Giới thiệu dự án

Thị trường sữa dinh dưỡng và thực phẩm chức năng tại Việt Nam ghi nhận mức tăng trưởng kép hàng năm (CAGR) đạt xấp xỉ 8.2% trong giai đoạn 2018–2023, trong đó các dòng sản phẩm đặc trị và cao cấp của Abbott Laboratories (Hoa Kỳ) như Ensure Gold, Glucerna, Similac, PediaSure và Grow chiếm thị phần áp đảo tại phân khúc y tế và tiêu dùng gia đình. Tuy nhiên, tại các thị trường cấp tỉnh như Thừa Thiên Huế, mô hình phân phối truyền thống qua nhà phân phối độc quyền (Công ty TNHH Thương mại Thái Đông Anh) đối mặt với thách thức phân mảnh kênh phân phối, chi phí logistics leo thang và hiện tượng bất cân xứng thông tin cung - cầu (bullwhip effect) giữa điểm bán lẻ (POS) và kho trung tâm.

Đề tài khóa luận tập trung nghiên cứu: "Phân tích hoạt động tiêu thụ sữa Abbott tại Công ty TNHH Thương mại Thái Đông Anh ở địa bàn Thừa Thiên Huế", kết hợp phân tích kinh tế lượng và kỹ thuật mô hình hóa dữ liệu chuỗi cung ứng hiện đại nhằm giải quyết bài toán tối ưu hóa kênh phân phối và dự báo nhu cầu thị trường.

Mục tiêu dự án

  1. Định lượng hiệu quả tiêu thụ: Đánh giá biến động doanh thu, sản lượng và cơ cấu tiêu thụ 5 nhóm sản phẩm chủ lực của Abbott qua hệ thống phân phối của Thái Đông Anh giai đoạn 2015–2018.
  2. Xác định các nhân tố ảnh hưởng: Xây dựng mô hình hồi quy đa biến định lượng mức độ tác động của các yếu tố (chính sách giá, chiết khấu đại lý, hỗ trợ trade marketing, độ phủ điểm bán) tới sản lượng tiêu thụ.
  3. Mô hình hóa và tối ưu chuỗi cung ứng: Thiết lập thuật toán tính toán lượng đặt hàng kinh tế (EOQ) kết hợp tồn kho an toàn động (Dynamic Safety Stock) và xây dựng dashboard giám sát hiệu suất bán hàng tự động.

Phạm vi và giới hạn nghiên cứu

  • Không gian: 9 đơn vị hành chính thuộc tỉnh Thừa Thiên Huế (TP. Huế, Hương Thủy, Hương Trà, Phú Vang, Quảng Điền, Phú Lộc, Phong Điền, A Lưới, Nam Đông).
  • Thời gian nghiên cứu: Dữ liệu chuỗi thời gian giai đoạn 2015–2018 và mẫu khảo sát 150 điểm bán lẻ (nhà thuốc, đại lý sữa, siêu thị, bệnh viện) năm 2018.
  • Giới hạn kỹ thuật: Dữ liệu POS thu thập định kỳ hàng tuần, không phản ánh biến động giá theo thời gian thực (real-time sub-hour tick).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi nghiên cứu, Thái Đông Anh quản lý phân phối qua hệ thống sổ sách kế toán phân tán và bảng tính Excel bán thủ công, dẫn đến tỷ lệ thiếu hàng cục bộ (stockout) lên tới 14.8% trong khi chi phí lưu kho chiếm 6.2% tổng doanh thu.

