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,...

Phân tích tiên tiến: giải pháp tối ưu các quyết định vận hành của doanh nghiệp

Các nhà quản lý về vận hành thường xuyên ra các quyết định quan trọng trong toàn bộ chuỗi giá trị. Sự kết hợp nào của nguyên vật liệu sẽ giảm thiểu tổng chi phí? Làm thế nào chúng ta có thể lập kế hoạch sản xuất để tối đa hóa công suất? Làm thế nào chúng ta có thể lên lịch các tác vụ bảo trì để giảm thiểu sự gián đoạn? Làm thế nào có thể tối ưu vận chuyển và phân phối?

Mặc dù những quyết định như vậy thường liên quan đến những đánh đổi phức tạp, nhưng thường các nhà quản lý lại ra quyết định dựa trên kinh nghiệm hoặc các phân tích dữ liệu cơ bản. Tuy nhiên, ngày nay các nhà lãnh đạo có thể áp dụng các kỹ thuật phân tích tiên tiến (advanced analytics), được hỗ trợ bởi sức mạnh của các phương pháp tính toán tốn ít chi phí hơn và các cơ chế cải thiện thu thập dữ liệu, để đưa ra các quyết định sáng suốt hơn từ đó tối ưu hóa giá trị.

Tuy nhiên, nhiều nhà quản lý về vận hành phải tốn rất nhiều thời gian và công sức để hiểu những cách áp dụng phân tích tiên tiến tốt nhất. Đối với những người không có nền tảng về định lượng, việc phân loại thông qua các quảng cáo và phân biệt giữa các thuật ngữ phổ biến trong lĩnh vực phân tích, chẳng hạn như dữ liệu khổng lồ (big data), nghiên cứu vận hành, hỗ trợ ra quyết định, và Industry 4.0, có thể là một nhiệm vụ khó khăn. Bởi vì những thuật ngữ này thường được sử dụng đồng nghĩa, thật sự là một thách thức lớn cho các nhà lãnh đạo trong việc xác định làm thế nào họ có thể khai thác từng kỹ thuật này để mang lại lợi thế tốt nhất. Thật vậy, nhiều doanh nghiệp đang mất giá trị tiềm năng bởi vì họ không thể phát hiện ra các cơ hội để tận dụng hết mức có thể các phân tích tiên tiến (advanced analytics).

Xây dựng chuyên môn toàn diện trong các kỹ thuật phân tích có sẵn vốn nằm ngoài nhiệm vụ của hầu hết các nhà quản lý về vận hành. Tuy nhiên, một điều vô cùng cần thiết đó là họ cần có một sự hiểu biết tốt hơn về cách sử dụng phân tích tiên tiến (advanced analytics) để có nhiều thông tin hơn cho các quyết định kinh doanh.

Chúng tôi khuyên bạn nên suy nghĩ về phân tích theo 3 thể loại: phân tích (analysis), mô hình hóa (modeling) tối ưu hóa (optimization). Những thể loại này tuân theo các ứng dụng của phân tích từ đo lường hiệu quả hoạt động đến lập mô hình dự báo đến đưa ra quyết định tối ưu. (Xem Exhibit 1)

using-advanced-analytics-ex01-lg_tcm80-217675

Phân tích (Analysis): Điều gì đã xảy ra trong quá khứ?

Việc sử dụng cơ bản nhất của phép phân tích đòi hỏi phải thu thập và phân tích dữ liệu về hoạt động trước đây của công ty. Phân tích nhìn-về-quá-khứ này mô tả và tóm tắt một loạt các chỉ số KPI, thường theo thời gian. Khi làm như vậy, phép phân tích mang lại những hiểu biết về các yếu tố thúc đẩy giá trị; nó cũng cho ta thấy các can thiệp có thể nhằm làm tăng giá trị. Với việc đạt được tầm nhìn này, công ty cũng đạt được một cơ sở thực tế để mô hình hiệu quả hoạt động tương lai và đưa ra quyết định giúp tối ưu hóa giá trị.

Cơ sở thực tế thường được trình bày thông qua việc sử dụng phần mềm BI (business intelligence) (như Tableau, QlikView, hoặc Tibco Spotfire). Các biểu đồ được tạo ra bởi phần mềm như vậy mang lại cho những người không chuyên khả năng thực hiện các phân tích dữ liệu phức tạp. Với một vài cú nhấp chuột, một người quản lý hay nhà điều hành có thể tạo ra những hiểu biết sâu sắc (insights) ấn tượng từ hàng triệu điểm dữ liệu. Chỉ năm năm trước đây, một chuyên gia có kỹ năng khoa học máy tính sẽ phải cần  hàng giờ để tạo ra những hiểu biết sâu rộng như vậy.

Ở cấp độ cơ bản nhất, các công ty có thể sử dụng hiểu biết sâu sắc (insights) này để xác định “vị trí” mà giá trị có thể bị “rò rỉ” khỏi doanh nghiệp. Chẳng hạn như, một nhà sản xuất mà chúng tôi làm việc chung đã nhận thấy rằng năng suất hàn của công nhân thấp hơn 15% vào ngày thứ Sáu. Hay một công ty khác phát hiện ra rằng nhân viên bán hàng của họ thường cung cấp mức giảm giá tối đa được phép cho khách hàng thay vì đàm phán về giá cả – một vấn đề phổ biến khắp các doanh nghiệp. Những hiểu biết sâu sắc (insights) như thế này chỉ ra sự cần thiết phải có hành động khắc phục, chẳng hạn như những tiếp cận tăng cường nhằm thúc đẩy người lao động hoặc cải tiến các chương trình đào tạo.

Mô hình hóa (modeling): Tương lai sẽ xảy đến điều gì?

Mô hình là một sự thể diện trừu tượng của một ý tưởng kinh doanh. Một công ty có thể sử dụng mô hình để dự đoán cách họ hoạt động như thế nào trong tương lai theo các kịch bản khác nhau. Mô hình giúp cho các công ty có thể thử nghiệm các hoạt động của họ mà không hề có rủi ro. Các công ty có thể kiểm nghiệm các chiến lược khác nhau, và phạm sai lầm, trong một đại diện ảo của thực tại.

Một công ty phải có khả năng sử dụng mô hình một cách hiệu quả để kiểm nghiệm liệu những thay đổi các biến trong môi trường kinh doanh sẽ ảnh hưởng như thế nào đến hiệu quả hoạt động của công ty. Và, bởi vì các nhà lãnh đạo kinh doanh thường hoài nghi về độ chính xác của các kết quả, các nhóm phân tích phải chuẩn bị sẵn sàng để chứng minh rằng các mô hình mang tính thực tế. Để một mô hình mang tính thực tế, nó phải phù hợp với mục đích, nghĩa là, nó phải là thể hiện chính xác một cách đầy đủ một hệ thống kinh doanh. Tính sẵn có của dữ liệu thích hợp cũng là một điều kiện tiên quyết.

Hiện nay có nhiều công cụ lập mô hình khác nhau, và công cụ chính xác cho một ứng dụng cụ thể phụ thuộc vào đặc điểm của hệ thống được mô hình hóa. Ví dụ, chuỗi cung ứng hàng rời (bulk commodity) thường được mô hình hóa bằng các “mô phỏng sự kiện rời rạc”, một kỹ thuật được thiết kế để bắt chước các hệ thống có nhiều biến động phức tạp.

Các ứng dụng cho chuỗi cung ứng và hiệu suất thiết bị minh họa tiềm năng sử dụng các mô hình để mang đến thông tin cho việc ra quyết định.

Mô hình mô phỏng cho chuỗi cung ứng. Các chuỗi cung ứng thường có tính chất phức tạp, năng động, chẳng hạn như biến động phát sinh từ các sự cố ngừng hoạt động hoặc thay đổi trong cung cầu. Người ta thường đòi hỏi một khoảng dao động (buffer) hoặc tồn kho để quản lý các thay đổi này. Một mô hình của chuỗi cung ứng phải mô phỏng được những biến động này.

Chẳng hạn như, chúng tôi đã sử dụng một mô hình chuỗi cung ứng để giúp các công ty khai thác mỏ quyết định nơi để đầu tư vốn. Mô hình này cho phép các công ty kiểm tra điều gì sẽ xảy ra nếu họ thay đổi các biến, chẳng hạn như số lượng nhân lực hoặc tần số của sự cố băng tải. Một công ty khai thác mỏ hàng đầu sử dụng mô hình và phát hiện ra rằng vận hành của họ có thể được phục vụ bởi một tuyến đường sắt theo dõi đơn, chứ không phải là theo dõi đôi được đề xuất bởi các kỹ sư dự án. Cái nhìn sâu sắc này đã cho phép công ty tránh được $500 triệu chi phí vốn theo kế hoạch.

Mô hình chuỗi cung ứng cũng rất hữu ích trong việc thử nghiệm các triết lý hoặc chiến lược điều hành khác nhau. Ví dụ, một chính quyền cảng áp dụng những hiểu biết từ mô hình để thay đổi các quy tắc mà theo đó tàu được đưa qua một kênh thủy triều hạn chế. Áp dụng các quy định mới cho phép các cảng tăng công suất 5%.

Áp dụng kỹ thuật machine learning cho hiệu suất thiết bị. Các kỹ thuật machine learning (thường được gọi là Máy học) được sử dụng để mô hình hóa các hệ thống rất phức tạp, chẳng hạn như động cơ phản lực và nhà máy luyện đồng. Những kỹ thuật này sử dụng dữ liệu lịch sử để tìm hiểu những mối quan hệ phi tuyến phức tạp giữa đầu vào và đầu ra. Chúng tôi đã sử dụng một thuật toán machine learning để giúp một công ty kim loại lập mô hình hiệu suất của một máy luyện đồng, bao gồm các mối quan hệ phức tạp giữa nhiệt độ, oxy, thông lượng, và tỷ lệ đầu vào. Những hiểu biết tiên đoán được tạo ra bởi thuật toán machine learning tỏ ra vượt trội so với những gì thu được từ các mô hình được công ty phát triển trên cơ sở vật lý và hóa học. Công ty áp dụng những hiểu biết sâu sắc (insights) này để cải thiện năng suất 0.5% đến 1.0%, tăng thêm giá trị lên tới hàng chục triệu USD.

Tối ưu hóa (Optimization): Quyết định nào tối đa hóa giá trị?

Những gì nhận được từ việc áp dụng các phân tích là những thành quả xuất phát từ việc sử dụng các kết quả của mô hình để đưa ra quyết định tối ưu hóa giá trị. Bằng cách thử nghiệm với một mô hình để kiểm tra các kết quả của các quyết định khác nhau, một công ty thường có thể xác định được cho mình các hành động cần thiết để đạt được kết quả tối ưu. Tuy nhiên, một số vấn đề kinh doanh thường chứa đựng rất nhiều biến phức tạp đến mức các giải pháp tiềm năng được đưa ra lên đến con số hàng nghìn tỉ. Các kỹ thuật tối ưu hóa giúp công ty xác định các giải pháp phù hợp nhất cho các vấn đề kinh doanh phức tạp này.

Kỹ thuật tối ưu hóa là một thuật toán toán học tính toán xem quyết định nào sẽ tối đa hóa giá trị trong một tập hợp các trường hợp, có tính đến các mục tiêu và các quy tắc kinh doanh áp dụng hoặc các hạn chế (constraints). Những kỹ thuật này mang tính đề ra quy tắc (prescriptive) : chúng cho các công ty biết phải làm gì. Trong việc lập mô hình, đầu vào là một tập hợp các quyết định và đầu ra là những giá trị mà sẽ là kết quả của việc thực hiện các quyết định đó. Tối ưu hóa đảo ngược mối quan hệ này: đầu vào là mục tiêu giá trị tối đa và đầu ra là tập hợp của các quyết định mà sẽ giúp đạt được mục tiêu. (Xem Exhibit 2)

using-advanced-analytics-ex02-lg_tcm80-217677

Sự tinh tế của các kỹ thuật tối ưu hóa đã tăng theo cấp số nhân trong một thập kỷ qua, làm cho nó có thể để giải quyết một loạt các vấn đề rộng lớn hơn nhiều. Các ví dụ sau đây minh họa phạm vi và khả năng tạo ra giá trị cho công ty trên nhiều ngành công nghiệp:

Một xưởng đúc kim loại. Hoạt động của một xưởng đúc kim loại khá phức tạp, khiến cho việc một nhà điều hành xác định lịch trình tối ưu các tác vụ là gần như không thể. Một xưởng đúc đã áp dụng thuật toán tối ưu hóa để vượt qua sự phức tạp này. Đầu vào bao gồm mục tiêu của nhà máy về số lượng các thành phần được sản xuất mỗi tuần cũng như những hạn chế liên quan đến sự sẵn có của lao động và nguyên vật liệu. Đầu ra của việc tối ưu hóa là thứ tự mà trong đó các thành phần nên được sản xuất. Bằng cách thực hiện quyết định này, xưởng đúc đã tăng công suất lên 20% trong khi giảm được thời gian giao hàng.

Một mạng lưới băng thông quốc gia. Một mạng lưới băng thông quốc gia tham gia vào một dự án kéo dài nhiều năm để triển khai dịch vụ internet trên cả nước. Mạng lưới bao gồm nhiều loại công nghệ, mà chi phí và tốc độ của chúng thay đổi đáng kể, cũng như số lượng của các kỹ sư, công nhân xây dựng, và các nhà quản lý cần thiết để xây dựng và duy trì chúng. Để xác định sự kết hợp các công nghệ nào là tối ưu và tiến độ triển khai chúng, công ty đã áp dụng một thuật toán tối ưu hóa. Mục tiêu là tối đa hóa giá trị ròng hiện tại. Các khó khăn bao gồm số lượng kỹ sư có sẵn và hạn chế về nợ. Đầu ra là một kế hoạch triển khai được tối ưu hóa hoàn toàn mà trong đó quy định rõ loại công nghệ nào được sử dụng trong những vị trí nào và làm thế nào để lập trình tự triển khai. Kế hoạch tối ưu hóa đã giúp mạng lưới giảm nhu cầu về vốn của mình $2 tỷ.

Một công ty gia cầm. Một công ty gia cầm vốn đã quen sử dụng quy tắc dựa theo kinh nghiệm để đưa ra các quyết định phức tạp về cách sản xuất và chế biến chim nhằm đáp ứng nhu cầu của khách hàng một cách có lợi nhuận nhất. Chăn nuôi gia cầm là một hoạt động kinh doanh phức tạp với những hạn chế đầy thách thức. Ví dụ, giả sử đội ngũ bán hàng yêu cầu đội vận hành sản xuất thêm 100 tấn thịt ức. Đẩy mạnh sản xuất thịt ức với số lượng này cũng sẽ tạo ra thêm 150 tấn thịt đùi và 40 tấn cánh. Kết quả sẽ dẫn đến một lượng hao phí đáng kể nếu như đội ngũ bán hàng không xem xét liệu họ có thể bán thêm  hàng tấn thịt đùi và cánh không.

Để xác định làm thế nào giải quyết sự phức tạp này trong khi vẫn đáp ứng nhu cầu khách hàng, các công ty sử dụng một thuật toán tối ưu hóa. Đầu ra chỉ rõ số lượng từng loại thịt sản xuất trong từng nhà máy, kích thước của các loài chim cần chế biến, và làm thế nào để vận chuyển một cách hiệu quả nhất các sản phẩm đến khách hàng. Nó cũng chỉ rõ những khách hàng nào phụ vụ sẽ không có lợi nhuận. Phương pháp tối ưu hóa dự kiến sẽ tạo ra lợi nhuận trước thuế (EBIT) thêm hơn $20 triệu. Cách tiếp cận này đã cho phép doanh nghiệp phục vụ cho một khách hàng mới và lớn hơn mà trước đây họ từng tin rằng họ chưa có đủ năng lực để phục vụ. Mối làm ăn thêm này trị giá hàng triệu đô la lợi nhuận, và nhu cầu có thể được đáp ứng mà không cần vốn đầu tư thêm.

