ÁP DỤNG MÔ HÌNH HÀM MŨ WINTERS VÀ PHÂN LY VÀO DỰ BÁO NHU CẦU TẠI CÔNG TY SẢN XUẤT MÁY PHÁT ĐIỆN

Trần Võ Thị Thanh Huyền, Phan Duy Minh, Nguyễn Như Phong

Kỹ thuật Hệ thống Công nghiệp, Đại học Bách Khoa ĐHQG TP.HCM, Việt Nam

 

Tóm tắt: Trong nghiên cứu này, mô hình dự báo Hàm mũ Winters và mô hình Phân ly đã được áp dụng, so sánh, đánh giá và lựa chọn để thu được kết quả dự báo nhu cầu tối ưu cho công ty sản xuất máy phát điện tại Việt Nam. Kèm theo đó là ứng dụng phần mềm Minitab để hỗ trợ cho việc tính toán một cách khoa học và mang tính ứng dụng cao. Bài báo còn cho thấy sự không thể thiếu của dự báo nhu cầu trong mọi hoạt động sản xuất, vận hành của công ty. Dự báo nhu cầu tốt không những giúp công ty tăng lợi nhuận mà còn gia tăng uy tín.

Từ khóa: Dự báo trong kinh doanh, Time Series Forecasting, Dự báo đơn

1.GIỚI THIỆU

Trong thị trường đầy tính cạnh tranh như ngày nay, doanh nghiệp hoạt động trong môi trường kinh doanh luôn thay đổi, nhu cầu về sản phẩm và dịch vụ cũng thay đổi theo từng tháng. Khối lượng sản phẩm sản xuất thực tế của công ty thay đổi xoay quanh nhu cầu, vì vậy dự báo nhu cầu đã trở thành một quy trình rất quan trọng. Kết quả của dự báo là cơ sở cho doanh nghiệp xây dựng chiến lược sản xuất, hoạch định ngân sách, doanh số, nhân sự,...trong sản xuất kinh doanh. Để hoạt động sản xuất kinh doanh ổn định, các nguồn lực được cung cấp đầy đủ, kịp thời thì đòi hỏi việc dự báo của doanh nghiệp phải tương đối chính xác và phải đảm bảo tính liên tục.

Nghiên cứu được thực hiện tại Công ty Cổ phần Hữu Toàn - là công ty sản xuất máy phát điện hàng đầu Việt Nam, với doanh số và sản lượng tăng hàng năm. Hữu Toàn đã được ủy nhiệm là OEM (Original Equipment Manufacturer) chính thức tại Việt Nam của các hãng động cơ và đầu phát danh tiếng trên thế giới như: MTU, Volvo Penta, Kohler, Mitsubishi,...Với hơn 600 CB-CNV năng động, sáng tạo cùng với đội ngũ kỹ sư được đào tạo chính quy giàu kinh nghiệm, Công ty Hữu Toàn không ngừng tạo ra những sản phẩm có chất lượng tốt nhất đáp ứng nhu cầu ngày càng cao của khách hàng.

Hữu Toàn chuyên sản xuất và lắp ráp máy phát Ä‘iện xoay chiều AC công suất từ 1,5KW – 3300KW phục vụ nhu cầu từ há»™ gia đình cho đến các khu công nghiệp. Máy phát Ä‘iện được phân làm 2 loại gồm: máy phát Ä‘iện dân dụng (Honda, Kohler), máy phát Ä‘iện công nghiệp (Yanmar, Volvo, MTU,...).

 

Hình 1.1
 Một số sản phẩm của công ty

Máy phát Ä‘iện là dòng sản phẩm có giá trị cao, thời gian sản xuất dài do vậy nhu cầu tồn trữ nguyên vật liệu và bán thành phẩm là rất cao nên đòi hỏi phải hoạch định sản xuất hợp lý. Tuy nhiên, công ty vẫn chÆ°a áp dụng má»™t mô hình, công cụ hay phần mềm nào há»— trợ cho công tác dá»± báo nhu cầu sản phẩm mà chủ yếu dá»±a vào kinh nghiệm và dữ liệu lịch sá»­ là chính nên Ä‘á»™ chính xác không cao. Đó chính à lý do nghiên cứu được thá»±c hiện – nhằm xây dá»±ng má»™t hệ thống dá»± báo nhu cầu hiệu quả, đáp ứng kịp thời nhu cầu khách hàng, nâng cao uy tín, lợi nhuận cho công ty.

 

2.CƠ SỞ LÝ THUYẾT

2.1.Khái niệm

Dự báo là tiên đoán, ước lượng, đánh giá các sự kiện diễn ra trong tương lai, các sự kiện này thường là bất định. Mục đích dự báo là sử dụng thông tin hiện có một cách tốt nhất để định hướng các hoạt động tương lai nhằm đạt được mục đích tổ chức.

2.2.Dự báo nhu cầu

Dự báo nhu cầu, lượng sản phẩm bán ra trong tương lai là nền tảng cho các hoạt động hoạch định quan trọng. Kế hoạch sản xuất, tồn kho, nhân lực, phân phối, mặt bằng,...phụ thuộc vào nhu cầu khách hàng.

Các bước của công việc dự báo bao gồm:

 

Hình 2.1 Sơ đồ quy trình thực hiện dự báo

Có nhiều phương pháp có thể áp dụng để dự báo cho một đối tượng. Phương pháp (mô hình) nào cho ra kết quả chính xác và tin cậy nhất sẽ được lựa chọn. Người ta chọn phương pháp dự báo dựa vào 2 yếu tố chính đó là độ dài dự báo và chuyển vận của dữ liệu, được tổng hợp ở bảng sau:

Bảng 2.1 Tổng hợp việc lựa chọn phương pháp dự báo

Độ dài dự báo	Biến đổi (chuyển vận) dữ liệu	Phương pháp dự báo
Trung hạn, Dài hạn	Dữ liệu ngẫu nhiên (không xu hướng)	Dự báo thô, trung bình động, hàm mũ đơn
	Dữ liệu có xu hướng	Dự báo thô điều hướng, trung bình động, hồi qui, tự hồi qui, hàm mũ Holts, phân tích dãy số thời gian (cộng)
	Dữ liệu có xu hướng, biên độ tăng theo thời gian	Hồi qui, hàm mũ Winter, phân tích dãy số thời gian (nhân)
	Dữ liệu có tính mùa, biên độ tăng theo thời gian	Hàm mũ Winter, phân tích dãy số thời gian (nhân).
Ngắn hạn	Các kiểu dữ liệu	ARIMA (Box-Jenking)
Trung hạn, Dài hạn	Không có dữ liệu quá khứ	Phương pháp định tính (Ý kiến chuyên gia, Khách hàng, Bán hàng và Delphi).
	Có dữ liệu quá khứ và đã được dự báo bằng một phương pháp định lượng	Phương pháp định tính (điều chỉnh kết quả định lượng).

 

 

3.PHƯƠNG PHÁP LUẬN

Một quy trình dự báo cơ bản gồm 6 bước như sau:

Bước 1: Xác định đối tượng

Là bước đầu tiên quan trọng nhất. Ngoài việc xác định đối tượng còn cần xác định thời gian dự báo. Vì sai số ở kết quả sẽ tăng khi kéo dài thời gian dự báo vì vậy cần duy trì trao đổi với người sử dụng kết quả dự báo để xác định chính xác đối tượng.

Bước 2: Khảo sát dữ liệu

Độ chính xác của dự báo phụ thuộc vào chất lương dữ liệu. Thu thập dữ liệu từ nội bộ hoặc bên ngoài, càng chi tiết càng tốt.

Bước 3: Chọn lựa phương pháp dự báo

Có nhiều phương pháp để dự báo cho một đối tượng. Phương pháp nào cho kế tquả chính xác và tin cậy nhất sẽ được lựa chọn.

Bước 4: Thực hiện dự báo

Nên sử dụng nhiều hơn một phương pháp dự báo và nên là những phương pháp đến từ các nhóm khác nhau. Ngoài ra, các phương pháp được chọn nên khớp với các điều kiện khác nhau.

Bước 5: Trình bày kết quả dự báo

Kết quả phải được trình bày theo cách mà người quản lý có thể hiểu phương pháp con số được tính toán cũng như chỉ ra mức độ tin cậy của kết quả. Có thể trình bày kết quả dự báo ở dạng bảng biểu, văn bản hoặ biểu đồ.

Bước 6: Theo dõi kết quả dự báo

Theo dõi sai lệch giữa giá trị dự báo với giá trị thực tế, tìm ra nguyên nhân của sai số cũng như xác định mức độ ảnh hưởng của sai số dự báo.

4.DỰ BÁO NHU CẦU

1. Dự báo nhu cầu dòng máy phát điện dân dụng

Giới hạn của nghiên cứu trên dòng sản phẩm máy phát điện dân dụng - dòng máy chiếm tỉ trọng cao nhất trong tổng doanh thu của công ty (trên 50%).

4.1.1.Dữ liệu đầu vào

Bảng 4.1Dữ liệu quá khứ về nhu cầu máy phát điện dân dụng năm 2015-2016

Năm/Tháng	1	2	3	4	5	6	7	8	9	10	11	12
2015	64	170	62	132	151	250	234	238	326	248	189	91
2016	148	152	176	162	261	293	225	232	255	116	130	144

                                                                                                                                                                                         (đvt: máy)

Từ bảng số liệu trên ta vẽ biểu đồ nhu cầu máy phát điện dân dụng năm 2015 - 2016:

 

Hình 4.2Biểu đồ nhu cầu máy phát Ä‘iện dân dụng 2015 – 2016

Nhận xét:

• Nhu cầu sá»­ dụng máy phát Ä‘iện ngày càng tăng qua các năm nên chọn mô hình dá»± báo theo xu hÆ°á»›ng.
• Nhu cầu sá»­ dụng máy phát Ä‘iện thấp vào các tháng 1, 2, 3, 4, 5, 10, 11, 12 nhÆ°ng  cao vào các háng 6, 7, 8, 9 nên chọn mô hình dá»± báo theo mùa vụ.

Qua quá trình phân tích bộ dữ liệu trên, các mô hình dự báo được đề xuất như sau:

• Mô hình hàm mÅ© Winters
• Mô hình phân ly

4.1.2.Lựa chọn mô hình

a)Mô hình hàm mũ Winter

Áp dụng phần mềm Minitab để xác định các hệ số mÅ© (α), hệ số Ä‘iều hÆ°á»›ng (β) và hệ số mùa vụ (γ) sao cho thỏa mục tiêu:

Min MAD = Min

Với MAD là trung bình độ lệch tuyệt đối, cho thấy độ lớn của sai số, thường dùng trong so sánh độ chính xác của các mô hình dự báo khác nhau.

Bảng 4.2Thá»­ kết quả hệ số mÅ© (α)

Hệ số mÅ© (α)	0,1	0,2	0,3	0,4	0,5	0,6	0,7	0,8
Hệ số Ä‘iều hÆ°á»›ng (β)	0,1	0,1	0,1	0,1	0,1	0,1	0,1	0,1
Hệ số mùa vụ (γ)	0,1	0,1	0,1	0,1	0,1	0,1	0,1	0,1
Sai số MAD	49,14	41,21	37,40	35,39	35,15	35,68	36,58	37,87

• Vá»›i Min MAD  = 35,15 ta chọn hệ số mÅ© α = 0,5

Bảng 4.3Thá»­ kết quả hệ số Ä‘iều hÆ°á»›ng (β)

Hệ số mÅ© (α)	0,5	0,5	0,5	0,5	0,5	0,5	0,5
Hệ số Ä‘iều hÆ°á»›ng (β)	0,2	0,3	0,4	0,5	0,6	0,7	0,8
Hệ số mùa vụ (γ)	0,1	0,1	0,1	0,1	0,1	0,1	0,1
Sai số MAD	34,52	34,27	34,24	34,29	34,69	35,03	35,74

• Vá»›i Min MAD  = 34,24 ta chọn hệ số mÅ© β = 0,4

Bảng 4.4: Thá»­ kết quả hệ số mùa vụ (γ)

Hệ số mÅ© (α)	0,5	0,5	0,5	0,5	0,5	0,5	0,5
Hệ số Ä‘iều hÆ°á»›ng (β)	0,4	0,4	0,4	0,4	0,4	0,4	0,4
Hệ số mùa vụ (γ)	0,2	0,3	0,4	0,5	0,6	0,7	0,8
Sai số MAD	35,30	36,37	37,45	38,65	39,89	41,16	42,45

• Vá»›i Min MAD  = 35,30 ta chọn hệ số mũ  γ = 0,2

Vá»›i ba hệ số α = 0,5; β = 0,4; γ = 0,2 áp dụng vào mô hình hàm mÅ© Winters vá»›i phần mềm Minitab. Ta có kết quả nhÆ° sau:

 

Hình 4.3Kết quả mô hình dự báo Hàm mũ Winters cho nhu cầu sử dụng máy phát điện dân dụng năm 2017

b)Mô hình phân ly

Áp dụng phần mềm Minitab để dự báo nhu cầu sử dụng máy phát điện dân dụng trong năm 2017 dựa vào bộ dữ liệu quá khứ. Ta có kết quả sau:

 

Hình 4.4. Kết quả mô hình dự báo Phân ly cho nhu cầu sử dụng máy phát điện dân dụng năm 2017

Lựa chọn mô hình:

Mô hình	Sai số
	MAPE	MAD	MSE
Hàm mũ Winters	24,29	35,30	1673,63
Phân Ly	26,37	35,11	2210,75

So sánh các sai số dự báo trên từ mô hình Hàm mũ Winters và mô hình Phân ly. Ta nhận thấy mô hình Hàm mũ Winters có kết quả sai số nhỏ nhất nên ta chọn mô hình Hàm mũ Winters làm mô hình dự báo.

4.1.3.Kết quả đầu ra

Bảng 4.5Nhu cầu dòng sản phẩm máy phát điện dân dụng theo tháng năm 2017

Tháng	1	2	3	4	5	6	7	8	9	10	11	12
Nhu cầu (máy)	113	180	135	178	260	361	319	342	440	284	264	200

4.2.Dự báo nhu cầu các sản phẩm trong dòng máy phát điện dân dụng

Các model sản phẩm của dòng máy phát điện dân dụng gồm:

 

4.2.1.Dữ liệu đầu vào

Dữ liệu quá khứ của  năm 2016 sẽ được sử dụng để dự báo cho tỉ lệ nhu cầu của các model trong dòng máy phát điện dân dụng. Tỉ lệ nhu cầu của mỗi model được trình bày trong bảng sau:

 

 

 

 

Bảng 4.6: Tỷ lệ nhu cầu các model sản phẩm dòng máy phát điện dân dụng năm 2016

Tháng	SH 7500	HK16000 SDX(SP)	SH 3100	HG 7500	HK7500 DX	HG16000 SDX(SP)	HK 7500	SH 4500	HG7500 SE	HG 4500
1	0,38	0,07	0,29	0,02	0,07	0,06	0,04	0,03	0,02	0,02
2	0,18	0,05	0,32	0,15	0,08	0,09	0,04	0,04	0,02	0,03
3	0,12	0,19	0,21	0,05	0,11	0,21	0,05	0,01	0,01	0,02
4	0,06	0,31	0,19	0,08	0,12	0,04	0,12	0,04	0,02	0,03
5	0,22	0,17	0,09	0,02	0,26	0,04	0,10	0,03	0,05	0,02
6	0,24	0,18	0,21	0,13	0,05	0,09	0,04	0,02	0,02	0,02
7	0,35	0,17	0,10	0,15	0,07	0,05	0,03	0,04	0,03	0,01
8	0,12	0,32	0,06	0,13	0,04	0,03	0,16	0,03	0,10	0,02
9	0,24	0,09	0,20	0,19	0,03	0,15	0,04	0,04	0,03	0,01
10	0,17	0,23	0,21	0,08	0,02	0,08	0,02	0,02	0,01	0,01
11	0,35	0,29	0,07	0,08	0,02	0,02	0,01	0,05	0,03	0,01
12	0,49	0,08	0,07	0,11	0,12	0,01	0,06	0,08	0,03	0,10

Do là bộ số liệu ngẫu nhiên, không xu hướng nên ta có 3 mô hình để dự báo: Dự báo thô, trung bình động và làm trơn hàm mũ đơn. Chọn đại diện model SH7500 để dự báo, các model khác làm tương tự.

4.2.2.Lựa chọn mô hình

a)Dự báo thô

Tháng	Tỉ lệ thật	Tỉ lệ dự báo	Sai số
1	0,38	0,38	0,00
2	0,18	0,38	0,20
3	0,12	0,38	0,26
4	0,06	0,38	0,32
5	0,22	0,38	0,16
6	0,24	0,38	0,14
7	0,35	0,38	0,03
8	0,12	0,38	0,26
9	0,24	0,38	0,14
10	0,17	0,38	0,21
11	0,35	0,38	0,03
12	0,49	0,38	0,11

Với sai số MAD = 0,1597

b)Trung bình động với n=2

Tháng	Tỉ lệ thật	Tỉ lệ dự báo	Sai số
1	0,38	-	0,38
2	0,18	0,28	0,1
3	0,12	0,15	0,03
4	0,06	0,09	0,03
5	0,22	0,14	0,08
6	0,24	0,23	0,01
7	0,35	0,295	0,055
8	0,12	0,235	0,115
9	0,24	0,18	0,06
10	0,17	0,205	0,035
11	0,35	0,26	0,09
12	0,49	0,42	0,07

Với sai số MAD = 0,08797

c)Làm trÆ¡n hàm mÅ© Ä‘Æ¡n vá»›i hệ số mÅ© α = 0,1

Tháng	Tỉ lệ thật	Tỉ lệ dự báo	Sai số
1	0,38	0,38	0,00
2	0,18	0,38	0,20
3	0,12	0,34	0,22
4	0,06	0,30	0,24
5	0,22	0,25	0,03
6	0,24	0,24	0,00
7	0,35	0,24	0,11
8	0,12	0,27	0,14
9	0,24	0,24	0,00
10	0,17	0,24	0,06
11	0,35	0,22	0,12
12	0,49	0,25	0,24

Với sai số MAD = 0,1055

Lựa chọn mô hình:

Mô hình	Sai số MAD
Dự báo thô	0,1597
Trung bình động	0,0879
Làm trơn hàm mũ đơn	0,1055

So sánh sai số MAD của cả 3 mô hình dự báo, ta thấy mô hình Trung bình động cho sai số dự báo nhỏ nhất nên chọn kết quả của mô hình này để dự báo cho các model còn lại.

4.2.3.Đầu ra

Bảng 4.7Kết quả tỉ lệ dự báo cho các sản phẩm trong dòng máy phát điện dân dụng vào tháng 1/2017

Model	Tỉ lệ dự báo
SH7500	40%
HK16000SDX(SP)	18%
SH3100	7%
HG7500	9%
HK7500DX	7%
HG16000SDX(SP)	1%
HK7500	3%
SH4500	6%
HG7500SE	3%
HG4500	5%