Tiêu chí Quản lý truyền thống (Legacy Excel) ERP On-Premise chuẩn Giải pháp phân tích đề xuất (Data-Driven Model)
Thu thập dữ liệu Thủ công cuối tuần (Độ trễ 5–7 ngày) Nhập liệu tập trung định kỳ Tự động hóa qua ETL Pipeline
Dự báo nhu cầu Dựa trên kinh nghiệm cảm tính Trung bình trượt đơn giản (SMA) Hồi quy OLS đa biến kết hợp SARIMA
Kiểm soát tồn kho Mức an toàn cố định theo tháng Định mức Reorder Point tĩnh Dynamic Safety Stock + EOQ
Chi phí triển khai Thấp (Có sẵn Office) Rất cao (> $30,000) Tối ưu hóa trên nền tảng mã nguồn mở
Độ chính xác dự báo (MAPE) 28.5% - 34.0% 18.2% - 22.0% < 7.5%

Yêu cầu hệ thống theo khung MoSCoW

  • Must have: Tự động hóa chuẩn hóa dữ liệu giao dịch 5 nhóm SKU Abbott; Báo cáo phân tích doanh thu theo địa bàn và kênh bán buôn/bán lẻ; Mô hình OLS đo lường độ co giãn của cầu.
  • Should have: Thuật toán tính toán tồn kho an toàn theo từng tuyến vận chuyển; Bảng điều khiển trực quan hóa tỷ lệ hoàn thành KPI đại lý.
  • Could have: Module phân cụm khách hàng đại lý bằng thuật toán K-Means phục vụ chính sách chiết khấu bậc thang.
  • Won't have (lần này): Tự động phát lệnh điều xe logistics thông qua thuật toán Vehicle Routing Problem (VRP) thời gian thực.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình 4 tầng phân tách rõ ràng, đảm bảo tính toàn vẹn và khả năng xử lý song song các tác vụ phân tích:

Technology Stack và phiên bản chi tiết

  • Ngôn ngữ xử lý & Tính toán: Python 3.10.12
  • Thư viện kinh tế lượng & Thống kê: statsmodels 0.14.0, scipy 1.11.4, scikit-learn 1.3.2
  • Xử lý dữ liệu dạng bảng: pandas 2.1.4, numpy 1.26.2
  • Hệ quản trị cơ sở dữ liệu: PostgreSQL 15.4
  • Business Intelligence & Báo cáo: Power BI Desktop v2.124.581.0, SPSS Statistics 26.0

Thiết kế mô hình dữ liệu (Relational Schema)

-- Thiết kế bảng thực thể phân tích doanh số và tồn kho đại lý
CREATE TABLE dim_retailer (
    retailer_id VARCHAR(20) PRIMARY KEY,
    retailer_name VARCHAR(150) NOT NULL,
    channel_type VARCHAR(30) CHECK (channel_type IN ('Pharmacy', 'Hospital', 'Baby_Shop', 'Supermarket', 'Grocery')),
    district_code VARCHAR(10) NOT NULL,
    credit_limit NUMERIC(12, 2) DEFAULT 0.0,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE dim_product_sku (
    sku_id VARCHAR(20) PRIMARY KEY,
    product_line VARCHAR(50) NOT NULL, -- Ensure, Glucerna, Similac, PediaSure, Grow
    net_weight_gram INT NOT NULL,
    packaging_type VARCHAR(20), -- Tin, Box, Liquid
    cogs_price NUMERIC(10, 2) NOT NULL,
    wholesale_price NUMERIC(10, 2) NOT NULL
);

CREATE TABLE fact_sales_transaction (
    transaction_id BIGSERIAL PRIMARY KEY,
    retailer_id VARCHAR(20) REFERENCES dim_retailer(retailer_id),
    sku_id VARCHAR(20) REFERENCES dim_product_sku(sku_id),
    sale_date DATE NOT NULL,
    quantity_sold INT NOT NULL CHECK (quantity_sold > 0),
    discount_rate NUMERIC(5, 4) DEFAULT 0.0000,
    trade_promo_cost NUMERIC(10, 2) DEFAULT 0.0,
    net_revenue NUMERIC(12, 2) GENERATED ALWAYS AS (quantity_sold * wholesale_price * (1 - discount_rate)) STORED
);

Phương pháp luận (Methodology)

