fbpx

TIN TỨC

Chuyên mục

TIN XEM NHIỀU

18Nov

Tương lai của ngành Logistics trong 5-10 năm tới sẽ ra sao ?: nghiên cứu toàn diện của PWC

Trong chuỗi các bài “PwC’s Future Insight Series” được công bố từ PwC, Smartlog đã...

06Jan

Điều gì xảy ra khi chuỗi cung ứng gặp blockchain?

Cho đến nay, Smartlog đã cung cấp nhiều bài viết nói về blockchain và tiềm...

08Sep

Công nghệ thực tế ảo tăng cường (AR) trong logistics (Phần 1)

Làn sóng thay đổi lớn tiếp theo của ngành công nghiệp logistics có lẽ sẽ...

07May

ANC: “THAY ĐỔI ĐỂ TỒN TẠI, THAY ĐỔI ĐỂ PHÁT TRIỂN.”

Được thành lập từ năm 1996, Công ty TNHH ANC là một trong những công...

18Apr

IDOCEAN GIÚP NGƯỜI TIÊU DÙNG KHÔNG BAO GIỜ THIẾU NHỮNG MÓN NGON VỚI STM

Nhắc đến Idocean hẳn nhiều người vẫn còn lạ lẫm với tên thương hiệu này,...

Đổi mới trong chuỗi cung ứng: thời đại của big data và analytics và case study của HP

Mọi người đều nói về analytics (phân tích dữ liệu), tuy nhiên điều mà các nhà quản lý chuỗi cung ứng muốn biết đó là liệu họ có thể mang lại sự đổi mới trong cách vận hành của họ hay không. Lời giải chính là case study dưới đây của nhóm phân tích của HP giải thích cho chúng ta. Chúng tôi hi vọng bạn đọc sẽ hiểu rõ hơn cách khai thác big data và data analytics thông qua case study rất thực tiễn dưới đây.

Nếu bạn tìm kiếm với từ khóa “advanced analytics” (“phân tích tiên tiến”), bạn sẽ nhận được hơn 23 triệu kết quả trong vòng chưa đầy một giây.

Rõ ràng, việc sử dụng phân tích tiên tiến là một trong những chủ đề nóng nhất hiện nay trên báo chí kinh doanh và chắc chắn là mối quan tâm hàng đầu của các nhà quản lý chuỗi cung ứng.

Tuy nhiên, vẫn còn nhiều ý kiến khác nhau về định nghĩa của thuật ngữ “advanced analytics” hoặc phải triển khai nó như thế nào để mang lại lợi ích tối đa.

Tại HP, nhóm “Strategic Planning and Modeling” (nhóm lập mô hình và kế hoạch chiến lược) đã được tận dụng “advanced operational analytics” (phân tích vận hành tiên tiến) trong suốt khoảng 30 năm để giải quyết các vấn đề kinh doanh đòi hỏi những cách tiếp cận đổi mới.

Trong thời gian đó, nhóm nghiên cứu đã phát triển những sáng kiến đáng kể trong chuỗi cung ứng như cách tiếp cận “trì hoãn và đoạt giải thưởng” (postponement and award winning approaches) đối với thiết kế sản phẩm và quản lý danh mục sản phẩm.

Dựa trên các cuộc trò chuyện với các đồng nghiệp, đối tác kinh doanh và khách hàng của HP, có ba câu hỏi thường xuyên được đưa ra mà tác giả mong muốn tiếp cận toàn bộ 3 vấn đề trong bài này.

  1. Sự khác biệt giữa phân tích tiên tiến (advanced analytics) và phân tích thông thường (commodity analytics) là gì?
  2. Làm thế nào để mang đến đổi mới thông qua các phân tích tiên tiến?
  3. Làm thế nào để thiết lập một nhóm nghiên cứu phân tích tiên tiến và bắt đầu sử dụng nó trong chuỗi cung ứng?

1. Phân tích tiên tiến (advanced analytics) và phân tích hàng hóa (commodity analytics)

Vậy chính xác, sự khác biệt giữa phân tích tiên tiến và phân tích hàng hóa là gì? Theo Bill Franks, tác giả của quyển “Taming The Big Data Tidal Wave”, mục đích của phân tích hàng hóa là “cải thiện quy trình tại nơi kết thúc mà không cần lập bất kỳ mô hình nào cả, một quy trình lập mô hình hàng hóa kết thúc khi bạn tìm thấy một cái gì đó đủ tốt”.

Một định nghĩa khác của phân tích hàng hóa là “mô hình mà có thể được thực hiện với các công cụ thường có sẵn mà không cần bất kỳ kiến thức chuyên ngành về phân tích dữ liệu.” Phần lớn những gì đang được thực hiện là thông qua các bảng tính Excel trên toàn bộ các phân tích hàng hóa.

Một ví dụ về phân tích hàng hóa có thể đưa ra ở đây là một nghiên cứu về lý do tại sao các lô hàng lại bị trễ. Trong nghiên cứu này, người phân tích thu thập các dữ liệu sau đây vào một bảng tính:

supply_chain_big_data_analytics_innovation_table01

Và dựa vào dữ liệu đó, người phân tích kết luận như sau:

supply_chain_big_data_analytics_innovation_figure1

Vậy, người phân tích này kiến nghị điều gì? Cải thiện tình trạng các đơn đặt hàng bị xử lý trễ để ngăn chặn các lô hàng chậm giao.

Tuy nhiên, một nhà phân tích (hay một nhà khoa học dữ liệu) thành thạo trong phân tích dự báo (predictive analytics) sẽ nghĩ đến một câu hỏi khác, chẳng hạn như “Liệu xử lý trễ có dự báo đơn hàng chậm giao?”. Trong trường hợp này, người phân tích sẽ phải thu thập thêm thông tin chi tiết: Ví dụ, có bao nhiêu đơn đặt hàng bị xử lý chậm so với đúng giờ, và có bao nhiêu đơn đặt hàng đến đúng giờ so với đến sớm.

Tập hợp dữ liệu thu thập được sẽ trông giống như bảng dưới đây.

supply_chain_big_data_analytics_innovation_table2

Để trình bày thông tin theo cách dễ hiểu hơn, một nhà khoa học dữ liệu có thể minh họa theo định dạng của hình dưới đây.

supply_chain_big_data_analytics_innovation_figure2

Trên thực tế, việc một đơn hàng bị xử lý trễ không phải là yếu tố dự báo liệu đơn hàng đó có đến đúng giờ hay không . Vì vậy, cải thiện thời gian xử lý đơn hàng có thể là một hành động tốt nhất, nhưng cần phải nhận thức rằng đối với vấn đề cải thiện đơn hàng chậm giao, 81% nỗ lực này là lãng phí.

Nếu nhìn vào vấn đề theo sơ đồ cây ra quyết định, chúng ta sẽ nhận được hình này.

supply_chain_big_data_analytics_innovation_figure3

Điều chúng ta muốn là phát triển một mô hình cho phép chúng ta dự đoán đơn đặt hàng trễ mà không cần nắm bắt rất nhiều đơn đặt hàng đúng hạn. Tuy nhiên, thử nghiệm đã được tạo ra (các đơn đặt hàng xử lý trễ) không chỉ ghi nhận các đơn đặt hàng được tô màu đỏ trong hình bên trên (95 đơn đặt hàng trễ) mà còn ghi nhận các đơn đặt hàng được tô màu xanh lá cây (405 đơn đặt hàng xử lý trễ nhưng đến đúng giờ). Nói cách khác, đây là một thử nghiệm với một tỷ lệ lỗi cao và chúng ta cần phải cải tiến nhiều hơn.

Đến đây, chúng ta hãy giả định rằng một chuyên gia về vấn đề này cho biết nếu có “thủ tục hải quan nhanh chóng tại cửa khẩu” sẽ tác động lớn đến kết quả giao hàng. Vì vậy dữ liệu được làm mới, thêm vào “thủ tục hải quan nhanh chóng tại cửa khẩu” và mô hình được xây dựng lại, bây giờ cây ra quyết định sẽ trông giống như hình bên dưới.

supply_chain_big_data_analytics_innovation_figure04

Như bạn có thể thấy, thử nghiệm đến đây đã nắm bắt được phần lớn các đơn đặt hàng chậm trễ, đồng thời loại trừ các đơn đặt hàng đúng hạn. Chúng ta giờ đã có một thử nghiệm có thể dự đoán 90% những đơn đặt hàng trễ (90 đơn đặt hàng màu đỏ) trong khi chỉ có 5 đơn đặt hàng đúng hạn. Đây là mức giảm rất đáng kể từ 405 đơn đặt hàng đúng hạn bị đưa vào do lỗi trong cách tiếp cận trước.

Chúng ta cũng thấy rằng có một “nhóm” (cluster) các đơn đặt hàng trễ mà mô hình này không nhận diện ra (vòng tròn màu xanh lá cây), điều này cho thấy rằng cần thực hiện những nghiên cứu xa hơn với dữ liệu bổ sung để cải tiến mô hình để dự đoán những lỗi này. Kết quả sẽ đem lại phân tích đầu ra như trong hình bên dưới.

supply_chain_big_data_analytics_innovation_figure05

Ban quản lý giờ đây có một phép phân tích vững chắc để từ đó đưa ra quyết định. Nếu một đơn đặt hàng sẽ bị xử lý trễ, điều quan trọng là “thủ tục hải quan nhanh chóng tại cửa khẩu” phaiỉ được bảo đảm cho lô hàng đó.

2.Thúc đẩy đổi mới trong chuỗi cung ứng thông qua các phân tích tiên tiến

Bên trên là một ví dụ đơn giản về sự khác biệt giữa các phân tích dự báo và phân tích hàng hóa truyền thống. Trong thực tế, chúng ta thường không biết các biến số thúc đẩy một kết quả trong chuỗi cung ứng. Nhà phân tích có lẽ đã phải lấy một tập hợp dữ liệu của các lô hàng mà có thể lên đến hàng chục lĩnh vực (các biến khác nhau như thời gian xử lý, thời tiết, tình trạng thông quan, v.v) của hàng ngàn đơn đặt hàng rồi nhập chúng vào máy tính hoặc phần mềm khai thác/xử lý dữ liệu. Phần mềm sau đó sẽ chạy một thuật toán cây ra quyết định để tạo ra cây mô hình như ta thấy ở trên.

Mức độ của những hiểu biết rút ra từ phân tích đó sâu sắc đến mức nào sẽ phụ thuộc nhiều vào kỹ năng của người phân tích, chất lượng của dữ liệu và bao nhiêu dữ liệu có sẵn. Trong trường hợp này, các kỹ năng của nhà phân tích không chỉ về mặt kỹ thuật (tức là họ biết rõ phần mềm và thống kê như thế nào), mà còn về kiến thức chuỗi cung ứng. Hiểu biết nghiệp vụ vững chắc cho phép một nhà phân tích có thể hiểu hoặc giải thích các kết quả phân tích và truyền đạt những kết quả theo cách mà người ta có thể hiểu các phát hiện được đưa ra và thực hiện được chúng.

Đổi mới chuỗi cung ứng xuất phát từ việc tìm kiếm yếu tố thúc đẩy, mang lại kết quả cho chuỗi cung ứng mà không được biết đến rộng rãi trong ngành, và sau đó thực hiện quá trình thay đổi xung quanh những nhân yếu đó. Theo Rich Karlgaard và Michael Malone trong  cuốn “Team Genius”, kích thước tối ưu của một đội ngũ phân tích có thể tạo ra mức độ đổi mới đó là 7 đến 9 nhà phân tích làm việc hiệu suất cao.

Chúng tôi cũng nhận thấy đây là số lượng tối ưu tại HP bởi vì có vẻ như đây là mức mà có đủ sự đa dạng các kỹ năng để cho phép sự hợp tác chéo về chuyên môn và chia sẻ ý tưởng mà không làm rối vấn đề. Bạn có thể bắt đầu với một đội nhỏ hơn để phát triển một công cụ sáng tạo nào đó, tuy nhiên một đội phải được tập hợp với số lượng này mới phát triển khả năng phân tích đổi mới cho tổ chức của bạn.


Case study về Đổi mới thống kê: nhóm “Strategic Planning and Modeling – SpaM” của HP (nhóm lập mô hình và kế hoạch chiến lược)

Nhóm lập mô hình và kế hoạch chiến lược của HP được Harvard Business Review đánh giá trong bài “Building an Innovation Factory” là một thực hành tốt nhất trong đổi mới.

Nhiều yếu tố được xác định là chìa khóa thành công của nhóm này, một nhóm chuyên phát triển các giải pháp phân tích cho các vấn đề kinh doanh. Một thước đo quan trọng của thành công này là số lượng đáng kể các bằng sáng chế đạt được về các thuật toán cũng như các giải thưởng trong lĩnh vực hoạt động nghiên cứu và phân tích.

Những yếu tố thành công mà sẽ được liệt kê dưới đây cần được nhân rộng để tạo ra một nhóm phân tích đổi mới thành công.

  • Nhóm phải đảm bảo tính trung lập trong tổ chức.

Điều này có thể được tạo ra bằng cho phép nhóm  báo cáo lên cấp quản lý cao nhất có thể trong tổ chức chuỗi cung ứng để nhóm không bị xem là một phần của một phe này hay phe khác trong tổ chức chuỗi cung ứng. Thông thường, nhóm SPaM báo cáo với Phó chủ tịch cấp cao của chuỗi cung ứng.

  • Tập trung vào các vấn đề kinh doanh

Nhóm nghiên cứu tạo ra các giải pháp phân tích cho các vấn đề kinh doanh có tầm quan trọng và có giá trị cao. Các nguồn lực được tập trung hoàn toàn vào việc phát triển các giải pháp sáng tạo cho các vấn đề đang tồn tại.

  • Phổ biến những điều quan trọng học được cho tổ chức

Một trong những nhiệm vụ của nhóm nghiên cứu là phổ biến những thực hành tốt nhất và bài học kinh nghiệm cho tổ chức. Điều này cho phép nhóm phân tích có thể nhân rộng những nổ lực của mình để nâng cao giá trị kinh doanh nhiều hơn từ các giải pháp đã được phát triển.

Để đồng hành với Team Genius, nhóm SPaM vốn có 10-12 thành viên trong nhóm, trong đó nhóm nhỏ hơn 5-7 được phân công chiến lược đến nơi họ có thể mang lại ảnh hưởng lớn nhất cho HP.


  1. Phân tích tiên tiến: Bắt đầu

Có 3 thành tố chính là chìa khóa để tiến hành thành công một sáng kiến phân tích tiên tiến. Đó là: có được đúng người; đúng dữ liệu và có được những công cụ tốt nhất với giá hợp lý. Giả định rằng tổ chức này đã cởi mở với ý tưởng về phân tích tiên tiến nhưng vẫn khá hoài nghi rằng có thể tiếp cận nó thông qua những hiểu biết và giá trị được một nhóm phân tích đưa ra. Hoài nghi này có thể nhanh chóng được giải quyết bằng việc đội ngũ phân tích sẽ mang lại những hiểu biết mới về kinh doanh mà có thể biến thành các cơ hội tiết kiệm chi phí hoặc tạo ra doanh thu.

  • Đúng người

Để nắm bắt được giá trị của dữ liệu thông qua phân tích tiên tiến, bận rất cần có những con người phù hợp, những người có cả kiến thức kinh doanh, kiến thức kỹ thuật, sự tò mò bẩm sinh và kỹ năng kể chuyện. Phần lớn hiện nay ngừoi ta tập trung vào sự thiếu hụt các nhà khoa học dữ liệu, nhưng nếu bạn chỉ vừa mới bắt đầu với phân tích tiên tiến, việc thuê một tiến sỹ với kiến thức khoa học dữ liệu cao cấp có thể là một việc quá mức cần thiết.

Ngoài ra, nếu bạn không có các hệ thống để cung cấp cho họ dữ liệu mà họ cần, có thể họ sẽ thấy như chính mình đang làm công việc thiết kế dữ liệu (data engineering): tìm ra nơi chứa dữ liệu, làm sạch dữ liệu và thiết lập nền tảng cơ bản. Một nhà khoa học dữ liệu mới ra trường lúc nào cũng tìm kiếm những làn sóng mới có thể sẽ thấy công việc này thiếu thách thức và vì vậy bạn khó có thể giữ chân họ.

Thay vào đó, đầu tiên hãy thử tìm kiếm tài năng trong nội bộ tổ chức của bạn: Hãy hỏi xem có nhà phân tích có kinh nghiệm nào đang đảm nhận công việc phân tích hàng đầu không, họ có thể được đào tạo thêm với kỹ năng phân tích tiên tiến. Một người như thế sẽ là quen thuộc hơn với tình trạng của công ty; họ cũng sẽ biết được nơi để tìm kiếm dữ liệu và những khu vực giới hạn nào họ nên tránh. Tùy thuộc vào mức độ phức tạp của công ty bạn, một nhân viên mới có thể mất một năm để học cách thích nghi với công ty.

Đào tạo một ứng viên mạnh trong nội bộ có thể mất ít thời gian hơn rất nhiều. Bằng chứng chỉ ra rằng dễ dàng hơn để đào tạo các kỹ năng phân tích hơn là phát triển kinh nghiệm về kinh doanh và kiến thức về tổ chức cho một ứng cử viên. Điều này cũng có lợi ích đó là tạo ra con đường thăng tiến cho nhân viên nội bộ, điều mà sẽ hỗ trợ giữ chân những nhân viên tốt nhất về năng lực phân tích cho tổ chức của bạn.

  • Dữ liệu tốt

Xu thế hiện nay đó là các lãnh đạo doanh nghiệp đang nhảy vào lĩnh vực dữ liệu khổng lồ (Big Data). Tuy nhiên, khi bạn mới bắt đầu và đang cố gắng xây dựng những thành quả nhỏ để nhân rộng lên những thực hành phân tích, dữ liệu sạch (Clean data) sẽ có giá trị hơn dữ liệu lớn (Big Data). 100.000 hồ sơ với 40 hoặc 50 biến có thể vừa với bảng tính thông thường (spreadsheets). Tuy nhiên đối với các tập dữ liệu lớn hơn hoặc nhiều lớp dữ liệu liên kết, cơ sở dữ liệu thể hiện mối liên hệ (relational database) như MS Access có thể làm tốt công việc này.

Mặc dù có thể sẽ tuyệt vời khi bạn tạo ra một “hồ” dữ liệu (data lake*) sử dụng công cụ như Hadoop , nhưng bước đầu tiên có lẽ chứng minh rằng phân tích dữ liệu có thể tạo ra giá trị cho công ty. Ban đầu, phần lớn các công việc phân tích là thiết kế dữ liệu (data engineering): Nhóm tìm kiếm dữ liệu, làm sạch nó, sắp xếp lại các nguồn khác nhau và đảm bảo rằng dữ liệu có thể sử dụng được. Khi bạn mở rộng quy mô thành công, bạn có thể đưa vào một hệ thống phức tạp hơn khi cần thiết.

  • Đúng công cụ

Để có được những công cụ đúng không có nghĩa là bạn phải chi tiêu rất nhiều tiền. Có khá nhiều các công cụ phân tích rất mạnh mẽ, nguồn mở, như RWeka. Phiên bản dùng thử của phần mềm thương mại sẽ cho phép nhóm của bạn để có một thử nghiệm để xem liệu các công cụ này có thể mang lại giá trị cho tổ chức của bạn hay không.

Đến lúc mở rộng quy mô, hãy xem xét các ứng dụng đám mây (Cloud applications) cho phép bạn chỉ trả tiền cho năng lực bạn cần. Đối với tổ chức vừa mới bắt đầu, lựa chọn này có thể cho phép bạn tiến hành nhanh hơn và rẻ hơn.

Hãy theo dõi hồ sơ kinh doanh thành công để đi đến quyết định có mua một công cụ hoặc đầu tư vào phần cứng hay không. Nhưng quan trọng nhất là: không đánh giá thấp giá trị của các ứng dụng mã nguồn mở; bạn có thể ngạc nhiên trước những gì bạn có thể thực hiện với một đội ngũ các nhà phân tích năng động và các phần mềm mã nguồn mở.

Bắt đầu nhỏ, hãy bắt đầu với những gì bạn có

Trong các ví dụ trên, tác giả tập trung vào các phân tích dự báo . Tuy nhiên, phân tích tiên tiến (advanced analytics) có phạm vi lớn hơn nhiều: phân tích đồ họa, lập mô hình tiên tiến và phân tích địa lý chỉ là một vài ví dụ. Tuy bắt đầu có vẻ đáng sợ, nhưng bạn có thể khởi động một dự án với một vài chi phí thấp, thao tác đơn giản như minh họa ở trên.

Bắt đầu nhỏ với những gì bạn có (và những gì bạn có thể có miễn phí) giúp bạn xây dựng kiến thức về những gì có hiệu quả cho tổ chức của bạn. Lấy những thành quả nhỏ để mở cánh cửa, sau đó liên tục thúc đẩy các nguồn lực để có được những thành công lớn hơn.

Phân tích tiên tiến là một cách để nắm bắt giá trị kinh doanh: cái mà nó mang lại, không phải chi phí, mà là tiền.


Sử dụng phân tích tiên tiến để giải quyết các vấn đề trong chuỗi cung ứng

Dưới đây là 3 áp dụng của phân tích dữ liệu rất phổ biến để giải quyết các vấn đề trong chuỗi cung ứng, không chỉ trong HP, mà trong chuỗi cung ứng của nhiều công ty khác. Tuy phân tích dữ liệu đã được sử dụng cho nhiều vấn đề trong chuỗi cung ứng, 3 áp dụng sau đây có thể được thực hiện nhanh chóng mang lại hiệu quả tức thì.

  1. Kiểm soát chất lượng

Phương pháp kiểm soát chất lượng truyền thống liên quan đến việc nhìn vào chỉ số nào trên một dây chuyền lắp ráp mà tại đó sẽ dự đoán sản phẩm không đạt. Phân tích tiên tiến nhìn vào các kết hợp của những tiêu chí thông qua như thế nào có thể dẫn đến không đạt.

Ví dụ: Một sản phẩm có hai chỉ số để đo lường chất lượng. Chỉ số A phải được thông qua trong vòng 10% mục tiêu và tiêu chí B phải vượt qua trong vòng 5% mục tiêu. Phân tích tiên tiến có thể được sử dụng để xác định rằng nếu chỉ số A trong phạm vi 8% đến 9%, sản phẩm sẽ bị đánh rớt nếu chỉ số B nằm trong khoảng 3% đến 4%.

  1. Giữ chân nhân viên

Trong cuốn sách của mình với nhan đề “Predictive analytics: The power to predict who will click, buy, lie, or die”, Eric Siegel nhấn mạnh việc sử dụng các phân tích tiên tiến của HP để phát triển các điểm nguy cơ trong đó xác định khả năng một nhân viên sẽ rời khỏi công ty và sau đó sử dụng những điểm số này để xác định nhân viên có giá trị cao – nguy cơ cao mà công ty sẽ phải cố gắng giữ chân.

  1. Cải thiện dịch vụ khách hàng

Với các sản phẩm được kết nối internet, có thể dễ dàng biết được mức độ sử dụng của một sản phẩm. Thông qua việc sử dụng các thuật toán phân nhóm (clustering), bạn có thể nhóm các khách hàng với các đặc tính tương tự.

Sau đó bạn có thể nhìn vào các hồ sơ sử dụng của một khách hàng và xác định xem liệu có một vấn đề với sản phẩm của họ khi so sánh với những người cùng nhóm (và khắc phục nó trước khi nó trở thành một vấn đề kinh doanh), đồng thời cũng phân tích việc sử dụng sản phẩm phụ trợ và/hoặc các dịch vụ hỗ trợ của họ để xem sản phẩm của họ có đang vận hành một cách tối ưu không.


*data lake: kho chứa lượng dữ liệu khổng lồ nhưng ở dạng thô y như dạng ban đầu của nó, khác với data warehouse chỉ chứa dữ liệu đã được cấu trúc. Xem thêm tại https://www.kdnuggets.com/2015/09/data-lake-vs-data-warehouse-key-differences.html

——

Nguồn: theo bài Supply Chain & Big Data ÷ Analytics = Innovation, đăng trên trên trang supplychain247.com, của tác giả Shawn Tay, tháng 10/2016

%d bloggers like this: