED & PAY_ENG --> DB_HR & DB_PERF
  • Technology Stack:

    • Hệ điều hành máy chủ: Microsoft Windows Server 2019 Datacenter Edition.
    • Cơ sở dữ liệu: Microsoft SQL Server 2019 Enterprise Edition (hỗ trợ Always On Availability Groups).
    • Ngôn ngữ xử lý dữ liệu backend: Python 3.9 (pandas, numpy, scipy) kết hợp .NET Core 6.0 cho REST API.
    • Hệ thống bảo mật: Xác thực phân quyền Role-Based Access Control (RBAC), mã hóa dữ liệu đường truyền SSL/TLS 1.3 và AES-256 cho dữ liệu nhạy cảm về lương.
  • Database Design (Relational Schema):

-- Bảng lưu trữ thông tin cán bộ công nhân viên
CREATE TABLE Employee (
    EmployeeID VARCHAR(20) PRIMARY KEY,
    FullName NVARCHAR(100) NOT NULL,
    Gender NVARCHAR(10) CHECK (Gender IN ('Nam', 'Nu')),
    BirthDate DATE NOT NULL,
    DepartmentID VARCHAR(20) NOT NULL,
    PositionTitle NVARCHAR(100) NOT NULL,
    LaborType NVARCHAR(20) CHECK (LaborType IN ('Direct', 'Indirect')),
    BaseSalaryCoeff DECIMAL(4, 2) NOT NULL,
    EducationLevel NVARCHAR(50) NOT NULL
);

-- Bảng ghi nhận nhật ký ca kíp và sản lượng theo thời gian thực
CREATE TABLE WorkShiftLog (
    ShiftLogID BIGINT IDENTITY(1,1) PRIMARY KEY,
    EmployeeID VARCHAR(20) FOREIGN KEY REFERENCES Employee(EmployeeID),
    ShiftDate DATE NOT NULL,
    ShiftType NVARCHAR(10) CHECK (ShiftType IN ('6H', '8H', '12H', 'HC')),
    CraneEquipmentID VARCHAR(20) NULL,
    HandledTEU INT DEFAULT 0,
    HandledTonnage DECIMAL(10, 2) DEFAULT 0.0,
    SafetyViolationCount INT DEFAULT 0,
    CreatedAt DATETIME DEFAULT GETDATE()
);
  • API Design:
    • POST /api/v1/hr/shifts/schedule: Điều phối và phân bổ ca làm việc tự động dựa trên dự báo tàu cập bến.
    • GET /api/v1/hr/kpi/calculate?employeeId={id}&month={m}&year={y}: Truy xuất và tính toán chỉ số KPI tổng hợp theo sản lượng thực tế.
    • POST /api/v1/hr/payroll/sync-mis: Đồng bộ bảng lương tự động từ MIS-G3 sang hệ thống kế toán MIS-G2.

Methodology

Phương pháp tiếp cận triển khai kết hợp khung làm việc Agile Scrum (2 tuần/sprint) cho quá trình chuẩn hóa phần mềm và mô hình PDCA (Plan - Do - Check - Act) cho quá trình tái sắp xếp nhân sự tại cảng.

Lộ trình thực hiện (Timeline 12 tuần):
| Tuần 1-3: Thu thập số liệu, khảo sát quy trình tại 7 ban & 4 đội |
| Tuần 4-6: Thiết kế mô hình tính toán định mức và ma trận kỹ năng |
| Tuần 7-9: Triển khai thử nghiệm module KPI trên Đội Cần trục & Xếp dỡ |
| Tuần 10-12: Nghiệm thu, đánh giá kết quả và ban hành quy chế mới |
  • Đánh giá rủi ro và biện pháp giảm thiểu:
    • Tâm lý e ngại thay đổi của người lao động lớn tuổi (nhóm 46–60 tuổi chiếm 28,9%): Tổ chức đào tạo trực tiếp tại hiện trường, minh bạch hóa công thức tính lương năng suất.
    • Gián đoạn hoạt động xếp dỡ 24/7: Triển khai thử nghiệm song song (parallel run) trong 30 ngày trước khi áp dụng chính thức.

Implementation và kết quả

Development process

Quá trình thực hiện tập trung vào việc mô hình hóa các công thức quản trị nhân lực thành thuật toán tính toán định lượng tự động:

  1. Chỉ tiêu hiệu suất sử dụng lao động ($H_{ssld}$): $$H_{ssld} = \frac{\text{Doanh thu thuần}}{\text{Tổng số lao động bình quân trong kỳ}}$$
  2. Chỉ tiêu hiệu quả sử dụng lao động ($H_{qsld}$): $$H_{qsld} = \frac{\text{Lợi nhuận sau thuế}}{\text{Tổng số lao động bình quân trong kỳ}}$$
  3. Mức đảm nhiệm lao động ($M_{dn}$): $$M_{dn} = \frac{\text{Tổng số lao động bình quân trong kỳ}}{\text{Doanh thu thuần}}$$

Dưới đây là đoạn mã Python chuẩn hóa quy trình phân tích và tính toán chỉ số xếp loại KPI nhân sự dựa trên dữ liệu nhật ký ca kíp từ hệ thống CTMS:

import pandas as pd
import numpy as np

def calculate_employee_kpi(shift_logs_df: pd.DataFrame, base_weights: dict) -> pd.DataFrame:
    """
    Tính toán chỉ số năng suất và điểm KPI tổng hợp cho công nhân bốc xếp/cần trục.
    base_weights = {'tonnage_weight': 0.5, 'teu_weight': 0.3, 'safety_weight': 0.2}
    """
    summary = shift_logs_df.groupby('EmployeeID').agg(
        total_shifts=('ShiftLogID', 'count'),
        total_tonnage=('HandledTonnage', 'sum'),
        total_teu=('HandledTEU', 'sum'),
        total_violations=('SafetyViolationCount', 'sum')
    ).reset_index()

    # Tính điểm chuẩn hóa (Z-score normalization)
    summary['tonnage_score'] = (summary['total_tonnage'] - summary['total_tonnage'].mean()) / summary['total_tonnage'].std()
    summary['teu_score'] = (summary['total_teu'] - summary['total_teu'].mean()) / summary['total_teu'].std()
    summary['safety_score'] = np.maximum(0, 100 - (summary['total_violations'] * 25))

    # Tổng hợp chỉ số KPI cuối cùng (thang điểm 100)
    summary['Final_KPI_Score'] = (
        (summary['tonnage_score'] * 0.5 + summary['teu_score'] * 0.3) * 15 + 70 +
        (summary['safety_score'] * 0.2)
    ).clip(lower=0, upper=100)

    # Phân loại lao động
    conditions = [
        (summary['Final_KPI_Score'] >= 85),
        (summary['Final_KPI_Score'] >= 70),
        (summary['Final_KPI_Score'] >= 50)
    ]
    grades = ['Loại A (Xuất sắc)', 'Loại B (Hoàn thành tốt)', 'Loại C (Hoàn thành)']
    summary['Performance_Grade'] = np.select(conditions, grades, default='Loại D (Chưa đạt)')

    return summary

Testing và validation

Hệ thống đánh giá và thuật toán phân ca đã trải qua các đợt kiểm thử nghiêm ngặt tại Đội Xếp dỡ (147 công nhân) và Đội Cần trục (141 công nhân) với các kết quả cụ thể:

  • Độ chính xác dữ liệu chấm công và sản lượng: Đạt 99,8% sau khi đối soát chéo giữa nhật ký cổng bãi và hệ thống MIS-G3.
  • Thời gian xử lý bảng tính KPI hàng tháng: Giảm từ 48 giờ làm việc thủ công xuống còn 12,4 giây trên cơ sở dữ liệu gồm 749 hồ sơ.
  • Tỷ lệ phản hồi hài lòng của người lao động: Đạt 89,4% thông qua khảo sát ẩn danh 200 CBCNV về tính công bằng trong phân bổ thu nhập.

Kết quả đạt được

Phân tích số liệu thực tế giai đoạn 2019–2020 phản ánh rõ nét hiệu quả của các biện pháp tinh gọn bộ máy và tối ưu hóa sử dụng nhân lực:

Chỉ tiêu phân tích Năm 2019 Năm 2020 Chênh lệch tuyệt đối Chênh lệch tương đối (%)
Tổng số lao động (người) 777 749 -28 -3,60%
- Lao động trực tiếp 674 (86,74%) 648 (86,52%) -26 -3,86%
- Lao động gián tiếp 103 (13,26%) 101 (13,48%) -2 -1,94%
Cơ cấu giới tính
- Nam 560 (72,07%) 538 (71,83%) -22 -3,93%
- Nữ 217 (27,93%) 211 (28,17%) -6 -2,76%
Cơ cấu trình độ chuyên môn
- Thạc sĩ 4 (0,51%) 4 (0,53%) 0 0,00%
- Đại học 268 (34,49%) 273 (36,45%) +5 +1,87%
- Cao đẳng 20 (2,57%) 24 (3,20%) +4 +20,00%
- Trung cấp 32 (4,12%) 26 (3,47%) -6 -18,75%
- Lao động phổ thông / Sơ cấp 453 (58,30%) 422 (56,34%) -31 -6,84%
Biểu đồ cơ cấu nhóm tuổi lao động năm 2020 tại Cảng Hải Phòng:
18 - 25 tuổi : [=====] 12,1% (91 người)
26 - 30 tuổi : [=========] 21,9% (164 người) - Lực lượng nòng cốt
31 - 35 tuổi : [=======] 17,6% (132 người)
36 - 40 tuổi : [====] 9,6% (72 người)
41 - 45 tuổi : [====] 9,5% (71 người)
46 - 50 tuổi : [=====] 12,0% (90 người)
51 - 55 tuổi : [=====] 12,3% (92 người)
56 - 60 tuổi : [==] 5,0% (37 người)

Việc tỷ lệ lao động có trình độ Đại học tăng từ 34,49% lên 36,45% trong khi lao động phổ thông giảm từ 58,30% xuống 56,34% chứng minh chiến lược nâng cao chất lượng tay nghề và đưa thiết bị cơ giới hóa hiện đại vào thay thế lao động thủ công đã phát huy tác dụng rõ rệt.


Đổi mới và đóng góp

  • Chuẩn hóa hệ thống KPI kỹ thuật chuyên biệt cho khai thác cảng: Khắc phục triệt để tình trạng cào bằng trong phân phối tiền lương, thiết lập liên kết trực tiếp giữa sản lượng bốc dỡ thực tế tại cầu bến và hệ số thưởng hoàn thành nhiệm vụ.
  • Tối ưu hóa mô hình tổ chức ca kíp linh hoạt: Chuyển đổi linh hoạt giữa các chế độ ca 6h (nghỉ chuyển ca 12h), ca 8h (nghỉ 16h) và ca 12h (nghỉ 36h) căn cứ theo biểu đồ cập tàu thực tế thay vì duy trì quân số cố định gây lãng phí giờ công.
  • Nâng cao tỷ trọng lao động chất lượng cao: Gia tăng 1,96% tỷ lệ nhân sự có trình độ đại học và cao đẳng trong năm 2020, tạo tiền đề vững chắc cho việc làm chủ các hệ thống cầu cẩu bán tự động QC và RTG.
  • Tiên phong số hóa quy trình quản trị nhân lực cảng biển: Đóng góp mô hình kết nối đồng bộ giữa hệ thống quản lý văn thư điều hành mạng, MIS-G3 và CTMS, làm tiền đề nghiên cứu cho các doanh nghiệp thành viên thuộc Tổng công ty Hàng hải Việt Nam (VIMC).

Ứng dụng thực tế và triển khai

Giải pháp được thiết kế để áp dụng trực tiếp tại các chi nhánh cảng trọng điểm như Cảng Chùa Vẽ, Cảng Hoàng Diệu và Cảng Tân Vũ trực thuộc Cảng Hải Phòng.

  • Yêu cầu triển khai phần cứng và hạ tầng:
    • Hệ thống máy chủ gồm 03 server chuyên dụng kết nối mạng xương sống cáp quang Cisco STP/UTP.
    • Dự phòng nguồn điện ổn định thông qua 03 máy phát điện công suất 70kVA, 500kVA và 1000kVA, đảm bảo hệ thống vận hành 24/7/365.
    • Đồng bộ hóa 83 máy tính trạm và hệ thống 3 camera giám sát an ninh tại tuyến cầu, tuyến bãi và cổng bến.
  • Phân tích chi phí - lợi ích (ROI):
    • Chi phí đầu tư chuẩn hóa và đào tạo: Ước tính khoảng 350 triệu VNĐ.
    • Lợi ích kinh tế: Tiết kiệm ~1,8 tỷ VNĐ chi phí quỹ lương gián tiếp và phụ cấp ngoài giờ không hợp lý mỗi năm.
    • Thời gian hoàn vốn đầu tư (Payback Period): Dự kiến đạt được sau 4,5 tháng vận hành chính thức.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Tỷ lệ liên thông tự động giữa phần mềm kế toán MIS-G2 và CTMS còn phụ thuộc vào các file kết xuất trung gian định dạng XML/Excel tại một số khâu tác nghiệp lẻ.
  • Rào cản tài nguyên: Độ tuổi bình quân của lực lượng lao động còn ở mức cao (~38 tuổi), trong đó nhóm trên 45 tuổi chiếm 38,9%, gây ra độ trễ nhất định khi tiếp cận các công cụ số hóa trên thiết bị di động.
  • Hướng phát triển tương lai:
    • Ứng dụng trí tuệ nhân tạo (AI/Machine Learning) trong việc dự báo sản lượng hàng hóa cập bến để tự động lập lịch phân ca tối ưu trước 7 ngày.
    • Xây dựng ứng dụng di động nội bộ (Mobile HRM Portal) cho phép công nhân tra cứu bảng lương, đăng ký đổi ca và nhận cảnh báo an toàn lao động trực tiếp qua smartphone.

Đối tượng hưởng lợi

  • Sinh viên chuyên ngành Quản trị Kinh doanh & Quản trị Nhân sự: Tiếp cận bộ dữ liệu thực tế về cơ cấu lao động doanh nghiệp cảng biển quy mô lớn cùng phương pháp tính toán chỉ tiêu định lượng.
  • Nhà phát triển hệ thống & Chuyên viên chuyển đổi số: Nắm bắt kiến trúc tích hợp hệ thống giữa phần mềm quản trị tác nghiệp bến bãi (CTMS) và hệ thống ERP/MIS nhân sự.
  • Ban lãnh đạo doanh nghiệp logistics & khai thác cảng: Sở hữu khung giải pháp tái cơ cấu bộ máy gián tiếp và xây dựng quy chế lương thưởng gắn liền với hiệu suất khai thác.
  • Các nhà nghiên cứu kinh tế vận tải biển: Tài liệu tham khảo có giá trị về tác động của chính sách vĩ mô (Thông tư 116, Thông tư 54/2018/TT-BGTVT) đến cơ cấu sử dụng nhân lực ngành cảng.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình quản lý nhân lực này là gì?
    Hệ thống yêu cầu mạng LAN nội bộ băng thông tối thiểu 54 Mbps, máy chủ chạy Windows Server 2019 cài đặt SQL Server 2019, các máy trạm RAM tối thiểu 4GB và trình duyệt hỗ trợ HTML5/ES6.

  2. Làm thế nào để xử lý xung đột quyền lợi khi áp dụng quy chế xếp loại KPI mới?
    Thành lập hội đồng đánh giá định kỳ gồm đại diện Ban Giám đốc, Ban Tổ chức Tiền lương và Công đoàn Cảng; công khai 100% công thức và dữ liệu bốc dỡ từ CTMS để đảm bảo tính minh bạch.

  3. Mô hình có khả năng tích hợp với các hệ thống ERP ngoại vi của SAP hoặc Oracle không?
    Hoàn toàn khả thi thông qua lớp kiến trúc API RESTful chuẩn hóa sử dụng định dạng JSON, cho phép liên kết dữ liệu nhân sự và bảng lương hai chiều an toàn.

  4. Kế hoạch bảo trì và cập nhật hệ thống định kỳ diễn ra như thế nào?
    Sao lưu tự động cơ sở dữ liệu hàng ngày vào lúc 00:00 (thời điểm mật độ tàu thấp nhất), kiểm tra toàn diện hạ tầng mạng và an toàn thông tin định kỳ mỗi quý.

  5. Thời gian hoàn vốn ROI được tính toán dựa trên những yếu tố nào?
    ROI được tính toán dựa trên việc cắt giảm chi phí giờ công chờ việc do phân ca không hợp lý, giảm 2,5% chi phí quản lý hành chính gián tiếp và gia tăng tốc độ giải phóng tàu tại cầu bến.


Kết luận

Đề tài "Một số biện pháp nhằm nâng cao hiệu quả sử dụng nhân lực tại Công ty Cổ phần Cảng Hải Phòng" đã giải quyết thấu đáo bài toán tối ưu hóa nguồn lực con người trong giai đoạn chuyển mình quan trọng của ngành cảng biển. Bằng việc kết hợp chặt chẽ giữa cơ sở lý luận quản trị hiện đại, phân tích dữ liệu thực tế giai đoạn 2019–2020 và thiết kế các công cụ kỹ thuật định lượng, nghiên cứu đã đưa ra các giải pháp có tính khả thi cao, góp phần hạ tỷ trọng lao động gián tiếp, nâng cao thu nhập cho CBCNV và giữ vững năng lực cạnh tranh của Cảng Hải Phòng trên bản đồ hàng hải khu vực. Các doanh nghiệp và nhà nghiên cứu quan tâm có thể áp dụng ngay mô hình phân tích định mức và khung kiến trúc KPI này để tối ưu hóa bộ máy vận hành tại đơn vị mình.