Giới thiệu dự án

Bối cảnh ngành và thực trạng thị trường

Ngành dệt may Việt Nam giữ vị thế huyết mạch trong nền kinh tế quốc dân, đóng góp tỷ trọng lớn vào tổng kim ngạch xuất nhập khẩu của cả nước. Theo thống kê của Tổng cục Hải quan, năm 2018 kim ngạch xuất khẩu toàn ngành dệt may đạt 30,49 tỷ USD (tăng trưởng 16,7% so với năm 2017), đóng góp vào thặng dư thương mại 6,8 tỷ USD của Việt Nam. Bước sang giai đoạn 2019–2020, trước làn sóng chuyển dịch chuỗi cung ứng toàn cầu từ Trung Quốc (quốc gia chiếm 53% nguồn cung vải thế giới) và các hiệp định thương mại thế hệ mới như CPTPP (Hiệp định Đối tác Toàn diện và Tiến bộ xuyên Thái Bình Dương) cùng EVFTA (Hiệp định Thương mại Tự do Việt Nam – EU), ngành dệt may đặt mục tiêu xuất khẩu vượt mốc 40 tỷ USD.

Tại tỉnh Thừa Thiên Huế, dệt may trở thành ngành kinh tế mũi nhọn với hơn 50 doanh nghiệp hoạt động tại các khu công nghiệp trọng điểm như KCN Phú Bài, KCN Phú Đa. Tuy nhiên, các doanh nghiệp gia công xuất khẩu (CMT/FOB) đối mặt với thách thức khốc liệt: biến động giá nguyên vật liệu, áp lực tỷ giá hối đoái, chiến tranh thương mại Mỹ - Trung và xu hướng thắt chặt chi tiêu tại các thị trường nhập khẩu chủ lực (Hoa Kỳ chiếm 19,52 tỷ USD, EU chiếm 4,18 tỷ USD kim ngạch xuất khẩu).

+-----------------------------------------------------------------------------+
|               BỐI CẢNH KINH DOANH NGÀNH DỆT MAY XUẤT KHẨU                   |
+-----------------------------------------------------------------------------+
|  Vĩ mô: CPTPP, EVFTA, Biến động tỷ giá USD/VND/CNY, Chiến tranh TM Mỹ - Trung|
|  Khu vực: Cụm công nghiệp Dệt may Thừa Thiên Huế (Phú Bài, Phú Đa)          |
|  Doanh nghiệp mục tiêu: Công ty Cổ phần Dệt may Phú Hòa An (PHUGATEXCO)     |
+-----------------------------------------------------------------------------+
+-----------------------------------------------------------------------------+
|                VẤN ĐỀ CỐT LÕI (CORE PROBLEM STATEMENT)                      |
|  - Dự báo thủ công, cảm tính dẫn đến sai lệch kế hoạch sản xuất            |
|  - Tồn kho nguyên phụ liệu cao (vải, sợi), chi phí lưu kho tăng 15-20%      |
|  - Rủi ro giao hàng trễ tiến độ đối với đơn hàng FOB/CMT xuất khẩu           |
+-----------------------------------------------------------------------------+

Vấn đề nghiên cứu (Problem Statement)

Công ty Cổ phần Dệt may Phú Hòa An (PHUGATEXCO), thành lập từ năm 2008 tại KCN Phú Bài, Hương Thủy, Thừa Thiên Huế, chuyên sản xuất và xuất khẩu hai nhóm mặt hàng chủ lực: hàng dệt kim (T-shirt, Polo-shirt) và hàng dệt thoi (Jacket, quần dệt thoi, đồng phục y tế).

Doanh nghiệp đối mặt với các điểm nghẽn nghiêm trọng trong quản trị chuỗi cung ứng:

  • Thiếu mô hình lượng hóa chuẩn xác: Hoạt động lập kế hoạch kinh doanh phụ thuộc vào phương pháp định tính và kinh nghiệm chủ quan của cán bộ kinh doanh, dẫn đến sai số dự báo lớn.
  • Tác động của tính mùa vụ (Seasonality) và chu kỳ kinh tế: Nhu cầu dệt may xuất khẩu dao động mạnh theo từng quý (đạt đỉnh vào Quý 3 và Quý 4 phục vụ mùa lễ hội phương Tây), gây quá tải công suất cục bộ hoặc đình trệ dây chuyền trong các quý thấp điểm.
  • Tổn thất tài chính: Sai lệch trong dự báo nhu cầu dẫn đến chi phí lưu kho nguyên vật liệu tăng cao, rủi ro ứ đọng vốn lưu động hoặc thiếu hụt nguyên phụ liệu làm trễ thời hạn giao hàng (Lead Time), chịu phạt hợp đồng thương mại quốc tế.

Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận: Xây dựng khung lý thuyết toàn diện về quản trị quy trình dự báo chuỗi cung ứng (Framework của Davis & Mentzer, 2007) và các mô hình chuỗi thời gian (Time-series Forecasting).
  2. Khai thác và phân tích dữ liệu lịch sử: Thu thập, làm sạch và xử lý dữ liệu xuất khẩu thực tế của Phú Hòa An giai đoạn 2015–2018 theo từng quý và phân nhóm mặt hàng (dệt kim, dệt thoi).
  3. Thực thi và kiểm định mô hình định lượng: Xây dựng, huấn luyện và so chuẩn (benchmark) 03 mô hình san bằng mũ: San bằng mũ giản đơn (SES), San bằng mũ tuyến tính Holt (Holt's Linear Trend) và San bằng mũ mùa vụ Winter (Winter's Multiplicative Seasonal Model).
  4. Đánh giá sai số và tối ưu hóa tham số: Đánh giá độ chính xác qua 4 chỉ số thống kê: MAD (Mean Absolute Deviation), MSE (Mean Squared Error), RMSE (Root Mean Squared Error) và MAPE (Mean Absolute Percentage Error).
  5. Đề xuất kế hoạch hành động & lộ trình số hóa: Dự báo nhu cầu giai đoạn 2019–2020 và kiến tạo hệ thống giải pháp tác nghiệp: tối ưu hóa chi phí sản xuất, cân đối nhân sự, kiểm soát chất lượng (QC) và quản trị rủi ro tỷ giá.

Phương pháp tiếp cận và kết quả kỳ vọng

  • Phương pháp giải quyết: Kết hợp phân tích định lượng chuỗi thời gian (Time-series econometrics) trên phần mềm chuyên dụng (EViews 8.0, IBM SPSS 20.0, Microsoft Excel 2010) với đường ống kết nối dữ liệu tự động hóa qua hệ quản trị cơ sở dữ liệu SQL Server và Java JDBC.
  • Chỉ số đo lường thành công (Target Metrics):
    • Giảm sai số phần trăm tuyệt đối trung bình (MAPE) xuống dưới 5% đối với toàn bộ danh mục sản phẩm.
    • Cung cấp số liệu dự báo chi tiết theo quý cho năm kế hoạch với độ tin cậy $R^2 > 0.85$.
    • Cắt giảm 15% chi phí tồn kho an toàn (Safety Stock) thông qua việc chủ động điều độ sản xuất trước 01 đến 02 quý.

Phạm vi và giới hạn

  • Không gian: Toàn bộ hoạt động sản xuất kinh doanh xuất khẩu tại Nhà máy Dệt may Phú Hòa An (KCN Phú Bài, Thừa Thiên Huế).
  • Thời gian: Dữ liệu chuỗi thời gian lịch sử từ Q1/2015 đến Q4/2018; kỳ dự báo thực thi cho giai đoạn 2019–2020.
  • Đối tượng sản phẩm: Hai dòng sản phẩm chiến lược chiếm hơn 90% doanh thu: Hàng dệt kim (Knitting) và Hàng dệt thoi (Woven).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

+-----------------------------------------------------------------------------+
|                      SO SÁNH CÁC GIẢI PHÁP DỰ BÁO CẦU                       |
+-----------------------------------------------------------------------------+
+-----------------------------------------------------------------------------+
Phương pháp dự báo Ưu điểm cốt lõi Nhược điểm & Hạn chế Mức độ phù hợp với Phú Hòa An
Định tính (Delphi / Ý kiến Ban quản trị) Tận dụng kinh nghiệm thị trường, phản ứng nhanh với biến động chính trị Mang tính chủ quan cao, không đưa ra được con số định lượng chi tiết cho từng mã hàng Bổ trợ cho dự báo dài hạn
San bằng mũ giản đơn (SES) Thuật toán đơn giản, tính toán nhanh, trọng số giảm dần theo hàm mũ Không nắm bắt được xu thế tăng trưởng dài hạn (Trend) và tính chu kỳ mùa vụ (Seasonality) Không phù hợp (MAPE > 12%)
Mô hình tuyến tính Holt's Dự báo tốt chuỗi dữ liệu có xu thế tăng/giảm cục bộ Bỏ qua biến động mùa vụ theo quý của ngành thời trang may mặc Phù hợp trung bình (MAPE ~ 7.6%)
Mô hình nhân tính Winter's Đồng thời xử lý 3 thành phần: Mức độ nền ($L_t$), Xu thế ($T_t$) và Mùa vụ ($S_t$) Yêu cầu dữ liệu lịch sử tối thiểu 3-4 chu kỳ mùa vụ đầy đủ Tối ưu nhất (MAPE < 4.2%)

Ma trận ưu tiên yêu cầu hệ thống (MoSCoW Matrix)

  • Must have (Bắt buộc phải có):
    • Phân rã dữ liệu chuỗi thời gian theo Quý cho 2 nhóm sản phẩm (Dệt kim & Dệt thoi).
    • Tính toán tự động bộ 3 tham số san bằng tối ưu: $\alpha$ (Level), $\beta$ (Trend), $\gamma$ (Seasonality) nhằm cực tiểu hóa chỉ số sai số RMSE.
    • Bảng so chuẩn sai số MAD, MSE, RMSE, MAPE giữa các mô hình.
  • Should have (Nên có):
    • Module kết nối Database tự động lấy số liệu đơn hàng và xuất kho từ SQL Server thông qua Java JDBC.
    • Giao diện trực quan hóa biểu đồ thực tế vs dự báo trên Excel/EViews.
  • Could have (Có thể có):
    • Tích hợp cảnh báo tín hiệu theo dõi (Tracking Signal - TS) khi sai số vượt ngưỡng kiểm soát $\pm 4$.
  • Won't have (Chưa thực hiện đợt này):
    • Tích hợp Deep Learning (LSTM, GRU) dự báo Real-time theo từng ngày/giờ.

Thiết kế hệ thống

Hệ thống phân tích và dự báo được cấu trúc theo mô hình 4 tầng (4-Tier Analytical Architecture):

graph TD
    A[Nguồn Dữ Liệu Lịch Sử 2015-2018] -->|JDBC Connection Driver| B(Data Access Layer - Java ConnectDB)
    B --> C[(Cơ sở dữ liệu Microsoft SQL Server 2016)]
    C --> D[Data Processing & Statistical Engine: EViews 8.0 / SPSS 20.0]
    D --> E{Bộ thuật toán San bằng mũ}
    E -->|Mô hình 1| F[SES Model]
    E -->|Mô hình 2| G[Holt's Linear Model]
    E -->|Mô hình 3| H[Winter's Multiplicative Model]
    F --> I[So chuẩn sai số: MAD, MSE, RMSE, MAPE]
    G --> I
    H --> I
    I --> J[Forecast Output Dashboard & Production Planning]

Ngăn xếp công nghệ (Technology Stack)

  • Ngôn ngữ lập trình & Kết nối dữ liệu: Java SDK 1.8 (Java SE 8u202), JDBC Type-4 Driver (com.microsoft.sqlserver.jdbc.SQLServerDriver).
  • Hệ quản trị cơ sở dữ liệu: Microsoft SQL Server 2016 SP2 Standard Edition.
  • Công cụ kinh tế lượng & thống kê: EViews 8.0 Enterprise Edition, IBM SPSS Statistics Version 20.0, Microsoft Excel 2010 với Analysis Toolpak VBA.
  • Hệ điều hành môi trường: Microsoft Windows 10 Pro / Windows Server 2012 R2.

Thiết kế cấu trúc cơ sở dữ liệu (Database Schema DDL)

-- Thiết lập Database quản lý hoạt động xuất khẩu Phú Hòa An
CREATE DATABASE PhuHoaAn_ERP_DB;
GO

USE PhuHoaAn_ERP_DB;
GO

-- Bảng phân loại danh mục sản phẩm
CREATE TABLE ProductCategory (
    CategoryID VARCHAR(10) PRIMARY KEY,
    CategoryName NVARCHAR(100) NOT NULL,
    Unit NVARCHAR(20) DEFAULT N'PCE'
);

-- Bảng lưu trữ chuỗi thời gian sản lượng xuất khẩu lịch sử
CREATE TABLE HistoricalExportDemand (
    RecordID INT IDENTITY(1,1) PRIMARY KEY,
    CategoryID VARCHAR(10) FOREIGN KEY REFERENCES ProductCategory(CategoryID),
    ExportYear INT NOT NULL,
    ExportQuarter INT CHECK (ExportQuarter BETWEEN 1 AND 4),
    QuantityPCE FLOAT NOT NULL,
    ExportValueUSD DECIMAL(18,2) NOT NULL,
    CreatedDate DATETIME DEFAULT GETDATE()
);

-- Bảng lưu trữ kết quả dự báo và đánh giá sai số
CREATE TABLE ForecastingResults (
    ForecastID INT IDENTITY(1,1) PRIMARY KEY,
    CategoryID VARCHAR(10) FOREIGN KEY REFERENCES ProductCategory(CategoryID),
    ModelCode VARCHAR(20) NOT NULL, -- 'SES', 'HOLT', 'WINTER'
    ForecastYear INT NOT NULL,
    ForecastQuarter INT NOT NULL,
    ForecastQuantity FLOAT NOT NULL,
    MAD FLOAT,
    RMSE FLOAT,
    MAPE FLOAT,
    OptimizedAlpha FLOAT,
    OptimizedBeta FLOAT,
    OptimizedGamma FLOAT
);

Yêu cầu phi chức năng (Non-functional Requirements)

  • Độ chính xác (Accuracy): Sai số tuyệt đối phần trăm trung bình (MAPE) của mô hình được chọn phải $< 5.0%$.
  • Hiệu năng xử lý (Performance): Tốc độ truy vấn chuỗi thời gian và khớp mô hình hồi quy đạt dưới $500\text{ ms}$ cho toàn bộ tập dữ liệu 16 quý.
  • Bảo mật & Toàn vẹn dữ liệu (Security): Phân quyền truy cập thông tin kinh doanh mức Database (Role-based Data Security); mật khẩu kết nối cơ sở dữ liệu được mã hóa chuẩn.

Phương pháp nghiên cứu (Methodology)

Dự án áp dụng khung quản lý quy trình dự báo của Davis & Mentzer (2007) tích hợp 4 giai đoạn logic:

[ Giai đoạn 1: Môi trường dự báo ]
[ Giai đoạn 2: Năng lực dự báo & Hậu cần dữ liệu ]
[ Giai đoạn 3: Phân tích mô hình & Đánh giá sai số ]
[ Giai đoạn 4: Giám sát & Điều độ tác nghiệp ]

Quản trị rủi ro dự án

Rủi ro kỹ thuật / Dữ liệu Khả năng Mức độ Biện pháp giảm thiểu
Dữ liệu xuất khẩu thiếu tính dừng (Non-stationary) Trung bình Cao Sử dụng kỹ thuật khử xu thế (Detrending) và chuẩn hóa chỉ số mùa vụ trong Winter's Model
Gãy đổ chuỗi cung ứng do thuế quan/chính sách Cao Cao Bổ sung chuyên gia phỏng vấn sâu (Delphi), hiệu chỉnh kết quả mô hình định lượng
Lỗi ngắt kết nối cơ sở dữ liệu (JDBC Timeout) Thấp Trung bình Cấu hình Singleton Pattern và cơ chế kiểm tra kết nối tự động đóng tài nguyên (con.close())

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

Module kết nối dữ liệu tự động hóa (Data Pipeline)

Trích xuất từ mã nguồn hệ thống quản lý kết nối cơ sở dữ liệu phục vụ trích xuất chuỗi thời gian của đề tài:

package connectDB;

import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.SQLException;

/**
 * Singleton Database Connection Manager
 * Đảm bảo kết nối duy nhất, an toàn và tối ưu tài nguyên cho Data Pipeline
 */
public class ConnectDB {
    public static Connection con = null;
    private static ConnectDB instance = new ConnectDB();

    public static ConnectDB getInstance() {
        return instance;
    }

    public void connect() throws SQLException {
        // Cấu hình URL kết nối SQL Server nội bộ
        String url = "jdbc:sqlserver://localhost:1433;databaseName=PhuHoaAn_ERP_DB;selectMethod=cursor";
        String user = "sa";
        String pw = "123";
        try {
            Class.forName("com.microsoft.sqlserver.jdbc.SQLServerDriver");
            con = DriverManager.getConnection(url, user, pw);
            System.out.println("Kết nối Database PhucHoaAn_ERP_DB thành công!");
        } catch (ClassNotFoundException e) {
            System.err.println("Không tìm thấy Driver JDBC: " + e.getMessage());
        }
    }

    public void disconnect() {
        if (con != null) {
            try {
                con.close();
                System.out.println("Đã đóng kết nối cơ sở dữ liệu an toàn.");
            } catch (SQLException e) {
                e.printStackTrace();
            }
        }
    }

    public static Connection getConnection() {
        return con;
    }
}

Cơ sở toán học của các thuật toán dự báo

1. Mô hình San bằng mũ giản đơn (Simple Exponential Smoothing - SES)

Áp dụng cho chuỗi dữ liệu có mức độ ổn định cao, không có xu thế rõ rệt: $$L_t = \alpha D_t + (1 - \alpha) L_{t-1}$$ Dự báo cho giai đoạn $t+p$: $$F_{t+p} = L_t$$ Trong đó: $\alpha \in [0, 1]$ là hệ số san bằng mức độ nền.

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

Mô hình hóa xu thế thay đổi cục bộ qua thời gian:

  • Mức độ nền (Level): $L_t = \alpha D_t + (1 - \alpha)(L_{t-1} + T_{t-1})$
  • Xu thế (Trend): $T_t = \beta (L_t - L_{t-1}) + (1 - \beta) T_{t-1}$
  • Giá trị dự báo (Forecast): $F_{t+p} = L_t + p \cdot T_t$
3. Mô hình San bằng mũ nhân tính Winter (Winter's Multiplicative Seasonal)

Mô hình toàn diện nhất nắm bắt đồng thời mức độ, xu thế và chỉ số mùa vụ chu kỳ $s = 4$ quý:

  • Ước lượng mức độ (Level): $$L_t = \alpha \left(\frac{D_t}{S_{t-s}}\right) + (1 - \alpha)(L_{t-1} + T_{t-1})$$
  • Ước lượng xu thế (Trend): $$T_t = \beta (L_t - L_{t-1}) + (1 - \beta) T_{t-1}$$
  • Ước lượng chỉ số mùa vụ (Seasonal Index): $$S_t = \gamma \left(\frac{D_t}{L_t}\right) + (1 - \gamma) S_{t-s}$$
  • Giá trị dự báo cho $p$ kỳ trong tương lai: $$F_{t+p} = (L_t + p \cdot T_t) \cdot S_{t+p-s}$$

Độ phức tạp tính toán của thuật toán là $O(N)$ với $N$ là số lượng quan sát lịch sử, đảm bảo tốc độ phản hồi tính toán thời gian thực ($< 10\text{ ms}$).

Kiểm nghiệm và đánh giá thực nghiệm

Để đánh giá mức độ chính xác của các mô hình dự báo trên chuỗi số liệu thực tế giai đoạn 2015–2018 (gồm 16 quý quan sát), hệ thống sử dụng 4 thước đo sai số:

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

Bảng so sánh sai số thực nghiệm trên dữ liệu Hàng dệt kim (Knitwear)

Tiêu chí đánh giá Mô hình SES ($\alpha = 0.35$) Mô hình Holt ($\alpha=0.42, \beta=0.28$) Mô hình Winter ($\alpha=0.51, \beta=0.20, \gamma=0.62$)
MAD (Chiếc - PCE) 45.210 28.340 12.450
MSE $2.84 \times 10^9$ $1.12 \times 10^9$ $2.15 \times 10^8$
RMSE (Chiếc - PCE) 53.291 33.466 14.662
MAPE (%) 12.84% 7.62% 3.42%
Mức độ phù hợp Sai số cao Khá Tối ưu vượt trội

Bảng so sánh sai số thực nghiệm trên dữ liệu Hàng dệt thoi (Woven)

Tiêu chí đánh giá Mô hình SES Mô hình Holt Mô hình Winter
MAD (Chiếc - PCE) 38.650 24.120 14.180
RMSE (Chiếc - PCE) 46.800 29.500 16.920
MAPE (%) 13.50% 8.15% 4.15%
Xếp hạng lựa chọn Loại Xem xét Được chọn triển khai 
+-----------------------------------------------------------------------------+
|               BIỂU ĐỒ SO SÁNH SAI SỐ MAPE GIỮA 3 MÔ HÌNH DỰ BÁO             |
+-----------------------------------------------------------------------------+
| SES (Dệt kim)     : [█████████████] 12.84%                                  |
| Holt (Dệt kim)    : [████████] 7.62%                                        |
| Winter (Dệt kim)  : [███] 3.42%  <-- (Chính xác cao nhất)                   |
| SES (Dệt thoi)    : [██████████████] 13.50%                                 |
| Holt (Dệt thoi)   : [████████] 8.15%                                        |
| Winter (Dệt thoi) : [████] 4.15% <-- (Chính xác cao nhất)                   |
+-----------------------------------------------------------------------------+

Kết quả đạt được

Hệ thống đã hoàn thành xuất sắc các mục tiêu nghiên cứu với kết quả định lượng cụ thể:

  1. Xác lập mô hình dự báo tối ưu: Mô hình Winter's Multiplicative Seasonal được chứng minh là mô hình có độ khớp cao nhất, phản ánh chính xác đỉnh vụ xuất khẩu rơi vào Quý 3 và Quý 4 hàng năm.
  2. Dự báo sản lượng năm kế hoạch 2019:
    • Hàng dệt kim năm 2019: Dự báo đạt $2.450.000\text{ PCE}$ (Tăng trưởng $14.2%$ so với 2018).
      • Quý 1/2019: $480.000\text{ PCE}$ | Quý 2/2019: $590.000\text{ PCE}$
      • Quý 3/2019: $710.000\text{ PCE}$ | Quý 4/2019: $670.000\text{ PCE}$
    • Hàng dệt thoi năm 2019: Dự báo đạt $1.820.000\text{ PCE}$ (Tăng trưởng $11.8%$ so với 2018).
      • Quý 1/2019: $360.000\text{ PCE}$ | Quý 2/2019: $430.000\text{ PCE}$
      • Quý 3/2019: $540.000\text{ PCE}$ | Quý 4/2019: $490.000\text{ PCE}$
  3. Giá trị kim ngạch xuất khẩu ước tính: Đạt $21,86\text{ triệu USD}$ trong năm 2019 và hướng tới mục tiêu $24,48\text{ triệu USD}$ vào năm 2020, hoàn toàn phù hợp với quy hoạch phát triển ngành dệt may của tỉnh Thừa Thiên Huế.

Đổi mới và đóng góp

  • Đổi mới về phương pháp luận kết hợp: Đề tài kết hợp giữa mô hình kinh tế lượng định lượng (Winter's Exponential Smoothing) với phân tích định tính dựa trên mô hình 5 áp lực cạnh tranh của Michael Porter và chu kỳ sống sản phẩm (PLC), khắc phục triệt để nhược điểm "điểm mù" của các phương pháp thuần túy.
  • Tự động hóa luồng trích xuất dữ liệu: Thay thế việc nhập liệu thủ công bằng module kết nối cơ sở dữ liệu Java JDBC Singleton kết nối trực tiếp cơ sở dữ liệu sản xuất kinh doanh SQL Server, loại bỏ 100% rủi ro sai lệch dữ liệu đầu vào.
  • Hiệu quả cải tiến định lượng:
    • Cải thiện độ chính xác dự báo 73,3% so với mô hình SES giản đơn (MAPE giảm từ 12,84% xuống 3,42%).
    • Cắt giảm 18,5% chi phí tồn kho nguyên liệu đệm nhờ kế hoạch mua sắm vải và phụ liệu đồng bộ theo quý dự báo.
    • Tăng tỷ lệ hoàn thành đơn hàng đúng hẹn (On-Time In-Full - OTIF) từ 88% lên 96,5%.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong vận hành doanh nghiệp

Kết quả dự báo theo quý từ mô hình Winter's được ứng dụng trực tiếp vào 4 khâu trọng yếu trong chuỗi giá trị của Công ty Dệt may Phú Hòa An:

  1. Lập kế hoạch mua hàng (Procurement): Chủ động ký hợp đồng cung ứng sợi, vải dệt kim/dệt thoi trước 60 ngày đối với các quý cao điểm (Q3, Q4), đàm phán mức giá chiết khấu tốt hơn từ 3-5%.
  2. Điều phối năng lực sản xuất (Capacity Planning): Cân đối chuyền may, bố trí lịch bảo trì máy móc thiết bị vào Quý 1 (mùa thấp điểm) và tổ chức tăng ca hợp lý trong Quý 3 nhằm giảm chi phí làm thêm giờ (Overtime Cost).
  3. Quản trị vốn lưu động: Tối ưu hóa dòng tiền vay ngân hàng, giảm số dư nợ vay ngắn hạn phục vụ thu mua nguyên liệu dự phòng.
+-----------------------------------------------------------------------------+
|                  LỘ TRÌNH TRIỂN KHAI HỆ THỐNG DỰ BÁO                        |
+-----------------------------------------------------------------------------+
| Tháng 1 - 2: Khởi tạo Database SQL Server & Cấu hình Module Java JDBC       |
| Tháng 3 - 4: Chuẩn hóa dữ liệu lịch sử & Chạy mô hình kiểm định EViews/SPSS |
| Tháng 5    : Bàn giao tham số tối ưu (Alpha, Beta, Gamma) cho Phòng Kế hoạch|
| Tháng 6+   : Vận hành định kỳ, kiểm soát Tracking Signal hàng quý           |
+-----------------------------------------------------------------------------+

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

  • Chi phí đầu tư hệ thống: Khoảng 45 triệu VNĐ (Chi phí đào tạo nhân sự sử dụng phần mềm phân tích, chuẩn hóa cơ sở dữ liệu nội bộ).
  • Lợi ích kinh tế ước tính hàng năm: Tiết kiệm khoảng 280 triệu VNĐ chi phí lưu kho, giảm thiểu 150 triệu VNĐ tổn thất do chậm tiến độ đơn hàng FOB.
  • Thời gian hoàn vốn (Payback Period): Dưới 04 tháng vận hành thực tế; Hệ số sinh lời đầu tư (ROI) năm đầu tiên đạt $355%$.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Chuỗi số liệu lịch sử mới dừng lại ở cấp độ Quý (16 quan sát từ 2015 đến 2018), chưa phân rã chi tiết theo từng tháng hoặc tuần.
  • Mô hình chưa tự động cập nhật các biến cố ngoại cảnh phi cấu trúc (Cú sốc chính sách thương mại, dịch bệnh toàn cầu làm đứt gãy chuỗi cung ứng).

Hướng phát triển tương lai

  • Nâng cấp thuật toán Machine Learning: Nghiên cứu tích hợp các mô hình học sâu chuỗi thời gian như SARIMAX, Prophet hoặc LSTM (Long Short-Term Memory) kết hợp đa biến đầu vào (giá sợi, tỷ giá USD/VND, chỉ số lạm phát).
  • Xây dựng Web Application hoàn chỉnh: Phát triển giao diện Dashboard trên nền tảng Spring Boot + ReactJS cho phép Ban Giám đốc tra cứu kết quả dự báo Real-time trên thiết bị di động.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                     ĐỐI TƯỢNG HƯỞNG LỢI VÀ GIÁ TRỊ MANG LẠI                 |
+-----------------------------------------------------------------------------+
|  [Sinh viên / Học viên]  : Khung mẫu chuẩn luận văn kinh tế lượng ứng dụng   |
|  [Lập trình viên / DE]   : Code pattern kết nối Java JDBC -> Database -> ML |
|  [Doanh nghiệp dệt may]  : Bộ giải pháp tối ưu tồn kho, nâng cao ROI > 300%|
|  [Nhà nghiên cứu]        : Dữ liệu thực nghiệm & tham số chuẩn ngành may mặc |
+-----------------------------------------------------------------------------+
  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng kết hợp công nghệ thông tin trong giải quyết bài toán quản trị kinh doanh thực tế.
  • Lập trình viên & Kỹ sư dữ liệu: Tham khảo mô hình tích hợp dữ liệu Java JDBC với hệ quản trị CSDL quan hệ trong việc xây dựng đường ống dữ liệu (Data Pipeline) cho các bài toán phân tích kinh tế lượng.
  • Doanh nghiệp dệt may vừa và nhỏ (SMEs): Bộ công cụ và quy trình dự báo có thể chuyển giao, áp dụng ngay mà không tốn chi phí bản quyền phần mềm đắt đỏ, giúp nâng cao năng lực cạnh tranh khi tham gia chuỗi cung ứng toàn cầu.
  • Nhà nghiên cứu kinh tế: Cung cấp bộ tham số thực nghiệm ($\alpha, \beta, \gamma$) đã được tối ưu hóa cho ngành dệt may miền Trung Việt Nam.

Câu hỏi thường gặp

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

Hệ thống yêu cầu máy chủ hoặc máy trạm cấu hình cơ bản: CPU Intel Core i3 thế hệ 6 trở lên (hoặc tương đương), 4GB RAM, ổ cứng trống 10GB, cài đặt Java Runtime Environment (JRE 8+), Microsoft SQL Server 2012+ và phần mềm phân tích thống kê (IBM SPSS 20.0 hoặc EViews 8.0/Excel 2010 tích hợp Solver).

2. Mô hình Winter's có xử lý được khi sản lượng biến động bất thường không?

Mô hình Winter's dạng nhân tính (Multiplicative) thích ứng rất tốt với các biến động có biên độ mùa vụ tăng theo xu thế. Tuy nhiên, khi có biến động bất thường (như thiên tai, dịch bệnh), cần kết hợp chỉ số theo dõi tín hiệu (Tracking Signal - TS) để kích hoạt cơ chế can thiệp định tính từ chuyên gia.

3. Có thể tích hợp giải pháp này với hệ thống ERP hiện có của doanh nghiệp không?

Hoàn toàn khả thi. Nhờ kiến trúc module tách rời và giao tiếp chuẩn Java JDBC, module dự báo có thể kết nối trực tiếp đến các hệ thống ERP phổ biến như SAP, Odoo, Bravo hoặc Oracle ERP thông qua tầng cơ sở dữ liệu trung gian.

4. Chi phí bảo trì và vận hành hệ thống hàng năm là bao nhiêu?

Chi phí vận hành gần như bằng không nếu sử dụng hạ tầng sẵn có của doanh nghiệp. Chi phí chủ yếu là công tác định kỳ rà soát và tái chuẩn hóa tham số ($\alpha, \beta, \gamma$) sau mỗi 1-2 năm (ước tính khoảng 5-10 triệu VNĐ/năm cho chuyên gia phân tích).

5. Tại sao mô hình Winter lại vượt trội hơn mô hình san bằng mũ giản đơn SES?

Bởi vì dữ liệu xuất khẩu dệt may tại Phú Hòa An mang đặc trưng rõ nét của chu kỳ thời trang: lượng đơn hàng tăng vọt vào Quý 3 và Quý 4 để phục vụ nhu cầu Giáng sinh và Năm mới tại Mỹ/EU. Mô hình SES coi các biến động này là ngẫu nhiên nên san phẳng sai lệch, trong khi Winter bóc tách thành công chỉ số mùa vụ $S_t$, giúp giảm MAPE từ $12,84%$ xuống chỉ còn $3,42%$.

Kết luận

Khóa luận tốt nghiệp "Phân tích và dự báo nhu cầu xuất khẩu hàng may mặc tại Công ty Cổ phần Dệt may Phú Hòa An" của tác giả Nguyễn Văn Hùng đã giải quyết trọn vẹn bài toán thực tiễn cấp bách trong quản trị chuỗi cung ứng ngành dệt may. Bằng việc ứng dụng thành công mô hình định lượng tiên tiến Winter's Multiplicative Exponential Smoothing kết hợp đường ống dữ liệu tự động hóa qua Java JDBC và SQL Server, đề tài đã cung cấp dự báo chính xác nhu cầu xuất khẩu giai đoạn 2019–2020 với độ sai số cực thấp ($\text{MAPE} < 5%$).

Kết quả nghiên cứu không chỉ mang lại giá trị học thuật vững chắc mà còn trực tiếp tháo gỡ điểm nghẽn tồn kho, tối ưu hóa công suất dây chuyền và nâng cao hiệu quả tài chính cho doanh nghiệp xuất khẩu trong bối cảnh hội nhập quốc tế sâu rộng. Đây là tài liệu tham khảo giá trị cho các nhà quản trị sản xuất, sinh viên khối ngành kinh tế và các kỹ sư dữ liệu đang tìm kiếm giải pháp chuyển đổi số cho doanh nghiệp may mặc Việt Nam.