Học phần Quản trị sản xuất

QUẢN TRỊ SẢN XUẤT – TIẾP CẬN THEO HƯỚNG HIỆN ĐẠI NĂM

Chi tiết • Ví dụ thực tế • Công thức ký hiệu chuẩn • Ứng dụng AI nâng cao

01 Chương 1: Tổng Quan Về Quản Trị Sản Xuất

Lý thuyết & Xu hướng

1.1. Quản trị sản xuất

Quản trị sản xuất là thiết kế – hoạch định – điều hành – kiểm soát hệ thống biến đổi để chuyển đầu vào (nguyên liệu RM, lao động L, máy móc K, thông tin I, khách hàng C) thành đầu ra (sản phẩm/dịch vụ) thỏa mục tiêu: Chất lượng – Chi phí – Thời gian – Linh hoạt.

FMCG: Dầu gội: thiết kế CT → MPS → pha trộn – chiết rót – đóng gói; SPC giữ chuẩn pH & khối lượng.
Dịch vụ: Bệnh viện: đặt lịch → khám → CLS → chẩn đoán → điều trị; KPI: thời gian chờ, tái nhập viện.
TMĐT: Dự báo đơn/sku, tối ưu kho, last-mile; KPI: OTIF, tỉ lệ hoàn, chi phí/đơn.
Mô hình Input – Process – Output (IPO)
Input (Đầu vào) Process (Quá trình biến đổi) Output (Đầu ra) Chỉ tiêu đánh giá
NVL, Thông tin, Lao động, Máy móc, Khách hàng Thiết kế, Lập kế hoạch, Sản xuất/Dịch vụ, Kiểm soát chất lượng SP/DV, Giá trị KH, Doanh thu, Dữ liệu vận hành Q (chất lượng), C (chi phí), D (giao hàng), F (linh hoạt)

1.2. Chiến lược quản trị sản xuất

  • Chi phí thấp: Lean, JIT, Kaizen; chuẩn hóa thao tác, SMED, 5S.
  • Khác biệt hóa: Chất lượng cao, tùy biến (MTO/ATO/ETO), dịch vụ kèm theo.
  • Đáp ứng nhanh: Chuỗi cung ứng linh hoạt, lô nhỏ, chu kỳ sản xuất ngắn.
Zara: Chiến lược đáp ứng nhanh → vòng đời từ thiết kế đến kệ cửa hàng chỉ ≈ 2–3 tuần.
Dell: Mô hình Build-to-Order triệt tiêu tồn kho thành phẩm, đẩy mạnh cá nhân hóa.

✨ Ứng dụng Trí tuệ nhân tạo (AI) trong quản trị sản xuất (Tổng quan)

  • Computer Vision (CV) QC: Phát hiện lỗi vi mô <0.2mm; giảm tỉ lệ trả hàng >30%.
  • Digital Twin: Mô phỏng nhà máy ảo → thử nghiệm layout, công suất, kịch bản sự cố mà không gián đoạn dây chuyền.
  • Predictive Maintenance (PdM): Dự báo hỏng hóc thiết bị qua cảm biến rung/nhiệt, tối ưu lịch bảo trì.
  • NLP dịch vụ: Chatbot/Voicebot phân luồng yêu cầu, rút ngắn thời gian xử lý (TAT).
Toyota: AI kiểm tra mối hàn, giảm phế phẩm từ 0.5% → 0.2%.
Siemens: Bảo trì dự đoán PdM cắt 30% chi phí vận hành.
Amazon: AI định tuyến kho, rút ngắn 15–20% thời gian lấy hàng.

Thách thức: Yêu cầu dữ liệu sạch, chuẩn hóa quy trình, phối hợp đội ngũ liên ngành (Ops–IT–Data).

1.3. Xu hướng quản trị sản xuất trong bối cảnh chuyển đổi số

1.3.1. Khái niệm chuyển đổi số trong sản xuất

Chuyển đổi số trong sản xuất là quá trình ứng dụng công nghệ hiện đại như Internet vạn vật (IoT), trí tuệ nhân tạo (AI), dữ liệu lớn (Big Data), điện toán đám mây (Cloud Computing), hệ thống điều hành sản xuất (MES) và các nền tảng phân tích để tái cấu trúc và tối ưu hóa quy trình sản xuất.

Khái niệm này không chỉ dừng lại ở số hóa công đoạn mà còn kiến tạo mô hình sản xuất thông minh, trong đó toàn bộ mắt xích được kết nối, giám sát và điều chỉnh theo thời gian thực.

1.3.2. Vai trò của chuyển đổi số trong sản xuất

  • Nâng cao hiệu quả vận hành: Giảm lãng phí, hạn chế sai sót, tối ưu hóa nguồn lực và cải thiện tốc độ chu kỳ.
  • Hỗ trợ ra quyết định nhanh và chính xác: Dữ liệu lớn và phân tích thông minh cung cấp thông tin kịp thời theo thời gian thực.
  • Thích ứng linh hoạt với thị trường: Thay đổi nhanh về sản lượng, cấu hình thiết kế hoặc tiến độ giao hàng.
  • Tăng cường minh bạch và kiểm soát: Giám sát toàn diện từ xa, nâng cao chất lượng và quản lý rủi ro gián đoạn.
  • Hướng tới phát triển bền vững: Tiết kiệm năng lượng, giảm phát thải khí nhà kính và quản lý chất thải tuần hoàn.
  • Gia tăng năng lực cạnh tranh: Tạo lập lợi thế bền vững về chi phí đơn vị, chất lượng chuẩn mực và thời gian giao hàng.

1.3.3. Các xu hướng chủ yếu trong quản trị sản xuất

(1) Tự động hóa và Robot hóa: Ứng dụng robot công nghiệp và cobots (robot cộng tác) làm việc 24/7, loại trừ sai sót con người, xử lý công việc nặng nhọc/nguy hiểm.

(2) Chuyển đổi số (Digital Transformation): Kết nối hệ thống MES, cảm biến IoT thu thập dữ liệu máy móc, bảo trì dự đoán, giảm downtime.

(3) Sản xuất linh hoạt (Flexible Manufacturing): Tái lập trình dây chuyền siêu tốc, đa dạng hóa chủng loại sản phẩm với chi phí chuyển đổi (changeover) thấp nhất.

(4) Sản xuất bền vững (Sustainable Manufacturing): Năng lượng tái tạo (mặt trời, gió), sản xuất sạch hơn, đáp ứng tiêu chuẩn ESG và tiêu dùng xanh.

(5) Quản lý chuỗi cung ứng thông minh (Smart Supply Chain): Kết hợp IoT, Blockchain, AI truy xuất nguồn gốc thời gian thực, tối ưu mạng lưới kho tự động.

(6) Chất lượng và cải tiến liên tục: Kết hợp chặt chẽ giữa triết lý Lean (loại bỏ lãng phí) và Six Sigma (triệt tiêu biến thiên lỗi).

(7) Thực tế ảo và tăng cường (VR/AR): VR mô phỏng huấn luyện an toàn lao động không rủi ro; AR cung cấp chỉ dẫn bảo trì tương tác trực tiếp lên thiết bị.

(8) Phân tích dữ liệu và AI: Trọng tâm tối ưu hóa mọi nguồn lực, phát hiện lỗi sớm và tự động hóa các quyết định tác nghiệp.

Kết luận: Nắm bắt và thực thi sớm các xu hướng trên chính là chìa khóa mở ra lợi thế cạnh tranh tiên phong trong kỷ nguyên công nghiệp 4.0.

02 Chương 2: Dự Báo Nhu Cầu Sản Xuất

Phương pháp & Sai số

Dự báo ước lượng nhu cầu tương lai để chủ động nguồn lực: ngắn hạn (lập lịch), trung hạn (hoạch định tổng hợp), dài hạn (hoạch định công suất). Ví dụ: Hàng không dự báo mùa Tết để tăng chuyến/tổ bay; bán lẻ dự báo Trung Thu tăng sản lượng bánh 40–60%.

2.2. Các Phương Pháp Dự Báo

• Định tính: Phương pháp Delphi (chuyên gia ẩn danh nhiều vòng), khảo sát thị trường/thử nghiệm A/B, phương pháp tương tự (Analog).

• Định lượng (Chuỗi thời gian):

Bình quân di động MA(n):
Ft+1 = (1/n) ∑ At-i
Bình quân di động có trọng số WMA:
Ft+1 = ∑ wiAt-i (∑wi = 1)
San bằng số mũ giản đơn SES:
Ft+1 = αAt + (1 - α)Ft (0 < α < 1)
Mô hình Holt (Xu hướng):

Lt = αAt + (1 - α)(Lt-1 + Tt-1)

Tt = β(Lt - Lt-1) + (1 - β)Tt-1

Ft+h = Lt + hTt

Holt–Winters (Mùa vụ nhân):
Ft+h = (Lt + hTt) × St-s+h

Hệ Thống Chỉ Số Đánh Giá Sai Số Dự Báo
Chỉ Số Công Thức Toán Học Ý Nghĩa Thực Tế
MAD (1/n) ∑ |At - Ft| Độ lệch tuyệt đối trung bình (dễ hiểu, cùng đơn vị đo)
MSE (1/n) ∑ (At - Ft)2 Bình phương sai số trung bình (phạt rất nặng sai số lớn)
MAPE (100%/n) ∑ |(At - Ft) / At| Phần trăm sai số tuyệt đối trung bình (so sánh giữa các SKU)
TS (Tracking Signal) ∑ (At - Ft) / MAD Tín hiệu theo dõi kiểm soát thiên lệch dự báo (|TS| ≤ 4)

✨ Ứng dụng AI nâng cao trong dự báo nhu cầu

AI chuyển đổi dự báo từ phản ứng thụ động sang dự báo thích ứng chủ động, tích hợp dữ liệu thời gian thực đa nguồn (POS, thời tiết, sự kiện, chiến dịch marketing, mạng xã hội):

  • Deep Learning (LSTM / Transformer): Nắm bắt tương quan dài hạn, xử lý mẫu hình mùa vụ phi tuyến phức tạp.
  • AutoML: Tự động chọn thuật toán tối ưu, tự chỉnh siêu tham số (α, β, γ) dựa trên MAPE nhỏ nhất.
  • NLP: Thu thập và xử lý tín hiệu nhu cầu thị trường từ mạng xã hội, phản hồi người tiêu dùng.
  • Scenario Forecasting: Tự động sinh kịch bản dự báo khi có biến động giá nguyên liệu hoặc đứt gãy cung ứng.
Walmart: Dùng LSTM dự báo hàng triệu SKU, hạ sai số 10–15%.
Unilever: Mô phỏng kịch bản gián đoạn, tránh thiếu hụt 40% hàng thiết yếu.
Zara: Kết hợp AI và tín hiệu social media rút ngắn thời gian ra mẫu còn 3 tuần.
Câu hỏi tự rèn luyện:

1. Cho chuỗi doanh số 12 tháng, dùng MA(3) và SES (α = 0.3) dự báo tháng 13; tính và so sánh MAPE để chọn mô hình vượt trội.

2. Cho bảng thực tế (A) và dự báo (F) qua 6 kỳ → tính các chỉ số MAD, MSE, MAPE và kết luận tính kiểm soát của Tracking Signal.

03 Chương 3: Các Chiến Lược Hoạch Định Tổng Hợp (S&OP)

Trung hạn (3-18 tháng)

Mục tiêu: Xác định phối hợp tối ưu giữa sản lượng – nhân lực – tồn kho trong trung hạn (3–18 tháng) nhằm thỏa mãn nhu cầu dự báo với tổng chi phí thấp nhất mà vẫn bảo đảm mức độ dịch vụ khách hàng.

5 Bước Hoạch Định Tổng Hợp:
  1. Dự báo nhu cầu tổng hợp theo từng tháng/quý; nhận diện tính chu kỳ, mùa vụ.
  2. Xác định các ràng buộc (năng lực máy móc, quy mô lao động, ngân sách, thời gian cung ứng nguyên liệu).
  3. Xây dựng các phương án chiến lược: Chiến lược duy trì mức sản xuất ổn định (Level), chiến lược đuổi theo nhu cầu (Chase), hoặc chiến lược kết hợp (Mixed).
  4. Tính toán chi phí chi tiết từng phương án: Lương trong giờ, làm thêm giờ (OT), tồn trữ, hợp đồng phụ (thuê ngoài), tuyển dụng / sa thải.
  5. Chọn phương án tối ưu dựa trên phân tích đa tiêu chí (tổng chi phí thấp nhất, rủi ro tối thiểu, độ ổn định nhân sự).
Minh họa so sánh chi phí: Doanh nghiệp bia đối mặt mùa hè cao điểm: Phương án A (Level + tồn kho) chi phí 108.45 tr; Phương án B (Thuê ngoài) 117.96 tr; Phương án C (Tăng ca OT) 112.36 tr → Chọn Phương án A nếu năng lực kho đáp ứng tốt.
Các công cụ lập kế hoạch: Bảng tính trực quan (Spreadsheet), Quy hoạch tuyến tính (LP/MIP Solver) tìm nghiệm tối ưu toàn cục, Mô phỏng Monte Carlo đánh giá độ nhạy rủi ro.

✨ Ứng dụng AI trong hoạch định tổng hợp S&OP

  • Demand–Capacity S&OP AI: Tự động đồng bộ hóa dự báo nhu cầu với năng lực thiết bị thực tế, phát hiện trước nguy cơ thiếu hụt công suất.
  • Reinforcement Learning (RL): Tự học chính sách phân bổ nguồn lực (OT, thuê ngoài, tích trữ) theo biến động thị trường.
  • Risk-aware Planning: Tối ưu hóa chi phí kỳ vọng có xét đến rủi ro chuỗi cung ứng (CVaR).
Coca-Cola: AI cân bằng năng lực mùa cao điểm Tết, giảm 20% tình trạng thiếu hàng.
Unilever: Tự động chạy hàng nghìn kịch bản mô phỏng để ra quyết định thuê gia công tối ưu.

04 Chương 4: Quản Trị Hàng Tồn Kho

Mô hình EOQ & ROP

Tồn kho bảo đảm tính liên tục của sản xuất nhưng phát sinh chi phí lưu giữ và ứ đọng vốn. Mục tiêu cốt lõi: Cân đối tối ưu giữa chi phí tồn trữ và mức độ dịch vụ phục vụ khách hàng.

4.2. Các Mô Hình Tồn Kho Nhu Cầu Độc Lập

Lượng đặt hàng kinh tế EOQ (Wilson):
Q* = √2DSH

Số lần đặt hàng trong năm: N = D / Q*

Sản lượng theo lô sản xuất POQ:
Q*p = √2DSH(1 - d/p)
Điểm đặt hàng lại ROP (Có an toàn):
ROP = d × L + SS
Tồn kho an toàn Safety Stock:
SS = z × σL

Mức phục vụ 95% → z ≈ 1.65; 97.5% → z ≈ 1.96

Ví dụ EOQ: Nhu cầu D = 12,000 sp/năm; chi phí đặt hàng S = 200,000 đ/lần; chi phí lưu kho H = 5,000 đ/sp/năm → Q* ≈ 309 sản phẩm, tần suất đặt ≈ 39 lần/năm.
Ví dụ ROP: Nhu cầu ngày d = 200 sp/ngày, lead time L = 5 ngày, độ lệch chuẩn σ = 60 sp/ngày, mức phục vụ 95% (z = 1.65) → ROP ≈ 1,221 sản phẩm.

✨ Ứng dụng AI trong tối ưu hóa hàng tồn kho

  • Multi-echelon Inventory Optimization (MEIO): AI cân đối phân bổ tồn kho đa tầng giữa tổng kho (DC) và điểm bán lẻ (Stores).
  • Predictive Reorder: Hệ thống tự động phát lệnh đặt hàng khi thuật toán dự báo chạm ngưỡng ROP động.
  • Anomaly Detection: Tự động phát hiện sai lệch bất thường trong tốc độ bán để ngăn chặn thất thoát.
  • Dynamic Safety Stock: Tự động điều chỉnh lượng dự trữ an toàn linh hoạt theo thời tiết hoặc biến động giá.
Amazon: AI tối ưu vị trí sắp xếp trong kho thông minh, cắt 15% phí vận hành.
Alibaba: Dự báo nhu cầu theo từng cụm địa lý, giảm đứt hàng dịp lễ lớn.
Chuỗi siêu thị: Tự động tăng mức tồn an toàn nước giải khát theo dự báo thời tiết nắng nóng.

05 Chương 5: Lập Lịch Trình Sản Xuất (Scheduling)

Quy tắc điều độ

Mục tiêu: Tối ưu hóa thứ tự thực hiện công việc nhằm giảm thiểu tổng thời gian dòng chảy (Flow time), giảm tồn kho bán thành phẩm trên chuyền (WIP) và triệt tiêu số lượng đơn hàng trễ hạn.

Các Quy Tắc Sắp Xếp Thứ Tự Gia Công Cốt Lõi
Quy Tắc Nguyên Tắc Bố Trí Mục Tiêu Ưu Tiên Hàng Đầu
FCFS Đến trước làm trước (First Come, First Served) Đơn giản, công bằng tâm lý đối với khách hàng
SPT Thời gian gia công ngắn xếp trước (Shortest Processing Time) Tối thiểu hóa tổng thời gian dòng (∑Flow time) và WIP
EDD Hạn giao hàng sớm xếp trước (Earliest Due Date) Tối thiểu hóa số lượng công việc trễ hạn và độ trễ tối đa
Johnson Điều độ tối ưu cho hệ thống 2 máy nối tiếp (M1 → M2) Tối thiểu hóa tổng thời gian hoàn tất toàn bộ loạt job (Makespan)
3 Bước Thực Hiện Thuật Toán Johnson (2 Máy Nối Tiếp M1 → M2):
  1. Lập bảng thời gian gia công của các công việc trên Máy 1 và Máy 2; tìm giá trị thời gian nhỏ nhất trong bảng.
  2. Nếu thời gian nhỏ nhất thuộc về Máy 1 → xếp công việc đó lên đầu chuỗi (từ trái qua). Nếu thuộc về Máy 2 → xếp công việc đó về cuối chuỗi (từ phải qua).
  3. Gạch bỏ công việc vừa xếp khỏi danh sách và lặp lại bước 1 cho đến khi toàn bộ công việc được xếp hoàn tất.
Ví dụ minh họa: 5 công việc A(3,8), B(12,2), C(6,6), D(4,7), E(10,5). Thời gian nhỏ nhất là 2 tại B trên Máy 2 → đưa B về cuối chuỗi; tiếp tục thuật toán thu được chuỗi gia công tối ưu: A → D → C → E → B.

✨ Ứng dụng AI trong điều độ sản xuất thời gian thực

  • Deep Reinforcement Learning (DRL): Tác tử AI tự học quy tắc xếp thứ tự tối ưu khi môi trường nhà xưởng phát sinh biến động động (máy hỏng đột xuất, thiếu vật tư).
  • Meta-heuristics (Genetic / Tabu Search): Giải quyết bài toán lập lịch Job-shop quy mô lớn hàng nghìn chi tiết.
  • Dynamic Rescheduling: Tự động tái lập lịch sản xuất tức thời ngay khi xảy ra sự cố nghẽn cổ chai.
Boeing: AI điều độ chuỗi dây chuyền lắp ráp máy bay, giảm 20% chu kỳ hoàn thành.
Samsung: Tự động tái lập lịch chuyền bán dẫn khi có lỗi máy, giữ vững chỉ số OTIF.
Logistics 3PL: AI gom và tối ưu tuyến vận chuyển chặng cuối, tiết kiệm 12–18% nhiên liệu.
📝 Đề thi thử 📖 Hướng dẫn giải bài tập 🎵 TikTok 📥 Tải tài liệu

© Bộ Môn Quản Trị – Kinh Doanh • Tài Liệu Học Phần Quản Trị Sản Xuất