Một nhà sản xuất thép. Một nhà sản xuất thép đã tìm cách thiết kế lại chuỗi cung ứng của mình để đáp ứng nhu cầu của khách hàng ở mức chi phí tối thiểu. Có tính đến khả năng hạn chế của dây chuyền sản xuất và nhà kho, một thuật toán đã xác định chuỗi cung ứng tối ưu cho năm 2025-một chuỗi cung ứng mà sẽ cho phép một dòng chảy hàng hóa qua mạng lưới của nhà sản xuất với chi phí thấp nhất. Nhà sản xuất này đã giảm được chi phí logistics 10% thông qua các quyết định tốt hơn về việc nên sản xuất sản phẩm nào, ở đâu và làm thế nào để phân phối chúng.

Chúng ta hãy bắt đầu

Bước đầu tiên để nâng cao giá trị thu được từ các phân tích, một công ty nên xem xét lại chuỗi giá trị của nó để xác định tất cả các quyết định kinh doanh mà mình hiện đang thực hiện. Hãy tìm kiếm những quyết định mà:

  • Khó thực hiện do tính phức tạp của chúng
  • Có lợi nhuận cao, vì sự khác biệt giữa tốt và tốt nhất (có nghĩa là, tối ưu) có một tác động lớn lên giá trị
  • Hiện đang được thực hiện bằng cách sử dụng bản năng hoặc các công cụ phân tích không thô sơ (chẳng hạn như bảng tính – spreadsheets)

Nếu cả ba trường hợp đều tồn tại, phép phân tích gần như chắc chắn có giá trị trong việc hỗ trợ ra quyết định. Sau khi đã xác định các quyết định ưu tiên, hầu hết các công ty sẽ cần có chuyên môn mới, dù là có sẵn trong tổ chức hoặc được cung cấp bởi một bên thứ ba, để kết hợp với các vấn đề kinh doanh của họ với các kỹ thuật phân tích thích hợp nhất. Khi xây dựng một bộ phận chức năng phân tích trong tổ chức, điều quan trọng là tạo ra mối liên kết rõ ràng và cơ chế phản hồi giữa các nhóm hiện trường và nhóm phân tích để đảm bảo rằng bộ phận chức năng mới này có hiệu quả và tiếp tục gia tăng giá trị theo thời gian.

Các công ty nên lưu ý rằng việc phát triển các công cụ hỗ trợ để tính toán các quyết định tối ưu chỉ chiếm một phần nhỏ trong những công việc cần thiết để nắm bắt những lợi ích của phân tích dữ liệu. Để biến những hiểu biết sâu sắc thành hành động, một công ty phải thiết lập các quy trình cho phép toàn bộ công ty ra quyết định tối ưu. Và công ty cũng phải đảm bảo rằng quyền quyết định và trách nhiệm sẽ thúc đẩy việc sử dụng các quy trình và hệ thống phân tích. Cuối cùng, công ty phải thiết lập các KPI khuyến khích nhân viên sử dụng những kỹ thuật tiên tiến và triển khai các khuyến nghị từ các đội phân tích.

Hiện những công ty hàng đầu đã đạt được những khoản tiết kiệm đáng kể và lợi thế cạnh tranh từ việc áp dụng phân tích tiên tiến trong vận hành. Ngày nay những ứng dụng này chỉ là điểm khởi đầu. Trong nhiều ngành công nghiệp, phân tích tiên tiến (advanced analytics) có tiềm năng chuyển đổi hoàn toàn cách các công ty quản lý vận hành hoạt động của họ. Những công ty nào không hiểu và không theo đuổi các cơ hội này có nguy cơ bị bỏ lại vĩnh viễn phía sau các công ty dẫn đầu trong thị trường ngày càng cạnh tranh như hiện nay. Ngay lúc này đây chính là thời điểm thích hợp để nắm lấy phân tích tiên tiến (advanced analytics) như một đòn bẩy để vận hành xuất sắc.

—–

Nguồn: Smartlog trích bài “Using advanced analytics to improve operational decisions”, được đang trên trang web của Boston Consult Group bcgperspectives.com, bởi  Ravi Srivastava, Vladimir Lukic, Simon Miller, Michael Dallimore, Rohin Wood, và Adam Whybrew

%d bloggers like this: