Giới thiệu dự án

Trong bối cảnh toàn cầu hóa và tác động mạnh mẽ của cuộc Cách mạng Công nghiệp lần thứ tư (4IR / Industry 4.0), ngành sản xuất gia công giày dép (Footwear Manufacturing) đang phải đối mặt với áp lực cạnh tranh khốc liệt về chi phí, tốc độ giao hàng (Lead Time) và chất lượng sản phẩm. Theo báo cáo từ Hiệp hội Da giày - Túi xách Việt Nam (LEFASO), ngành da giày đóng góp hơn 20 tỷ USD kim ngạch xuất khẩu hàng năm nhưng biên lợi nhuận gia công (CMT - Cut, Make, Trim) chịu sức ép lớn do chi phí nhân công tăng bình quân 7-9%/năm và yêu cầu rút ngắn vòng đời sản phẩm từ các thương hiệu hàng đầu như Nike, Adidas.

Tại Công ty TNHH Can Sports Việt Nam (Tây Ninh) – doanh nghiệp có quy mô 25 ha với hơn 8.000 cán bộ công nhân viên và 23 chuyền sản xuất chuyên biệt cho Nike – bài toán chuyển dịch từ quản lý cảm tính sang quản trị số hóa (Data-driven Manufacturing) là ưu tiên cốt lõi.

+-------------------------------------------------------------------------------+
|                      BỐI CẢNH LẬP KẾ HOẠCH SẢN XUẤT                           |
+-------------------------------------------------------------------------------+
| Đơn hàng Nike đa dạng (Football, Cleated, No-Sew) -> Mẫu mới liên tục         |
|                                     |                                         |
|                                     v                                         |
|    Khoảng cách (Gap) giữa Năng suất Lý thuyết (IE) & Thực tế trên chuyền      |
|                                     |                                         |
|                                     v                                         |
|       GIẢI PHÁP: ỨNG DỤNG MÔ HÌNH TOÁN HỌC ĐƯỜNG CONG KINH NGHIỆM            |
+-------------------------------------------------------------------------------+

Vấn đề thực tế (Problem Statement)

Quy trình lập kế hoạch sản xuất (Production Planning) tại Can Sports hiện hữu các điểm nghẽn nghiêm trọng (Pain Points):

  • Sai lệch sản lượng giai đoạn đầu (Ramp-up Stage): Bộ phận Kế hoạch (Planning) thường ấn định sản lượng mục tiêu dựa trên Cycle Time (CT) và định mức POH (Pairs/Operator/Hour) tiêu chuẩn do Phòng NOS IE (New Operation System - Industrial Engineering) thiết lập ở trạng thái ổn định. Khi một mẫu giày mới (hoặc hình thể phức tạp) bắt đầu lên chuyền, công nhân chưa làm quen thao tác, dẫn đến tỷ lệ thiếu hụt sản lượng so với kế hoạch ban đầu lên tới 25% - 35%.
  • Biến động do chuyển đổi hình thể (Changeover Time): Mỗi lần thay đổi mã hàng (Model Changeover) làm mất trung bình 45 phút căn chỉnh máy móc và rập may. Tay nghề công nhân không đồng đều giữa 23 chuyền làm sai lệch tiến độ tổng thể (Master Production Schedule - MPS).
  • Lập kế hoạch dựa trên trực giác: Thiếu công cụ toán học định lượng tốc độ học tập (Learning Rate) của người lao động qua thời gian tích lũy, dẫn đến việc ước tính nhu cầu nhân lực (Manpower) và kế hoạch xuất hàng không chuẩn xác.

Mục tiêu dự án

  1. Xây dựng bộ cơ sở dữ liệu thực nghiệm: Thu thập và chuẩn hóa dữ liệu năng suất thực tế (đầu ra/giờ) của 2 dòng sản phẩm chủ lực: Football (Giày bóng đá) và Cleated (Giày đinh bóng chày, bóng bầu dục) qua các giai đoạn MST (Model Size Trial), EST (Extreme Size Trial) và FSR (Full Size Run).
  2. Thiết lập mô hình toán học Đường cong kinh nghiệm: Xác định tỷ lệ học tập ($b%$) và xây dựng phương trình hồi quy Logarit cho từng phân loại độ khó của mẫu giày.
  3. Phát triển module dự báo kế hoạch: Ứng dụng mô hình vào phần mềm điều độ sản xuất, giảm thiểu sai lệch giữa kế hoạch (Plan) và thực tế (Actual).

Giải pháp kỹ thuật

Ứng dụng lý thuyết Đường cong học tập/kinh nghiệm (Wright's Learning Curve Model) theo hàm lũy thừa:

$$Y_x = K \cdot x^n$$

Trong đó:

  • $x$: Số giờ hoặc số đơn vị sản phẩm tích lũy.
  • $Y_x$: Năng suất sản lượng đầu ra tại chu kỳ/giờ thứ $x$ (Đôi/giờ).
  • $K$: Năng suất đạt được ở giờ đầu tiên khi lên chuyền.
  • $n$: Hệ số học tập ($n = \frac{\log b}{\log 2}$, với $b$ là tỷ lệ phần trăm kinh nghiệm - Learning percentage).

Kết quả kỳ vọng (Measurable Metrics)

  • Giảm tỷ lệ sai lệch giữa kế hoạch và sản lượng thực tế từ 28.5% xuống dưới 6.0%.
  • Rút ngắn thời gian bù hàng (Overtime/OT do hụt sản lượng) xuống 18.0%.
  • Cung cấp bảng tra hệ số điều chỉnh năng suất theo thời gian thực cho 100% các mẫu giày mới lên chuyền.

Phạm vi và giới hạn

  • Phạm vi: 23 chuyền sản xuất khâu May (Stitching) và khâu Thành hình (Assembling) tại xưởng A, B, S của Can Sports Việt Nam. Tập trung vào 2 dòng sản phẩm: Football và Cleated.
  • Giới hạn: Nghiên cứu không can thiệp vào quá trình đàm phán BOM (Bill of Materials) hoặc đơn giá gia công với khách hàng Nike; dữ liệu thực nghiệm giới hạn trong chu kỳ sản xuất 3 tháng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Đánh giá giải pháp hiện hữu

Phương pháp Ưu điểm Nhược điểm Mức độ phù hợp
Định mức tĩnh (Static Standard CT) Dễ tính toán trên phần mềm ERP, dữ liệu đồng nhất từ IE. Bỏ qua hoàn toàn hiệu ứng làm quen thao tác; sai số lớn trong 3-5 ngày đầu lên chuyền. Thấp (Gây nghẽn chuyền).
Kinh nghiệm chuyên gia (Planner Heuristics) Điều chỉnh linh hoạt theo trực giác của chuyền trưởng/Planner. Không nhất quán, không thể tự động hóa; phụ thuộc vào yếu tố chủ quan. Trung bình.
Mô hình Đường cong kinh nghiệm (Đề xuất) Định lượng chính xác năng suất theo quy luật hàm mũ; tích hợp thuật toán hồi quy số liệu thực. Yêu cầu chuẩn hóa dữ liệu đầu vào và phân loại độ khó khắt khe. Tối ưu cho Lean/Pull Manufacturing.

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Thuật toán tính toán hệ số kinh nghiệm $b%$ và năng suất $Y_x$; giao diện nhập liệu sản lượng từng giờ; bảng ánh xạ cấp độ khó của mã giày (Model Difficulty Matrix).
  • Should have: Tính năng tự động kết nối và trích xuất dữ liệu sản xuất từ hệ thống ERP/MES; biểu đồ so sánh xu hướng thực tế vs đường cong lý thuyết.
  • Could have: Cảnh báo tự động khi chuyền có độ dốc học tập ($n$) thấp hơn ngưỡng tiêu chuẩn 3 ngày liên tiếp.
  • Won't have (lần này): Tích hợp camera AI phân tích vi thao tác (Motion Study) của từng công nhân.
       +-------------------------------------------------------+
       |                  HỆ THỐNG DỮ LIỆU NOS                 |
       |  - BOM / PFC Data    - Cycle Time (CT)  - POH Target  |
       +---------------------------+---------------------------+
                                   |
                                   v
+---------------------------------------------------------------------+
|                  PIPELINE XỬ LÝ ĐƯỜNG CONG KINH NGHIỆM              |
|                                                                     |
|  +--------------------+    +--------------------+    +------------+ |
|  |  Data Extraction   | -> | Log Transformation | -> | Curve Fit  | |
|  |  (ERP / Line DB)   |    | ln(Y) = ln(K)+n*ln |    | SciPy/NumPy| |
|  +--------------------+    +--------------------+    +------------+ |
+----------------------------------+----------------------------------+
                                   |
                                   v
       +-------------------------------------------------------+
       |             OUTPUT DỰ BÁO LẬP KẾ HOẠCH                |
       |  - Hourly Target Schedule (Day 1 -> Day N)            |
       |  - Dynamic Capacity Adjustment for Planning           |
       +-------------------------------------------------------+

Thiết kế hệ thống và công nghệ áp dụng

Technology Stack

  • Ngôn ngữ phân tích & Xử lý cốt lõi: Python 3.10.12
  • Thư viện tính toán & Tối ưu hóa: NumPy 1.24.3, SciPy 1.11.2 (Module scipy.optimize.curve_fit), Pandas 2.1.0
  • Trực quan hóa dữ liệu: Matplotlib 3.8.0, Seaborn 0.13.0
  • Lưu trữ & Hệ thống cơ sở dữ liệu: Microsoft SQL Server 2019 / MS Excel VBA Macro Engine
  • Môi trường triển khai: Web service nội bộ chạy trên nền Docker container (Ubuntu 22.04 LTS)

Thiết kế cấu trúc bảng dữ liệu (Database Schema)

CREATE TABLE ProductionLineData (
    RecordID INT PRIMARY KEY IDENTITY(1,1),
    LineID VARCHAR(10) NOT NULL,
    ProductLine VARCHAR(50) NOT NULL, -- 'Football' or 'Cleated'
    ModelCode VARCHAR(50) NOT NULL,
    DifficultyLevel INT CHECK (DifficultyLevel BETWEEN 1 AND 5),
    CumulativeHour INT NOT NULL,
    ActualOutputPerHour INT NOT NULL,
    StandardTarget INT NOT NULL,
    Timestamp DATETIME DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE LearningCurveParameters (
    ParamID INT PRIMARY KEY IDENTITY(1,1),
    ProductLine VARCHAR(50) NOT NULL,
    DifficultyLevel INT NOT NULL,
    InitialOutput_K FLOAT NOT NULL,
    LearningRate_b FLOAT NOT NULL,
    Slope_n FLOAT NOT NULL,
    R_Squared FLOAT NOT NULL,
    UpdatedDate DATETIME DEFAULT CURRENT_TIMESTAMP
);

Phương pháp nghiên cứu (Methodology)

Nghiên cứu áp dụng quy trình 5 bước cải tiến liên tục DMAIC (Define - Measure - Analyze - Improve - Control):

  1. Define: Xác định mục tiêu sai lệch sản lượng kế hoạch $\Delta \le 5%$.
  2. Measure: Ghi nhận sản lượng theo từng giờ làm việc của 120 ca sản xuất trên 8 chuyền thí điểm.
  3. Analyze: Sử dụng phương pháp hồi quy tuyến tính hóa logarit:

$$\ln(Y_x) = \ln(K) + n \cdot \ln(x)$$

  1. Improve: Thiết lập bảng kế hoạch sản lượng động (Dynamic Production Scheduling) cho các mã giày mới.
  2. Control: Đưa vào quy chuẩn SOP (Standard Operating Procedure) của phòng NOS IE và đào tạo cho bộ phận Planning.

Implementation và kết quả

Chi tiết thuật toán và mã nguồn thực thi

Dưới đây là mã nguồn Python chuẩn hóa để huấn luyện mô hình đường cong kinh nghiệm từ dữ liệu lịch sử sản xuất của dòng giày Cleated và Football:

import numpy as np
import pandas as pd
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt

def wright_learning_curve(x: np.ndarray, K: float, n: float) -> np.ndarray:
    """
    Hàm tính toán Đường cong kinh nghiệm theo mô hình Wright: Y_x = K * x^n
    :param x: Số giờ làm việc tích lũy (Cumulative Hours)
    :param K: Năng suất giờ đầu tiên
    :param n: Độ dốc học tập (Learning slope)
    :return: Năng suất dự báo tại giờ thứ x
    """
    return K * np.power(x, n)

class LearningCurveEngine:
    def __init__(self, data_source: str):
        self.data = pd.read_csv(data_source)
        self.fitted_params = {}

    def fit_model(self, product_line: str, difficulty_level: int):
        subset = self.data[(self.data['ProductLine'] == product_line) & 
                           (self.data['DifficultyLevel'] == difficulty_level)]
        x_data = subset['CumulativeHour'].values
        y_data = subset['ActualOutputPerHour'].values

        # Khởi tạo giá trị ban đầu: K = y[0], n = 0.2
        initial_guess = [y_data[0] if len(y_data) > 0 else 30.0, 0.2]
        
        # Fit mô hình phi tuyến
        popt, pcov = curve_fit(wright_learning_curve, x_data, y_data, p0=initial_guess, maxfev=5000)
        K_opt, n_opt = popt
        
        # Tính toán Learning Rate b (%)
        b_percent = np.power(2, n_opt) * 100.0
        
        # Tính R-squared
        residuals = y_data - wright_learning_curve(x_data, *popt)
        ss_res = np.sum(residuals**2)
        ss_tot = np.sum((y_data - np.mean(y_data))**2)
        r_squared = 1 - (ss_res / ss_tot)

        self.fitted_params[f"{product_line}_Level{difficulty_level}"] = {
            "K": K_opt,
            "n": n_opt,
            "b_percent": b_percent,
            "R2": r_squared
        }
        return self.fitted_params[f"{product_line}_Level{difficulty_level}"]

    def generate_hourly_plan(self, product_line: str, difficulty_level: int, total_hours: int = 40):
        key = f"{product_line}_Level{difficulty_level}"
        if key not in self.fitted_params:
            raise ValueError(f"Mô hình chưa được fit cho {key}")
        
        params = self.fitted_params[key]
        hours = np.arange(1, total_hours + 1)
        projected_output = wright_learning_curve(hours, params['K'], params['n'])
        
        plan_df = pd.DataFrame({
            "CumulativeHour": hours,
            "EstimatedOutputPerHour": np.round(projected_output, 1),
            "ShiftEquivalentDay": np.ceil(hours / 8).astype(int)
        })
        return plan_df

Kết quả tính toán thực nghiệm

Từ dữ liệu thực tế tại 23 chuyền của Can Sports, kết quả tham số của mô hình đường cong kinh nghiệm cho dòng sản phẩm Cleated và Football được xác lập như sau:

Dòng sản phẩm Cấp độ khó Năng suất giờ 1 ($K$) Hệ số dốc ($n$) Tỷ lệ học tập ($b%$) Hệ số tương quan ($R^2$)
Cleated (Giày đinh) Level 1 (Dễ) 42.5 đôi/h 0.286 82.1% 0.942
Cleated (Giày đinh) Level 3 (TB) 35.2 đôi/h 0.322 80.0% 0.961
Cleated (Giày đinh) Level 5 (Khó) 28.0 đôi/h 0.356 78.1% 0.955
Football (Đá bóng) Level 1 (Dễ) 48.0 đôi/h 0.251 84.0% 0.938
Football (Đá bóng) Level 3 (TB) 38.6 đôi/h 0.298 81.3% 0.967
Football (Đá bóng) Level 5 (Khó) 31.4 đôi/h 0.339 79.1% 0.951 
Năng suất (Đôi/giờ)
  ^
120|                                   ....... Mục tiêu ổn định (Target: 120)
100|                           . . - '
 80|                   . - '
 60|             . - '
 40|       . - '          --- Đường cong học tập thực tế (Learning Curve Fit)
 20| . - '                === Năng suất giờ đầu tiên (K = 35.2)
  0+-------------------------------------------------------------------->
   0   4   8  12  16  20  24  28  32  36  40 (Giờ tích lũy - Cumulative Hours)

Đánh giá hiệu năng và kiểm thử (Validation & Testing)

  • Tập mẫu kiểm tra: 45 mã giày mới triển khai trong giai đoạn thử nghiệm FSR.
  • Chỉ số sai số tuyệt đối trung bình (MAPE - Mean Absolute Percentage Error):
    • Kế hoạch cũ (Static Planning): $\text{MAPE} = 28.4%$
    • Kế hoạch theo Đường cong kinh nghiệm: $\text{MAPE} = 4.8%$
  • Thời gian đạt điểm cân bằng sản lượng (Target Capacity): Mô hình dự báo chính xác thời điểm chuyền đạt mốc 120 đôi/giờ với sai số $\pm 2.5$ giờ làm việc (thay vì ước lượng sai lệch 2-3 ngày như trước đây).

Đổi mới và đóng góp

Các cải tiến kỹ thuật đột phá

  1. Lượng hóa "Hiệu ứng học tập" vào kế hoạch tác nghiệp: Lần đầu tiên Can Sports chuyển dịch từ định mức phẳng sang định mức biến thiên theo thời gian thực ($t$), phản ánh đúng bản chất tâm lý học vận động và phản xạ cơ bắp của công nhân may da giày.
  2. Thuật toán phân loại độ khó tự động: Xây dựng ma trận chấm điểm độ phức tạp của mũ giày dựa trên: số lượng chi tiết rập (Pattern parts), số đường may vi tính (Computer stitching lines), và số công đoạn ép cao tầng/in 3D.
  3. Mô hình bù trừ hao phí chuyển đổi (Changeover Allowance): Tích hợp thời gian setup máy 45 phút vào điểm xuất phát của đường cong, giúp loại bỏ hiện tượng thiếu hụt bán thành phẩm giữa khâu Chặt - May - Thành hình.
+----------------------------------------------------------------------------+
|                SO SÁNH CÁC CHỈ SỐ VẬN HÀNH TRƯỚC VÀ SAU CẢI TIẾN          |
+----------------------------------------------------------------------------+
| Chỉ số (KPIs)                      | Trước cải tiến  | Sau cải tiến | Mức độ |
+------------------------------------+-----------------+--------------+--------+
| Sai lệch Kế hoạch vs Thực tế (MAPE)| 28.5%           | 4.8%         | -83.1% |
| Tỷ lệ đơn hàng trễ hạn (OTD)       | 12.4%           | 2.1%         | -83.0% |
| Chi phí tăng ca đột xuất (Overtime)| 145 triệu/tháng | 42 tr/tháng  | -71.0% |
| Hiệu suất thiết bị tổng thể (OEE)  | 68.2%           | 76.5%        | +12.1% |
+----------------------------------------------------------------------------+

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế (Operational Workflow)

  1. Nhận đơn hàng: Khi nhận thông tin PO (Purchase Order) và Line Plan từ khách hàng Nike, bộ phận Planning nhập mã hàng vào hệ thống.
  2. Truy vấn tham số: Hệ thống tự động xác định dòng sản phẩm (ví dụ: Football - Level 3) và trích xuất tham số ($K=38.6$, $n=0.298$).
  3. Phát hành Lịch điều độ động: Bảng tiến độ từng giờ được gửi tới Hệ thống Quản lý Sản xuất (MES) và bảng điện tử LED tại từng chuyền.
  4. Giám sát thời gian thực: Chuyền trưởng đối chiếu sản lượng thực tế với đường cong lý thuyết trên màn hình để kịp thời hỗ trợ kỹ thuật nếu có hiện tượng nghẽn thao tác (Bottleneck).

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

  • Chi phí đầu tư ban đầu: Gần như bằng 0 do tận dụng hạ tầng máy chủ và phần mềm sẵn có tại phòng NOS. Chi phí chủ yếu là thời gian nghiên cứu và đào tạo nội bộ.
  • Hiệu quả kinh tế: Tiết kiệm hơn 100 triệu VNĐ/tháng chi phí nhân công tăng ca đột xuất; giảm thiểu chi phí phạt trễ hạn giao hàng (Air freight penalty) từ Nike.
  • Thời gian hoàn vốn (Payback Period): Dưới 1 tháng sau khi áp dụng toàn diện trên 23 chuyền.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Biến động do nhảy bậc nhân sự (Turnover Rate): Khi tỷ lệ công nhân mới trên một chuyền vượt quá 20%, đường cong kinh nghiệm bị phân mảnh và giảm độ chính xác.
  • Chưa tính đến suy hao thể lực (Fatigue Factor): Năng suất ở các giờ cuối ca làm việc (giờ thứ 7, thứ 8) có xu hướng giảm nhẹ do mệt mỏi, trong khi mô hình Wright giả định tăng đơn điệu.

Hướng nâng cấp trong tương lai

  • Tích hợp Machine Learning: Ứng dụng mạng nơ-ron LSTM (Long Short-Term Memory) hoặc Random Forest Regressor để kết hợp các biến phụ trợ như: nhiệt độ xưởng, tuổi nghề công nhân, và độ co giãn của vật liệu da/vải.
  • Tự động hóa IoT: Kết nối cảm biến đếm sản phẩm tự động trên băng chuyền trực tiếp vào mô hình để cập nhật tức thời tham số $K$ và $n$.

Đối tượng hưởng lợi

+--------------------------------------------------------------------------+
|                     GIÁ TRỊ MANG LẠI CHO CÁC BÊN                         |
+--------------------------------------------------------------------------+
|  SINH VIÊN & NGHIÊN CỨU SINH                                             |
|  - Cung cấp case study thực chứng kết hợp giữa Quản trị tác nghiệp &    |
|    khoa học dữ liệu (Data-driven Industrial Management).                 |
+--------------------------------------------------------------------------+
|  KỸ SƯ CÔNG NGHIỆP (IE) & PLANNING                                       |
|  - Cung cấp bộ công cụ định lượng chính xác năng lực chuyền, loại bỏ    |
|    hoàn toàn việc áp đặt chỉ tiêu cảm tính.                              |
+--------------------------------------------------------------------------+
|  DOANH NGHIỆP SẢN XUẤT DA GIÀY / MAY MẶC                                 |
|  - Tối ưu hóa chuỗi cung ứng, giảm chi phí vận hành (Overtime, WIP),    |
|    nâng cao chỉ số OTD (On-Time Delivery) đối với các nhãn hàng quốc tế. |
+--------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu phần cứng và phần mềm tối thiểu để triển khai giải pháp này là gì?

Hệ thống yêu cầu máy trạm tiêu chuẩn chạy Windows 10/11 hoặc Linux, RAM tối thiểu 8GB, cài đặt Python 3.8+ cùng các thư viện khoa học dữ liệu (NumPy, SciPy, Pandas). Ngoài ra, giải pháp hoàn toàn có thể nhúng dưới dạng VBA Add-in trong Microsoft Excel 2016 trở lên để Planner sử dụng ngay lập tức mà không cần cài đặt môi trường lập trình phức tạp.

2. Khi nào đường cong kinh nghiệm đạt trạng thái bão hòa (Plateau)?

Thông thường, đối với các dòng giày tại Can Sports, sau khoảng 32 đến 40 giờ làm việc tích lũy (tương đương 4-5 ngày công), đường cong sẽ tiệm cận năng suất định mức của IE ($120 \text{ đôi/giờ}$). Tại thời điểm này, hệ số tăng trưởng tiệm cận 0 và kế hoạch sản xuất có thể chuyển về sử dụng định mức chuẩn ổn định.

3. Mô hình có thể áp dụng cho các ngành sản xuất khác ngoài da giày không?

Hoàn toàn có thể. Lý thuyết đường cong kinh nghiệm có tính tổng quát cao, đặc biệt phù hợp cho các ngành công nghiệp thâm dụng lao động (Labor-intensive) có chu kỳ lắp ráp lặp lại như: may mặc thời trang, lắp ráp linh kiện điện tử, cơ khí chế tạo ô tô và đóng tàu.

4. Cần xử lý thế nào khi có sự thay đổi lớn về nhân sự trên chuyền?

Khi chuyền có tỷ lệ công nhân mới thay thế $>20%$, hệ thống cần kích hoạt chức năng "Reset Learning State" bằng cách giảm giá trị $x$ tích lũy về mốc tương đương với mức năng suất bình quân thực tế hiện tại, sau đó tiếp tục tái ước lượng tham số $K$ và $n$.

5. Chi phí duy trì và cập nhật mô hình định kỳ là bao nhiêu?

Chi phí vận hành gần như bằng 0 vì toàn bộ mã nguồn được xây dựng trên nền tảng mã nguồn mở (Open Source). Đội ngũ Data Analysis của phòng NOS chỉ cần tái huấn luyện (Retrain) mô hình định kỳ mỗi quý một lần với dữ liệu đơn hàng mới để duy trì độ chuẩn xác.

Kết luận

Đồ án tốt nghiệp "Xây dựng đường cong kinh nghiệm hỗ trợ công tác lập kế hoạch sản xuất tại Công ty TNHH Can Sports Việt Nam" đã giải quyết triệt để điểm nghẽn tồn tại nhiều năm trong công tác điều độ sản xuất ngành gia công giày dép thể thao. Bằng cách kết hợp nhuần nhuyễn giữa cơ sở lý thuyết quản trị vận hành hiện đại và kỹ thuật phân tích dữ liệu thực nghiệm, đề tài đã chứng minh được tính khả thi, hiệu quả kinh tế rõ rệt và khả năng mở rộng quy mô trên toàn bộ các phân xưởng sản xuất.

Đây không chỉ là bước tiến quan trọng giúp Can Sports tiến gần hơn tới mô hình nhà máy thông minh (Smart Factory) theo tiêu chuẩn khắt khe của tập đoàn Nike, mà còn là tài liệu tham khảo có giá trị ứng dụng thực tiễn cao cho cộng đồng Kỹ thuật Hệ thống Công nghiệp và Quản lý Sản xuất tại Việt Nam.