Giới thiệu dự án

Ngành dệt may Việt Nam giữ vai trò huyết mạch trong nền kinh tế xuất khẩu quốc gia. Theo số liệu thống kê từ Tổng cục Hải quan, năm 2018 kim ngạch xuất khẩu hàng dệt may cả nước đạt 30,49 tỷ USD (tăng trưởng 16,7% so với năm 2017), đóng góp đáng kể vào tổng kim ngạch xuất nhập khẩu 480,17 tỷ USD. Tuy nhiên, trước bối cảnh biến động kinh tế toàn cầu, sự dịch chuyển chuỗi cung ứng quốc tế và các cam kết khắt khe từ các hiệp định thương mại thế hệ mới như CPTPP và EVFTA, các doanh nghiệp sản xuất dệt may gia công đối mặt với áp lực tối ưu hóa chuỗi cung ứng ngày càng gay gắt.

Đề tài khóa luận tốt nghiệp "Phân tích và dự báo nhu cầu hàng may mặc xuất khẩu tại Công ty Cổ phần Dệt may Phú Hòa An" của tác giả Nguyễn Văn Hùng (Khoa Quản trị Kinh doanh, Trường Đại học Kinh tế Huế, dưới sự hướng dẫn của Th.S Trần Đức Trí) tập trung giải quyết bài toán cốt lõi: Nâng cao độ chính xác trong công tác lập kế hoạch sản xuất và dự báo nhu cầu xuất khẩu cho doanh nghiệp dệt may trong giai đoạn chuyển đổi số.

+-----------------------------------------------------------------------------+
|                               PROBLEM STATEMENT                             |
|                                                                             |
|  [Dự báo cảm tính] ---> [Sai lệch tồn kho / Lãng phí năng lực]             |
|  [Biến động mùa vụ] ---> [Trễ tiến độ giao hàng / Rủi ro tỷ giá]            |
|                                                                             |
|                                     v                                       |
|                               SOLUTION CORE                                 |
|                                                                             |
|  Khung quản lý dự báo chuỗi thời gian định lượng (Davis & Mentzer, 2007)     |
|  + Thuật toán san bằng mũ: SES (Simple), Holt's Linear, Winter's Seasonal    |
|  + Đánh giá chuẩn hóa qua bộ chỉ số: MAD, MSE, RMSE, MAPE                  |
+-----------------------------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về chuỗi thời gian (time-series analysis) và các phương pháp dự báo định lượng trong quản trị sản xuất và chuỗi cung ứng.
  2. Thu thập, tiền xử lý và phân tích số liệu xuất khẩu thực tế của Công ty Cổ phần Dệt may Phú Hòa An giai đoạn 2015 – 2018 theo từng dòng sản phẩm chủ lực (hàng dệt kim và hàng dệt thoi).
  3. Mô hình hóa và kiểm thử thực nghiệm 03 thuật toán san bằng mũ: San bằng mũ giản đơn (Simple Exponential Smoothing - SES), San bằng mũ điều chỉnh xu thế (Holt's Linear Trend Model) và San bằng mũ mùa vụ (Winter's Multiplicative Seasonal Model).
  4. Đánh giá sai số dự báo bằng hệ thống chỉ tiêu thống kê (MAD, MSE, RMSE, MAPE) nhằm lựa chọn mô hình tối ưu cho năm kế hoạch 2019.
  5. Xây dựng hệ thống giải pháp vận hành về quản trị sản xuất, kiểm soát chi phí, định biên nhân sự và tối ưu hóa tiến độ giao hàng xuất khẩu.

Phạm vi và giới hạn nghiên cứu

  • Đối tượng: Nhu cầu xuất khẩu 02 nhóm sản phẩm chiến lược gồm hàng dệt kim (knitted garments) và hàng dệt thoi (woven garments).
  • Không gian: Công ty Cổ phần Dệt may Phú Hòa An (KCN Phú Bài, Hương Thủy, Thừa Thiên Huế).
  • Thời gian: Dữ liệu chuỗi thời gian lịch sử theo quý từ Quý 1/2015 đến Quý 4/2018; thực hiện dự báo cho 04 quý của năm 2019.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các doanh nghiệp dệt may quy mô vừa tại miền Trung, công tác hoạch định sản xuất thường dựa vào phương pháp định tính hoặc kinh nghiệm phán đoán của bộ phận kinh doanh. Phương thức này bộc lộ nhiều hạn chế nghiêm trọng khi nhu cầu thị trường thế giới biến động mạnh.

Phương pháp dự báo Ưu điểm Nhược điểm Đánh giá độ phù hợp với Phú Hòa An
Phán đoán định tính (Delphi, Ý kiến chuyên gia) Tận dụng được trực giác thị trường, áp dụng tốt khi thiếu dữ liệu Sai số chủ quan cao, phụ thuộc cảm tính, khó kiểm chứng định lượng Không đáp ứng yêu cầu lập kế hoạch nguyên phụ liệu chi tiết
Trung bình di động (Moving Average) Đơn giản, làm mượt các biến động ngẫu nhiên ngắn hạn Có độ trễ (lag), không nắm bắt được xu thế tăng trưởng và chu kỳ mùa Hiệu quả thấp với mặt hàng may mặc mang tính mùa vụ cao
San bằng mũ (SES, Holt's, Winter's) Tự động cập nhật trọng số giảm dần, mô hình hóa đồng thời xu thế và tính mùa Yêu cầu chuỗi dữ liệu chuẩn hóa, cần tối ưu hóa tham số $\alpha, \beta, \gamma$ Phù hợp nhất: Tối ưu hóa sai số và phản ánh đúng chu kỳ xuất khẩu

Áp dụng phương pháp phân loại ưu tiên MoSCoW cho hệ thống dự báo:

  • Must Have: Thuật toán xử lý chuỗi thời gian có mùa vụ; báo cáo sai số dự báo (MAD, MAPE, RMSE); khả năng phân rã dữ liệu theo mặt hàng (dệt kim, dệt thoi).
  • Should Have: Mô đun phân tích độ nhạy tối ưu hóa tham số $\alpha, \beta, \gamma$; giao diện so sánh trực quan giữa dữ liệu thực tế và dự báo.
  • Could Have: Tích hợp mô phỏng kịch bản biến động tỷ giá (USD/VND, NDT) và gián đoạn nguồn cung vải.
  • Won't Have (Phase 1): Tự động liên kết API trực tiếp tới hệ thống ERP của khách hàng quốc tế.

Thiết kế hệ thống

Kiến trúc quy trình dự báo được xây dựng theo khung chuẩn quản lý quy trình của Davis & Mentzer (2007):

+-----------------------------------------------------------------------------------+
|                        KIẾN TRÚC QUY TRÌNH DỰ BÁO NHU CẦU                         |
+-----------------------------------------------------------------------------------+
|  [Nguồn dữ liệu] ---> [Tiền xử lý dữ liệu] ---> [Mô hình hóa chuỗi thời gian]     |
|   - Báo cáo KD         - Làm sạch dữ liệu        - SES Model (San bằng giản đơn)  |
|   - Hải quan XK        - Phân rã tính dừng       - Holt's Model (Xử lý xu thế)    |
|   - Nhật ký đơn hàng   - Lập chỉ mục chuỗi quý   - Winter's Model (Xu thế + Mùa)  |
+------------------------------------------+----------------------------------------+
                                           |
                                           v
+-----------------------------------------------------------------------------------+
|                       ĐÁNH GIÁ VÀ LỰA CHỌN MÔ HÌNH TỐI ƯU                         |
|  - Độ lệch tuyệt đối TB (MAD)          - Sai số bình phương TB (MSE)              |
|  - Căn bậc hai sai số TB (RMSE)        - Tỷ lệ sai số tuyệt đối TB (MAPE)         |
+------------------------------------------+----------------------------------------+
                                           |
                                           v
+-----------------------------------------------------------------------------------+
|                     HOẠCH ĐỊNH SẢN XUẤT VÀ VẬN HÀNH CHUỖI CUNG ỨNG               |
|  [Định ngạch vải/sợi] ---> [Cân đối năng lực chuyền] ---> [Kế hoạch dòng tiền]   |
+-----------------------------------------------------------------------------------+

Technology Stack & Công cụ sử dụng

  • Phân tích kinh tế lượng & chuỗi thời gian: EViews phiên bản 8.0, IBM SPSS Statistics phiên bản 20.0.
  • Xử lý bảng tính & Trực quan hóa: Microsoft Excel 2010 (Analysis Toolpak, Solver).
  • Thuật toán tham chiếu tự động hóa: Python 3.9 (Thư viện statsmodels.tsa.holtwinters, numpy, pandas).

Implementation và kết quả

Chi tiết thuật toán và mô hình toán học

Nghiên cứu triển khai chi tiết 03 lớp thuật toán dự báo chuỗi thời gian từ cơ bản đến nâng cao:

1. Phương pháp San bằng mũ giản đơn (Simple Exponential Smoothing - SES)

Áp dụng cho chuỗi dữ liệu ổn định, không có xu thế rõ rệt và không có tính mùa vụ:

$$L_t = \alpha D_t + (1 - \alpha) L_{t-1}$$

Trong đó: $L_t$ là mức nhu cầu dự báo tại thời điểm $t$; $D_t$ là nhu cầu thực tế; $\alpha$ là hệ số san bằng ($0 \le \alpha \le 1$).

2. Mô hình San bằng mũ tuyến tính Holt (Holt's Linear Trend Model)

Mở rộng phương pháp SES để nắm bắt độ dốc xu thế biến thiên cục bộ theo thời gian:

  • Ước lượng mức trung bình: $L_t = \alpha D_t + (1 - \alpha)(L_{t-1} + T_{t-1})$
  • Ước lượng xu thế (độ dốc): $T_t = \beta (L_t - L_{t-1}) + (1 - \beta) T_{t-1}$
  • Dự báo $p$ giai đoạn tiếp theo: $F_{t+p} = L_t + p T_t$

3. Mô hình San bằng mũ mùa vụ Winter (Winter's Multiplicative Model)

Áp dụng cho chuỗi thời gian biến động đồng thời theo cả xu thế và chu kỳ mùa vụ theo quý ($s = 4$):

  • Mức trung bình hiện tại: $L_t = \alpha \frac{D_t}{S_{t-s}} + (1 - \alpha)(L_{t-1} + T_{t-1})$
  • Thành phần xu thế: $T_t = \beta (L_t - L_{t-1}) + (1 - \beta) T_{t-1}$
  • Chỉ số mùa vụ: $S_t = \gamma \frac{D_t}{L_t} + (1 - \gamma) S_{t-s}$
  • Dự báo $p$ giai đoạn tiếp theo: $F_{t+p} = (L_t + p T_t) \cdot S_{t+p-s}$

4. Chuẩn mực đo lường sai số dự báo

$$\text{MAD} = \frac{1}{n}\sum_{t=1}^n |D_t - F_t|, \quad \text{RMSE} = \sqrt{\frac{1}{n}\sum_{t=1}^n (D_t - F_t)^2}, \quad \text{MAPE} = \frac{1}{n}\sum_{t=1}^n \left|\frac{D_t - F_t}{D_t}\right| \times 100%$$

import numpy as np
import pandas as pd
from statsmodels.tsa.holtwinters import ExponentialSmoothing

def evaluate_forecast(actual, forecast):
    actual, forecast = np.array(actual), np.array(forecast)
    mad = np.mean(np.abs(actual - forecast))
    mse = np.mean((actual - forecast) ** 2)
    rmse = np.sqrt(mse)
    mape = np.mean(np.abs((actual - forecast) / actual)) * 100
    return {"MAD": mad, "MSE": mse, "RMSE": rmse, "MAPE (%)": mape}

# Triển khai mô hình Winter's Multiplicative cho chuỗi dữ liệu quý (s=4)
def fit_winters_model(ts_data, seasonal_periods=4):
    model = ExponentialSmoothing(
        ts_data,
        trend='add',
        seasonal='mul',
        seasonal_periods=seasonal_periods,
        initialization_method='estimated'
    ).fit()
    return model

Đánh giá và kiểm định thực nghiệm

Sau khi chạy tối ưu hóa trên dữ liệu xuất khẩu 16 quý (2015 – 2018) tại Công ty Phú Hòa An, kết quả đo lường sai số giữa 03 mô hình được tổng hợp chi tiết như sau:

Nhóm mặt hàng Tiêu chí đánh giá San bằng mũ giản đơn (SES) Mô hình Holt's Trend Mô hình Winter's Seasonal
Hàng dệt kim MAD (PCE) 48.320 41.250 22.140
RMSE (PCE) 59.810 52.400 28.650
MAPE (%) 14,82% 12,35% 6,42%
Hàng dệt thoi MAD (PCE) 35.600 30.120 16.890
RMSE (PCE) 44.230 38.750 21.340
MAPE (%) 13,45% 11,10% 5,85% 
BIỂU ĐỒ SO SÁNH MAPE (%) GIỮA CÁC PHƯƠNG PHÁP DỰ BÁO
------------------------------------------------------------
Mặt hàng dệt kim:
SES          [**************] 14.82%
Holt's       [************] 12.35%
Winter's     [******] 6.42% (Tối ưu nhất)

Mặt hàng dệt thoi:
SES          [*************] 13.45%
Holt's       [***********] 11.10%
Winter's     [******] 5.85% (Tối ưu nhất)
------------------------------------------------------------

Kết quả dự báo sản lượng xuất khẩu năm 2019

Nhờ khả năng mô hình hóa chính xác cả độ tăng trưởng trung hạn lẫn đỉnh tiêu thụ theo mùa vụ (tập trung cao điểm vào Quý 2 và Quý 3 nhằm phục vụ mùa hè và thu đông quốc tế), mô hình Winter's Seasonal cho ra kết quả dự báo chuẩn xác cao cho năm 2019:

  • Hàng dệt kim: Sản lượng dự báo đạt xấp xỉ 1.850.000 sản phẩm (PCE), duy trì tốc độ tăng trưởng 12,5% so với năm 2018.
  • Hàng dệt thoi: Sản lượng dự báo đạt khoảng 1.280.000 sản phẩm (PCE), tăng trưởng 9,8% so với năm 2018.
  • Độ chính xác mô hình: Chỉ số MAPE của cả 2 dòng sản phẩm đều dưới 7%, đạt chuẩn dự báo rất tốt (Highly Accurate Forecasting) theo chuẩn thống kê công nghiệp.

Đổi mới và đóng góp

  1. Chuyển đổi phương pháp luận từ trực giác sang khoa học định lượng: Khóa luận thay thế hoàn toàn phương pháp ước lượng định tính truyền thống tại doanh nghiệp bằng hệ thống toán học chuẩn tắc của Holt và Winter, giảm thiểu 55% độ lệch sai số tuyệt đối (MAD).
  2. Xây dựng chỉ số mùa vụ chi tiết theo từng quý: Phát hiện và lượng hóa hệ số mùa ($S_t$) đặc thù cho ngành dệt may miền Trung, giúp doanh nghiệp chủ động điều tiết công suất chuyền may trước 6 tháng.
  3. Liên kết kết quả dự báo với bài toán chuỗi cung ứng thực tế: Nghiên cứu không dừng lại ở con số dự báo thuần túy mà thiết lập hệ thống giải pháp đồng bộ:
    • Tối ưu kế hoạch đặt mua sợi/vải nhập khẩu (chiếm 45% từ thị trường quốc tế), hạn chế ứ đọng vốn lưu động.
    • Nâng cao tỷ suất ngoại tệ xuất khẩu thông qua việc kiểm soát chi phí đơn vị sản phẩm gia công (CM).

Ứng dụng thực tế và triển khai

Kế hoạch hành động triển khai tại doanh nghiệp

LỘ TRÌNH TRIỂN KHAI VẬN HÀNH DỰ BÁO TẠI DOANH NGHIỆP
==================================================================================
Giai đoạn 1: Chuẩn hóa dữ liệu (Tháng 1)

Giai đoạn 2: Tối ưu hóa tham số mô hình (Tháng 2)

Giai đoạn 3: Tích hợp vào kế hoạch SXKD (Tháng 3 trở đi)
==================================================================================

Phân tích hiệu quả kinh tế (ROI & Chi phí - Lợi ích)

  • Tiết kiệm chi phí lưu kho: Việc dự báo chính xác giúp giảm mức tồn kho đệm an toàn từ 25% xuống còn 12%, giải phóng dòng tiền lưu động hàng tỷ đồng.
  • Giảm thiểu chi phí ngoài giờ (Overtime): Chủ động điều phối công nhân trước các quý cao điểm (Quý 2 & Quý 3), giảm 18% chi phí làm thêm giờ đột xuất.
  • Đảm bảo cam kết tiến độ đơn hàng quốc tế: Tỷ lệ giao hàng đúng hạn (On-Time In-Full - OTIF) tăng lên trên 98%, nâng cao uy tín thương hiệu trong các thị trường khó tính như Hoa Kỳ, EU và Nhật Bản.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Chuỗi số liệu lịch sử mới dừng lại ở mức thu thập theo quý (16 quan sát từ 2015 - 2018), chưa phân rã sâu theo cấp độ tháng hoặc từng mã hàng cụ thể (SKU-level).
  • Mô hình san bằng mũ chưa tính toán trực tiếp các biến ngoại sinh bất thường (exogenous shocks) như tranh chấp thương mại toàn cầu, biến động tỷ giá đột biến hoặc thiên tai dịch bệnh.

Hướng nghiên cứu mở rộng

  • Ứng dụng các mô hình kinh tế lượng hỗn hợp hiện đại hơn như ARIMA kết hợp SARIMA hoặc mô hình hồi quy đa biến có biến trễ phân phối (ARDL).
  • Tích hợp các thuật toán học máy (Machine Learning) như Facebook Prophet, XGBoost, LSTM (Long Short-Term Memory) để dự báo theo thời gian thực khi quy mô cơ sở dữ liệu lớn hơn.

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                             ĐỐI TƯỢNG HƯỞNG LỢI                                    |
+--------------------------+---------------------------------------------------------+
| Sinh viên & Học viên     | Cung cấp case study thực tế chuẩn mực về ứng dụng kinh  |
| chuyên ngành QTKD / SCM  | tế lượng và chuỗi thời gian vào bài toán doanh nghiệp.   |
+--------------------------+---------------------------------------------------------+
| Chuyên viên phân tích dữ | Cung cấp tài liệu tham khảo chi tiết về thuật toán      |
| liệu & Lập kế hoạch      | SES, Holt, Winter kèm công thức tính toán tường minh.   |
+--------------------------+---------------------------------------------------------+
| Doanh nghiệp Dệt may     | Sở hữu khung quản lý dự báo chuẩn hóa, giúp giảm tồn     |
| và Xuất nhập khẩu        | kho, tối ưu chi phí gia công và nâng cao năng lực cạnh  |
|                          | tranh trong kỷ nguyên hội nhập CPTPP/EVFTA.             |
+--------------------------+---------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công nghệ tối thiểu để triển khai hệ thống dự báo này là gì?

Hệ thống không yêu cầu hạ tầng máy chủ phức tạp. Doanh nghiệp chỉ cần máy tính văn phòng tiêu chuẩn có cài đặt các phần mềm thống kê như Microsoft Excel (sử dụng Solver/Toolpak), IBM SPSS 20.0 hoặc EViews 8.0 trở lên. Khi quy mô mã hàng lớn, có thể tự động hóa hoàn toàn bằng ngôn ngữ lập trình Python với các gói mã nguồn mở (statsmodels, pandas).

2. Mô hình Winter's Seasonal xử lý yếu tố mùa vụ như thế nào?

Mô hình Winter tách chuỗi thời gian thành 3 thành phần riêng biệt: Mức cơ sở ($L_t$), Xu thế tăng trưởng ($T_t$), và Chỉ số điều chỉnh mùa vụ ($S_t$). Mỗi quý sẽ có một trọng số mùa vụ tương ứng được làm mượt qua tham số $\gamma$. Khi dự báo tương lai, giá trị xu thế sẽ được nhân trực tiếp với hệ số mùa của quý đó.

3. Làm thế nào để tích hợp kết quả dự báo vào hệ thống ERP hiện hữu của công ty?

Dữ liệu dự báo đầu ra (sản lượng theo quý/mặt hàng) được trích xuất thành định dạng chuẩn (CSV, Excel) và nạp trực tiếp vào phân hệ Hoạch định nhu cầu nguyên vật liệu (MRP) hoặc Lập kế hoạch sản xuất tổng thể (Master Production Schedule - MPS) của hệ thống ERP.

4. Tần suất cập nhật và hiệu chỉnh tham số $(\alpha, \beta, \gamma)$ nên là bao lâu?

Doanh nghiệp nên cập nhật dữ liệu thực tế và chạy lại thuật toán tối ưu hóa tham số theo định kỳ hàng quý hoặc ngay khi có sự biến động đột biến về chính sách thuế quan, tỷ giá hoặc hợp đồng chiến lược từ đối tác lớn.

5. Chi phí triển khai và thời gian thu hồi vốn (ROI) dự kiến ra sao?

Chi phí triển khai đề tài chủ yếu là chi phí đào tạo nhân sự và chuẩn hóa dữ liệu nội bộ (rất thấp). Lợi ích mang lại từ việc giảm 10-15% chi phí tồn kho nguyên phụ liệu và giảm phạt chậm tiến độ giao hàng giúp doanh nghiệp hoàn vốn đầu tư chỉ sau 3 - 6 tháng áp dụng thực tế.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Văn Hùng đã giải quyết xuất sắc bài toán khoa học và thực tiễn trong công tác phân tích và dự báo nhu cầu xuất khẩu tại Công ty Cổ phần Dệt may Phú Hòa An. Bằng việc chứng minh tính vượt trội của mô hình san bằng mũ Winter's Seasonal (đạt MAPE chỉ 6,42% cho hàng dệt kim và 5,85% cho hàng dệt thoi), nghiên cứu mang lại một công cụ quản trị định lượng tin cậy, đóng góp trực tiếp vào mục tiêu tăng trưởng bền vững của ngành dệt may Thừa Thiên Huế trong kỷ nguyên hội nhập quốc tế.