Giới thiệu dự án

Ngành công nghiệp sản xuất và lắp ráp ô tô toàn cầu đang chứng kiến sự chuyển dịch mạnh mẽ hướng tới tự động hóa, tối ưu hóa chi phí vận hành và triệt tiêu lãng phí. Theo thống kê của Tổ chức Thương mại Thế giới (WTO), thương mại toàn cầu duy trì mức tăng trưởng trung bình 7,2%, kéo theo sự cạnh tranh khốc liệt giữa các tập đoàn ô tô đa quốc gia. Tại Việt Nam, Công ty TNHH Mercedes-Benz Việt Nam (MBV) — với nhà máy quy mô 105.000 m² và công suất xấp xỉ 6.000 xe/năm — giữ vững vị thế dẫn đầu phân khúc xe sang (chiếm trên 65% thị phần trong nước) thông qua quy trình lắp ráp xe dạng CKD (Completely Knock Down).

Tuy nhiên, việc đưa vào vận hành dây chuyền sản xuất mẫu SUV chiến lược GLC thế hệ mới (mã hiệu X254) đã đặt ra bài toán hóc búa về quản trị sản xuất tinh gọn (Lean Manufacturing). Tập đoàn Mercedes-Benz Group AG đã ban hành chỉ thị chiến lược toàn cầu: đến năm 2025, tỷ lệ thời gian mang lại giá trị (eHPV - Engineered Hour Per Vehicle) phải đạt trên 50% so với tổng thời gian định mức và giảm thiểu tối đa thời gian không tạo giá trị (MV - Manufacturing Variables).

Tại dây chuyền lắp ráp X254 của MBV, tỷ lệ MV thực tế đang chiếm tỷ trọng áp đảo so với eHPV được quy định trên hệ thống thông tin kỹ thuật toàn cầu CGIS (Computerized Global Information System). Nguyên nhân xuất phát từ các thao tác lãng phí phát sinh trong quá trình di chuyển (Moving), lấy linh kiện (Shopping), mở bao bì bảo hộ (Unpacking), chờ đợi và ghi nhận chứng từ (Documentation). Nếu không giải quyết, sự mất cân bằng này sẽ trực tiếp đẩy cao chi phí nhân công trên mỗi đầu xe (HPV - Hour Per Vehicle), gây tắc nghẽn cục bộ tại các trạm Trim Line và Mech Line, đồng thời làm giảm năng lực cạnh tranh chung của nhà máy MBV.

Mục tiêu dự án

  1. Khảo sát và số hóa dữ liệu thời gian chu kỳ (Cycle Time): Thu thập dữ liệu video thao tác chi tiết tại 20 trạm làm việc chính và 6 trạm phụ của dây chuyền lắp ráp X254 trong giai đoạn từ tháng 10/2023 đến tháng 04/2024.
  2. Phân tích nguyên nhân mất cân bằng eHPV & MV: Ứng dụng biểu đồ Yamazumi (Yamazumi Stacked Bar Chart) kết hợp biểu đồ Pareto và sơ đồ xương cá (Ishikawa Diagram) nhằm định vị chính xác các nút thắt cổ chai và phân loại các tổn thất thời gian.
  3. Thiết kế và đề xuất giải pháp cân bằng chuyền: Tái cấu trúc phân bổ khối lượng công việc, chuẩn hóa hướng dẫn thao tác (Standard Work Instruction - SWI), cải tiến layout cấp phát vật tư (Kanban/5S) và hiệu chỉnh cơ sở dữ liệu eHPV trên phần mềm CGIS.
  4. Đạt chỉ tiêu chiến lược của tập đoàn: Nâng tỷ lệ eHPV/MV trên dây chuyền X254 vượt ngưỡng 50%, tối ưu hóa hiệu suất cân bằng chuyền (Line Balancing Efficiency) từ mức 62,4% lên trên 84,0%.

Phạm vi và giới hạn

  • Không gian: Xưởng lắp ráp (Assembly Shop) tại nhà máy MBV (Gò Vấp, TP.HCM), tập trung vào Dây chuyền 2 lắp ráp dòng xe GLC (X254) bao gồm các trạm Trim Line (Roof 1 đến Trạm 9) và Mech Line (Trạm 10 đến Trạm 18/20).
  • Thời gian nghiên cứu: Dữ liệu thực nghiệm thu thập từ tháng 10/2023 đến tháng 04/2024.
  • Giới hạn kỹ thuật: Không can thiệp thay đổi kết cấu cơ khí hay thông số kỹ thuật tiêu chuẩn của mẫu xe do Tập đoàn Mercedes-Benz AG (Đức) phê duyệt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp đo lường và quản lý thời gian truyền thống tại nhà máy bộc lộ nhiều điểm hạn chế khi so sánh với các công cụ Lean hiện đại.

Tiêu chí Phương pháp Bấm giờ Truyền thống (Stopwatch + Excel) Bản đồ Chuỗi Giá trị (VSM - Value Stream Mapping) Biểu đồ Cân bằng Chuyền Yamazumi (Đề xuất)
Mức độ trực quan hóa Thấp (chỉ lưu trữ bảng số liệu rời rạc) Trung bình (cái nhìn tổng thể ở cấp độ chuỗi) Rất cao (xếp chồng từng thao tác chi tiết theo màu sắc VA/NVA)
Độ chi tiết thao tác Thô, dễ bỏ sót vi thao tác (Micro-motion) Tập trung vào luồng thông tin và vật tư Chi tiết từng giây cho từng kỹ thuật viên (Operator - Op) tại mỗi trạm
Khả năng Line Balancing Khó mô phỏng tái phân bổ công việc Không hỗ trợ cân bằng tải trạm trực tiếp Tối ưu hóa phân bổ tải trọng tức thì theo Takt Time
Tích hợp hệ sinh thái số Thủ công, không đồng bộ dữ liệu Vẽ tĩnh trên phần mềm đồ họa Kết nối trực tiếp với cơ sở dữ liệu kỹ thuật CGIS v4.8 Enterprise

Phân loại yêu cầu giải pháp theo mô hình MoSCoW

  • Must Have (Bắt buộc phải có):
    • Tách bạch chuẩn xác 6 nhóm thời gian MV: Di chuyển ($M$), Nhặt đồ ($S$), Mở bao bì ($U$), Kiểm tra ($C$), Ký chứng từ ($D$) và Chờ đợi ($W$).
    • Biểu đồ Yamazumi cho 100% các trạm trên tuyến Trim Line và Mech Line.
    • Tỷ lệ $eHPV / (eHPV + MV) \ge 50%$.
  • Should Have (Nên có):
    • Bảng hướng dẫn công việc tiêu chuẩn (SWI) tích hợp hình ảnh trực quan tại từng trạm.
    • Báo cáo đối chuẩn (Benchmarking) giữa model X254 và thế hệ tiền nhiệm W206.
  • Could Have (Có thể có):
    • Script tự động tính toán Line Balancing Index và vẽ biểu đồ Yamazumi động bằng Python/VBA.
  • Won't Have (Chưa thực hiện đợt này):
    • Tự động hóa hoàn toàn xe tự hành AGV cấp phát linh kiện nội bộ.

Thiết kế hệ thống

Kiến trúc giải pháp cân bằng chuyền tích hợp phân tích dữ liệu Yamazumi và chuẩn hóa định mức CGIS được mô hình hóa theo sơ đồ dưới đây:

+-----------------------------------------------------------------------------------+
|                            HỆ THỐNG DỮ LIỆU SẢN XUẤT                              |
+-----------------------------------------------------------------------------------+
        |                                                           |
        v                                                           v
+-------------------------------+                           +-------------------------------+
|  Dữ liệu Sơ cấp (Field Data)  |                           | Dữ liệu Thứ cấp (Enterprise)  |
| - Time-study Video (20 Trạm)  |                           | - Phần mềm CGIS v4.8 (eHPV)   |
| - Đo lường Micro-motion       |                           | - SAP ERP 6.0 / MES Log       |
+-------------------------------+                           +-------------------------------+
        |                                                           |
        +-----------------------------+-----------------------------+
                                      |
                                      v
+-----------------------------------------------------------------------------------+
|                     DATA PROCESSING & ANALYSIS ENGINE                             |
|  - Thuật toán phân loại: VA (eHPV) vs NVA (Moving, Shopping, Unpacking, Waiting) |
|  - Pareto Analysis: Định vị 80% lãng phí từ 20% nguyên nhân cốt lõi               |
|  - Ishikawa Fishbone Engine: Phân tích 4M (Man, Machine, Material, Method)        |
+-----------------------------------------------------------------------------------+
                                      |
                                      v
+-----------------------------------------------------------------------------------+
|                     YAMAZUMI BALANCING & OPTIMIZATION LAYER                       |
|  - Takt Time Alignment (Target: TT = 1.800s / Xe)                                 |
|  - Work Element Re-allocation (Heuristic Line Balancing)                          |
|  - Layout Re-configuration & 5S/Kanban Standardization                            |
+-----------------------------------------------------------------------------------+
                                      |
                                      v
+-----------------------------------------------------------------------------------+
|                               OUTPUT & DEPLOYMENT                                 |
|  - SWI (Standard Work Instructions) cập nhật tại trạm                             |
|  - Đề xuất thay đổi định mức chuẩn (eHPV Adjustment Request) lên hệ thống CGIS   |
+-----------------------------------------------------------------------------------+

Technology Stack và Công cụ kỹ thuật

  • Core Engineering Database: Mercedes-Benz CGIS Enterprise (v4.8) quản lý định mức chuẩn toàn cầu.
  • Data Analytics & Computation: Python 3.10 (pandas v2.0, numpy v1.24, matplotlib v3.7), Minitab 21.
  • Time Study System: Phần mềm phân tích video chuyển động chuyên dụng (Timer Pro Professional v14).
  • ERP Integration: SAP ERP Central Component (ECC 6.0) Module PP/MM.

Methodology

Dự án áp dụng chu trình cải tiến liên tục PDCA (Plan - Do - Check - Act) kết hợp phương pháp luận phân tích kỹ thuật công nghiệp (Industrial Engineering):

+-----------------------------------------------------------------------------+
|                               QUY TRÌNH PDCA                                |
+-----------------------------------------------------------------------------+
| 1. PLAN (Tháng 10 - 11/2023)                                                |
|    - Xác định phạm vi dây chuyền X254.                                      |
|    - Khảo sát trạm, thiết lập camera ghi hình chu kỳ thao tác.              |
+-----------------------------------------------------------------------------+
| 2. DO (Tháng 12/2023 - 02/2024)                                             |
|    - Phân tích bóc tách thời gian: eHPV vs 6 thành phần MV.                 |
|    - Xây dựng biểu đồ Yamazumi hiện trạng cho 20 trạm.                      |
|    - Xác định nút thắt cổ chai bằng biểu đồ Pareto và Sơ đồ xương cá.       |
+-----------------------------------------------------------------------------+
| 3. CHECK (Tháng 03/2024)                                                    |
|    - Chạy thử nghiệm tái phân bổ công việc tại Trạm Trim 1 - Trim 4.        |
|    - Đo lường mức độ giảm thiểu lãng phí di chuyển và nhặt đồ.              |
|    - Đánh giá sự sai lệch giữa thực tế và định mức trên CGIS.               |
+-----------------------------------------------------------------------------+
| 4. ACT (Tháng 04/2024)                                                      |
|    - Ban hành tài liệu SWI mới cho kỹ thuật viên.                           |
|    - Tổ chức họp kỹ thuật đệ trình điều chỉnh eHPV trên CGIS lên Tập đoàn. |
+-----------------------------------------------------------------------------+

Implementation và kết quả

Development process

Quá trình xử lý dữ liệu và cân bằng dây chuyền sử dụng thuật toán tối ưu hóa phân bổ công việc (Line Balancing Algorithm) dựa trên thời gian chu kỳ ($C_i$) và Takt Time ($TT$).

Dưới đây là đoạn mã Python mô phỏng thuật toán tính toán các chỉ số cân bằng chuyền và xây dựng cấu trúc dữ liệu cho biểu đồ Yamazumi:

import pandas as pd
import numpy as np

def calculate_line_balancing(stations_data, takt_time):
    """
    Tính toán hiệu suất cân bằng dây chuyền lắp ráp X254.
    stations_data: DataFrame chứa ['Station', 'eHPV', 'Moving', 'Shopping', 'Unpacking', 'Checking', 'Doc', 'Waiting']
    takt_time: Thời gian nhịp sản xuất mục tiêu (giây)
    """
    # Tính tổng thời gian MV và tổng Cycle Time tại mỗi trạm
    stations_data['Total_MV'] = (
        stations_data['Moving'] + 
        stations_data['Shopping'] + 
        stations_data['Unpacking'] + 
        stations_data['Checking'] + 
        stations_data['Doc'] + 
        stations_data['Waiting']
    )
    stations_data['Total_Cycle_Time'] = stations_data['eHPV'] + stations_data['Total_MV']
    
    # Tính tỷ lệ % eHPV
    stations_data['eHPV_Ratio_%'] = (stations_data['eHPV'] / stations_data['Total_Cycle_Time']) * 100
    
    # Tổng thời gian toàn dây chuyền
    total_work_content = stations_data['Total_Cycle_Time'].sum()
    total_ehpv = stations_data['eHPV'].sum()
    total_mv = stations_data['Total_MV'].sum()
    
    num_stations = len(stations_data)
    max_cycle_time = stations_data['Total_Cycle_Time'].max()
    
    # Hiệu suất cân bằng chuyền (Line Balancing Efficiency - LBE)
    lbe = (total_work_content / (num_stations * max_cycle_time)) * 100
    # Tỷ lệ tổn thất cân bằng (Balance Delay - BD)
    balance_delay = 100 - lbe
    # Chỉ số làm mịn (Smoothness Index - SI)
    smoothness_index = np.sqrt(((max_cycle_time - stations_data['Total_Cycle_Time']) ** 2).sum())
    
    overall_ehpv_ratio = (total_ehpv / total_work_content) * 100
    
    metrics = {
        "Total Work Content (s)": total_work_content,
        "Total eHPV (s)": total_ehpv,
        "Total MV (s)": total_mv,
        "Overall eHPV Ratio (%)": round(overall_ehpv_ratio, 2),
        "Line Balancing Efficiency (%)": round(lbe, 2),
        "Balance Delay (%)": round(balance_delay, 2),
        "Smoothness Index": round(smoothness_index, 2)
    }
    return stations_data, metrics

# Mô phỏng dữ liệu mẫu tại 5 trạm điển hình trước cải tiến
raw_data = pd.DataFrame({
    'Station': ['Trim 1', 'Trim 2', 'Trim 3', 'Mech 1', 'Mech 2'],
    'eHPV': [620, 580, 540, 710, 680],
    'Moving': [310, 290, 350, 280, 300],
    'Shopping': [210, 230, 240, 190, 180],
    'Unpacking': [120, 110, 150, 90, 85],
    'Checking': [60, 55, 70, 80, 75],
    'Doc': [40, 45, 40, 35, 40],
    'Waiting': [80, 110, 130, 45, 60]
})

df_result, summary_metrics = calculate_line_balancing(raw_data, takt_time=1800)
print("=== CHỈ SỐ CÂN BẰNG HIỆN TRẠNG ===")
for k, v in summary_metrics.items():
    print(f"{k}: {v}")

Testing và validation

1. Phân tích Pareto các yếu tố lãng phí MV

Kết quả phân tích 1.840 phút video thao tác trên toàn tuyến xác định tỷ trọng các thành phần cấu thành lãng phí MV:

  • Moving (Di chuyển): Chiếm 41,8% tổng thời gian MV (do công nhân phải đi lại quãng đường dài lấy cụm dây điện và bu lông).
  • Shopping (Nhặt/lấy linh kiện): Chiếm 25,6% (do bố trí khay chứa linh kiện chưa theo nguyên tắc công thái học).
  • Unpacking (Tháo bao bì): Chiếm 14,2% (màng bọc nilon và băng keo bảo vệ chi tiết nhựa nội thất phải bóc thủ công ngay trên line).
  • Waiting & Others (Chờ đợi, Ký giấy, Kiểm tra): Chiếm 18,4%.

Như vậy, 3 yếu tố $M + S + U$ chiếm tới 81,6% tổng lãng phí thời gian, hoàn toàn tuân theo nguyên lý 80/20 Pareto.

2. Phân tích nguyên nhân gốc rễ (Ishikawa Fishbone)

  • Con người (Man): Thao tác chưa đồng đều giữa các bậc thợ; kỹ thuật viên mất thời gian đọc bản vẽ giấy thay vì bảng biểu trực quan.
  • Phương pháp (Method): Chưa phân định rõ ranh giới giữa khâu chuẩn bị phụ tùng (Kitting area) và khâu lắp ráp chính. Kỹ thuật viên phải tự bóc vỏ bao bì tại trạm.
  • Hệ thống (Machine/Software): Phần mềm CGIS ghi nhận định mức thời gian eHPV của một số công đoạn (như luồn bó dây điện khoang động cơ) thấp hơn 28% so với thời gian thao tác chuẩn thực tế của xe CKD.

Kết quả đạt được

Thông qua việc tái cấu trúc layout theo tiêu chuẩn 5S, áp dụng khay nạp linh kiện di động (Kitting Trolley), chuyển công đoạn Unpacking ra ngoài khu vực tiền lắp ráp (Pre-assembly line) và đệ trình cập nhật eHPV trên hệ thống CGIS, kết quả đạt được như sau:

Chỉ số Hiệu năng (KPIs) Trước cải tiến (Baseline) Sau cải tiến (Achieved) Mức độ cải thiện (%)
Thời gian lãng phí MV trung bình/trạm 895 giây 512 giây Giảm 42,79%
Thời gian di chuyển (Moving)/xe 3.120 giây 1.840 giây Giảm 41,03%
Thời gian nhặt đồ (Shopping)/xe 1.950 giây 1.150 giây Giảm 41,02%
Tỷ lệ eHPV / (eHPV + MV) 38,45% 54,18% Tăng +15,73% (Đạt chuẩn tập đoàn)
Hiệu suất cân bằng chuyền (LBE) 62,40% 84,85% Tăng +22,45%
Chỉ số làm mịn (Smoothness Index) 428,5 112,3 Giảm biến động 73,79%

Đổi mới và đóng góp

  1. Chuẩn hóa phương pháp luận Yamazumi cho sản xuất ô tô hạng sang CKD: Khác với các dây chuyền dập - hàn tự động quy mô lớn, nhà máy CKD tại Việt Nam có tính đa dạng mẫu xe cao (High-Mix Low-Volume). Nghiên cứu đã thiết lập khung phân tích vi thao tác chuẩn hóa kết hợp giữa biểu đồ Yamazumi và phân cấp thời gian đặc thù của Mercedes-Benz ($eHPV \leftrightarrow MV$).
  2. Cơ chế đối soát và hiệu chỉnh dữ liệu 2 chiều giữa xưởng sản xuất và CGIS: Đồ án đã chỉ ra điểm nghẽn mang tính hệ thống khi định mức eHPV toàn cầu trên CGIS chưa phản ánh hết các công đoạn đặc thù tại các thị trường lắp ráp CKD (do khác biệt về mức độ module hóa linh kiện nhập khẩu). Nghiên cứu cung cấp bằng chứng thực nghiệm để MBV làm việc với Tập đoàn mẹ tại Đức nhằm điều chỉnh định mức eHPV chuẩn xác.
  3. Mô hình Kitting và tiền đóng gói (Pre-unpacking): Triệt tiêu hoàn toàn 100% thời gian mở thùng carton và cắt màng bọc nilon trực tiếp trên dây chuyền chính, chuyển toàn bộ hoạt động NVA này về trạm hậu cần phụ trợ (Logistics sub-stations).

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

Giải pháp được triển khai trực tiếp trên Dây chuyền 2 của nhà máy Mercedes-Benz Việt Nam tại Gò Vấp, áp dụng cho mẫu xe GLC 200, GLC 300 4MATIC (thế hệ X254) và có khả năng mở rộng trực tiếp cho dòng C-Class (W206) và E-Class (W213/W214).

+-----------------------------------------------------------------------------------+
|                     LỘ TRÌNH TRIỂN KHAI THỰC TẾ (ROADMAP)                         |
+-----------------------------------------------------------------------------------+
| Giai đoạn 1 (Tuần 1 - 4): Chuẩn hóa Layout & 5S tại khu vực tập kết linh kiện    |
| Giai đoạn 2 (Tuần 5 - 8): Chuyển giao xe đẩy Kitting Trolley và phân loại vật tư  |
| Giai đoạn 3 (Tuần 9 - 12): Đào tạo kỹ thuật viên theo bảng SWI mới               |
| Giai đoạn 4 (Tuần 13 - 16): Đồng bộ hóa thông số eHPV phê duyệt mới vào CGIS    |
+-----------------------------------------------------------------------------------+

Đánh giá hiệu quả kinh tế (Cost-Benefit & ROI)

  • Tiết kiệm thời gian sản xuất: Rút ngắn tổng thời gian chu kỳ lắp ráp trung bình 383 giây (~6,38 phút) trên mỗi đầu xe X254.
  • Gia tăng năng lực sản xuất: Với sản lượng 2.500 xe GLC/năm, nhà máy tiết kiệm được: $$\text{Tổng giờ công tiết kiệm} = \frac{2.500 \times 383\text{ s}}{3.600} \approx 265,97\text{ giờ công kỹ thuật cao/năm}$$
  • Hiệu quả tài chính: Giảm thiểu chi phí làm ngoài giờ (Overtime Cost), ước tính tiết kiệm cho nhà máy hơn 450.000.000 VNĐ/năm chi phí vận hành trực tiếp, đồng thời loại bỏ nguy cơ trầy xước chi tiết nội thất do bao bì rác thải tồn đọng trên chuyền.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Việc thu thập dữ liệu thời gian chu kỳ vẫn dựa trên phương pháp quay video và phân tích thủ công (Manual Time-Study), đòi hỏi nhiều nhân lực và có độ trễ nhất định.
  • Quy trình thay đổi định mức trên hệ thống CGIS toàn cầu cần trải qua nhiều cấp phê duyệt kỹ thuật tại trụ sở chính (Stuttgart, Đức), mất từ 3 đến 6 tháng để chính thức cập nhật trên toàn hệ thống.

Hướng nghiên cứu phát triển

  • Ứng dụng Thị giác máy tính (Computer Vision & AI): Triển khai hệ thống camera AI tự động nhận diện vi thao tác của công nhân, tự động phân loại VA/NVA và xuất biểu đồ Yamazumi theo thời gian thực (Real-time Yamazumi Dashboard).
  • Hệ thống cấp phát tự động thông minh (IoT Smart Shelf & AGV): Ứng dụng công nghệ Pick-to-Light và xe tự hành AGV dẫn đường bằng laser để cấp phát linh kiện trực tiếp tới vị trí thao tác của kỹ thuật viên, triệt tiêu hoàn toàn thời gian Moving và Shopping.

Đối tượng hưởng lợi

  • Sinh viên ngành Quản lý Công nghiệp / Kỹ thuật Hệ thống Công nghiệp: Tiếp cận case study thực tế chuẩn quốc tế về việc ứng dụng Lean Manufacturing và Line Balancing trong môi trường lắp ráp ô tô cao cấp.
  • Kỹ sư sản xuất và Trưởng chuyền (IE/Production Engineers): Sở hữu bộ công cụ, quy trình và thuật toán tính toán cụ thể để phân tích và tối ưu hóa thời gian chu kỳ tại bất kỳ nhà máy sản xuất nào.
  • Doanh nghiệp sản xuất ô tô và linh kiện phụ trợ: Có được mô hình đối chuẩn (Benchmark model) nhằm cân bằng tải chuyền, kiểm soát tỷ lệ chi phí nhân công trên sản phẩm và nâng cao năng suất tổng thể.
  • Nhà nghiên cứu học thuật: Tài liệu tham khảo có giá trị cao về sự tương tác giữa lý thuyết sản xuất tinh gọn (Lean) và các hệ thống hoạch định định mức sản xuất số hóa (Digital Work-standard Systems).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật cốt lõi để triển khai biểu đồ Yamazumi tại nhà máy là gì?

Nhà máy cần có hệ thống định danh mã công đoạn chuẩn xác, dữ liệu Takt Time mục tiêu và công cụ bóc tách video thao tác chi tiết tới từng giây. Cơ sở hạ tầng chỉ cần máy trạm xử lý dữ liệu bảng tính chuẩn (Excel/Python) và màn hình hiển thị trực quan tại trạm (Visual Management Board).

2. Biểu đồ Yamazumi có giới hạn nào về mặt quy mô dây chuyền không?

Không. Yamazumi có khả năng mở rộng linh hoạt (Scalability) từ các xưởng gia công nhỏ vài trạm cho đến các dây chuyền lắp ráp tổ hợp hàng trăm trạm làm việc phức tạp.

3. Làm thế nào để tích hợp dữ liệu Yamazumi với hệ thống quản trị doanh nghiệp (ERP/MES)?

Dữ liệu thời gian chu kỳ chuẩn sau khi cân bằng trên Yamazumi được kết xuất dưới dạng bảng định mức thời gian thao tác (Routing & Standard Times) để nạp vào module Quản lý Sản xuất (PP) của hệ thống ERP (như SAP ECC hoặc S/4HANA) nhằm tính toán giá thành công đoạn chính xác.

4. Chi phí đầu tư ban đầu và thời gian bảo trì hệ thống cân bằng này như thế nào?

Chi phí đầu tư gần như bằng không (Zero-Capex) vì tận dụng hoàn toàn nguồn lực kỹ sư nội bộ và thiết bị quay phim/máy tính sẵn có. Việc bảo trì định kỳ chỉ cần thực hiện khi có sự thay đổi về mẫu xe (Facelift/All-new Model) hoặc khi thay đổi sản lượng kế hoạch (Takt Time biến thiên).

5. Tại sao việc tăng eHPV trên CGIS lại quan trọng tương đương với việc giảm lãng phí MV?

Bởi vì tỷ lệ chiến lược $eHPV / Total$ chịu ảnh hưởng của cả hai biến số: tử số (eHPV) và mẫu số ($eHPV + MV$). Nếu eHPV trên hệ thống trung ương bị cài đặt thiếu sót so với các bước lắp ráp bắt buộc thực tế của dòng xe CKD, thì dù có triệt tiêu tối đa MV, nhà máy thành viên vẫn không thể đạt được mục tiêu KPI toàn cầu (>50%) do tập đoàn quy định.

Kết luận

Đồ án tốt nghiệp "Sử dụng biểu đồ Yamazumi để phân tích thực trạng và đề xuất các giải pháp giúp cân bằng tỷ lệ eHPV&MV tại dây chuyền lắp ráp mẫu xe X254 của Công ty TNHH Mercedes – Benz Việt Nam" của tác giả Hồ Anh Thiện đã giải quyết trọn vẹn bài toán tối ưu hóa vận hành trong môi trường công nghiệp thực tế. Bằng việc kết hợp chặt chẽ giữa lý thuyết sản xuất tinh gọn, công cụ phân tích Yamazumi, Pareto, Ishikawa cùng việc khai thác dữ liệu từ hệ thống CGIS, nghiên cứu đã:

  • Cắt giảm 42,79% thời gian lãng phí MV tại các trạm trọng điểm.
  • Nâng tỷ lệ thời gian gia tăng giá trị eHPV lên 54,18% (vượt chỉ tiêu >50% của Tập đoàn Mercedes-Benz AG).
  • Tăng hiệu suất cân bằng toàn dây chuyền từ 62,40% lên 84,85%.

Kết quả này không chỉ chứng minh tính khả thi và hiệu quả kinh tế vượt trội tại nhà máy Mercedes-Benz Việt Nam mà còn là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn sâu rộng cho ngành công nghiệp ô tô và kỹ thuật quản lý sản xuất tại Việt Nam.