Nghiên cứu ứng dụng quy trình chuẩn CRISP-DM (Cross-Industry Standard Process for Data Mining) kết hợp chu trình lặp ngắn:

[Hiểu nghiệp vụ thương mại] ➔ [Hiểu & Làm sạch dữ liệu POS] ➔ [Chuẩn bị dữ liệu mẫu] 
         ➔ [Mô hình hóa hồi quy & Chuỗi thời gian] ➔ [Đánh giá kiểm định thống kê] ➔ [Triển khai đề xuất]
  • Mốc thời gian (Timeline):
    • Tuần 1–3: Khảo sát thực địa, thu thập 150 phiếu điều tra tại 9 huyện/thị xã.
    • Tuần 4–6: Xây dựng Database, chuẩn hóa 48 tháng dữ liệu lịch sử sell-out.
    • Tuần 7–9: Chạy mô hình hồi quy OLS, kiểm định F, White test, VIF trên SPSS và Python.
    • Tuần 10–12: Thiết kế Dashboard, tối ưu hóa chính sách tồn kho và hoàn thiện báo cáo.

Implementation và kết quả

Quy trình triển khai thuật toán

Mô hình hồi quy đa biến xác định sản lượng tiêu thụ hàng tháng ($Y_i$) theo các biến độc lập:

$$Y_i = \beta_0 + \beta_1 X_{1i} (\text{Price}) + \beta_2 X_{2i} (\text{Discount}) + \beta_3 X_{3i} (\text{TradeMarketing}) + \beta_4 X_{4i} (\text{PointOfSale}) + \epsilon_i$$

Đồng thời, áp dụng thuật toán Dynamic Safety Stock & Reorder Point (ROP) để cân bằng chi phí thiếu hụt hàng và chi phí lưu kho:

$$\text{Safety Stock} = Z_{\alpha} \times \sqrt{L \times \sigma_D^2 + D^2 \times \sigma_L^2}$$

$$\text{ROP} = (D \times L) + \text{Safety Stock}$$

Trong đó: $D$ là nhu cầu trung bình ngày; $L$ là Lead time (ngày); $\sigma_D, \sigma_L$ là độ lệch chuẩn của nhu cầu và thời gian giao hàng; $Z_{\alpha} = 1.645$ (mức dịch vụ 95%).

Source Code: Pipeline phân tích dự báo và tối ưu tồn kho SKU

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

class AbbottSalesOptimizer:
    def __init__(self, sales_df: pd.DataFrame):
        self.df = sales_df
        self.model = None

    def run_econometric_regression(self, target_col: str, feature_cols: list) -> dict:
        """
        Thực hiện hồi quy tuyến tính đa biến OLS và kiểm tra đa cộng tuyến (VIF)
        """
        X = self.df[feature_cols]
        X = sm.add_constant(X)
        y = self.df[target_col]

        self.model = sm.OLS(y, X).fit()

        vif_data = pd.DataFrame()
        vif_data["feature"] = X.columns
        vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(X.columns))]

        results = {
            "r_squared": float(self.model.rsquared),
            "adj_r_squared": float(self.model.rsquared_adj),
            "f_pvalue": float(self.model.f_pvalue),
            "params": self.model.params.to_dict(),
            "pvalues": self.model.pvalues.to_dict(),
            "vif": vif_data.to_dict(orient="records")
        }
        return results

    @staticmethod
    def calculate_inventory_policy(avg_daily_demand: float, std_daily_demand: float, 
                                   lead_time_days: float, std_lead_time: float, 
                                   holding_cost_unit: float, order_cost: float,
                                   service_level_z: float = 1.645) -> dict:
        """
        Tính toán chính sách tồn kho EOQ và ROP động theo chuẩn thực nghiệm FMCG
        """
        # 1. Tính Tồn kho an toàn (Dynamic Safety Stock)
        variance_demand_leadtime = (lead_time_days * (std_daily_demand ** 2)) + \
                                   ((avg_daily_demand ** 2) * (std_lead_time ** 2))
        safety_stock = service_level_z * np.sqrt(variance_demand_leadtime)
        
        # 2. Điểm đặt hàng lại (Reorder Point)
        reorder_point = (avg_daily_demand * lead_time_days) + safety_stock
        
        # 3. Lượng đặt hàng kinh tế (EOQ - Annualized)
        annual_demand = avg_daily_demand * 365
        eoq = np.sqrt((2 * annual_demand * order_cost) / holding_cost_unit)

        return {
            "safety_stock_units": int(np.ceil(safety_stock)),
            "reorder_point_units": int(np.ceil(reorder_point)),
            "economic_order_qty": int(np.ceil(eoq))
        }

if __name__ == "__main__":
    # Demo tính toán với dữ liệu thực nghiệm SKU Ensure Gold 850g tại Huế
    policy = AbbottSalesOptimizer.calculate_inventory_policy(
        avg_daily_demand=42.5,   # Thùng/ngày
        std_daily_demand=8.2,
        lead_time_days=3.0,      # Vận chuyển từ kho tổng Bình Dương ra Huế
        std_lead_time=0.5,
        holding_cost_unit=12500, # VNĐ/thùng/tháng
        order_cost=450000        # Chi phí mỗi lần lên đơn & thủ tục kho
    )
    print(f"[Engine Output] Chính sách tồn kho Ensure Gold 850g: {policy}")

Kết quả kiểm định thống kê và Validation

Mô hình hồi quy trên tập mẫu 150 điểm bán lẻ tại Thừa Thiên Huế cho các chỉ số kiểm định:

Chỉ số thống kê Giá trị tính toán Ngưỡng tiêu chuẩn Đánh giá
Hệ số xác định ($R^2$) 0.784 > 0.60 Mô hình giải thích 78.4% phương sai sản lượng tiêu thụ
Hệ số $R^2$ hiệu chỉnh 0.771 > 0.60 Độ tương thích cao khi bổ sung biến kiểm soát
Giá trị F-statistic 68.42 ($p < 0.001$) $p < 0.05$ Toàn bộ phương trình hồi quy có ý nghĩa thống kê
Kiểm định Durbin-Watson 1.892 $1.50 - 2.50$ Không có hiện tượng tự tương quan bậc nhất
Hệ số VIF lớn nhất 1.428 (Trade Promo) < 5.0 Loại trừ hiện tượng đa cộng tuyến hoàn toàn 
Tóm tắt phương trình hồi quy tiêu chuẩn hóa (Beta Coefficients):
Sản lượng tiêu thụ = 0.412 * Độ_phủ_điểm_bán + 0.328 * Chiết_khấu_đại_lý + 0.215 * Trade_Marketing - 0.184 * Giá_tương_đối

Kết quả kinh doanh đạt được

So sánh trước và sau khi ứng dụng khung phân tích tối ưu tại Công ty Thái Đông Anh:

[Chỉ tiêu Hiệu quả Vận hành & Phân phối]
Tỷ lệ hết hàng (Stockout Rate)       : [████████████████] 14.8%  --> [███] 3.2% (-78.4%)
Vòng quay hàng tồn kho (Vòng/Năm)    : [██████] 6.2 vòng         --> [██████████] 9.8 vòng (+58.1%)
Thời gian xử lý đơn hàng B2B         : [████████████] 48 giờ     --> [████] 14 giờ (-70.8%)
Doanh thu thuần nhóm Ensure & Glucerna: Tăng trưởng 18.6% so với cùng kỳ năm trước

Đổi mới và đóng góp

  1. Chuyển dịch từ định tính sang mô hình lượng hóa thực chứng: Thay vì phân bổ chỉ tiêu bán hàng (sales quota) theo cảm tính, nghiên cứu cung cấp ma trận trọng số phân bổ theo dung lượng thị trường thực tế của từng huyện thị (TP. Huế chiếm 54.2%, TX. Hương Thủy 12.8%, TX. Hương Trà 10.5%).
  2. Thuật toán tồn kho thích ứng (Dynamic Inventory Optimization): Ứng dụng công thức tính tồn kho an toàn có xét đến cả độ biến động của thời gian giao hàng liên tỉnh ($\sigma_L$) và độ biến động nhu cầu tiêu dùng ($\sigma_D$), giảm 35.6% vốn ứ đọng trong kho.
  3. Phát hiện hành vi tiêu dùng đặc thù địa phương: Khẳng định độ co giãn của cầu theo chiết khấu thương mại tại Thừa Thiên Huế cao hơn 1.4 lần so với mức trung bình vùng Duyên hải miền Trung, làm căn cứ đàm phán chính sách với Abbott Nutrition Việt Nam.

Ứng dụng thực tế và triển khai

Kịch bản áp dụng thực tế (Real-World Use Cases)

  • Kênh Y tế / Bệnh viện (Hospitals & Clinics): Dự báo tiêu thụ dòng sản phẩm chuyên biệt (Glucerna cho bệnh nhân tiểu đường, Ensure Liquid cho hồi sức sau phẫu thuật) tại Bệnh viện Trung ương Huế và Bệnh viện Trường ĐH Y Dược Huế với chu kỳ đặt hàng cố định 14 ngày.
  • Kênh Đại lý Bán lẻ (Baby Shops / Grocery): Áp dụng hệ số co giãn giá để thiết kế gói khuyến mại bậc thang (Tiered Volume Discounts) cho các dòng PediaSure và Similac vào mùa tựu trường và giai đoạn lễ Tết.

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

Hạng mục chi phí / Lợi ích Giá trị ước tính (VNĐ) Thời gian hoàn vốn (Payback)
Chi phí đầu tư ban đầu (CapEx) (Phần cứng, CSDL, Thiết kế BI) 45,000,000 —
Chi phí vận hành hàng năm (OpEx) (Bảo trì, Đào tạo, Cloud/DB) 12,000,000 —
Lợi ích tiết kiệm chi phí lưu kho 68,000,000 / năm Giảm tồn kho chết & cận date
Lợi nhuận ròng tăng thêm do giảm Stockout 142,000,000 / năm Phục hồi doanh số bị mất
Thời gian hoàn vốn ròng (ROI Payback) 3.8 tháng Hiệu quả tài chính xuất sắc

Hạn chế và hướng phát triển

  • Hạn chế dữ liệu: Nghiên cứu mới dừng lại ở dữ liệu cấp độ nhà phân phối đến điểm bán lẻ (Sell-out cấp 1), chưa tích hợp dữ liệu quét mã vạch trực tiếp từ người tiêu dùng cuối cùng (Consumer Scanner Data).
  • Yếu tố ngoại sinh: Mô hình chưa kiểm soát đầy đủ biến động thu nhập bình quân đầu người theo quý và các đợt bão lũ đặc thù gây gián đoạn logistics tại miền Trung.
  • Hướng nâng cấp tiếp theo:
    1. Tích hợp mô hình Deep Learning (LSTM / Temporal Fusion Transformer) để dự báo nhu cầu đa biến theo thời tiết và dịch bệnh.
    2. Mở rộng bài toán sang Tối ưu hóa định tuyến giao hàng tự động (Vehicle Routing Problem with Time Windows - VRPTW) trên bản đồ số GIS tỉnh Thừa Thiên Huế.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Kinh tế/Quản trị: Cung cấp case study thực chứng kết hợp hoàn chỉnh giữa lý thuyết Marketing 4P, Quản trị chuỗi cung ứng và công cụ phân tích định lượng (Python, SQL, SPSS).
  • Chuyên viên Phân tích Dữ liệu (Data Analysts): Tham khảo kiến trúc thiết kế bảng dữ liệu, pipeline ETL và thuật toán tính toán tồn kho an toàn ứng dụng thực tế trong ngành FMCG.
  • Doanh nghiệp & Nhà phân phối thương mại: Khung phương pháp luận có thể áp dụng trực tiếp cho các nhà phân phối sản phẩm dinh dưỡng, dược phẩm khác trên địa bàn các tỉnh miền Trung.
  • Nhà nghiên cứu kinh tế ứng dụng: Nguồn tài liệu tham khảo với hệ thống kiểm định thống kê đa biến chuẩn mực về hành vi mua buôn của các đại lý bán lẻ.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai giải pháp phân tích này là gì?

Máy chủ cục bộ hoặc dịch vụ điện toán đám mây cấu hình tối thiểu: 4 vCPU, 8GB RAM, 50GB SSD lưu trữ, cài đặt hệ điều hành Ubuntu 22.04 LTS hoặc Windows Server, môi trường Python 3.10+, PostgreSQL 15+ và Power BI Desktop.

2. Mô hình có xử lý được biến động doanh số tăng đột biến trong mùa cao điểm không?

Có. Thuật toán Dynamic Safety Stock tính toán phương sai nhu cầu theo cửa sổ trượt (rolling window) 30 ngày gần nhất và cho phép nhân viên điều chỉnh hệ số phục vụ $Z_{\alpha}$ từ 1.645 (95%) lên 2.326 (99%) trong các dịp lễ Tết để tự động nâng mức đệm tồn kho.

3. Phương pháp này có áp dụng được cho các nhãn hàng khác ngoài Abbott không?

Hoàn toàn khả thi. Toàn bộ lược đồ cơ sở dữ liệu (Database Schema) và các lớp xử lý thuật toán Python được thiết kế theo cấu trúc tham số hóa (Parameterized Code), dễ dàng mở rộng sang các thương hiệu như Vinamilk, Nutifood, Nestlé bằng cách thay đổi mã định danh SKU.

4. Chi phí bảo trì và vận hành hệ thống định kỳ bao gồm những gì?

Chi phí định kỳ bao gồm phí bản quyền lưu trữ cơ sở dữ liệu (nếu dùng Cloud), kiểm chuẩn lại mô hình kinh tế lượng 6 tháng một lần (để cập nhật lại hệ số Beta khi thị trường thay đổi) và bảo trì đường truyền dữ liệu POS.

5. Tại sao cần tích hợp cả SPSS và Python trong quy trình nghiên cứu?

SPSS Statistics được sử dụng để tiến hành nhanh các kiểm định tâm lý học hành vi, bảng chéo Crosstabs và xuất kết quả kiểm định Cronbach's Alpha/EFA trực quan phục vụ báo cáo học thuật; trong khi Python đảm nhận các tác vụ tự động hóa Pipeline dữ liệu, tính toán ma trận tồn kho lớn và kết nối cơ sở dữ liệu thời gian thực.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Phan Thị Diệu Trang đã giải quyết trọn vẹn bài toán nâng cao hiệu quả tiêu thụ sữa Abbott tại Công ty TNHH Thương mại Thái Đông Anh trên địa bàn tỉnh Thừa Thiên Huế. Bằng việc kết hợp chặt chẽ giữa phân tích định tính thị trường và ứng dụng các kỹ thuật định lượng (hồi quy OLS, kiểm định đa cộng tuyến, Dynamic Safety Stock, thiết kế CSDL quan hệ), nghiên cứu đã chứng minh:

  • Xác định chính xác 4 nhân tố cốt lõi chi phối doanh số, trong đó độ phủ điểm bán lẻ đóng vai trò quyết định nhất ($\beta = 0.412$).
  • Đề xuất mô hình quản trị tồn kho và luồng phân phối khoa học, giúp cắt giảm 78.4% tỷ lệ đứt gãy nguồn cung tại điểm bán lẻ, nâng cao năng lực cạnh tranh của doanh nghiệp.
  • Mở ra hướng tiếp cận hiện đại trong việc số hóa hoạt động quản trị chuỗi cung ứng cho các doanh nghiệp thương mại phân phối tại Việt Nam.