ĐẠI HỌC QUỐC GIA TP. HCM
TRƯỜNG ĐẠI HỌC BÁCH KHOA
--------------------
VÕ NGỌC ĐỨC
1870690
PHÂN TÍCH DỮ LIỆU CÔNG NHÂN NGÀNH MAY MẶC
ĐỂ DỰ BÁO HIỆU QUẢ SẢN XUẤT
TẠI MỘT DOANH NGHIỆP Ở ĐỒNG NAI
Chuyên ngành: Hệ thống thông tin quản lý
Mã số: 8340405
LUẬN VĂN THẠC SĨ
TP. HỒ CHÍ MINH, THÁNG 08 NĂM 2021
CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI
TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG -HCM
Cán bộ hướng dẫn khoa học: ......................................................................
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)
Cán bộ chấm nhận xét 1: ............................................................................
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)
Cán bộ chấm nhận xét 2: ............................................................................
(Ghi rõ họ, tên, học hàm, học vị và chữ ký)
Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp. HCM
ngày . . . . . tháng . . . . năm . . . . .
Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:
(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ)
1. ..............................................................
2. ..............................................................
3. ..............................................................
4. ..............................................................
5. ..............................................................
Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành
sau khi luận văn đã được sửa chữa (nếu có).
CHỦ TỊCH HỘI ĐỒNG
TRƯỞNG KHOA…………
ĐẠI HỌC QUỐC GIA TP.HCM
CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT
TRƯỜNG ĐẠI HỌC BÁCH KHOA
NAM Độc lập - Tự do - Hạnh phúc
NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ tên học viên: ........................................................................MSHV: ............................
Ngày, tháng, năm sinh: ..............................................................Nơi sinh: ........................
Chuyên ngành: ........................................................................... Mã số : ......................
I. TÊN ĐỀ TÀI: ................................................................................................................
.............................................................................................................................................
.............................................................................................................................................
II. NHIỆM VỤ VÀ NỘI DUNG: ....................................................................................
.............................................................................................................................................
.............................................................................................................................................
.............................................................................................................................................
III. NGÀY GIAO NHIỆM VỤ : (Ghi theo trong QĐ giao đề tài) .................................
IV. NGÀY HOÀN THÀNH NHIỆM VỤ: (Ghi theo trong QĐ giao đề tài)..................
V. CÁN BỘ HƯỚNG DẪN (Ghi rõ học hàm, học vị, họ, tên): .......................................
.............................................................................................................................................
Tp. HCM, ngày . . . . tháng .. . . năm 20....
CÁN BỘ HƯỚNG DẪN
CHỦ NHIỆM BỘ MÔN ĐÀO TẠO
(Họ tên và chữ ký)
(Họ tên và chữ ký)
TRƯỞNG KHOA….………
(Họ tên và chữ ký)
Ghi chú: Học viên phải đóng tờ nhiệm vụ này vào trang đầu tiên của tập thuyết minh LV
LỜI CẢM ƠN
Quá trình thực hiện luận văn thạc sĩ là giai đoạn quan trọng nhất trong thời gian học tập. Luận
văn thạc sĩ là tiền đề nhằm trang bị cho chúng em những kỹ năng nghiên cứu, những kiến thức
quý báu sau khi tốt nghiệp.
Trước hết, em xin chân thành cảm ơn quý Thầy, Cô khoa Khoa học và Kỹ thuật máy tính đã tận
tình chỉ dạy và trang bị cho em những kiến thức cần thiết trong suốt thời gian ngồi trên ghế giảng
đường, Làm nền tảng cho em có thể hoàn thành được bài luận văn này.
Em xin trân trọng cảm ơn thầy Nguyễn Thanh Bình đã tận tình giúp đỡ, định hướng cách tư duy
và cách làm việc khoa học. Đó là những góp ý hết sức quý báu không chỉ trong quá trình thực
hiện luận văn này mà còn là hành trang tiếp bước cho em trong quá trình học tập và lập nghiệp.
Và cuối cùng, xin gửi lời cảm ơn đến gia đình, bạn bè, tập thể lớp Hệ thống thông tin quản lý,
những người luôn sẵn sàng sẻ chia và giúp đỡ trong học tập và cuộc sống. Mong rằng, chúng ta
sẽ mãi mãi gắn bó với nhau.
Xin chúc những điều tốt đẹp nhất sẽ luôn đồng hành cùng mọi người.
TÓM TẮT LUẬN VĂN THẠC SĨ
Đường cong học tập (Learning curve) là một khái niệm mô tả bằng đồ họa của sản lượng đầu
ra trong một khoảng thời gian xác định, thường để thể hiện nhiệm vụ lặp đi lặp lại của một nhân
viên hoặc công nhân. Việc sử dụng đường cong học tập hiệu quả sẽ giúp doanh nghiệp dự báo
được hiệu quả sản xuất và hoạch định các chiến lược kinh doanh hữu hiệu. Việc áp dụng mô
hình khai phá dữ liệu để phân tích các dữ liệu của công nhân ngành may mặc, từ đó tìm ra mô
hình đường cong học tập phù hợp và dự báo hiệu quả sản xuất kinh doanh.
Dữ liệu hiệu quả sản xuất của 45 công nhân mới (không kinh nghiệm), tương ứng với 3 công
đoạn may: Mí trụ, Mí tà, Kansai lai được thu thập trong vòng 36 ngày để phân tích. 5 mô hình
đường cong học tập đã được phân tích là: The Wright, The Dejong, Stanford, S-curve và Hồi
quy đa thức. Mỗi mô hình có những điểm mạnh và yếu khác nhau sẽ được trình bày chi tiết trong
những phần sau. Phân tích cho thấy rằng hiệu ứng học tập xảy ra trong quá trình tập may cho
các công nhân không có kinh nghiệm. Tỷ lệ học tập được tìm thấy dao động trong khoảng 219%
đến 249%. Do đó, ta có thể cho rằng hiệu quả sản xuất của công nhân tăng lên theo thời gian khi
mà năng suất của các công đoạn may tăng lên nhờ việc ghi nhớ các thao tác may và kỹ thuật
may được tăng lên. Điều này làm giảm thời gian cần thiết để may hoàn thành sản phẩm và tăng
hiệu quả sản xuất cho các công đoạn may. Một kết quả tương tự cũng nhận được đối với tỷ lệ
lỗi của các công đoạn đã giảm theo thời gian. Bên cạnh đó, các yếu tố về giới tính, độ tuổi, đặc
tính công đoạn may, máy móc cũng có ảnh hưởng đến mô hình đường cong học tập cũng đã
được phân tích.
LỜI CAM ĐOAN CỦA TÁC GIẢ LUẬN VĂN
Tôi xin cam đoan luận văn tốt nghiệp với đề tài “Phân tích dữ liệu công nhân ngành may mặc
để dự báo hiệu quả sản xuất tại một doanh nghiệp ở Đồng Nai” là nghiên cứu độc lập của tôi.
Các số liệu được cung cấp từ báo cáo của công ty và kết quả nghiên cứu hoàn toàn trung thực,
không đạo nhái hay sao chép từ bất kỳ một công trình nghiên cứu nào khác. Tất cả tài liệu trích
dẫn đều được ghi rõ nguồn gốc.
Tôi xin hoàn toàn chịu trách nhiệm trước nhà trường nếu phát hiện bất cứ sự sai phạm hay sao
chép trong đề tài này!
MỤC LỤC
CHƯƠNG 1: GIỚI THIỆU ....................................................................................................... 1
1.1. Giới thiệu đề tài ............................................................................................................. 1
1.2. Mục tiêu và nội dung nghiên cứu ................................................................................ 2
1.3. Phương pháp nghiên cứu ............................................................................................. 3
1.4. Giới hạn đề tài ............................................................................................................... 3
1.5. Cấu trúc báo cáo ........................................................................................................... 4
CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN ...................... 6
2.1. Cơ sở lý thuyết .............................................................................................................. 6
2.1.1
Đường cong học tập là gì ........................................................................................ 6
2.1.2
Logistic Regression (Classification) ........................................................................ 8
2.1.3
Đánh giá đường học tập .......................................................................................... 9
2.2. Các nghiên cứu liên quan ........................................................................................... 10
CHƯƠNG 3: XÂY DỰNG MÔ HÌNH PHÂN TÍCH DỮ LIỆU
TẠI CÔNG TY ELITE LONG THÀNH ............................................................................... 14
3.1
Thực trạng dự báo sản xuất tại công ty Elite Long Thành..................................... 14
3.2
Yêu cầu bài toán cần giải quyết ................................................................................. 17
3.3
Các định nghĩa và thuật ngữ...................................................................................... 17
3.4
Phương pháp giải quyết bài toán .............................................................................. 19
CHƯƠNG 4: THU THẬP VÀ PHÂN TÍCH DỮ LIỆU CÔNG NHÂN NGÀNH MAY
MẶC TẠI CÔNG TY ELITE LONG THÀNH ..................................................................... 22
4.1. Thu thập dữ liệu.......................................................................................................... 22
4.2. Áp dụng mô hình đường cong học tập ...................................................................... 26
4.2.1
Đường cong học tập The Wright............................................................................ 26
4.2.2
Đường cong học tập The De Jong ......................................................................... 28
4.2.3
Đường cong học tập The Stanford ......................................................................... 30
4.2.4
Đường cong học tập S Curve ................................................................................. 32
4.2.5
Đường cong học tập Polynomial Regression ........................................................ 34
4.3. Kết quả và thảo luận................................................................................................... 37
CHƯƠNG 5
: KẾT LUẬN .................................................................................................. 45
5.1
Kết quả đạt được......................................................................................................... 45
5.2
Ưu và nhược điểm của phương pháp được đề xuất ................................................ 45
5.3
Đóng góp của luận văn về mặt khoa học và ứng dụng ............................................ 45
5.4
Hướng mở rộng tương lai .......................................................................................... 46
TÀI LIỆU THAM KHẢO ....................................................................................................... 47
DANH SÁCH BẢNG BIỂU
Bảng 4-1: Thao tác tiêu chuẩn của công đoạn mí trụ (Tài liệu nội bộ công ty)......................... 23
Bảng 4-2: Thao tác tiêu chuẩn của công đoạn mí tà (Tài liệu nội bộ công ty) .......................... 23
Bảng 4-3: Thao tác tiêu chuẩn của công đoạn Kansai Lai ......................................................... 23
Bảng 4-4: Kết quả phân tích đường cong học tập theo mô hình Wright ................................... 27
Bảng 4-5: Kết quả phân tích đường cong học tập Theo mô hình De Jong ................................ 30
Bảng 4-6: Mối tương quan giữa RSS và hệ số B theo mô hình The Stanford ........................... 31
Bảng 4-7: Kết quả phân tích đường cong học tập Theo mô hình Stanford B ............................ 32
Bảng 4-8: Kết quả phân tích đường cong học tập theo mô hình S Curve Model ...................... 34
Bảng 4-9: Kết quả phân tích đường cong học tập Theo mô hình Polynomial Regression ........ 37
Bảng 4-10: Kết quả chỉ số R2 của các mô hình Đường cong học tập cho các công đoạn ......... 38
Bảng 4-11: Kết quả phân tích đường cong học tập Theo mô hình Stanford B .......................... 39
DANH SÁCH HÌNH VẼ
Hình 1-1: Các công đoạn nghiên cứu Đường cong học tập ......................................................... 4
Hình 2-1: Mô hình đường cong học tập ....................................................................................... 8
Hình 2-2: Các bước để khai phá dữ liệu ngành may .................................................................. 11
Hình 2-3: Các bước của mô hình DMME .................................................................................. 12
Hình 2-4: Ứng dụng của khai phá dữ liệu trong sản phẩm thời trang........................................ 12
Hình 3-1: Biểu đồ kết quả xuất hàng quí 1 và quí 2 năm 2021 (Theo tài liệu nội bộ) .............. 16
Hình 3-2: Biểu đồ kết quả sản xuất quí 1 và quí 2 năm 2021 (Theo tài liệu nội bộ) ................. 16
Hình 3-3: Mô hình giải quyết bài toán ....................................................................................... 21
Hình 4-1: Biểu đồ Scatter công đoạn Mí trụ .............................................................................. 25
Hình 4-2: Biểu đồ Scatter công đoạn Mí tà ................................................................................ 25
Hình 4-3: Biểu đồ Scatter công đoạn Kansai Lai ....................................................................... 25
Hình 4-4: Biểu đồ Scatter của 3 công đoạn ................................................................................ 25
Hình 4-5: Đường cong học tập theo mô hình Wright ................................................................ 27
Hình 4-6: Mối tương quan giữa RSS và hệ số M theo mô hình The De Jong ........................... 28
Hình 4-7: Đường cong học tập theo mô hình The De Jong ....................................................... 29
Hình 4-8: Đường cong học tập theo mô hình The Stanford....................................................... 31
Hình 4-9: Mô hình đường cong học tập S Curve tổng thể ......................................................... 32
Hình 4-10: Đường cong học tập theo mô hình S-Curve ............................................................ 34
Hình 4-11: Mô hình Hồi quy đa thức ......................................................................................... 35
Hình 4-12: Biểu đồ Scatter hiệu quả sản xuất theo thời gian của công đoạn Mí trụ hoàn chỉnh
.................................................................................................................................................... 36
Hình 4-13: Đường cong học tập theo Hồi quy đa thức .............................................................. 37
Hình 4-14: Kết quả chỉ số R2 của các mô hình Đường cong học tập cho các công đoạn ......... 39
Hình 4-15: Đường cong học tập công đoạn Mí trụ theo giới tính.............................................. 41
Hình 4-16: Đường cong học tập công đoạn Mí tà theo giới tính ............................................... 41
Hình 4-17: Đường cong học tập công đoạn Kansai Lai theo giới tính ...................................... 41
Hình 4-18: Đường cong học tập theo độ tuổi ............................................................................. 42
Hình 4-19: Tỷ lệ lỗi theo giới tính ............................................................................................. 43
Hình 4-20: Đường dự báo hiệu quả sản xuất ............................................................................. 43
DANH SÁCH TỪ VIẾT TẮT
BTP – Bán thành phẩm
DSS - Tổng bình phương phần dư (Residual Sum of Squares - RSS)
RSS - tổng các độ lệch bình phương giải thích từ hồi quy (Regression Sum of Squares)
ESS - tổng các độ lệch bình phương phần dư (Residual Sum of Squares)
TSS - tổng các độ lệch bình phương toàn bộ (Total Sum of Squares)
EFF – Hiệu quả sản xuất (Efficiency)
ELT - Elite
TNHH – Trách nhiệm hữu hạn
BI – Trí tuệ kinh doanh (Bussiness Intelligent)
IE – Kỹ thuật công nghiệp (Industrial Engineering)
SOP – Quy trình tiêu chuẩn (Standard operating procedure)
GSD - General Sewing Data
SMV – Standard minute value
ME – Manufacturing excellence
JK – Áo Jacket
SW – Áo Sweatshirt
GDP - Gross Domestic Product
ROA - Return on Asset
ROE – Return on Investment
DMME – Data Mining Methodology for Engineering Applications
CHƯƠNG 1 : GIỚI THIỆU
1.1. Giới thiệu đề tài
May mặt là một trong những ngành công nghiệp có từ xưa nhất của con người. Ngày nay,
thời kỳ công nghiệp 4.0, cùng với sự phát triển nhanh chóng của nền công nghiệp hóa, hiện đại
hóa, thì nhu cầu về sử dụng các sản phẩm may mặc của người tiêu dùng cũng ngày càng đa dạng
về mẫu mã, yêu cầu cao về chất lượng sản phẩm với giá bán sản phẩm phù hợp. Sự cạnh tranh
của các doanh nghiệp may mặc nội địa và nước ngoài, cũng như sự cạnh tranh giữa các doanh
nghiệp nội địa ngày càng trở nên gay gắt hơn, để đáp ứng tốt hơn nhu cầu của khách hàng. Đổi
mới công nghệ, áp dụng hệ thống thông tin vào vận hành hay khai phá dữ liệu là một hướng đi
đúng đắn và rất cần thiết cho ngành dệt may hiện nay, đổi mới trở thành nhân tố đặc biệt có ý
nghĩa quyết định sự tăng trưởng và thành công mang tính chiến lược, nâng cao năng lực cạnh
tranh.
Khai phá dữ liệu (Data mining) và phát hiện tri thức (Knowledge discovery) đang là lĩnh vực
được các nhà khoa học quan tâm nghiên cứu trong nhiều năm gần đây. Ứng dụng khai phá dữ
liệu được thực hiện trong nhiều lĩnh vực khác nhau như giáo dục, y tế, tài chính, ngân hàng, kinh
doanh… Đặc biệt, trong thời gian gần đây, khai phá dữ liệu và phát hiện tri thức trong ngành
may mặc đang được quan tâm nghiên cứu. Việc khai phá & chọn lọc dữ liệu có ích từ lượng dữ
liệu to lớn là việc cần thiết, đóng vai trò quan trọng trong mọi hoạt động nhằm cải thiện các hoạt
động trong hiện tại hay đưa ra những dự đoán giúp việc đưa ra quyết định trong tương lai chính
xác hơn. Đặc biệt là khi ngành may mặc đang là ngành vai trò quan trọng, quyết định cho sự
phát triển của đất nước về nhiều mặt.
Một trong những tiêu chí quan trọng nhất để đo lường hiệu quả của ngành may mặc là hiệu
quả sản xuất. Đặc trưng của ngành may mặc là hiệu quả sản xuất phần lớn phụ thuộc chính vào
nguồn lực lao động con người. Hay nói cách khác hiệu quả sản xuất của lao động con người có
thể đại diện cho hiệu quả sản xuất của ngành may mặc. Hiệu quả sản xuất lao động của con
người (EFF) là thời gian thực tế tạo ra giá trị sản phẩm trên tổng thời gian làm việc. Việc đo
lường và dự đoán EFF đóng vai trò quan trọng cho doanh nghiệp hoạch định chiến lược kinh
doanh, cải thiện năng suất, tỷ lệ cân bằng chuyền, giảm chi phí, tăng tỷ lệ xuất hàng đúng giờ,
từ đó đáp ứng các nhu cầu khách hàng tốt hơn. Khai phá dữ liệu có thể mang lại giá trị lớn nếu
được sử dụng hợp lý và hiệu quả trong ngành công nghiệp may mặc.
Việc áp dụng các công cụ và kỹ thuật khai phá dữ liệu trên dữ liệu IE (Industrial Engineering)
của ngành công nghiệp may mặc để có thể hiểu rõ được những vấn đề tiềm ẩn bên trong dữ liệu
1
là một việc không dễ dàng. Bởi vì việc triển khai áp dụng các kỹ thuật khai phá dữ liệu là không
giống nhau trong ngữ cảnh khác nhau. Vì ngành may mặc là ngành công nghiệp “Labor
incentive”, cho nên việc phát triển một phương pháp khai phá dữ liệu cụ thể là điều cần thiết để
xác định các yếu tố kiểm soát quy trình sản xuất, cải thiện hiệu quả sản xuất, tiết kiệm chi phí
cho doanh nghiệp, từ đó, dự báo hiệu quả sản xuất tương lại, giúp doanh nghiệp hoạch định các
chiến lược cạnh tranh hiệu quả. Đó là lý do của đề tài nghiên cứu: “Phân tích dữ liệu công nhân
ngành may mặc để dự báo hiệu quả sản xuất tại một doanh nghiệp ở Đồng Nai”. Để từ đó tìm ra
mô hình đường cong học tập phù hợp nhất, phục vụ cho việc lên kế hoạch sản xuất chính xác.
Bên cạnh đó, kết quả của phân tích dữ liệu cũng chỉ ra các yếu tố ảnh hưởng đến đường cong
học tập giúp các nhà quản lý hoạch định chiến lược kinh doanh phù hợp. Các phần sau của luận
văn sẽ làm rõ hơn.
1.2. Mục tiêu và nội dung nghiên cứu
Mục tiêu nghiên cứu của luận văn là phân tích dữ liệu công nhân ngành may mặc để dự báo
hiệu quả sản xuất tại một doanh nghiệp ở Đồng Nai. Kết quả của việc nghiên cứu này là tìm ra
mô hình phù hợp cho đường cong học tập (đường hiệu quả sản xuất theo thời gian) của công
nhân. Đường học tập sẽ khác nhau tùy thuộc vào giới tính nam hay nữ, hay độ tuổi. Kết quả
nghiên cứu có thể được ứng dụng trong việc lên kế hoạch đơn hàng, giúp các nhà quản lý sản
xuất có thể dự đoán chuyền may có kịp may hàng để xuất hay không. Ngoài ra, kết quả phân
tích cũng có thể được ứng dụng trong việc tuyển dụng hiệu quả tùy theo nhu cầu của nhà máy
từng thời điểm khác nhau
Để thực hiện mục tiêu này, cần thực hiện các bước sau:
- Phân tích hiện trạng của công ty. Tìm hiểu vấn đề và mô hình hoạt động hiện tại của công
ty ảnh hưởng như thế nào đến việc lên kế hoạch sản xuất. Để từ đó thấy được nhu cầu cấp
thiết cần xây dựng mô hình đường cong học tập phù hợp cho công nhân mới.
- Tìm hiểu các mô hình đường cong học tập đã được triển khai trong các công trình nghiên
cứu liên quan, từ đó, xác định phương pháp phù hợp để giải quyết bài toán
- Tiến hành thu thập các dữ liệu cần thiết cho việc phân tích. Việc thu thập dữ liệu cần nhiều
thời gian, bên cạnh đó có nhiều yếu tố ảnh hưởng đến kết quả dữ liệu cũng cần được xem
xét và loại bỏ. Ngoài ra việc xây dựng các thao tác chuẩn cũng rất quan trọng để đảm bào
dữ liệu thu thập có độ chính xác cao.
- Mô hình hóa dữ liệu được thu thập, sau đó phân tích dữ liệu dựa trên các mô hình đường
cong học tập. Từ đó, đánh giá và xác định mô hình phù hợp nhất để hoạch định sản xuất.
2
Bên cạnh đó, luận văn cũng phân tích thêm các yếu tố ảnh hưởng đến đường cong học tập
để giúp các nhà quản lý sản xuất điều chỉnh chiến lược kinh doanh phù hợp
- Và cuối cùng là triển khai các dự án cải thiện để giải quyết các vấn đề đã được nêu ra từ
đầu. Điểm quan trọng ở bước này là làm sao để duy trì các phương án cải thiện luôn được
thực hiện trong quá trình sản xuất.
1.3. Phương pháp nghiên cứu
Có rất nhiều phương pháp nghiên cứu khoa học như: phương pháp thu thập số liệu, phương
pháp định tính, phương pháp định lượng, phương pháp thực nghiệm, phương pháp phân tích và
tổng hợp, phương pháp quy nạp và diễn giải, phương pháp lịch sử và logic, phướng pháp thống
kê số liệu,… Mỗi phương pháp sẽ có cách ứng dụng khác nhau trong những trường hợp và mục
tiêu nghiên cứu khác nhau.
Trong luận văn này, để thực hiện mục tiêu và giải quyết vấn đề của bải toán, tác giả đã thu thập
rất nhiều dữ liệu thực nghiệm về đối tượng nghiên cứu như thời gian làm việc, năng suất, số
hàng lỗi,.. để phân tích. Từ đó đúc kết ra được các kết luận. Như vậy phương pháp nghiên cứu
khoa học phù hợp trong luận văn này là Phương pháp thống kê số liệu. Phương pháp thống kê
số liệu là phương pháp tập hợp các số liệu có liên quan đến đối tượng nghiên cứu, nhằm phân
tích, so sánh, tổng hợp,… để tìm ra quy luật khách quan trong sự vận động của đối tượng nghiên
cứu. Phương pháp số liệu đòi hỏi sự tỉ mỉ và chính xác tối đa thì mới đem lại kết quả chính xác
và khách quan nhất. Các số liệu được thu cần cần phải đến từ những tổ chức uy tín, các cơ quan
chức năng có thẩm quyền, hoặc số liệu có nguồn gốc rõ ràng. Đây là một phương pháp hay, có
tính thực tế cao và giúp cho ra những phát hiện chính xác, nhưng việc thu thập số liệu chất lượng
thường sẽ mang đến nhiều khó khăn đến người nghiên cứu.
1.4. Giới hạn đề tài
Polo là chủng loại hàng lớn nhất của Elite, chiếm từ 40% đến 60% trên tổng số lượng, nên một
sản phẩm Polo đã được đưa ra nghiên cứu. Để may hoàn thành một sản phẩm Polo, cần trải qua
rất nhiều công đoạn với nhiều loại máy khác nhau, trong đó 3 công đoạn khó nhất và đại diện
cho một cái áo Polo là: Công đoạn mí trụ, công đoạn mí tà và công đoạn Kansai lai. Do đó 3
công đoạn này được luận văn nghiên cứu đường học tập. Hình 1-1 thể hiện rõ điều này. (1)
Để xây dựng đường học tập, ta cần theo dõi quá trình học tập của 1 công nhân mới (không có
kinh nghiệm). Dữ liệu được thu thập từ ngày 1 tháng 8 năm 2020 đến ngày 29 tháng 4 năm 2021
3
cho các công nhân mới. Mỗi công đoạn tiến hành thu thập dữ liệu cho 15 công nhân trong vòng
226 ngày, như vậy ta có tổng cộng khoảng 3,390 dữ liệu đã thu thập
Hình 1-1: Các công đoạn nghiên cứu Đường cong học tập
1.5. Cấu trúc báo cáo
Luận văn được cấu trúc thành 5 chương như sau:
- Chương 1: Giới thiệu. Trong chương này, luận văn trình bày tính cấp thiết của đề tài với
tình hình hiện tại của ngành may mặc.
- Chương 2: Cơ sở lý thuyết và các nghiên cứu liên quan. Trong chương này luận văn trình
bày các cơ sở lý thuyết được áp dụng trong luận văn và tìm hiểu các nghiên cứu khoa học
liên quan đến đề tài luận văn.
- Chương 3: Xây dựng mô hình phân tích dữ liệu tại công ty Elite Long Thành. Trong chương
này, luận văn sẽ trình bày thực trạng dự báo và hoạch định sản xuất tai công ty Elite Long
thành. Luận văn sẽ đi sâu vào phân tích bối cảnh cụ thể, các vấn đề mà công ty đang gặp
phải, các nguyên nhân gây ra vấn đề cũng được tìm hiểu. Sau đó, xây dựng mô hình phân
tích dữ liệu tại công ty Elite Long Thành.
- Chương 4: Thu thập và phân tích dữ liệu công nhân ngành may mặc. Trong chương này,
tác giả trình bày các điểm chính trong việc thu thập dữ liệu và áp dụng các mô hình đường
cong học tập để phân tích, cũng trong chương này, các kết quả của việc phân tích dữ liệu
cũng được trình bày như: mô hình đường cong học tập phù hợp, các yếu tố ảnh hưởng đến
đường cong học tập.
4
- Chương 5: Kết luận. Trong phần này, tác giả sẽ trình bày các kết quả đạt được của nghiên
cứu, các ưu và nhược điểm của phương pháp nghiên cứu cũng được phân tích. Bên cạnh
đó, chương 5 cũng trình bày các đóng góp của luận văn về mặt khoa học và ứng dụng và
hướng mở rộng trong tương lai
5
CHƯƠNG 2 : CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
2.1. Cơ sở lý thuyết
2.1.1
Đường cong học tập là gì
Đường cong học tập (Learning curve) là một khái niệm mô tả bằng đồ họa của sản lượng đầu
ra trong một khoảng thời gian xác định, thường để thể hiện nhiệm vụ lặp đi lặp lại của một nhân
viên hoặc công nhân (6). Đường cong học tập được mô tả lần đầu tiên bởi nhà tâm lí học Hermann
Ebbinghaus vào năm 1885 và được sử dụng như một cách để đo lường hiệu quả sản xuất và dự
báo chi phí. Đường cong học tập cung cấp sự đo lường và phân tích chuyên sâu về tất cả các
khía cạnh trên của một công ty. Khi biểu diễn trực quan của đường cong học tập, độ dốc cao hơn
cho thấy việc học ban đầu dẫn đến tiết kiệm chi phí cao hơn và việc học tiếp theo dẫn đến việc
tiết kiệm chi phí ngày càng chậm hơn và khó khăn hơn (2) .
Bất kì nhân viên nào, bất kể vị trí nào, đều dành thời gian để học cách thực hiện một nhiệm
vụ hoặc công việc cụ thể. Lượng thời gian cần thiết để sản xuất ra sản phẩm đầu ra tương đối
cao. Sau đó, khi nhiệm vụ được lặp đi lặp lại, nhân viên học cách hoàn thành nó một cách nhanh
chóng và điều đó làm giảm lượng thời gian cần thiết cho một đơn vị đầu ra. Đó là lí do tại sao
đường cong học tập dốc xuống ở phần đầu với độ dốc trở nên bằng phẳng hơn ở phần cuối, với
chi phí cho mỗi đơn vị được mô tả trên trục Y và tổng sản lượng trên trục X. Khi việc học tăng
lên, nó sẽ giảm chi phí cho mỗi đơn vị đầu ra, sau đó lượng chi phí được giảm sẽ ngày càng ít
hơn, vì việc tăng hiệu quả đạt được thông qua việc học trở nên khó khăn hơn (2).
Độ dốc của đường cong học tập thể hiện tốc độ học tập dẫn tới tiết kiệm chi phí cho một công
ty. Độ dốc càng dốc, tiết kiệm chi phí trên mỗi đơn vị sản phẩm càng cao. Đường cong học
tập tiêu chuẩn này được gọi là đường cong học tập 80%. Nó cho thấy rằng cứ tăng gấp đôi sản
lượng của một công ty, chi phí của sản phẩm mới là 80% của chi phí sản phẩm trước đó. Khi
sản lượng tăng, việc tăng gấp đôi sản lượng trước đó của công ty trở nên khó khăn hơn, được
mô tả bằng cách sử dụng độ dốc của đường cong, có nghĩa là tiết kiệm chi phí trở nên chậm hơn
theo thời gian.
Lý do chính giải thích tại sao các hiệu ứng đường cong học tập và trải nghiệm được áp dụng
là do các quá trình học tập liên quan đến phức tạp. Như đã thảo luận trong bài viết chính, việc
học thường bắt đầu bằng việc tạo ra các phát hiện lớn hơn liên tiếp và sau đó là các phát hiện
nhỏ hơn liên tiếp. Các phương trình cho những hiệu ứng này xuất phát từ tính hữu ích của các
mô hình toán học đối với một số khía cạnh có thể dự đoán được của những quá trình thường
không xác định đó. Chúng bao gồm:
6
- Hiệu quả lao động: người lao động trở nên khéo léo hơn về thể chất. Họ trở nên tự tin hơn
về mặt tinh thần và dành ít thời gian do dự, học hỏi, thử nghiệm hoặc phạm sai lầm. Theo
thời gian, họ học được những cách đi tắt và cải tiến. Điều này áp dụng cho tất cả nhân viên
và người quản lý, không chỉ những người trực tiếp tham gia sản xuất.
- Cải tiến tiêu chuẩn hóa, chuyên môn hóa và phương pháp: khi các quy trình, bộ phận và
sản phẩm trở nên chuẩn hóa hơn, hiệu quả có xu hướng tăng lên. Khi nhân viên chuyên
môn hóa một số nhiệm vụ hạn chế, họ sẽ có thêm kinh nghiệm với những nhiệm vụ này và
hoạt động với tốc độ nhanh hơn.
- Học tập theo hướng công nghệ: kông nghệ sản xuất tự động và công nghệ thông tin có thể
mang lại hiệu quả khi chúng được thực hiện và con người học cách sử dụng chúng một
cách hiệu quả và hiệu quả.
- Sử dụng thiết bị tốt hơn: khi tổng sản lượng tăng lên, thiết bị chế tạo sẽ được khai thác triệt
để hơn, giảm giá thành đơn vị được hạch toán đầy đủ. Ngoài ra, việc mua thiết bị năng suất
cao hơn có thể là chính đáng.
- Thay đổi trong tổ hợp nguồn lực: khi một công ty có được kinh nghiệm, công ty có thể
thay đổi kết hợp các yếu tố đầu vào và do đó trở nên hiệu quả hơn.
- Thiết kế lại sản phẩm: khi nhà sản xuất và người tiêu dùng có nhiều kinh nghiệm hơn với
sản phẩm, họ thường có thể tìm ra những cải tiến. Điều này lọc qua quy trình sản xuất. Một
ví dụ điển hình về điều này là việc Cadillac thử nghiệm các phụ kiện đặc biệt khác nhau
"chuông và còi". Những chiếc không bị hỏng đã được sản xuất hàng loạt trong các sản
phẩm khác của General Motors; những chiếc xe không chịu được thử thách về việc "đánh
đập" người dùng đã bị ngừng sản xuất, giúp tiết kiệm tiền cho công ty xe hơi. Khi General
Motors sản xuất nhiều ô tô hơn, họ đã học được cách sản xuất tốt nhất các sản phẩm hoạt
động với số tiền ít nhất.
- Giảm chi phí sử dụng và xây dựng mạng (hiệu ứng mạng): khi một sản phẩm đi vào sử
dụng rộng rãi hơn, người tiêu dùng sử dụng nó hiệu quả hơn vì họ quen thuộc với nó. Một
máy fax trên thế giới không thể làm được gì, nhưng nếu mọi người đều có một chiếc máy
này, họ sẽ xây dựng một mạng lưới truyền thông ngày càng hiệu quả. Một ví dụ khác là
các tài khoản email; Càng có nhiều mạng, mạng càng hiệu quả, thì chi phí cho mỗi tiện ích
sử dụng của mọi người càng thấp.
- Hiệu ứng trải nghiệm được chia sẻ: hiệu ứng đường cong trải nghiệm được củng cố khi hai
hoặc nhiều sản phẩm chia sẻ một hoạt động hoặc tài nguyên chung. Bất kỳ hiệu quả nào
7
học được từ một sản phẩm đều có thể được áp dụng cho các sản phẩm khác. (Điều này liên
quan đến nguyên tắc ít gây ngạc nhiên nhất.)
Việc sử dụng đường cong học tập giúp các công ty biết một nhân viên kiếm được bao nhiêu
mỗi giờ và có thể rút ra chi phí sản xuất một đơn vị sản phẩm duy nhất dựa trên số giờ cần thiết.
Một nhân viên có vị trí tốt, nếu thực hiện công việc thành công sẽ giảm chi phí của công ty trên
mỗi đơn vị sản phẩm theo thời gian. Các doanh nghiệp có thể sử dụng đường cong học tập để
tiến hành lập kế hoạch sản xuất, dự báo chi phí và lịch trình hậu cần.
2.1.2
Logistic Regression (Classification)
Phương pháp hồi quy logistic là một mô hình hồi quy nhằm dự đoán giá trị đầu ra rời rạc (discrete
target variable) y ứng với một véc-tơ đầu vào x. Việc này tương đương với chuyện phân loại các đầu
vào x vào các nhóm y tương ứng. (6)
Hiệu quả sản xuất lao động (EFF) là giá trị trong đoạn [0, 1]. Các chuyên gia đã xây dựng một
mô hình hồi quy với đồ thị giới hạn được hiệu quả sản xuất từ 0 đến 1. Cụ thể như bên dưới
Đường học tập
60.0%
Hiệu quả sản xuất
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
0
1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Tuần làm việc
Hình 2-1: Mô hình đường cong học tập
Phương trình đơn biến của mô hình này như sau (6):
P=
𝑒 𝛽0+ 𝛽1𝑥
1+ 𝑒 𝛽0+ 𝛽1 𝑥
Trong đó:
8
(2-1)
P là hiệu quả sản xuất Eff
β là hệ số hồi quy
x là biến phụ thuộc
Tuy nhiên trong thực tế, hiệu quả sản xuất không phải phụ thuộc vào 1 yếu tố mà nhiều yếu
tố, do đó, ta có phương trình đa biến như sau (6):
P=
2.1.3
𝑒 𝛽0+ 𝛽1𝑥1 + 𝛽2𝑥2 +⋯+ 𝛽𝑝 𝑥𝑝
1+ 𝑒 𝛽0+ 𝛽1𝑥1+ 𝛽2𝑥2 +⋯+ 𝛽𝑝 𝑥𝑝
(2-2)
Đánh giá đường học tập
Công thức tính hệ số R bình phương xuất phát từ ý tưởng: toàn bộ sự biến thiên của biến phụ
thuộc được chia làm hai phần: phần biến thiên do hồi quy và phần biến thiên không do hồi quy
(còn gọi là phần dư).(6)
𝑅2 = 1 −
𝐸𝑆𝑆
𝑇𝑆𝑆
(2-3)
RSS (Regression Sum of Squares): tổng các độ lệch bình phương giải thích từ hồi quy
ESS (Residual Sum of Squares): tổng các độ lệch bình phương phần dư
TSS (Total Sum of Squares): tổng các độ lệch bình phương toàn bộ
Giá trị R bình phương dao động từ 0 đến 1. R bình phương càng gần 1 thì mô hình đã xây
dựng càng phù hợp với bộ dữ liệu dùng chạy hồi quy. R bình phương càng gần 0 thì mô hình đã
xây dựng càng kém phù hợp với bộ dữ liệu dùng chạy hồi quy. Trường hợp đặt biệt, phương
trình hồi quy đơn biến (chỉ có 1 biến độc lập) thì R2 chính là bình phương của hệ số tương quan
r giữa hai biến đó.
Giả sử R bình phương là 0.60, thì mô hình hồi quy tuyến tính này phù hợp với tập dữ liệu ở
mức 60%. Nói cách khác, 60% biến thiên của biến phụ thuộc được giải thích bởi các biến độc
lập. Thông thường, ngưỡng của R2 phải trên 50%, vì như thế mô hình mới phù hợp. Tuy nhiên
tùy vào dạng nghiên cứu, như các mô hình bài toán, không phải tất cả các hệ số R2 đều bắc buộc
phải thỏa mãn lớn hơn 50%. (Do rất khó để dự đoán giá vàng, giá cổ phiếu mà chỉ đơn thuần
dựa vào các biến độc lập ví dụ GDP, ROA, ROE….).
Càng đưa thêm nhiều biến vào mô hình, mặc dù chưa xác định biến đưa vào có ý nghĩa hay
không thì giá trị R2 sẽ tăng. Lý do là khi càng đưa thêm biến giải thích vào mô hình thì sẽ càng
khiến phần dư giảm xuống (vì bản chất những gì không giải thích được đều nằm ở phần dư), do
vậy tăng thêm biến sẽ khiến tổng bình phương phần dư (Residual Sum of Squares) giảm, trong
9
khi Total Sum of Squares không đổi, dẫn tới R2 luôn luôn tăng. Giá trị R2 tăng khả năng giải
thích của mô hình, nhưng bản chất thì lại không làm rõ được tầm quan trọng của biến đưa vào,
do đó nếu dựa vào giá trị R2 để đánh giá tính hiệu quả của mô hình sẽ dẫn đến tình huống không
chính xác vì sẽ đưa quá nhiều biến không cần thiết, làm phức tạp mô hình. Để ngăn chặn tình
trạng như đã nêu trên, một phép đo khác về mức độ thích hợp được sử dụng thường xuyên hơn.
Phép đo này gọi là R2 hiệu chỉnh hoặc R2 hiệu chỉnh theo bậc tự do.
Tổng bình phương phần dư (Residual Sum of Squares – RSS). Tổng bình phương phần dư
(RSS) là một kĩ thuật thống kê được sử dụng để đo số phương sai không giải thích được bằng
mô hình hồi qui trong một tập dữ liệu. Phân tích hồi qui là một biện pháp giúp xác định mức độ
mối quan hệ giữa một biến phụ thuộc và một loạt các biến thay đổi hay biến độc lập khác.
Tổng bình phương phần dư (RSS) đo lượng sai số còn lại giữa hàm hồi qui và tập dữ liệu.
Tổng bình phương phần dư nhỏ hơn thể hiện hàm hồi qui tốt hơn, về cơ bản nó xác định một mô
hình hồi qui giải thích hoặc biểu thị dữ liệu trong mô hình tốt như thế nào. Mô hình nào cũng có
sai số giữa các giá trị dự đoán được và kết quả trong thực tế. Mặc dù phương sai có thể được
giải thích bằng phân tích hồi qui, tổng bình phương phần dư (RSS) biểu thị phần phương sai hay
sai số không được giải thích bởi mô hình.
Do hàm hồi qui có thể được điều chỉnh phức tạp hơn để phù hợp với hầu hết mọi tập dữ liệu,
nên việc nghiên cứu thêm để xác định xem hàm hồi qui đang sử dụng có thực sự hiệu quả trong
việc giải thích phương sai của tập dữ liệu hay không. Thông thường, giá trị RSS được cho rằng
càng nhỏ thì mô hình hồi qui càng lí tưởng vì nó có nghĩa là có ít điểm ngoại lai hơn trong tập
dữ liệu. Nói cách khác, tổng số dư bình phương càng thấp thì mô hình hồi qui càng tốt trong việc
giải thích dữ liệu.
2.2. Các nghiên cứu liên quan
Có nhiều công trình nghiên cứu khoa học đã được thực hiện có liên quan đến đề tài nghiên
cứu này. Tiêu biểu như công trình nghiên cứu của Shamsur Rahim
(3)
với bài báo “Mining
Industrial Engineered Data of Apparel Industry”, đã trình bày một phương pháp luận để khai
phá ngành may gồm có 10 bước như hình 2-2 (3):
1. Phân tích quy trình sản xuất ngành may mặc
2. Hiểu vai trò và dữ liệu của các bộ phận chức năng của doanh nghiệp
3. Xây dựng mục tiêu kinh doanh
4. Thu thập và phân tích dữ liệu IE
5. Triển khai việc lưu trữ dữ liệu
10
6. Tiền xử lý dữ liệu
7. Xác định các công cụ để khai phá dữ liệu
8. Phân tích tính khả thi của công cụ khai phá dữ liệu
9. Thực hiện và đánh giá mô hình khai phá
10. Đánh giá và sử dụng các kiến thức khai phá được
Phân tích
quy trình
sản xuất
ngành may
mặc
Hiểu vai
trò và dữ
liệu của
các bộ
phận chức
năng của
doanh
nghiệp
Xây dựng
mục tiêu
kinh
doanh
Thu thập
và phân
tích dữ
liệu IE
Tiền xử lý
dữ liệu
Triển khai
việc lưu
trữ dữ liệu
Xác định
các công
cụ để khai
phá dữ
liệu
Phân tích
tính khả
thi của
công cụ
khai phá
dữ liệu
Thực hiện
và đánh
giá mô
hình khai
phá
Đánh giá
và sử dụng
các kiến
thức khai
phá được
Hình 2-2: Các bước để khai phá dữ liệu ngành may
Phương pháp luận khai phá dữ liệu trong nghiên cứu này đã mở rộng phạm vi nghiên cứu mới
rộng hơn cho ngành may mặc. Phương pháp luận này nhấn mạnh vào hệ thống sản xuất ngành
may mặc, phương pháp thể hiện rõ quá trình chuyển đổi giữa các bước trong quy trình cũng như
nhấn mạnh vai trò và các dữ liệu quan trọng của các phòng ban chức năng. Tuy nhiên, mô hình
này sẽ phù hợp với công ty may mặc nếu hệ thống thông tin chưa được phát triển, 6 bước đầu
tiên của mô hình tập trung để thu thập dữ liệu, tiêu chuẩn hóa dữ liệu, và hiểu dữ liệu. Các bước
này đáng lẽ phải được tinh gọn bằng một hệ thống thông tin, quản lý tri thức. Hơn nữa mô hình
vẫn chưa đi sâu vào việc hỗ trợ ra quyết định cho các nhà quản lý, mô hình dừng lại ở việc thu
thập, xử lý và mô hình hóa dữ liệu để tìm ra vấn đề, nhưng sau đó phần giải giải quyết vấn đề
và ra quyết định lại dựa trên kinh nghiệm của người quản lý mà không có có sở khoa học dẫn
dắt.
Bên cạnh đó, một nghiên cứu nữa của Hajo Wiemer
(4)
với Bài báo “Data Mining
Methodology for Engineering Applications (DMME) A Holistic Extension to the CRISP-DM
Model”, cũng đã nêu ra một mô hình phân tích dữ liệu trong hệ thống sản xuất dây mạng với
mục đích tối ưu hóa và bảo trì. Các bước trong mô hình khai phá dữ liệu này được trình bày
trong hình 2-3. (4)
1. Tìm hiểu về mô hệ thống doanh nghiệp.
2. Tìm hiểu về dữ liệu
11
3. Chuẩn bị dữ liệu
4. Xây dựng mô hình hóa dữ liệu
5. Đánh giá mô hình
6. Triển khai và áp dụng mô hình
Hình 2-3: Các bước của mô hình DMME
Một công trình nghiên cứu tiêu biểu nữa của Kumaravel Appavoo
(5)
với bài báo: “Data
Mining for Prediction of Clothing Insulation”, cũng đã trình bày một phương pháp để khai phá
dữ liệu trong ngành dệt may để dự đoán các yếu tố cách nhiệt của quần áo với mục tiêu hiểu
được đặc tính kỹ thuật của quần áo. Hình 2-4 là mô hình ứng dụng của khai phá dữ liệu trong
ngành dệt may (5)
Hình 2-4: Ứng dụng của khai phá dữ liệu trong sản phẩm thời trang
Kỹ thuật phân cụm (Clustering) có thể được ứng dụng trong việc phân tích dự báo các đặc
tính kỹ thuật của quần áo từ đó dự báo nhu cầu cũng như xu hướng của người tiêu dùng. Quy
trình khai phá dữ liệu được áp dụng bao gồm các bước sau:
12
1. Tích hợp dữ liệu: Trước hết, dữ liệu được thu thập và tích hợp từ tất cả các nguồn khác
nhau.
2. Lựa chọn dữ liệu: Làm sạch dữ liệu, dữ liệu đã thu thập có thể chứa lỗi, thiếu giá trị, dữ
liệu nhiễu hoặc không nhất quán.
3. Chuyển đổi dữ liệu: Dữ liệu ngay cả sau khi làm sạch vẫn chưa sẵn sàng để khai thác vì
cần chuyển đổi chúng thành các dạng thích hợp để khai phá. Các kỹ thuật được sử dụng để
thực hiện điều này là làm mịn, tổng hợp, chuẩn hóa, v.v.
4. Khai thác dữ liệu: áp dụng các kỹ thuật khai thác dữ liệu để khám phá các mô hình dữ liệu.
5. Đánh giá mẫu và trình bày kết quả: Bước này bao gồm hình dung, chuyển đổi, loại bỏ các
mẫu thừa, v.v.
6. Sử dụng kiến thức đã khám phá: Bước này giúp người dùng sử dụng kiến thức thu được để
đưa ra quyết định tốt hơn
13
CHƯƠNG 3 : XÂY DỰNG MÔ HÌNH PHÂN TÍCH DỮ LIỆU
TẠI CÔNG TY ELITE LONG THÀNH
Thực trạng dự báo sản xuất tại công ty Elite Long Thành
3.1
May mặc là ngành sử dụng nhiều lao động (Labour intensive firm or labour intensive
industry). Kỹ năng tay nghề của người lao động quyết định nhiều đến hiệu quả sản xuất của một
dây chuyền. Quá trình phát triển tay nghề của người lao động là một quá trình học tập, theo đó,
tay nghề của người lao động tăng dần theo thời gian bởi quá trình tích lũy kinh nghiệm. Quá
trình học tập này sẽ được biểu diễn bằng một biểu đồ thể hiện hiệu quả sản xuất theo thời gian,
gọi là đường cong học tập. Đường cong học tập có ý nghĩa rất quan trọng trong ngành may mặc,
để dự báo hiệu quả sản xuất của một công nhân hoặc một dây chuyền mới vận hành. Từ đó, giúp
cho doanh nghiệp hoạch định năng lực sản xuất và kế hoạch kinh doanh phù hợp. Một kế hoạch
sản xuất phù hợp sẽ giúp doanh nghiệp đáp ứng được các yêu cầu của khách hàng tốt hơn về
xuất hàng đúng giờ, chất lượng hàng hóa được kiểm soát tốt hơn, việc quản lý các dây chuyền
may được hiệu quả hơn, hiệu quả sản xuất được tốt ưu hóa hơn, dòng chảy của nguyên phụ liệu
được trôi chảy hơn. Nếu một doanh nghiệp may mặc không sử dụng hiệu quả đường cong học
tập sẽ dẫn đến nhiều vấn đề vận hành, mà trường hợp nghiên cứu tại: Công ty TNHH Elite Long
Thành (Công ty ELT) đang gặp phải.
Công ty ELT là một doanh nghiệp chế xuất hàng may mặc xuất khẩu cho Adidas được thành
lập vào cuối năm 2016, với hơn 3,200 công nhận viên hiện tại. Năng lực sản xuất hiện tại là hơn
1 triệu hàng mỗi tháng, với 100 chuyền may. ELT đang có chiến lược mở rộng mô hình sản xuất
kinh doanh thêm 100 chuyền may mới với hơn 2,000 công nhân may mới trong vòng 4 năm tới
(2022 đến 2025). Khi mở rộng kinh doanh, tuyển thêm nguồn nhân công mới, đồng nghĩa với
việc phải đào tạo kỹ năng may cho công nhân mới từ đầu. Do đó, việc xây dựng một đường cong
học tập chính xác đóng vai trò quan trong cho ELT trong việc hoạch định các chiến lược kinh
doanh.
Tuy nhiên, hiện tại ELT chưa có xây dựng một đường cong học tập nào để ứng dụng. Việc
hoạch định sản xuất chủ yếu dựa vào kinh nghiệm của các nhà quản lý với độ chính xác thấp.
Do đó, gây ra nhiều vấn đề về xuất hàng trễ hạn, hiệu quả sản xuất của công nhân không đạt
mục tiêu sau nhiều tháng đào tạo, dẫn đến nhiều chi phí phát sinh không bù lại được. Bên cạnh
đó, việc sắp xếp kế hoạch may từng chuyền không dự trên cơ sở năng lực chuyền may vì không
có dữ liệu cụ thể và chính xác, dẫn đến số lượng hàng hóa phải may của mỗi chuyền không đồng
14
đều nhau, có chuyền thì phải may rất nhiều và tăng ca liên tục mới kịp lịch xuất, nhưng có chuyền
thì lại ít hàng may hơn, điều này gây ra khó khăn cho các nhà quản lý sản xuất.
Dựa trên biểu đồ kết quả xuất hàng bên dưới, ta nhận thấy tỷ lệ xuất hàng đúng giờ thực tế
trung bình từ khoảng 72% đến 91%, không đạt mục tiêu là 97%. Bên cạnh đó, biểu đồ kết quả
sản xuất bên dưới cũng cho ta thấy hiệu quả sản xuất cũng không đạt mục tiêu, giữa thực tế và
mục tiêu luôn có sự chênh lệch từ 4% đến 7%. Nhiều cuộc nghiên cứu đã diễn ra để tìm hiểu
nguyên nhân từ đâu, ta có thể tóm lược các nguyên nhân cốt lõi như sau:
Nguyên nhân 1: số lượng đơn hàng phân bổ về các chuyền sản xuất không đúng theo năng
lực của các chuyền. Chuyền có nhiều hàng hơn năng lực của mình sẽ chuyển đổi mã nhiều, tăng
ca nhiều để tăng năng suất nhưng vẫn không đạt hiệu quả sản xuất mục tiêu. Chuyền có đơn
hàng thấp hơn năng lực sản xuất sẽ làm cho người công nhân không có áp lực về năng suất, dẫn
đến sự trì trệ trong sản xuất, không đạt hiệu quả sản xuất mục tiêu.
Nguyên nhân 2: sự phân bổ đơn hàng cho các chuyền không phù hợp với chuyên môn của
từng chuyền. Có sự chen lẫn các chủng loại hàng khác như T-shirt, quần, hay Jacket, Sweatshirt
vào chuyền chuyên môn Polo. Điều đó dẫn đến các chuyền chuyển đổi mã nhiều hơn. Khi chuyền
chuyển đổi mã, đòi hỏi người công nhân phải tập lại kỹ năng may, vì mỗi chủng loại khác nhau
sẽ yêu cầu kỹ năng may khác nhau. Khi đó, hiệu quả sản xuất sẽ bị giảm ít nhất là 10% đến 20%
so với năng lực của chuyền, thời gian chuyển đổi mã thường kéo dài ít nhất 3 ngày năng suất.
Chính điều này làm ảnh hưởng nghiêm trọng đến việc chuyền may không đạt được hiệu quả
năng suất mục tiêu.
Nguyên nhân 3: Sự phân bổ công nhân vào công đoạn may chưa phù hợp. Có rất nhiều loại
công đoạn may tương ứng với các loại máy khác nhau. Ứng với mỗi máy khác nhau thì yêu cầu
kỹ thuật may khác nhau. Tuy nhiên không phải công nhân nào cũng phù hợp với tất cả các loại
máy. Việc phân bổ công nhân vào máy may không phù hợp sẽ làm ảnh hưởng đến việc tăng hiệu
quả sản xuất của chuyền may.
Nguyên nhân 4: Sự quản lý, đào tạo, hướng dẫn. Đối với công nhân mới, làm sao để đào tạo
công nhân nâng cao tay nghề nhanh nhất sẽ giúp tăng hiệu quả sản xuất đáng kể cho chuyền
may. Tuy nhiên, qua quá trình nghiên cứu, nhận thấy nhiều chuyền trưởng không có sự quan
tâm đào tạo, hướng dẫn cho người công nhân mới, làm cho việc học của công nhân mới bị chậm
so với mục tiêu đề ra rất nhiều.
Trên đây là 4 nguyên nhân chính dẫn đến nhiều vấn đề về vận hành của xưởng sản xuất công
ty Elite, từ đó, đòi hỏi công ty phải có hệ thống để hoạch định kế hoạch sản xuất hiệu quả hơn.
Nhiều phương án đã được đề ra, trong đó việc xây dựng đường cong học tập chính xác và phù
15
hợp với tình hình hiện tại và nhu cầu cấp thiết để dự đoán hiệu quản sản xuất chính xác cho
người công nhân. Từ đó hỗ trợ cho việc ra kế hoạch sản xuất chính xác và hiệu quả hơn, tăng tỷ
lệ xuất hàng đúng giờ. Bên cạnh đó, việc phân tích các dữ liệu về hiệu quả sản xuất cũng sẽ giúp
cho các nhà quản lý nhận biết được cách thức quản lý và phân bổ công nhân phù hợp hơn để từ
đó nâng cao khả năng học tập của người công nhân, góp phần làm tăng hiệu quả sản xuất của
chuyền may.
KẾT QUẢ XUẤT HÀNG QUÍ 1 VÀ QUÍ 2 NĂM 2021
1,600,000
120.0%
97.0%
1,400,000
1,200,000
91.7%
88.4%
75.7%
1,000,000
100.0%
85.5%
79.1%
72.5%
800,000
80.0%
60.0%
600,000
40.0%
400,000
20.0%
200,000
-
0.0%
01/2021
02/2021
03/2021
04/2021
05/2021
06/2021
Số lượng hàng xuất trễ
Tổng số lượng xuất
Tỷ lệ xuất hàng đúng giờ thực tế
Tỷ lệ xuất hàng đúng giờ mục tiêu
Hình 3-1: Biểu đồ kết quả xuất hàng quí 1 và quí 2 năm 2021 (Theo tài liệu nội bộ)
KẾT QUẢ SẢN XUẤT QUÍ 1 VÀ QUÍ 2 NĂM 2021
2,500
2,000
100%
82%
82%
76%
76%
1,500
72%
75%
85%
86%
87%
78%
81%
80%
90%
80%
70%
60%
50%
1,000
40%
30%
500
20%
10%
-
0%
01/2021
02/2021
03/2021
04/2021
05/2021
Năng suất mục tiêu (x 1,000)
Năng suất thực tế (x 1,000)
Hiệu quả sản xuất mục tiêu
Hiệu quả sản xuất thực tế
06/2021
Hình 3-2: Biểu đồ kết quả sản xuất quí 1 và quí 2 năm 2021 (Theo tài liệu nội bộ)
16
Yêu cầu bài toán cần giải quyết
3.2
Hiệu quả sản xuất là yếu tố quan trọng để đo lường hiệu quả vận hành và kết quả kinh doanh
của một doanh nghiệp may mặc. Việc dự báo hiệu quả sản xuất trong tương lai có ý nghĩa quan
trọng giúp các nhà quản lý hoạch định chiến lược kinh doanh trong tương lai. Do đó, nhu cầu
cần một mô hình dự báo phù hợp để dự báo chính xác nhất kết quả đầu ra, hay nói cách khác là
xây dựng đường cong học tập phù hợp cho từng nhóm lao động. Từ đó giúp nhà quản lý có thể
phân loại các nhóm lao động A, B, C, D, E, F, thuận tiên trong việc quản lý và hoạch định kế
hoạch cải thiện hiệu quả sản xuất. Bên cạnh đó, Phân tích các dữ liệu về hiệu quả sản xuất của
lao động, có thể xác định các yếu tố quan trọng ảnh hưởng đến hiệu quả sản xuất như: giới tính,
độ tuổi, tình trạng đơn hàng, từ đó, giúp các nhà quản lý có chiến lược kiểm soát tốt các yếu tố
này để duy trì ổn định hiệu quả sản xuất trong tương lai
Các định nghĩa và thuật ngữ
3.3
Trước khi bắt đầu nghiên cứu, một vài thuật ngữ trong ngành may mặc cần được định nghĩa
ngay từ ban đầu:
 Động tác là một thành phần của thao tác hiển thị bằng các cử động chân tay và thân thể của
công nhân nhằm lấy đi hay di chuyển một vật nào đó. Sự phân chia thao tác thành các động
tác nhằm mục đích hợp lý hóa hơn nữa quá trình lao động của công nhân. Động tác là
phương cách cụ thể để hoàn thành mục đích của công đoạn và của tác nghiệp viên trong
từng chuyển động.
 Cử động là bộ phận của động tác hiển thị bằng sự thay đổi một lần vị trí của các bộ phận
cơ thể công nhân. Các cử động, thao tác trong quá trình may:
-
Lấy sản phẩm đưa vào máy.
-
Ghép chi tiết trước khi đưa vào chân vịt.
-
May
-
Đưa sản phẩm sang bên
-
Dùng kéo cắt rời chi tiết
-
Kiểm tra chất lượng sản phẩm sau khi may xong.
 Thao tác chuẩn: Là thao tác trực tiếp hay gián tiếp tác động lên đối tượng, tạo ra giá trị cho
đối tượng trong một khoảng thời gian ngắn nhất nhưng mang lại giá trị cao nhất. Thao tác
trực tiếp: là thao tác trong thời gian người công nhân làm việc trực tiếp với các máy móc,
thiết bị chuyên dùng. Thao tác gián tiếp như: lấy bán thành phẩm, đặt lên, đưa xuống, so
mép, cắt chỉ. Thao tác chuẩn thỏa mãn các điều kiện:
17
-
Bán thành phẩm để vị trí đưa vào làm gần nhất.
-
Thực hiện thao tác song song.
-
Thực hiện thao tác đồng thời.
-
Hạn chế tối đa thao tác dừng trong quá trình làm việc/hoạt động.
-
Hạn chế tối đa điều chỉnh sản phẩm.
 Quy trình thao tác chuẩn (Standard operating procedure - SOP) là một hệ thống quy trình,
được tạo ra để hướng dẫn và duy trì chất lượng công việc. Quy trình chuẩn giúp tránh khỏi
các sai sót nếu làm theo đúng các bước trong quy trình, nó cũng giúp người mới nhanh
chóng làm quen với môi trường làm việc.tiết kiệm thời gian, cải thiện hiệu suất, ngăn ngừa
lãng phí tài nguyên, ổn định chất lượng, năng suất làm việc.
 Năng suất: Số lượng sản phẩm được tạo ra trong một khoảng thời gian xác định. Đơn vi
tính ở đây có thể là số sản phẩm / giờ, hoặc số sản phẩm / ngày, hoặc số sản phẩm / tháng.
Năng suất phụ thuộc nhiều vào kỹ năng của người công nhân và các yếu tố ảnh hưởng đến
thời gian chết trong một ngày
 Cycle time: thời gian thực tế để sản xuất ra một đơn vị sản phẩm. Thời gian này được tính
từ lúc công nhân bắt đầu cầm bán thành phẩm lên cho đến khi may hoàn thành công đoạn
đó rồi kiểm tra chất lượng và kết thúc sau khi đặt sản phẩm xuống bàn. Cycle time mỗi
công đoạn có thể được tính bằng giây hoặc bằng phút.
 Thời gian chuẩn: thời gian tiêu chuẩn để sản xuất ra một đơn vị sản phẩm. Thời gian chuẩn
trong ngành may mặc được biểu thị bằng hệ thống GSD với đơn vị là SMV (hoặc SAM).
GSD (General Sewing Data) là một kỹ thuật về phân tích phương pháp và nghiên cứu thời
gian, được thiết kế đặc biệt cho ngành công nghiệp may mặc. GSD phân tích tất cả các
thao tác có thể xảy ra trong quá trình may một công đoạn nào đó của một công nhân, mỗi
thao tác sẽ được chuyển đổi sang thời gian tiêu chuẩn. Cộng thời gian tiêu chuẩn của tất cả
các thao tác này lại ta được thời gian chuẩn của công đoạn.
 Thời gian làm việc: theo luật lao động Việt Nam, thời gian làm việc là độ dài thời gian mà
người lao động phải thực hiện nghĩa vụ lao động của mình trong quan hệ lao động căn cứ
vào quy định của pháp luật, hợp đồng lao động hoặc thỏa ước lao động tập thể. Theo Bộ
luật lao động, thời gian làm việc trong điều kiện lao động, môi trường lao động bình thường
là không quá 8 giờ trong một ngày hoặc không quá 48 giờ trong một tuần; thời gian làm
việc hàng ngày trong điều kiện đặc biệt nặng nhọc, độc hại, nguy hiểm được rút ngắn từ 1
- 2 giờ. Tại trường hợp nghiên cứu, công ty Elite Long Thành, thời gian làm việc của người
18
công nhân được ghi nhận bởi hệ thống chấm công tự động hằng ngày. Toàn bộ dữ liệu này
sẽ được phòng nhân sự thu thập và gửi báo cáo hằng ngày cho các bộ phận liên quan.
-
Nếu công nhân làm việc nửa ngày thì thời gian làm việc là 240 phút.
-
Nếu công nhân làm việc 1 ngày 8 tiếng, không tăng ca thì thời gian làm việc là 480 phút
-
Nếu công nhân tăng ca (nhưng vẫn đảm bảo tuân thủ quy định của pháp luật về thời gian
tăng ca), thì khi đó, thời gian làm việc sẽ được cộng thêm thời gian tăng ca vào.
 Hiệu quả sản xuất được tính công thức 3-1(1) là khái niệm để chỉ sự hoàn thành mục tiêu
công việc đặt ra với chi phí là thấp nhất có thể. Hiệu quả sản xuất là thước đo được sử dụng
phổ biến trong ngành may mặc để đo kết quả công việc của mỗi một người công nhân.
Theo công thức tính hiệu quả sản xuất (EFF) bên dưới, ta nhận thấy rằng hiệu quả sản xuất
sẽ phụ thuộc vào năng suất và thời gian làm việc. Một công nhân tạo ra năng suất cao,
nhưng phải trong một khoảng thời gian thấp nhất thì hiệu quả sản xuất mới cao nhất. Hiệu
quả sản xuất sẽ đạt 100% khi thời gian may thực tế của người công nhân bằng với thời gian
chuẩn SMV của công đoạn.
Hiệu quả sản xuất =
𝑁ă𝑛𝑔 𝑠𝑢ấ𝑡 𝑥 𝑆𝑀𝑉
𝑇ℎờ𝑖 𝑔𝑖𝑎𝑛 𝑙à𝑚 𝑣𝑖ệ𝑐 𝑥 𝑆ố 𝑛𝑔ườ𝑖 𝑙à𝑚 𝑣𝑖ệ𝑐
x 100
(3-1)
Phương pháp giải quyết bài toán
3.4
Dựa vào các phân tích của các công trình nghiên cứu liên quan ở phần 2.2 cùng với thực trạng
hiện tại của công ty ở phần 3.1, luận văn đã xây dựng một mô hình phân tích dữ liệu phù hợp để
giải quyết bài toán bao gồm có 8 bước sau:
Bước 1: Đặt vấn đề cần giải quyết. Nêu lên vấn đề tổng quan cần nghiên cứu trong thực tế.
Khi đặt vấn đề cần chỉ ra các thông tin căn bản của vấn đề, giải thích vì sao vấn đề này có ảnh
hưởng, xác định giải pháp càng nhanh chóng và trực tiếp càng tốt.
Bước 2: Thu thập các dữ liệu thông tin cần thiết
Trước khi thu thập dữ liệu, ta cần tìm hiểu và phân tích các quy trình vận hành của phân
xưởng sản xuất để xác định các yếu tố có thể ảnh hưởng đến hiệu quả sản xuất. Sau đó, thu thập
các dữ liệu cần thiết. Nguồn thu thập dữ liệu có thể từ nhiều bộ phận khác nhau như: sản xuất,
nhân sự, kế hoạch, IE, quy trình, do đó cần lưu ý cần xác định rõ và chọn đúng dữ liệu cần thu
thập để tránh gây nhiễu cho dữ liệu sau này.
Cùng một dữ liệu nhưng có ý nghĩa khác nhau tùy thuộc vào thời điển và ngữ cảnh khác nhau.
Ví dụ như thâm niên của một công nhân đối với kỹ thuật may mặc là bao lâu, đối với Phòng
nhân sự, họ có thể lấy mốc thời gian từ ngày công nhân bắt đầu vào làm việc cho đến nay, nhưng
19
đối với sản xuất họ có thể lấy mốc thời gian từ lúc công nhân chính thức làm việc liên quan đến
kỹ thuật may, vì lúc trước bạn công nhân này không có làm việc liên quan đến kỹ thuật may. Do
đó, ta cần định nghĩa chính xác ý nghĩa và hàm ý của dữ liệu cần thu thập để đảm bảo dữ liệu
thu thập được chính xác.
Bước 3: Làm sạch dữ liệu
Dữ liệu sau khi thu thập cần kiểm tra và làm sạch dữ liệu trước khi xây dựng mô hnfh và phân
tích thông qua xử lý hay loại bỏ những dữ liệu không chính xác, không đầy đủ, không phù hợp
về định dạng, bị trùng lắp, không có giá trị, không đủ thông tin, không liên quan,… những dữ
liệu có thể ảnh hưởng đến kế quả phân tích sau cùng. Một số tiêu chuẩn cần quan tâm đối với
dữ liệu là:
-
Tính chính xác của dữ liệu
-
Tính đầy đủ của dữ liệu
-
Khối lượng dữ liệu
-
Tính nhất quán của dữ liệu
-
Tính toàn vẹn của dữ liệu
-
Tính hợp lệ của dữ liệu
-
Tính độc nhất
-
Tính liên quan và tính kịp thời
Bước 4: Xây dựng mô hình dữ liệu
Sau khi thu thập và làm sạch dữ liệu, ta cần xây dựng mô hình dữ liệu theo một cấu trúc nhất
định để thể hiện được nội dung của bộ dữ liệu. Các dạng mô hình dữ liệu có thể được áp dụng
là:
-
Mô hình phân cấp
-
Mô hình mạng
-
Mô hình quan hệ
-
Mô hình thực thể - liên kết
-
Mô hình hướng đối tượng
Bước 5: Phân tích dữ liệu
Phân tích dữ liệu là quá trình chuyển dữ liệu thô thành dữ liệu có thể dùng được và đưa đến
kết luận. Nhiều mô hình đường cong học tập được sử dụng để phân tích bộ dữ liệu về hiệu quả
sản xuất của công nhân, từ đó xây dựng đường học tập phù hợp nhất cho từng nhóm đối tượng.
Dựa trên đó, ta có thể dự đoán được hiệu quả sản xuất của doanh nghiệp trong tương lai. Bên
cạnh đó, ta có thể phân tích thêm các yếu tố ảnh hưởng đến đường cong học tập như độ tuổi,
20
giới tính, phát hiện ra các xu hướng học tập ứng với mỗi yếu tố tác động, từ đó giúp các nhà
quản lý hoạch định kế hoạch sản xuất kinh doanh phù hợp nhất. Có nhiều phân mềm hỗ trợ việc
phân tích dữ liệu như: Tableau, Power BI, Python, SAS hay Excel,…
Bước 6: Trình bày dữ liệu
Trình bày dữ liệu là thể hiện dữ liệu thành các dạng đồ họa như là đồ thị, biểu đồ hay sử dụng
các phương pháp, công cụ khác nhau để trực quan hóa và minh họa dữ liệu được tốt nhất. Mục
đích là biến các nguồn dữ liệu thành những thông tin được thể hiện một cách trực quan, dễ quan
sát, dễ hiểu, để truyền đạt rõ ràng những hiểu biết đầy đủ (insights) từ dữ liệu đến người xem,
người đọc. Các dạng như biểu đồ đường, biểu đồ tròn, biểu đồ cột, bảng tính là các hình thức
truyền thống của việc hiển thị dữ liệu. Các công cụ hỗ trợ để trình bày dữ liệu được áp dụng
như: tableau, power BI, excel,….
Bước 7: Phân tích kết quả
Phân tích kết quả là phân tích để tìm ra câu trả lời cho các câu hỏi: giảm chi phí, giảm
thời gian phát triển sản phẩm mới và dịch vụ tối ưu, ra quyết định thông minh. Việc phân
tích kết quả có thể giúp để xác định các nguyên nhân gốc rễ của vấn đề, từ đó đề ra các biện
pháp khác phục và phòng ngừa. Các công cụ thường được dùng trong việc phân tích nguyên
nhân cốt lõi như: Biểu đồ Pareto, Histogram, biểu đồ phân tán, sơ đồ nguyên nhân – kết quả,
biểu đồ xương cá, 5 câu hỏi tại sao,.. Việc phân tích kết quả giúp nhà quản lý khai phá được
các vấn đề tiềm ẩn bên trong dữ liệu, đòi hỏi nhà phân tích phải có kinh nghiệm chuyên môn
về lĩnh vực nghiên cứu
Bước 8: Triển khai và theo dõi vấn đề
Từ các biện pháp khắc phục và phòng ngừa đã được xác định ở bước 7, các hành động triển
khai thực hiện và theo dõi được áp dụng để giải quyết được nêu ở bước 1.
Hình 3-3: Mô hình giải quyết bài toán
21
CHƯƠNG 4 : THU THẬP VÀ PHÂN TÍCH DỮ LIỆU CÔNG NHÂN NGÀNH MAY
MẶC TẠI CÔNG TY ELITE LONG THÀNH
4.1. Thu thập dữ liệu
Tiến hành thời gian thu thập dữ liệu từ ngày 01/08/2020 đến ngày 29/04/2021 cho 3 công
đoạn là: Mí trụ, mí tà và kansai lai. Mỗi công đoạn được thu thập số liệu dựa trên 15 người công
nhân mới may liên tục 1 công đoạn đã được bố trí. Trước khi tiến hành thu thập số liệu, nhà quản
lý đã có buổi nói chuyện và giải thích với tất cả các bạn công nhân về mục đích của việc nghiên
cứu này. Tất cả các công nhân đều hiểu và đồng ý tham gia vào nghiên cứu. Để kết quả thu thập
dữ liệu được chính xác, các quy định sau được áp dụng trong suốt quá trình thu thập dữ liệu:
 Tối đa 1 công nhân chỉ vắng 2 ngày mỗi tháng, thời gian vắng không ảnh hưởng đến kết quả.
 Dữ liệu đã thu thập được họp và trao đổi trực tiếp với người công nhân 2 lần/tuần và có được
sự đồng thuận của người công nhân để sử dụng dữ liệu
 Công nhân may một công đoạn đã được bố trí trong suốt quá trình thu thập dữ liệu
 Các sản phẩm đầu ra nếu may sai, thì phải may lại cho đúng và ghi nhận lại số sản phẩm may
sai để theo dõi tỷ lệ lỗi hàng ngày
Các biến cần thu thập dữ liệu là: năng suất của mỗi công nhân, số sản phẩm lỗi và sản phẩm
đạt mỗi ngày. Bên cạnh đó, trong quá trình thu thập dữ liệu, quan sát các yếu tố khác liên quan
đến động lực học tập của người công nhân như: Tinh thần, mức độ hướng dẫn của triển khai,
chuyền trường, …Để giúp người công nhân phát triển đường cong học tập và tích lũy kinh
nghiệm nhanh, mỗi công nhân sẽ được hướng dẫn:
 Cách may theo thao tác chuẩn, tránh các thao tác lãng phí.
 Các hướng dẫn về an toàn sức khỏe.
 Hướng dẫn vận hành máy.
 Hướng dẫn vệ sinh bảo trì máy cơ bản.
 Hướng dẫn về nhận biết chất lượng công đoạn sau may.
Trong suốt quá trình nghiên cứu, các thao tác chuẩn được hướng dẫn là KHÔNG thay đổi và
giống nhau. Các thao tác chuẩn của các công đoạn được trình bày trong các bảng bên dưới. Đây
là bảng thao tác chuẩn được trích xuất từ hệ thống GSD, một hệ thống phân tích dữ liệu ngành
may tiêu chuẩn của thế giới. Thao tác chuẩn của một công đoạn bắt đầu từ lúc người công nhân
cầm bán thành phẩm lên, để vào máy, vận hành máy, cắt chỉ, kiểm tra chất lượng sản phẩm và
đặt bán thành phẩm xuống. Trong quá trình may, các thao tác người công nhân phụ thuộc nhiều
vào tay nghề của người công nhân, các công cụ hỗ trợ khi may như cữ, gá, thiết lập máy,…
22
Bảng 4-1: Thao tác tiêu chuẩn của công
đoạn mí trụ (Tài liệu nội bộ công ty)
Bảng 4-2: Thao tác tiêu chuẩn của công
đoạn mí tà (Tài liệu nội bộ công ty)
Bảng 4-3: Thao tác tiêu chuẩn của công đoạn Kansai Lai
23
Dữ liệu sau khi thu thập sẽ được làm sạch bằng cách loại bỏ các dữ liệu đột biến, bất thường.
Sau đó được trình bày như các biểu đồ Scatter theo Ngày và Hiệu quả sản xuất như bên dưới.
Trong quá trình thu thập dữ liệu, có một điều rõ ràng rằng các bước tiêu chuẩn để may 3 công
đoạn Mí tà, Mí trụ và Kansai lai là không thay đổi, nhưng thời gian để may hoàn thành các mỗi
sản phẩm của các công đoạn này thì thay đổi và là một quá trình học tập. Do đó việc học tập rõ
ràng có tác động bởi các thiết lập của máy, việc đào tạo, hướng dẫn, cũng như thời gian thực
hiện các thao tác trong quá trình may công đoạn. Việc thiết lập máy móc bao gồm: thiết lập tốc
độ máy, số mũi may, sức căng chỉ, nếu phù hợp sẽ giúp người công nhân dễ dàng để thực hiện
các thao tác khi may công đoạn. Thời gian may công đoạn bao gồm các thành phần sau:
-
Thời gian lấy bán thành phẩm đặt lên máy may.
-
Thời gian căng chỉnh
-
Thời gian máy chạy.
-
Thời gian cắt chỉ.
-
Thời gian kiểm tra chất lượng
-
Cuối cũng là thời gian đặt thành phẩm xuống bàn.
Mỗi thành phần thời gian trên đều có đặc thù riêng và phụ thuộc bỏi các yếu tố khác nhau.
Thời gian lấy bán thành phẩm (BTP) sẽ phụ thuộc vào cách BTP được bộ trí tại nơi làm việc, có
phù hợp và thuận tiên cho người công nhân lấy hay không. Trong công ty, có đội ngũ nhân viên
ME sẽ nghiên cứu về thiết kế trạm làm việc để giúp người công nhân tiết kiệm được phần thời
gian này. Thời gian căng chỉnh BTP phụ thuộc nhiều vào đặc tính của vải: dày, mỏng, co dãn,
cuốn,… Để cải thiện thời gian này, cần có sự hỗ trợ của đội ngũ nghiên cứu công cụ, giúp cho
người công nhân thuận tiện khi căng chỉnh BTP trước khi may. Đây là một định hướng quan
trọng của công ty Elite để tạo tiền đề cho việc tự động hóa sau này. Thời gian máy chạy là thời
gian lâu nhất và khó để học nhất, trong lúc máy chạy, thao tác của người công nhân phải giữ
BTP và điều chỉnh tốc độ đưa BTP theo tốc độ của máy làm sao để vẫn đạt chất lượng của đường
may. Để có thể giúp người công nhân học nhanh trong thời gian này, các yếu tố hỗ trợ như công
cụ, sự hướng dẫn của triển khai đóng vai trò rất quan trọng. Thời gian cắt chỉ và thời gian kiểm
tra chất lượng cũng chiếm một phần đáng kể, các công cụ hỗ trợ như độ bén của kéo hay vị trí
đặt của kéo cũng ảnh hưởng đến việc học của thao tác này. Cuối cũng là cách đặt bán thành
phẩm xuống bàn cũng phải được tiêu chuẩn hóa để cho công đoạn tiếp theo được thuận tiện khi
lấy bán thành phẩm.
Các hình bên dưới minh họa cho sự phát triển của thời gian may từng sản phẩm của mỗi công
đoạn, nó như là một hàm thể hiện hiệu quả sản xuất theo thời gian, hay nói cách khác là số lượng
24
sản phẩm được may ra theo thời gian. Theo thời gian, khi người công nhân tăng tốc độ học tập
thì hiệu quả sản xuất tăng theo, cũng tức là số lượng sản phẩm được may ra trong một đơn vị
thời gian tăng theo. Kết quả thu thập dữ liệu bên dưới sẽ được sử dụng để làm tham chiếu cho
các phân tích tiếp theo trong việc xây dựng đường cho học tập phù hợp.
Biểu đồ Scatter Công đoạn Mí trụ
Biểu đồ Scatter Công đoạn Mí tà
45%
60%
40%
50%
35%
30%
40%
25%
30%
20%
15%
20%
10%
10%
5%
0%
0%
0
5
10
15
20
25
30
35
0
Hình 4-1: Biểu đồ Scatter công đoạn Mí trụ
5
10
15
20
25
30
35
Hình 4-2: Biểu đồ Scatter công đoạn Mí tà
Biểu đồ Scatter Công đoạn Kansai Lai
Biểu đồ Scatter của 3 công đoạn
40%
60%
35%
50%
30%
40%
25%
20%
30%
15%
20%
10%
10%
5%
0%
0%
0
5
10
15
20
25
30
0
35
Hình 4-3: Biểu đồ Scatter công đoạn Kansai Lai
5
10
15
20
25
30
35
Hình 4-4: Biểu đồ Scatter của 3 công đoạn
Sự khác biệt về thời gian may của 3 công đoạn và giữa các người công nhân khác nhau, một
phần làm do mỗi công đoạn có đặc tính khác nhau về máy may, thao tác may, kỹ thuật may,
công cụ hỗ trợ khác nhau. Ngoài ra đặc tính cá nhân của mỗi người công nhân cũng sẽ ảnh hưởng
đến kết quả này. Có những công đoạn chỉ phù hợp cho nữ giới vì tính tỉ mỉ trong từng thao tác
25
hoặc có những công đạon lại chỉ phù hợp với nam giới bởi việc sử dung các máy móc hoặc công
cụ hỗ trợ rườm rà. Trong quá trình thu thập dữ liệu, nếu có các giá trị đột biến sẽ được loại bỏ
ra khỏi tập dữ liệu, hoặc nếu người công nhân vắng thì dữ liệu hôm đó sẽ không được thu thập.
4.2. Áp dụng mô hình đường cong học tập
Dữ liệu thực nghiệm được thu thập trong giai đoạn trước được tổng hợp lại và áp dụng vào
các mô hình đường cong học tập. Các mô hình đường cong học tập được nghiên cứu trong luận
văn này là:
-
Đường cong học tập The Wright
-
Đường cong họ ctaajp The Dejong
-
Đường cong học tập Stanford B
-
Đường cong học tập S Curve
-
Đường cong học tập Polynomial Regression (Hồi quy đa thức)
Trong các phần tiếp theo, chúng ta sẽ tìm hiểu lần lượt các mô hình này và phân tích kết quả
mô hình nào sẽ phù hợp nhất để dự báo hiệu quả sản xuất trong ngành may mặc.
4.2.1 Đường cong học tập The Wright
Công việc trong bộ nhớ con người được tìm thấy sau này để tổng quát hóa - càng nhiều lần
thực hiện một nhiệm vụ, thì càng cần ít thời gian hơn cho mỗi lần lặp tiếp theo. Mối quan hệ này
có lẽ lần đầu tiên được định lượng trong môi trường công nghiệp vào năm 1936 bởi Theodore
Paul Wright, một kỹ sư tại Curtiss-Wright ở Hoa Kỳ. Wright phát hiện ra rằng mỗi khi tổng sản
lượng máy bay tăng gấp đôi, thời gian lao động cần thiết cho chế tạo mới giảm 20%. Các nghiên
cứu tiếp theo trong các ngành khác đã đưa ra các giá trị khác nhau, từ chỉ vài phần trăm đến
30%, nhưng trong hầu hết các trường hợp, giá trị trong mỗi ngành là một tỷ lệ phần trăm không
đổi và không thay đổi ở các quy mô hoạt động khác nhau. Mô hình đường cong học tập cho rằng
cứ mỗi lần tăng gấp đôi tổng số lượng mặt hàng được sản xuất, chi phí sẽ giảm theo một tỷ lệ cố
định. Nói chung, việc sản xuất bất kỳ hàng hóa hoặc dịch vụ nào cho thấy hiệu ứng đường cong
học tập hoặc đường cong kinh nghiệm. Mỗi khi khối lượng tích lũy tăng gấp đôi, chi phí giá trị
gia tăng (bao gồm quản lý, tiếp thị, phân phối và sản xuất) giảm theo tỷ lệ phần trăm không đổi.
Đường cong học tập Wright’s (1936) là một trong những công thức được sử dụng nhiều nhất,
bởi công thức đơn giản, dễ áp dụng thực tế.
Trong nghiên cứu này, công thức Wright’s (1936) được thể hiện như sau
𝑡𝑥 = 𝑡1 ∗ 𝑥 −𝑏
26
(4-1)
(2)
𝑡𝑥 Thời gian hoàn thành công đoạn lần thứ x
𝑡1 Thời gian hoàn thành công đoạn lần thứ 1
b
Số mũ học tập
Tỷ lệ học tập cá nhân của công nhân được tính bằng công thức sau (2)
𝐿𝑅𝑖 = 2−𝑏
(4-2)
Đường cong học tập Wright
60%
Hiệu quả sản xuất
50%
40%
30%
20%
10%
0%
1
3
5
7
9 11 13 15 17 19 21 23 25 27 29 31 33 35
Tuần
Mí tà
Kansai lai
Mí trụ
Hình 4-5: Đường cong học tập theo mô hình Wright
Công đoạn
Mí trụ
Mí tà
Kansai lai
𝑡1 (i)
0.0039
0.0052
0.0023
b(i)
-1.1266
-1.2699
-1.1361
RSS
0.7496
1.7494
0.6874
𝑅2
81%
86%
85%
LR(i) (%)
218%
241%
149%
Số mẫu quan sát
3,375
3,370
3,378
Bảng 4-4: Kết quả phân tích đường cong học tập theo mô hình Wright
Dựa vào biểu đồ trên, nhận thấy đường cong học tập của công đoạn mí tà có tốc độ tăng nhanh
hơn 2 công đoạn còn lại với tỷ lệ học tập là 241%. Để đánh giá chất lượng của đường học tập,
27
nghiên cứu sử dụng chỉ số RSS. Công đoạn Mí tà có chỉ số RSS cao nhất 1.7494 và công đoạn
Kansai Lai có chỉ số RSS thấp nhất 0.6874. Bên cạnh đó, nghiên cứu cũng sử dụng chỉ số R2
cũng như thước đo để đánh giá mức độ phù hợp của dữ liệu với mô hình đường cong. Công đoạn
mí tà và Kansai ali có chỉ số R2 tường đương nhau lần lượt là 86% và 85%, công đoạn mí trụ có
chỉ số R2 thấp nhất là 81%.
4.2.2 Đường cong học tập The De Jong
Dựa trên nền tảng của đường cong học tập Wright, để thể hiện yếu tố kinh nghiệm ảnh hưởng
đến đường cong học tập, đường cong The Dejong thêm hệ số nén M vào mô hình. Công thức
đường học tập của de Jong’s (1957) như sau (2)
𝑡𝑥 = 𝑡1 ∗ (𝑀 + (1 − 𝑀) ∗ 𝑥 −𝑏 )
(4-3)
𝑡𝑥 Thời gian hoàn thành công đoạn lần thứ x
𝑡1 Thời gian hoàn thành công đoạn lần thứ 1
b
Số mũ học tập
M Hệ số nén (incompressibility)
Giá trị M nằm trong khoảng 0 đến 1 và phụ thuộc vào mức độ tự động hóa của quy trình sản
xuất. M càng gần 1 thì công việc càng tự động hóa và ngược lại. Để xác định giá trị M nào là
phù hợp nhất, chúng ta có thể sử dụng chỉ số RSS để dánh giá. Hệ số M nào có chỉ số RSS thấp
nhật thì sẽ được chọn. Theo biểu đồ bên dưới, thể hiện mối tường quan giữa hệ số M và RSS.
Khi M càng tăng cao thì RSS cũng tăng. Do đó M = 0.1 được chọn.
Mối tương quan giữa RSS và hệ số M
12
10
RSS
8
6
4
2
0
0.1
0.2
0.3
0.4
0.5
0.6
Hệ số M
0.7
0.8
0.9
Hình 4-6: Mối tương quan giữa RSS và hệ số M theo mô hình The De Jong
28
1
Áp dụng dữ liệu đã thu thập vào mô hình đường cong học tập The Dejong, ta được biểu đồ
bên dưới. Từ biểu đồ này cho thấy đường cong học tập công đoạn mí tà có tốc độ tăng nhanh
hơn 2 công đoạn còn lại với tỷ lệ học tập là 241%. Hệ số RSS được sử dụng để đánh giá mô
hình, Công đoạn Mí tà có chỉ số RSS cao nhất là 2.0009, công đoạn Mí trụ và Kansai lại có hệ
số RSS thấp hơn và tương đương nhau lần lượt là 1.0520 và 1.0183. Bên cạnh đó, chỉ số R2
cũng được áp dụng để đánh giá mức độ phù hợp của bộ dữ liệu với đường cong học tập. Công
đoạn Mí tà có hệ số R2 cao nhất là 82%, công đoạn Kansai lai và mí trụ có hệ số R2 thấp hơn
lần lượt là 78% và 73%. So với mô hình Wright, đường cong The Dejong cho thấy ít phù hợp
hơn khi mà chỉ số RSS và R2 đều cho thấy điều đó. Như vậy, yếu tố kinh nghiệm không phù
hợp trong trường họp này, hay chúng ta có thể rút ra kết luận là:
-
Tất cả những công nhận được nghiên cứu đường cong học tập đều là những người không
có kinh nghiệm.
-
Yếu tố kinh nghiệm không ảnh hưởng đến kết quả của mô hình đường cong học tập trong
trường hợp này.
-
Tuy nhiên, các yếu tố hướng dẫn, tạo động lực, yếu tố quản lý lại có tác động lên tốc độ
tăng trưởng của đường cong học tập, điều này được thể hiện qua Tỷ lệ học tập của 3 công
đoạn Mí trụ, Mí tà và Kansai lai có sự khác biệt lớn lần lượt là: 218%, 241% và 249%.
Đường cong học tập De Jong
50%
45%
Hiêu quả sản xuất
40%
35%
30%
25%
20%
15%
10%
5%
0%
1
3
5
7
9
11 13 15 17 19 21 23 25 27 29 31 33 35
Tuần
Mí trụ
Mí tà
Kansai lai
Hình 4-7: Đường cong học tập theo mô hình The De Jong
29
Công đoạn
Mí trụ
Mí tà
Kansai lai
𝑡1 (i)
0.0039
0.0052
0.0023
b(i)
-1.1266
-1.2699
-1.1361
M
0.1
0.1
0.1
RSS
1.0520
2.0009
1.0183
𝑅2
73%
82%
78%
LR(i) (%)
218%
241%
249%
Số mẫu quan sát
3,375
3,370
3,378
Bảng 4-5: Kết quả phân tích đường cong học tập Theo mô hình De Jong
4.2.3 Đường cong học tập The Stanford
Đường cong học tập Stanford B mở rộng đường cong học tập Wright bằng cách xem xét yếu
tố kinh nghiệm của công nhân (Carlson, 1973; Jaber, 2006) (2)
𝑡𝑥 = 𝑡1 ∗ (𝑥 + 𝐵)−𝑏
(4-4)
𝑡𝑥 Thời gian hoàn thành công đoạn lần thứ x
𝑡1 Thời gian hoàn thành công đoạn lần thứ 1
b
Số mũ học tập
B Hệ số kinh nghiệm 1 ≤ B ≤ 10
Hệ số kinh nghiệm B được đánh giá dựa trên hệ số RSS, ứng với mỗi hệ số B, ta tính được
RSS theo bảng như bên dưới. Với B=1 và B=2 tỏ ra phù hợp nhất với RSS thấp nhất. Với B=1,
RSS trung bình cho cả 3 công đoạn là 0.94. Với B=2 thì RSS trung bình cho cả 3 công đoạn là
0.93. RSS gần bằng nhau cho cả B=1 và B=2. Tuy nhiên để phù hợp hơn với bài toán B=2 được
chọn để tính.
30
B
RSS Mí trụ
RSS Mí tà
RSS Kansai Lai
1
0.69
1.53
0.61
2
0.68
1.52
0.59
3
0.70
2.15
0.62
4
0.77
2.80
0.72
5
0.88
3.70
0.89
6
1.04
4.85
1.12
7
1.24
6.26
1.43
8
1.49
7.94
1.81
9
1.78
9.90
2.26
10
2.13
12.15
2.80
Bảng 4-6: Mối tương quan giữa RSS và hệ số B theo mô hình The Stanford
Sau khi áp dụng dữ liệu được thu thập vào mô hình The Stanford, kết quả đường cong học
tập được trình bày ở biểu đồ bên dưới. Dựa vào biểu đổ này cho thấy đường cong học tập của
công đoạn Mí tà có tốc độ tăng trưởng nhanh hơn so với 2 công đoạn còn lại. Để đánh giá mô
hình này, nghiên cứu sử dụng chỉ số RSS và R2 như bảng bên dưới. Chỉ số RSS của công đoạn
Mí tà là cao nhất 1.5255, công đoạn Kaisai lai có RSS thấp nhất là 0.5863. Bên cạnh đó, chỉ số
R2 của công đoạn Kaisai lai là cao nhất 88%, công đoạn Mí tà là 85%, và Mí trụ có R2 thấp nhất
83%.
Đường học tập Stanford B
60%
Hiệu quả sản xuất
50%
40%
30%
20%
10%
0%
1
3
5
7
9
11 13 15 17 19 21 23 25 27 29 31 33 35
Tuần
Mí tà
Kansai lai
Mí trụ
Hình 4-8: Đường cong học tập theo mô hình The Stanford
31
Công đoạn
Mí trụ
Mí tà
Kansai lai
𝑡1 (i)
0.0039
0.0052
0.0023
b(i)
-1.1266
-1.2699
-1.1361
B
2
2
2
RSS
0.6754
1.5255
0.5863
𝑅2
83%
85%
88%
LR(i) (%)
218%
241%
249%
Số mẫu quan sát
3,375
3,370
3,378
Bảng 4-7: Kết quả phân tích đường cong học tập Theo mô hình Stanford B
4.2.4 Đường cong học tập S Curve
Mô hình này là đường cong học tập được trích dẫn phổ biến nhất. Nó đo lường 1 cá nhân mới
làm nhiệm vụ. Phần dưới của đường cong biểu thị việc học chậm vì người học làm việc để thành
thạo các kỹ năng cần thiết và mất nhiều thời gian hơn. Nửa sau của đường cong chỉ ra rằng người
học bây giờ mất ít thời gian hơn để hoàn thành nhiệm vụ vì họ đã trở nên thành thạo các kỹ năng.
Đến điểm cuối của đường cong, quá trình bắt đầu chững lại, cho thấy sự xuất hiện của những
thách thức mới. Hình 4-9 thể hiện rõ điều này.(6)
Thành thạo
(Mastery)
Phát triển nhanh
(Hypergrowth)
Chuyển giao
Hình 4-9: Mô hình đường cong học tập S Curve tổng thể
32
Công thức cho đường cong học tập S curve là sự kết hợp 2 mô hình Dejong và Stanford (6)
𝑡𝑥 = 𝑡0 + (𝑡1 − 𝑡0 ) ∗ (𝑥 + 𝐵)−𝑏
𝑡0 = 𝑡1 ∗ 𝑀
(4-5)
(4-6)
𝑡𝑥 Thời gian hoàn thành công đoạn lần thứ x
𝑡1 Thời gian hoàn thành công đoạn lần thứ 1
b
Số mũ học tập
M Hệ số nén (incompressibility)
B Hệ số kinh nghiệm 1 ≤ B ≤ 10
Giá trị M nằm trong khoảng 0 đến 1 và phụ thuộc vào mức độ tự động hóa của quy trình sản
xuất. M càng gần 1 thì công việc càng tự động hóa và ngược lại.
Áp dụng dữ liệu đã thu thập vào mô hình Curve này, ta được mô hình đường cong học tập
như hình dưới. Nhận thấy, đường cong học tập của công đoạn Mí tà tăng nhanh với so với 2
công đoạn còn lại, với tỷ lệ học tập là 241%. Để đánh giá mô hình đường cong học tập, nghiên
cứu sử dụng chỉ số RSS, từ kết quả cho thấy, RSS công đoạn Mí tà là cao nhất 1.7, trong khi
RSS của Mí trụ và Kansai lại thâp hơn nhiều lần lượt là 0.8 và 0.7. Bên cạnh đó, chỉ số R2 được
sủ dụng để đánh giá mức độ phù hợp của dữ liệu với mô hình. Công đoạn Mí Tà có R2 cao nhất
là 87%, công đoạn Kansai lai với Mí trụ có R2 lần lượt là 84% và 78%.
S curve là mô hình đặc trưng cho đường học tập đã được kiểm chứng trong nhiều lĩnh vực
khác nhau. Tuy nhiên, trong nghiên cứu này, kết quả của mô hình S Curve lại cho thấy không
khả quan so với các mô hình ở trên The Wright và Stanford B.Yếu tố có thể ảnh hưởng đến kết
quả của mô hình S curve là bộ dữ liệu không đủ để thể hiện xu hướng của đường cong. Đường
cong S minh họa cách một năng lực cụ thể có thể phát triển theo thời gian, thì đó là lý do rằng
năng lực của một người chỉ đơn giản là tổng tích lũy hoặc nối tiếp của các đường cong S cụ thể
của sự phát triển. Johnson khuyến khích người đọc phá vỡ bản thân — nhảy từ đường cong học
tập này sang đường cong học tập khác và xâu chuỗi một loạt đường cong chữ S lại với nhau để
điều hướng một hành trình phát triển lâu dài và tác động đến nghề nghiệp. Tất nhiên, để phát
triển đi lên đường cong chữ S của mình và chuyển sang đường cong chữ S mới, điều quan trọng
là sự thay đổi trong cách thức học tập với sự hỗ trợ của các thiết bị, dụng cụ hỗ trợ như: Thay
đổi thao tác mới tốt hơn, thay đổi cách hướng dẫn, thay đổi cách may khác, hay thay đổi về máy,
công cụ hỗ trợ,…
33
Đường học tập S Curve
50%
45%
Hiệu quả sản xuất
40%
35%
30%
25%
20%
15%
10%
5%
0%
1
3
5
7
9
11 13 15 17 19 21 23 25 27 29 31 33 35
Tuần
Mí trụ
Mí tà
Kansai lai
Hình 4-10: Đường cong học tập theo mô hình S-Curve
Công đoạn
Mí trụ
Mí tà
Kansai lai
𝑡1 (i)
0.0039
0.0052
0.0023
b(i)
-1.1266
-1.2699
-1.1361
B
2
2
2
M
0.1
0.1
0.1
RSS
0.8561
1.7074
0.7585
𝑅2
78%
87%
84%
LR(i) (%)
218%
241%
249%
Số mẫu quan sát
3,375
3,370
3,378
Bảng 4-8: Kết quả phân tích đường cong học tập theo mô hình S Curve Model
4.2.5 Đường cong học tập Polynomial Regression
34
Trong thống kê, hồi quy đa thức là một dạng phân tích hồi quy trong đó mối quan hệ giữa
biến độc lập x và biến phụ thuộc y được mô hình hóa dưới dạng đa thức bậc n trong x. Hồi quy
đa thức phù hợp với mối quan hệ phi tuyến giữa giá trị của x và giá trị trung bình có điều kiện
tương ứng của y, được ký hiệu là E (y | x). Mặc dù hồi quy đa thức phù hợp với một mô hình
phi tuyến với dữ liệu, như một bài toán ước lượng thống kê, nó là tuyến tính, theo nghĩa là hàm
hồi quy E (y | x) là tuyến tính trong các tham số chưa biết được ước lượng từ dữ liệu. Nếu như
ta nâng y(x) thành hàm bậc 2, lúc đó y(x) có thể có dạng biểu diễn như hình 4-11 (đường màu
cam) (6)
Hình 4-11: Mô hình Hồi quy đa thức
Tương tự với bậc cao hơn, mọi hàm đa thức chúng ta đều có thể đưa về mô hình hồi quy tuyến
tính. Tuy nhiên nếu như vậy hàm số bậc càng cao thì khả năng “fit” với dữ liệu càng lớn, thậm
chí sai số có thể bằng 0. Khi đó chúng ta sẽ gặp một vấn đề khác được gọi là “overfitting”.
Ưu điểm của việc sử dụng hồi quy đa thức:
- Phạm vi rộng của hàm có thể được phù hợp với nó.
- Đa thức về cơ bản phù hợp với nhiều độ cong.
- Đa thức cung cấp giá trị gần đúng nhất của mối quan hệ giữa biến phụ thuộc và biến độc
lập.
Nhược điểm của việc sử dụng hồi quy đa thức:
- Chúng quá nhạy cảm với các yếu tố ngoại lai. Sự hiện diện của một hoặc hai điểm ngoại
lệ trong dữ liệu có thể ảnh hưởng nghiêm trọng đến kết quả của một phân tích phi tuyến.
- Ngoài ra, đáng tiếc là có ít công cụ xác thực mô hình hơn để phát hiện các giá trị ngoại lệ
trong hồi quy phi tuyến so với hồi quy tuyến tính.
35
Dữ liệu về hiệu quả sản xuất của các công đoạn mí trụ. Mi tà, kansai lai là dữ liệu không tập
trung quanh đường thẳng t(x) mà có hơi hướng theo dạng đường cong hơn. Do đó, ta cần hàm
số phức tạp hơn để dự đoán t(x) đạt hiệu quả cao hơn
Công thứ của hàm Polynomial Regression (6)
𝑡𝑥 = 𝑎 ∗ 𝑥 2 + 𝑏 ∗ 𝑥 + 𝑐
(4-7)
Với a, b, c là hệ số hồi quy
Biểu đồ Scatter Hiệu quả sản xuất theo thời gian công đoạn Mí trụ hoàn
chỉnh
45.0%
40.0%
Hiệu quả sản xuất
35.0%
30.0%
25.0%
20.0%
15.0%
10.0%
5.0%
0.0%
0
5
10
15
20
25
30
35
Tuần
Hình 4-12: Biểu đồ Scatter hiệu quả sản xuất theo thời gian của công đoạn Mí trụ hoàn chỉnh
Áp dụng dữ liệu đã thu thập của 3 công đoạn Mí trụ, Mì tà, Kansai Lai vào mô hình trên, ta
được biểu đồ bên dưới. Dựa trên kết quả này, ta nhận thấy công đoạn Mí tà có tốc độ tăng của
đường cong học tập nhanh hơn so với 2 công đoạn còn lại, cụ thể tỷ lệ học tập của công đoạn
Mí tà là 241%, còn Kansai lai với Mí trụ lần lượt là 218% và 249%. Để đánh giá đường cong
này, chúng ta sử dụng hệ số RSS. Công đoạn Mí tà có RSS cao nhất là 1.4, trong khi RSS của
Mí trụ và Kansai lai lần lượt là 0.79 và 0.67. Bên cạnh đó, chỉ số R2 cũng được sử dụng để đánh
giá mức độ phù hợp của bộ dữ liệu với mô hình đường cong học tập. Công đoạn Mí tà có R2
cao nhất là 87%, trong khi đó, RSS của Kansai lai và Mí trụ thấp hơn lần lượt là 85% và 80%.
36
Hiệu quả sản xuất
Đường học tập Hồi quy đa thức
50%
45%
40%
35%
30%
25%
20%
15%
10%
5%
0%
1
3
5
7
9
11 13 15 17 19 21 23 25 27 29 31 33 35
Tuần
Mí trụ
Mí tà
Kansai lai
Hình 4-13: Đường cong học tập theo Hồi quy đa thức
Công đoạn
Mí trụ
Mí tà
Kansai lai
a
0.0001
0.00002
0.0002
b
0.0029
0.0122
0.003
c
0
0
0
RSS
0.7921
1.4284
0.6794
𝑅2
80%
87%
85%
Số mẫu quan sát
3,375
3,370
3,378
Bảng 4-9: Kết quả phân tích đường cong học tập Theo mô hình Polynomial Regression
4.3. Kết quả và thảo luận
Sau khi thử nghiệm dữ liệu trên 5 mô hình đường cong học tập, mỗi mô hình cho ra kết quả
khác nhau và tường đối đồng nhất. Trong hầu hết các mô hình, công đoạn Mí tà luôn cho ta kết
quả là R2 cao nhất và RSS cao nhất.
37
Chỉ số R2
1.The Wright learning curve
2.The de Jong learning curve
3.The Stanford B learning curve
4.S Curve Model
5.Hồi quy đa thức
Mí trụ
81%
73%
83%
78%
80%
Mí tà
86%
82%
85%
87%
87%
Kansai lai
85%
78%
88%
84%
85%
Trung bình
84%
78%
85%
83%
84%
Bảng 4-10: Kết quả chỉ số R2 của các mô hình Đường cong học tập cho các công đoạn
Công đoạn Mí trụ phù hợp mô hình Stanford B nhất với R2 = 83%, RSS = 0.68, công đoạn
Mí tà thì phù hợp với mô hình Polynomial với R2 = 87%, RSS = 1.43, công đoạn Kansai lai thì
phù hợp nhất với mô hình Stanford B với R2 = 88%, RSS = 0.59. Dựa tất cả dữ liệu tổng hợp từ
5 mô hình đường cong học tập, ta nhận thấy mô hình đường học tập Stanford B với nhiều điểm
nổi trội: R2 trung bình cao nhất 85%, RSS trung bình thấp nhất 0.93. Điều này cho thấy rằng
việc học diễn ra trong quá trình người công nhân tập may và đường cong học tập Stanford có
thể được sử dụng để ước tính quá trình học tập
Từ bảng kết quả phân tích đường cong học tập Theo mô hình Stanford B dựa trên dữ liệu thực
nghiệm, ta rút ra được vài kết luận như: Thứ nhất, thời gian để thực may xong sản phẩm đầu tiên
cho 3 công đoạn có sự khác biệt lớn từ 0.23% đến 0.39% tương ứng với tỷ lệ học tập là 249%
và 218% cho thấy các đặc điểm riêng của mỗi công đoạn có ảnh hưởng nhất định đến tốc độ học
tập cũng như mô hình học tập phù hợp. Mặc dù tất cả các công nhân được chọn để thu thập dữ
liệu đều là công nhân mới, không có kinh nghiệm, đều được trải qua môi trường đào tạo hướng
dẫn giống nhau, nhưng tỷ lệ học tập lại khác nhau nhiều. Ví dụ như công đoạn Kansai lai, có sự
bắt đầu học tập chậm nhất t1 = 0.23%, tuy nhiên tỷ lệ học tập lại cao nhất 249%, công đoạn Mí
tà bắt đầu học tập ở mức cao nhất t1 = 0.52%, tuy nhiên tỷ lệ học tập thấp hơn Kansai Lai là
241%. Tuy tỷ lệ học tập của Kansai lai cao hơn Mí tà, nhưng trong cùng một khoảng thời gian,
hiệu quả sản xuất đạt được của công đoạn Mí tà lại cao hơn sơ với công đoạn Kansai lai, điều
này cũng được lý giải một phần bởi sự khác biệt trong đặc điểm riêng của mỗi công đoạn làm
cho hiệu quả sản xuất bắt đầu của Mí tà cao hơn Kansai Lai rất nhiều.
38
CHỈ SỐ RSS
0.97
5.Polynomial Regression
1.11
4.S Curve Model
0.93
3.The Stanford B
1.36
2.The de Jong
1.06
1.The Wright
0.00
Trung bình
0.50
1.00
Kansai lai
Mí tà
1.50
2.00
2.50
Mí trụ
Hình 4-14: Kết quả chỉ số R2 của các mô hình Đường cong học tập cho các công đoạn
Mô hình Standford tỏ ra hữu hiệu trong vòng 36 ngày đầu làm việc. Cần mở rộng ngiên cứu
để thu thập thêm dữ liệu, thì đường học tập có thể tuân theo mô hình khác.
Mô hình Stanford
Mí trụ
Mí tà
Kansai lai
𝑡1 (i)
0.0039
0.0052
0.0023
b(i)
-1.1266
-1.2699
-1.1361
B
2
2
2
RSS
0.6754
1.5255
0.5863
𝑅2
83%
85%
88%
LR(i) (%)
218%
241%
249%
Số mẫu quan sát
3,375
3,370
3,378
Bảng 4-11: Kết quả phân tích đường cong học tập Theo mô hình Stanford B
Tóm lại, việc may là một quá trình học tập, trong khoảng thời gian 36 ngày theo dõi và thu
thập dữ liệu, thì các mô hình The Wright, Stanford B, S Curve và Polynomial Regression cho
39
kết quả đường cong học tập khá phù hợp với bộ dữ liệu. Còn mô hình The Stanford thì cho kết
quả không phù hợp. Những kết quả thu được trong nghiên cứu này có thể được sử dụng bởi
những người có trách nhiệm quản lý để giúp những người công nhân cải thiện hiệu quả sản xuất
theo thời gian và tăng tỷ lệ học tập của họ, ví dụ bằng cách cho họ đào tạo thêm hoặc cơ cấu lại
công việc để tạo điều kiện và môi trường học tập.
Ngoài ra, các đặc điểm riêng của người công nhân có ảnh hưởng đáng kể đến việc cải thiện
hiệu quả sản xuất của cá nhân. 3 Công đoạn với các bước thực hiện khác nhau, LR (%) cũng có
sự cách biệt lớn 218% - 249%. Quá trình học tập ngoài phụ thuộc vào công đoạn may mà cũng
phụ thuộc phần lớn vào đặc tính người công nhân. R2 của mô hình De Jong = 78% thấp hơn rất
nhiều so với mô hình Wright (R2 = 84%), do việc thêm hệ số tự động hóa M vào mô hình
Dejong, điều này càng minh chứng rằng quá trình học tập phụ thuộc rất nhiều vào các đặc tính
của người công nhân. Vai trò nhà quản lý rất quan trọng trong việc thúc đẩy quá trình học tập
thông qua việc: đào tạo, hướng dẫn, thiết kế công cụ hỗ trợ, tạo động lực,….
Giới tính là một trong những yếu tố có sự ảnh hưởng đến đường cong học tập. Công đoạn Mí
trụ và Mí tà có đường cong học tập của Nữ nhanh hơn Nam. Công đoạn Kansai Lai: Đường cong
học tập của Nữ nhanh hơn Nam trong khoảng 1 đến 20 ngày. Sau đó cả 2 đường cong có xu
hướng bằng nhau. Điều này có thể được giải thích vi đặc tính khác biệt của các công đoạn may.
Công đoạn Mí trụ và Mí tà là sử dụng máy 1 kim, yêu cầu thao tác tay rất tỉ mỉ và chính xác nên
thường giới tính nữ sẽ thuận lợi hơn nam trong 2 công đoạn này. Còn công đoạn Kansai Lai thì
sử dụng Kansai, đặc tính máy kansai khác với máy 1 kim và thường phù hợp với nam hơn so
với nữ. Kết quả nghiên cứu này có thể được áp dung trong việc tuyển dụng hiệu quả. Tùy vào
nhu cầu tuyển dụng của các chuyền may, cần công nhân cho công đoạn nào thì bộ phận nhân sự
sẽ có chiến lược tuyển dụng hiệu quả để tăng hiệu quả sản xuất cho chuyền may, giảm các chi
phí phát sinh trong việc đào tạo.
Bên cạnh đó độ tuổi cũng là một yếu tố ảnh hưởng đến mô hình đường cong học tập. Đường
học tập bắt đầu ở mức hiệu quả sản xuất là như nhau cho các độ tuổi khác nhau trong khoảng
thời gian từ ngày thứ nhất đến ngày thứ 14. Tuy nhiên, từ ngày thứ 15 trở đi, đường học tập độ
tuổi từ 23 đến 29 có tốc độ tăng nhanh hơn nhiều so với độ tuổi dưới 22 tuổi và trên 30 tuổi.
Trong quá trình nghiên cứu, phỏng vấn người công nhân, nhận thấy các nguyên nhân có thể dẫn
đến kết quả như vậy như:
40
Đường cong học tập công đoạn Mí trụ
30.0%
Nữ
Nam
Hiệu quả sản xuất
25.0%
20.0%
15.0%
10.0%
5.0%
0.0%
0
5
10
15
Tuần
20
25
30
35
Hình 4-15: Đường cong học tập công đoạn Mí trụ theo giới tính
Đường cong học tập công đoạn Mí tà
60.0%
Nữ
Nam
Hiệu quả sản xuất
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
0
5
10
15
Tuần
20
25
30
35
Hình 4-16: Đường cong học tập công đoạn Mí tà theo giới tính
Đường cong học tập công đoạn Kansai Lai
Nữ
30.0%
Nam
Hiệu quả sản xuất
25.0%
20.0%
15.0%
10.0%
5.0%
0.0%
0
5
10
15
Tuần
20
25
30
Hình 4-17: Đường cong học tập công đoạn Kansai Lai theo giới tính
41
35
- Độ tuổi 23 đến 29 trung bình mỗi người có 2 đến 3 con đang đi học, vì đây là độ tuổi kết
hôn và lập gia đình. Do đó, người lao động thường là các bậc phụ huynh có áp lục về kinh
tế trong gia đình, đây có thể là yếu tố tạo động lực thúc đẩy người lao động cố gắng tăng
gia sản xuất để tạo ra hiệu quả sản xuất cao hơn.
- Thêm nữa, độ tuổi từ 23 đến 29 là độ tuổi mà người lao động có sức khỏe và kỹ năng tốt
nhất trong độ tuổi lao động, đặc biệt là ngành may, cần sự tỷ mỉ, khéo léo trong các thao
tác tay. Đây cũng là yếu tố về đạc tính của mỗi cá nhân dẫn đến đường cong học tập trong
độ tuổi này có tốc độ tăng nhanh nhất.
- Độ tuổi dưới 22 tuổi, có đường cong học tập thấp hơn so với độ tuổi 23 đến 29, một phần
lý do có thể là ở độ tuổi dưới dưới 22, phần lớn các bạn công nhân k hông có áp lực nhiều
về kinh tế, và họ chủ yếu là làm việc tạm thời một khoảng thời gian rồi sau đó đi học nghề
nên không có sự cố gắng phấn đấu để đạt hiệu quả cao
- Độ tuổi trên 30, thì họ vẫn có động lực về tài chính, tuy nhiên may mặc là một ngành công
nghiệp đặc thù, phụ thuộc nhiều vào kỹ năng may của người lao động, đòi hỏi người lao
động phải có kỹ năng tỉ mỉ, tay khéo léo khi may và tốc độ nhanh khi thao tác mới đạt được
hiệu quả sản xuất cao. Nhưng những kĩ năng này lại giảm đi khi người lao động cao tuổi,
ảnh hưởng lớn đến hiệu quả sản xuất của người lao động, do đó, đường cong học tập của
công nhân may độ tuổi trên 30 sẽ chậm hơn so với độ tuổi 22 đến 29.
40%
Đường học tập theo độ tuổi
Hiệu quả sản xuất
35%
<= 22 tuổi
Từ 23 đến 29 tuổi
>=30 tuổi
30%
25%
20%
15%
10%
5%
0%
0
2
4
6
8
10 12 14 16 18 20 22 24 26 28 30 32 34 36
Tuần
Hình 4-18: Đường cong học tập theo độ tuổi
42
TỶ LỆ LỖI
100.0%
90.0%
Nam
Nữ
UCL
80.0%
Tỷ lệ lỗi
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
1
3
5
7
9
11 13 15 17 19 21 23 25 27 29 31 33 35
Tuần
Hình 4-19: Tỷ lệ lỗi theo giới tính
Trong khoảng thời gian nghiên cứu, các dữ liệu về sản phẩm lỗi từng ngày của từng người
lao động cũng được thu thập lại. Dựa vào biểu đồ trên ta nhận thấy trung bình tỷ lệ lỗi của Nam
là 67.2% và của Nữ là 64.2%. Tỷ lệ lỗi có xu hướng giảm dần theo thời gian nhờ sự tích lũy của
đường cong học tập.
Hình 4-20: Đường dự báo hiệu quả sản xuất
43
Các mô hình đường cong học tập dù có tốt đến đâu thì cũng có những điểm hạn chế cần phải
lưu ý trong quá trình áp dụng như sau:
- Nghiên cứu được thực hiện trong điều kiện bình thường: máy móc ổn định, không có
chuyển đổi mã hàng. Phù hợp với khu vực chuyền chuẩn bị đầu vào.
- Các yếu tố về động lực làm việc như: số lượng con, điều kiện kinh tế giá đình, mục tiêu
nghề nghiệp, tính cách cá nhân,… chưa được xem xét.
- Mô hình Standford tỏ ra hữu hiệu trong vòng 36 ngày đầu làm việc. Cần mở rộng ngiên
cứu để thu thập thêm dữ liệu, thì đường học tập có thể tuân theo mô hình khác.
44
CHƯƠNG 5 : KẾT LUẬN
5.1
Kết quả đạt được
Luận văn này đã nghiên cứu việc học của công nhân may bắt đầu từ lúc không có kinh nghiệm
để tìm ra mô hình đường cong học tập phù hợp. Vì mục đích này, dữ liệu thực nghiệm đã được
thu thập tại chuyền may của công ty Elite Long thành. Từ đó, các đường cong học tập phổ biến
đã được nghiên cứu để tìm ra mô hình phù hợp nhất cho các công đoạn may. Phân tích cho thấy
rằng hiệu ứng học tập xảy ra trong quá trình tập may cho các công nhân không có kinh nghiệm.
Tỷ lệ học tập được tìm thấy dao động trong khoảng 219% đến 249%. Do đó, ta có thể cho rằng
hiệu quả sản xuất của công nhân tăng lên theo thời gian khi mà năng suất của các công đoạn
may tăng lên nhờ việc ghi nhớ các thao tác may và kỹ thuật may được tăng lên. Điều này làm
giảm thời gian cần thiết để may hoàn thành sản phẩm và tăng hiệu quả sản xuất cho các công
đoạn may. Một kết quả tương tự cũng nhận được đối với tỷ lệ lỗi của các công đoạn đã giảm
theo thời gian. Bên cạnh đó, các yếu tố về giới tính, độ tuổi, đặc tính công đoạn may, máy móc
cũng có ảnh hưởng đến mô hình đường cong học tập cũng đã được phân tích.
5.2
Ưu và nhược điểm của phương pháp được đề xuất
Phương pháp đã đề xuất thể hiện đầy đủ và chi tiết các bước cần phải thực hiện để xác định
đường cong học tập phù hợp. Mô hình này phù hợp cho hầu hết các doanh nghiệp vừa và lớn để
khai phá dữ liệu. Tuy vậy, mô hình khá phức tạp để sử dụng, và tốn thời gian để thu thập dữ liệu
thường là trên 6 tháng để đảm bảo bộ dữ liệu được ổn định và chính xác. Với bộ dữ liệu được
thu thập trong vòng 35 tuần trong luận văn này, thì mô hình đường cong học tập Stanford B là
phù hợp nhất, nhưng trong khoảng thời gian lâu hơn, mô hình này có thể không còn phù hợp và
được thay thế bởi một hình khác phù hợp hơn.
5.3
Đóng góp của luận văn về mặt khoa học và ứng dụng
Luận văn là công trình nghiên cứu chuyên sâu về việc ứng dụng khai phá dữ liệu trong ngành
may mặc để xác định mô hình đường cong học tập phù hợp. Điểm mới của luận văn là ngoài
việc xác định đường cong học tập phù hợp, tác giả đã có những phân tích chuyên sâu về các yếu
tố ảnh hưởng đến đường cong học tập như giới tính, độ tuổi. Thông qua đó ta có thể thấy rằng
việc nghiên cứu đường cong học tập rất phức tạp với nhiều yếu tố ảnh hưởng khác nhau. Ngoài
các yếu tố về mặt kỹ thuật như tay nghề, máy móc, … hay các yếu tố cá nhân như độ tuổi, giới
tính, thì các yếu tố về mặt động lực như: con nhỏ, sự quan tâm hướng dẫn của quản lý, mục tiêu
45
nghề nghiệp cũng có ảnh hưởng đáng kể đến mô hình đường cong học tập. Càng đi sâu vào vào
phân tích, ta mới thấy được sự thú vị của đề tài này.
Ngoài ra, luận văn cũng đã có những phân tích về thực trạng áp dụng khai phá dữ liệu trong
ngành may mặc và từ đó đề xuất mô hình khai phá dữ liệu phù hợp gồm 8 bước như ở mục 4.3.
Với mô hình này, doanh nghiệp có thể áp dụng để giải quyết nhiều bài toán khác có liên quan
đến khai phá dữ liệu. Từ đó, thống nhất quy trình khai phá dữ liệu trong toàn công ty.
5.4
Hướng mở rộng tương lai
Trong nghiên cứu này, các công nhân được bố trí may ở một công đoạn duy nhất trong suốt
quá trình thu thập dữ liệu, hướng nghiên cứu mở rộng tương lai là tiếp tục nghiên cứu mô hình
đường cong học tập với cách học có thêm vào lịch trình làm việc và các nguyên tắc như "luân
chuyển công việc", thay đổi mã hàng hay thay đổi công đoạn may, thay đổi máy may,.. để xác
định các yếu tố này tác động như thế nào đến việc đến tiếp thu và phát triển kỹ năng tay nghề
của người công nhân. Khi đó, đường cong học tập của người công nhân sẽ phức tạp hơn so với
nghiên cứu này.
Bên cạnh đó, đi sâu vào phân tích các yếu tố tạo động lực như con nhỏ, sự hướng dẫn, quan
tâm của quản lý, mục tiêu nghề nghiệp, cơ hội tăng tiến,… ảnh hưởng như thế nào đến đường
cong học tập cũng sẽ là một hướng nghiên cứu mở rộng trong tương lai.
46
TÀI LIỆU THAM KHẢO
[1]. Tài liệu nội bộ công ty Elite Long Thành (Lần cuối truy cập lúc 22:30, ngày 10/7/2021)
[2]. Grosse, E.H. and Glock, C.H., “An experimental investigation of learning effects in order
picking systems”, Journal of Manufacturing Technology Management, Vol. 24 No. 6, pp.
850-872, 2013.
[3]. Shamsur Rahim, Mashiour Rahman, A. E. Chowdhury, “Mining Industrial Engineered
Data of Apparel Industry: A Proposed Methodology”, International Journal of Computer
Applications (0975 - 8887), Volume 161 - No.7, 2017.
[4]. Wiemer H, Drowatzky L, Ihlenfeldt S. “Data Mining Methodology for Engineering
Applications (DMME)—A Holistic Extension to the CRISP-DM Model”. Applied
Sciences, 9(12):2407, 2019.
[5]. Kumaravel Appavoo, Sakthivel, “Data Mining for Prediction of Clothing Insulation”,
International Journal of Modern Engineering Research (IJMER), Vol.2, Issue.2, pp-001005, 2012.
[6]. https://en.wikipedia.org/wiki/ (lần cuối truy cập lúc 22:25, ngày 10 tháng 7 năm 2021
[7]. Graham J. Williams, Simeon J. Simoff, “Data Mining: Theory, Methodology, Techniques
& Applications”, Computer Science, pp 14-27, 2006.
[8]. Jiawei Han, Micheline Kamber, Jian Pei, “Data Mining: Concepts & Techniques”, Morgan
Kaufmann, pp 83-123, 2012.
[9]. David Hand, Heikki Mannila, Padhraic Smyth, “Principles of Data Mining”, Springer,
pp195-236 và 195-236, 2001.
[10]. David L. Olson, Dursun Delen, “Advanced Data Mining Techniques”, Springer, pp12-34
và 115-118, 2008.
[11]. Larissa T. Moss, Shaku Atre, “Business Intelligence Roadmap: The Complete Project
Lifecycle for Decision-Support Application, Addison-Wesley Professional , chapter 3-513, 2003.
47