ĈҤI HӐC QUӔC GIA TP. HCM
75ѬӠ1*ĈҤI HӐC BÁCH KHOA
--------------------
VÕ NGӐ&ĈӬC
PHÂN TÍCH DӲ LIӊU CÔNG NHÂN NGÀNH MAY MҺC
Ĉӆ DӴ BÁO HIӊU QUҦ SҦN XUҨT
TҤI MӜT DOANH NGHIӊP Ӣ ĈӖNG NAI
Chuyên ngành: HӋ thӕng thông tin quҧn lý
Mã sӕ: 8340405
LUҰ19Ă17+Ҥ&6Ƭ
TP. HӖ CHÍ MINH, tháng QăP2021
&Ð1*75Î1+ĈѬӦC HOÀN THÀNH TҤI
75ѬӠ1*ĈҤI HӐC BÁCH KHOA ±Ĉ+4*-HCM
Cán bӝ Kѭӟng dүn khoa hӑc: PGS.TS NguyӉn Thanh Bình ......................
Cán bӝ chҩm nhұn xét 1: PGS.TS. NguyӉn TuҩQĈăQJ 6*8 .................
Cán bӝ chҩm nhұn xét 2: 3*6769NJ7KDQK1JX\rQ +8), .................
LuұQYăQWKҥFVƭÿѭӧc bҧo vӋ tҥi Trѭӡng Ĉҥi hӑc Bách Khoa, ĈHQG Tp. HCM
ngày 06 WKiQJQăP
Thành phҫn Hӝi ÿӗng ÿinh giá luұn văn thҥc sƭ gӗm:
1. Chӫ tӏch: 3*676Ĉһng Trҫn Khánh
2. 7KѭNê TS. Lê Hӗng Trang
3. Phҧn biӋn 1: PGS.TS. NguyӉn TuҩQĈăQJ
4. Phҧn biӋn 2: 3*6769NJ7KDQKNguyên
5. Ӫy viên: PGS. TS. Trҫn Minh Quang
Xác nhұn cӫa Chӫ tӏch Hӝi ÿӗng ÿiQh giá LV và 7Uѭӣng Khoa quҧn lý chuyên ngành
sau khi luұn văn ÿã ÿѭӧc sӱa chӳa (nӃu có).
CHӪ TӎCH HӜ,ĈӖNG
75ѬӢNG KHOA
KHOA HӐC KӺ THUҰT VÀ MÁY TÍNH
3*676Ĉһng Trҫn Khánh
ĈҤI HӐC QUӔC GIA TP.HCM
75ѬӠ1*ĈҤI HӐC BÁCH KHOA
CӜNG HÒA XÃ HӜI CHӪ 1*+Ƭ$9,ӊT
NAM Ĉӝc lұp - Tӵ do - Hҥnh phúc
NHIӊM VӨ LUҰ19Ă17+Ҥ&6Ƭ
+ӑWrQKӑFYLrQ 9}1JӑFĈӭF ..................................................MSHV: 1870690 .............
1Jj\WKiQJQăPVLQK 23/10/1993 ...........................................1ѫLVLQK %uQKĈӏnh ........
Chuyên ngành: +ӋWKӕQJWK{QJWLQTXҧQOê ............................... Mã Vӕ : 8340405 ..........
I. 7Ç1Ĉӄ TÀI: Phân tích dӳ liӋu công nhân ngành may mһFÿӇ dӵ báo hiӋu quҧ sҧn xuҩt tҥi
mӝt doanh nghiӋp ӣ Ĉӗng Nai.
II. NHIӊM VӨ VÀ NӜI DUNG:
- Phân tích hiӋn trҥng cӫa công ty.
- ;iFÿӏQKSKѭѫQJSKiSSKKӧSÿӇ giҧi quyӃt bài toán.
- TiӃn hành thu thұp các dӳ liӋu cҫn thiӃt cho viӋc phân tích.
- Mô hình hóa dӳ liӋXÿѭӧc thu thұSVDXÿySKkQWtFKGӳ liӋu dӵDWUrQFiFP{KuQKÿѭӡng
cong hӑc tұSÿӇ [iFÿӏQKÿѭӡng cong hӑc tұp phù hӧp
- Phân tích thêm các yӃu tӕ ҧQKKѭӣQJÿӃQÿѭӡng cong hӑc tұp: Giͣi tínKYjÿ͡ tu͝i ÿӇ
giúp các nhà quҧn lý sҧn xuҩWÿLӅu chӍnh chiӃQOѭӧc kinh doanh phù hӧp
III. NGÀY GIAO NHIӊM VӨ : (*KLWKHRWURQJ4ĈJLDRÿӅ tài) : 22/02/2021 ............
IV. NGÀY HOÀN THÀNH NHIӊM VӨ: (*KLWKHRWURQJ4ĈJLDRÿӅ tài) : 13/06/202
V. CÁN BӜ +ѬӞNG DҮN (Ghi rõ hӑc hàm, hӑc vӏ, hӑ, tên): PGS.TS. NguyӉn Thanh Bình
.............................................................................................................................................
Tp. HCM, ngj\WKiQJQăP.
CÁN BӜ +ѬӞNG DҮN
CHӪ NHIӊM BӜ 0Ð1Ĉ¬27ҤO
PGS.TS. NguyӉn Thanh Bình
75ѬӢNG KHOA KHOA HӐC KӺ THUҰT VÀ MÁY TÍNH
L
LӠI CҦ0Ѫ1
Quá trìQKWKӵFKLӋQOXұQYăQWKҥFVƭ OjJLDLÿRҥQTXDQWUӑQJQKҩWWURQJWKӡLJLDQKӑFWұS/XұQ
YăQWKҥFVƭ OjWLӅQÿӅQKҵPWUDQJEӏFKRFK~QJHPQKӳQJNӻQăQJQJKLrQFӭXQKӳQJNLӃQWKӭF
TXêEiXVDXNKLWӕW QJKLӋS
7UѭӟFKӃWHP[LQFKkQWKjQKFҧPѫQ TXê7Kҫ\&{NKRD.KRDKӑFYj.ӻWKXұWPi\WtQK ÿmWұQ
WuQKFKӍGҥ\YjWUDQJEӏFKRHPQKӳQJNLӃQWKӭFFҫQWKLӃWWURQJVXӕWWKӡLJLDQQJӗLWUrQJKӃJLҧQJ
ÿѭӡQJ/jPQӅQWҧQJFKRHPFyWKӇKRjQWKjQKÿѭӧFEjLOXұQYăQQj\
(P[LQWUkQWUӑQJFҧPѫQWKҫ\1JX\ӉQ7KDQK%uQK ÿmWұQWuQKJL~SÿӥÿӏQKKѭӟQJFiFKWѭGX\
YjFiFKOjPYLӋFNKRDKӑFĈyOjQKӳQJJySêKӃWVӭFTXêEiXNK{QJFKӍWURQJTXiWUuQKWKӵF
KLӋQOXұQYăQQj\PjFzQOjKjQKWUDQJWLӃSEѭӟFFKRHPWURQJTXiWUuQKKӑFWұSYjOұSQJKLӋS
9jFXӕLFQJ[LQJӱLOӡLFҧPѫQÿӃQJLDÿuQKEҥQEqWұSWKӇOӟS+ӋWKӕQJWK{QJ tin TXҧQOê,
QKӳQJQJѭӡLOX{QVҹQVjQJVҿFKLDYjJL~SÿӥWURQJKӑFWұSYjFXӝFVӕQJ0RQJUҵQJFK~QJWD
VӁPmLPmLJҳQEyYӟLQKDX
;LQFK~FQKӳQJÿLӅXWӕWÿҽSQKҩWVӁOX{QÿӗQJKjQKFQJPӑLQJѭӡL
LL
TÓM TҲT LUҰ19Ă17+Ҥ&6Ƭ
Ĉѭӡng cong hӑc tұp (Learning curve) là mӝt khái niӋm mô tҧ bҵQJÿӗ hӑa cӫa sҧQOѭӧQJÿҫu
ra trong mӝt khoҧng thӡLJLDQ[iFÿӏQKWKѭӡQJÿӇ thӇ hiӋn nhiӋm vө lһSÿLOһp lҥi cӫa mӝt nhân
viên hoһc công nhân. ViӋc sӱ dөQJÿѭӡng cong hӑc tұp hiӋu quҧ sӁ giúp doanh nghiӋp dӵ báo
ÿѭӧc hiӋu quҧ sҧn xuҩt và hoҥFKÿӏnh các chiӃQOѭӧc kinh doanh hӳu hiӋu. ViӋc áp dөng mô
hình khai phá dӳ liӋXÿӇ phân tích các dӳ liӋu cӫa công nhân ngành may mһc, tӯ ÿyWuPUDP{
KuQKÿѭӡng cong hӑc tұp phù hӧp và dӵ báo hiӋu quҧ sҧn xuҩt kinh doanh.
Dӳ liӋu hiӋu quҧ sҧn xuҩt cӫa 45 công nhân mӟi (không kinh nghiӋm), tѭѫQJӭng vӟi 3 công
ÿRҥn may: Mí trө0tWj.DQVDLODLÿѭӧc thu thұp trong vòng 22QJj\ÿӇ phân tích. 5 mô hình
ÿѭӡng cong hӑc tұSÿmÿѭӧc phân tích là: The Wright, The Dejong, Stanford, S-curve và Hӗi
TX\ÿDWKӭc. Mӛi mô hình có nhӳQJÿLӇm mҥnh và yӃu khác nhau sӁ ÿѭӧc trình bày chi tiӃt trong
nhӳng phҫn sau. Phân tích cho thҩy rҵng hiӋu ӭng hӑc tұp xҧy ra trong quá trình tұp may cho
các công nhân không có kinh nghiӋm. Tӹ lӋ hӑc tұp ÿѭӧc tìm thҩ\GDRÿӝng trong khoҧng 219%
ÿӃQ 'RÿyWD có thӇ cho rҵng hiӋu quҧ sҧn xuҩt cӫDF{QJQKkQWăQJOrQWKHRWKӡi gian khi
PjQăQJVXҩt cӫDFiFF{QJÿRҥQPD\WăQJOrQQKӡ viӋc ghi nhӟ các thao tác may và kӻ thuұt
PD\ÿѭӧFWăQJOrQĈLӅu này làm giҧm thӡi gian cҫn thiӃWÿӇ may hoàn thành sҧn phҭPYjWăQJ
hiӋu quҧ sҧn xuҩWFKRFiFF{QJÿRҥn may. Mӝt kӃt quҧ WѭѫQJWӵ FNJQJQKұQÿѭӧFÿӕi vӟi tӹ lӋ
lӛi cӫDFiFF{QJÿRҥQÿmJLҧm theo thӡi gian. Bên cҥQKÿyFiF\Ӄu tӕ vӅ giӟLWtQKÿӝ tuәLÿһc
WtQKF{QJÿRҥQPD\Pi\PyFFNJQJFyҧQKKѭӣQJÿӃQP{KuQKÿѭӡng cong hӑc tұp FNJQJÿm
ÿѭӧc phân tích.
LLL
ABSTRACT
Learning curve is defined and described by a plot of productivity in the defined period time,
usually to express the repetitive task of an employee or worker. Effective using of the learning
curve will help enterprises to predict production efficiency and plan business strategies
effectively. The application of data mining models to analyze the data of workers in garment
industry, thereby finding a suitable learning curve model and predicting business performance.
Production efficiency data of 45 new (non-experienced) workers, corresponding to 3 sewing
operations: Placket Topstitch, Vent topstitch, Hem Coverstitch were collected within 226 days
for analysis. Five learning curve models were analyzed: The Wright, The Dejong, Stanford, Scurve and Polynomial Regression. Each model has different strengths and weaknesses that will
be presented in the following sections. The analysis shows that a learning occurs during sewing
practice for inexperienced workers. The learning rate was found to range between 219% and
249%. Thus, it can be assumed that the worker's production efficiency increases over time as the
productivity of sewing operations increases through memorization of sewing operations and
increased sewing techniques. This reduces the time required to sew the finished product and
increases the production efficiency of the sewing opertations. A similar result is obtained for the
defect rates of the sewing operation which have decreased over time. In addition, the factors of
gender, age, characteristics of sewing operation, and machines that affect the learning curve
model were also analyzed.
LY
LӠ,&$0Ĉ2$1&ӪA TÁC GIҦ LUҰ19Ă1
7{L[LQFDPÿRDQOXұQYăQWӕWQJKLӋSYӟLÿӅWjL³3KkQWtFKGӳOLӋXF{QJQKkQQJjQKPD\PһF
ÿӇGӵEiRKLӋXTXҧVҧQ[XҩWWҥLPӝWGRDQKQJKLӋSӣĈӗQJ1DL´OjQJKLrQFӭXÿӝFOұSFӫDW{L
&iFVӕOLӋXÿѭӧFFXQJFҩSWӯEiRFiRFӫDF{QJW\YjNӃWTXҧQJKLrQFӭXKRjQWRjQWUXQJWKӵF
NK{QJÿҥRQKiLKD\VDRFKpSWӯEҩWNǤPӝWF{QJWUuQKQJKLrQFӭXQjRNKiF7ҩWFҧWjLOLӋXWUtFK
GүQÿӅXÿѭӧFJKLU}QJXӗQJӕF
7{L[LQKRjQWRjQFKӏXWUiFKQKLӋPWUѭӟFQKjWUѭӡQJQӃXSKiWKLӋQEҩWFӭVӵVDLSKҥPKD\VDR
FKpSWURQJÿӅWjLQj\
Tác giҧ luұQYăQ
Võ NgӑFĈӭc
Y
MӨC LӨC
&+ѬѪ1* *,ӞI THIӊU ....................................................................................................... 1
1.1. Giӟi thiӋXÿӅ tài ............................................................................................................. 1
1.2. Mөc tiêu và nӝi dung nghiên cӭu ................................................................................ 2
1.3. 3KѭѫQJSKiSQJKLrQFӭu ............................................................................................. 3
1.4. Giӟi hҥQÿӅ tài ............................................................................................................... 3
1.5. Cҩu trúc báo cáo ........................................................................................................... 4
&+ѬѪ1* &Ѫ6Ӣ LÝ THUYӂT VÀ CÁC NGHIÊN CӬU LIÊN QUAN ...................... 6
2.1. &ѫVӣ lý thuyӃt .............................................................................................................. 6
2.1.1
Ĉ˱ͥng cong h͕c t̵p là gì ........................................................................................ 6
2.1.2
Logistic Regression (Classification) ........................................................................ 8
2.1.3
ĈiQKJLiÿ˱ͥng h͕c t̵p .......................................................................................... 9
2.2. Các nghiên cӭu liên quan ........................................................................................... 10
&+ѬѪNG 3: XÂY DӴNG MÔ HÌNH PHÂN TÍCH DӲ LIӊU
TҤI CÔNG TY ELITE LONG THÀNH ............................................................................... 14
3.1
Thӵc trҥng dӵ báo sҧn xuҩt tҥi công ty Elite Long Thành..................................... 14
3.2
Yêu cҫu bài toán cҫn giҧi quyӃt ................................................................................. 17
3.3
&iFÿӏQKQJKƭDYjWKXұt ngӳ...................................................................................... 17
3.4
3KѭѫQJSKiSJLҧi quyӃt bài toán .............................................................................. 19
&+ѬѪ1* 7+87+ҰP VÀ PHÂN TÍCH DӲ LIӊU CÔNG NHÂN NGÀNH MAY
MҺC TҤI CÔNG TY ELITE LONG THÀNH ..................................................................... 22
4.1. Thu thұp dӳ liӋu.......................................................................................................... 22
4.2. Áp dөQJP{KuQKÿѭӡng cong hӑc tұp ...................................................................... 26
4.2.1
Ĉ˱ͥng cong h͕c t̵p The Wright............................................................................ 26
4.2.2
Ĉ˱ͥng cong h͕c t̵p The De Jong ......................................................................... 28
4.2.3
Ĉ˱ͥng cong h͕c t̵p The Stanford ......................................................................... 30
4.2.4
Ĉ˱ͥng cong h͕c t̵p S Curve ................................................................................. 32
4.2.5
Ĉ˱ͥng cong h͕c t̵p Polynomial Regression ........................................................ 34
4.3. KӃt quҧ và thҧo luұn................................................................................................... 37
&+ѬѪ1*
: KӂT LUҰN .................................................................................................. 45
5.1
KӃt quҧ ÿҥWÿѭӧc......................................................................................................... 45
5.2
ѬXYjQKѭӧFÿLӇm cӫDSKѭѫQJSKiSÿѭӧFÿӅ xuҩt ................................................ 45
5.3
ĈyQJJySFӫa luұQYăQYӅ mһt khoa hӑc và ӭng dөng ............................................ 45
5.4
+ѭӟng mӣ rӝQJWѭѫQJODL .......................................................................................... 46
TÀI LIӊU THAM KHҦO ....................................................................................................... 47
YL
DANH SÁCH BҦNG BIӆU
Bҧng 4-1: Thao tác tiêu chuҭn cӫDF{QJÿRҥn mí trө (Tài liӋu nӝi bӝ công ty)......................... 23
Bҧng 4-2: Thao tác tiêu chuҭn cӫDF{QJÿRҥn mí tà (Tài liӋu nӝi bӝ công ty) .......................... 23
Bҧng 4-3: Thao tác tiêu chuҭn cӫDF{QJÿRҥn Kansai Lai ......................................................... 23
Bҧng 4-4: KӃt quҧ SKkQWtFKÿѭӡng cong hӑc tұp theo mô hình Wright ................................... 27
Bҧng 4-5: KӃt quҧ SKkQWtFKÿѭӡng cong hӑc tұp Theo mô hình De Jong ................................ 30
Bҧng 4-6: MӕLWѭѫQJTXDQJLӳa RSS và hӋ sӕ B theo mô hình The Stanford ........................... 31
Bҧng 4-7: KӃt quҧ SKkQWtFKÿѭӡng cong hӑc tұp Theo mô hình Stanford B ............................ 32
Bҧng 4-8: KӃt quҧ SKkQWtFKÿѭӡng cong hӑc tұp theo mô hình S Curve Model ...................... 34
Bҧng 4-9: KӃt quҧ SKkQWtFKÿѭӡng cong hӑc tұp Theo mô hình Polynomial Regression ........ 37
Bҧng 4-10: KӃt quҧ chӍ sӕ R2 cӫDFiFP{KuQKĈѭӡng cong hӑc tұSFKRFiFF{QJÿRҥn ......... 38
Bҧng 4-11: KӃt quҧ SKkQWtFKÿѭӡng cong hӑc tұp Theo mô hình Stanford B .......................... 39
YLL
DANH SÁCH HÌNH VӀ
Hình 1- &iFF{QJÿRҥn nghiên cӭXĈѭӡng cong hӑc tұp ......................................................... 4
Hình 2-1 0{KuQKÿѭӡQJFRQJKӑFWұS ....................................................................................... 8
Hình 2- &iFEѭӟFÿӇ khai phá dӳ liӋu ngành may .................................................................. 11
Hình 2- &iFEѭӟc cӫa mô hình DMME .................................................................................. 12
Hình 2-4: Ӭng dөng cӫa khai phá dӳ liӋu trong sҧn phҭm thӡi trang........................................ 12
Hình 3-1: BiӇXÿӗ kӃt quҧ xuҩt hàng quí 1 và quí 2 QăP 7KHRWjLOLӋu nӝi bӝ) .............. 16
Hình 3-2: BiӇXÿӗ kӃt quҧ sҧn xuҩWTXtYjTXtQăP 7KHRWjLOLӋu nӝi bӝ) ................. 16
Hình 3-3: Mô hình giҧi quyӃt bài toán ....................................................................................... 21
Hình 4-1: BiӇXÿӗ 6FDWWHUF{QJÿRҥn Mí trө .............................................................................. 25
Hình 4-2: BiӇXÿӗ 6FDWWHUF{QJÿRҥn Mí tà ................................................................................ 25
Hình 4-3: BiӇXÿӗ 6FDWWHUF{QJÿRҥn Kansai Lai ....................................................................... 25
Hình 4-4: BiӇXÿӗ Scatter cӫDF{QJÿRҥn ................................................................................ 25
Hình 4- Ĉѭӡng cong hӑc tұp theo mô hình Wright ................................................................ 27
Hình 4-6: MӕLWѭѫQJTXDQJLӳa RSS và hӋ sӕ M theo mô hình The De Jong ........................... 28
Hình 4- Ĉѭӡng cong hӑc tұp theo mô hình The De Jong ....................................................... 29
Hình 4- Ĉѭӡng cong hӑc tұp theo mô hình The Stanford....................................................... 31
Hình 4- 0{KuQKÿѭӡng cong hӑc tұp S Curve tәng thӇ ......................................................... 32
Hình 4- Ĉѭӡng cong hӑc tұp theo mô hình S-Curve ............................................................ 34
Hình 4-11: Mô hình HӗLTX\ÿDWKӭc ......................................................................................... 35
Hình 4-12: BiӇXÿӗ Scatter hiӋu quҧ sҧn xuҩt theo thӡi gian cӫDF{QJÿRҥn Mí trө hoàn chӍnh
.................................................................................................................................................... 36
Hình 4- Ĉѭӡng cong hӑc tұp theo HӗLTX\ÿD thӭc .............................................................. 37
Hình 4-14: KӃt quҧ chӍ sӕ R2 cӫDFiFP{KuQKĈѭӡng cong hӑc tұSFKRFiFF{QJÿRҥn ......... 39
Hình 4- Ĉѭӡng cong hӑc tұSF{QJÿRҥn Mí trө theo giӟi tính.............................................. 41
Hình 4- Ĉѭӡng cong hӑc tұSF{QJÿRҥn Mí tà theo giӟi tính ............................................... 41
Hình 4- Ĉѭӡng cong hӑc tұSF{QJÿRҥn Kansai Lai theo giӟi tính ...................................... 41
Hình 4- Ĉѭӡng cong hӑc tұSWKHRÿӝ tuәi ............................................................................. 42
Hình 4-19: Tӹ lӋ lӛi theo giӟi tính ............................................................................................. 43
Hình 4- Ĉѭӡng dӵ báo hiӋu quҧ sҧn xuҩt ............................................................................. 43
YLLL
DANH SÁCH TӮ VIӂT TҲT
BTP ± Bán thành phҭm
DSS - TәQJEuQKSKѭѫQJSKҫQGѭ 5HVLGXDO6XPRI6TXDUHV- RSS)
RSS - tәQJFiFÿӝ lӋFKEuQKSKѭѫQJgiҧi thích tӯ hӗi quy (Regression Sum of Squares)
ESS - tәQJFiFÿӝ lӋFKEuQKSKѭѫQJSKҫQGѭ 5HVLGXDO6XPRI6TXDUHV
TSS - tәQJFiFÿӝ lӋFKEuQKSKѭѫQJWRjQEӝ (Total Sum of Squares)
EFF ± HiӋu quҧ sҧn xuҩt (Efficiency)
ELT - Elite
TNHH ± Trách nhiӋm hӳu hҥn
BI ± Trí tuӋ kinh doanh (Bussiness Intelligent)
IE ± Kӻ thuұt công nghiӋp (Industrial Engineering)
SOP ± Quy trình tiêu chuҭn (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
L[
&+ѬѪ1* : GIӞI THIӊU
1.1. Giӟi thiӋu ÿӅ tài
May mһt là mӝt trong nhӳng ngành công nghiӋp có tӯ [ѭDnhҩt cӫDFRQQJѭӡi. Ngày nay,
thӡi kǤ công nghiӋp 4.0, cùng vӟi sӵ phát triӇn nhanh chóng cӫa nӅn công nghiӋp hóa, hiӋQÿҥi
hóa, thì nhu cҫu vӅ sӱ dөng các sҧn phҭm may mһc cӫDQJѭӡLWLrXGQJFNJQJQJj\FjQJÿDGҥng
vӅ mүu mã, yêu cҫu cao vӅ chҩWOѭӧng sҧn phҭm vӟi giá bán sҧn phҭm phù hӧp. Sӵ cҥnh tranh
cӫa các doanh nghiӋp may mһc nӝLÿӏDYjQѭӟFQJRjLFNJQJQKѭVӵ cҥnh tranh giӳa các doanh
nghiӋp nӝLÿӏa ngày càng trӣ nên gay gҳWKѫQÿӇ ÿiSӭng tӕWKѫQQKXFҫu cӫa khách hàng. Ĉәi
mӟi công nghӋ, áp dөng hӋ thӕng thông tin vào vұn hành hay khai phá dӳ liӋu là mӝWKѭӟQJÿL
ÿ~QJÿҳn và rҩt cҫn thiӃt cho ngành dӋt may hiӋQQD\ÿәi mӟi trӣ thành nhân tӕ ÿһc biӋt có ý
QJKƭDTX\ӃWÿӏnh sӵ WăQJWUѭӣng và thành công mang tính chiӃQOѭӧFQkQJFDRQăQJOӵc cҥnh
tranh.
Khai phá dӳ liӋu (Data mining) và phát hiӋn tri thӭc (Knowledge discovery) ÿDQJOjOƭQKYӵc
ÿѭӧc các nhà khoa hӑc quan tâm nghiên cӭu trong nhiӅXQăPJҫQÿk\Ӭng dөng khai phá dӳ
liӋu ÿѭӧc thӵc hiӋn trong nhiӅXOƭQKYӵFNKiFQKDXQKѭJLiRGөc, y tӃ, tài chính, ngân hàng, kinh
GRDQK«Ĉһc biӋt, trong thӡi gian gҫQÿk\NKDLSKiGӳ liӋu và phát hiӋn tri thӭc trong ngành
may mһc ÿDQJÿѭӧc quan tâm nghiên cӭu. ViӋc khai phá & chӑn lӑc dӳ liӋu có ích tӯ Oѭӧng dӳ
liӋu to lӟn là viӋc cҫn thiӃWÿyQJYDLWUzTuan trӑng trong mӑi hoҥWÿӝng nhҵm cҧi thiӋn các hoҥt
ÿӝng trong hiӋn tҥLKD\ÿѭDUDQKӳng dӵ ÿRiQJL~SYLӋFÿѭDUDTX\ӃWÿӏQKWURQJWѭѫQJODLFKtQK
[iFKѫQĈһc biӋt là khi ngành may mһc ÿDQJOjQJjQKvai trò quan trӑng, quyӃWÿӏnh cho sӵ
phát triӇn cӫDÿҩWQѭӟc vӅ nhiӅu mһt.
Mӝt trong nhӳng tiêu chí quan trӑng nhҩWÿӇ ÿROѭӡng hiӋu quҧ cӫa ngành may mһc là hiӋu
quҧ sҧn xuҩWĈһFWUѭQJFӫa ngành may mһc là hiӋu quҧ sҧn xuҩt phҫn lӟn phө thuӝc chính vào
nguӗn lӵFODRÿӝQJFRQQJѭӡi. Hay nói cách khác hiӋu quҧ sҧn xuҩt cӫDODRÿӝQJFRQQJѭӡi có
thӇ ÿҥi diӋn cho hiӋu quҧ sҧn xuҩt cӫa ngành may mһc. HiӋu quҧ sҧn xuҩWODRÿӝng cӫa con
QJѭӡi (EFF) là thӡi gian thӵc tӃ tҥo ra giá trӏ sҧn phҭm trên tәng thӡi gian làm viӋc. ViӋFÿR
Oѭӡng và dӵ ÿRiQ())ÿyQJYDLWUz quan trӑng cho doanh nghiӋp hoҥFKÿӏnh chiӃQOѭӧc kinh
doanh, cҧi thiӋQQăQJVXҩt, tӹ lӋ cân bҵng chuyӅn, giҧPFKLSKtWăQJWӹ lӋ xuҩWKjQJÿ~QJJLӡ,
tӯ ÿyÿiSӭng các nhu cҫu khách hàng tӕWKѫQ. Khai phá dӳ liӋu có thӇ mang lҥi giá trӏ lӟn nӃu
ÿѭӧc sӱ dөng hӧp lý và hiӋu quҧ trong ngành công nghiӋp may mһc.
ViӋc áp dөng các công cө và kӻ thuұt khai phá dӳ liӋu trên dӳ liӋu IE (Industrial Engineering)
cӫa ngành công nghiӋp may mһFÿӇ có thӇ hiӇXU}ÿѭӧc nhӳng vҩQÿӅ tiӅm ҭn bên trong dӳ liӋu
1
là mӝt viӋc không dӉ dàng. Bӣi vì viӋc triӇn khai áp dөng các kӻ thuұt khai phá dӳ liӋu là không
giӕng nhau trong ngӳ cҧnh khác nhau. Vì ngành may mһc là ngành công nghiӋS ³/DERU
LQFHQWLYH´FKRQrQYLӋc phát triӇn mӝWSKѭѫQJSKiSNKDLSKiGӳ liӋu cө thӇ OjÿLӅu cҫn thiӃWÿӇ
[iFÿӏnh các yӃu tӕ kiӇm soát quy trình sҧn xuҩt, cҧi thiӋn hiӋu quҧ sҧn xuҩt, tiӃt kiӋm chi phí
cho doanh nghiӋp, tӯ ÿyGӵ báo hiӋu quҧ sҧn xuҩWWѭѫQJOҥi, giúp doanh nghiӋp hoҥFKÿӏnh các
chiӃQOѭӧc cҥnh tranh hiӋu quҧĈyOjOêGRFӫDÿӅ tài nghiên cӭX ³Phân tích dӳ liӋu công nhân
ngành may mһFÿӇ dӵ báo hiӋu quҧ sҧn xuҩt tҥi mӝt doanh nghiӋp ӣ ĈӗQJ1DL´. ĈӇ tӯ ÿy tìm ra
P{KuQKÿѭӡng cong hӑc tұp phù hӧp nhҩt, phөc vө cho viӋc lên kӃ hoҥch sҧn xuҩt chính xác.
Bên cҥQKÿyNӃt quҧ cӫa phân tích dӳ liӋXFNJQJFKӍ ra các yӃu tӕ ҧQKKѭӣQJÿӃQÿѭӡng cong
hӑc tұp giúp các nhà quҧn lý hoҥFKÿӏnh chiӃQOѭӧc kinh doanh phù hӧp. Các phҫn sau cӫa luұn
YăQVӁ OjPU}KѫQ
1.2. Mөc tiêu và nӝi dung nghiên cӭu
Mөc tiêu nghiên cӭu cӫa luұQYăQOjSKkQWtFKGӳ liӋu công nhân ngành may mһFÿӇ dӵ báo
hiӋu quҧ sҧn xuҩt tҥi mӝt doanh nghiӋp ӣ Ĉӗng Nai. KӃt quҧ cӫa viӋc nghiên cӭu này là tìm ra
mô hình phù hӧp cho ÿѭӡng cong hӑc tұS ÿѭӡng hiӋu quҧ sҧn xuҩt theo thӡi gian) cӫa công
QKkQĈѭӡng hӑc tұp sӁ khác nhau tùy thuӝc vào giӟi tính nam hay nӳ, KD\ÿӝ tuәi. KӃt quҧ
nghiên cӭu có thӇ ÿѭӧc ӭng dөng trong viӋc lên kӃ hoҥFKÿѫQKjQJJL~SFiFQKjTXҧn lý sҧn
xuҩt có thӇ dӵ ÿRiQFKX\Ӆn may có kӏSPD\KjQJÿӇ xuҩt hay không. Ngoài ra, kӃt quҧ phân
WtFKFNJQJFyWKӇ ÿѭӧc ӭng dөng trong viӋc tuyӇn dөng hiӋu quҧ tùy theo nhu cҫu cӫa nhà máy
tӯng thӡLÿLӇm khác nhau
ĈӇ thӵc hiӋn mөc tiêu này, cҫn thӵc hiӋQFiFEѭӟc sau:
- Phân tích hiӋn trҥng cӫa công ty. Tìm hiӇu vҩQÿӅ và mô hình hoҥWÿӝng hiӋn tҥi cӫa công
ty ҧQKKѭӣQJQKѭWKӃ nàRÿӃn viӋc lên kӃ hoҥch sҧn xuҩWĈӇ tӯ ÿyWKҩ\ÿѭӧc nhu cҫu cҩp
thiӃt cҫn xây dӵQJP{KuQKÿѭӡng cong hӑc tұp phù hӧp cho công nhân mӟi.
- Tìm hiӇu các mô hình ÿѭӡng cong hӑc tұSÿmÿѭӧc triӇn khai trong các công trình nghiên
cӭu liên quan, tӯ ÿy[iFÿӏnh SKѭѫQJSKiSphù hӧp ÿӇ giҧi quyӃt bài toán
- TiӃn hành thu thұp các dӳ liӋu cҫn thiӃt cho viӋc phân tích. ViӋc thu thұp dӳ liӋu cҫn nhiӅu
thӡi gian, bên cҥQKÿyFyQKLӅu yӃu tӕ ҧQKKѭӣQJÿӃn kӃt quҧ dӳ liӋXFNJQJFҫQÿѭӧc xem
xét và loҥi bӓ. Ngoài ra viӋc xây dӵng các thao tác chuҭQFNJQJUҩt quan trӑQJÿӇ ÿҧm bào
dӳ liӋu thu thұSFyÿӝ chính xác cao.
- Mô hình hóa dӳ liӋXÿѭӧc thu thұSVDXÿySKkQWtFKGӳ liӋu dӵDWUrQFiFP{KuQKÿѭӡng
cong hӑc tұp. Tӯ ÿyÿiQKJLiYj[iFÿӏnh mô hình phù hӧp nhҩWÿӇ hoҥFKÿӏnh sҧn xuҩt.
2
Bên cҥQKÿyOXұQYăQFNJQJ phân tích thêm các yӃu tӕ ҧQKKѭӣQJÿӃQÿѭӡng cong hӑc tұp
ÿӇ giúp các nhà quҧn lý sҧn xuҩWÿLӅu chӍnh chiӃQOѭӧc kinh doanh phù hӧp
- Và cuӕi cùng là triӇn khai các dӵ án cҧi thiӋQÿӇ giҧi quyӃt các vҩQÿӅ ÿmÿѭӧc nêu ra tӯ
ÿҫXĈLӇm quan trӑng ӣ EѭӟFQj\OjOjPVDRÿӇ GX\WUuFiFSKѭѫQJiQFҧi thiӋQOX{Qÿѭӧc
thӵc hiӋn trong quá trình sҧn xuҩt.
1.3. 3KѭѫQJSKiSQJKLrQFӭu
Có rҩt nhiӅXSKѭѫQJSKiSQJKLrQFӭu khoa hӑc QKѭ SKѭѫQJSKiSWKXWKұp sӕ liӋXSKѭѫQJ
SKiSÿӏnh tính, SKѭѫQJSKiSÿӏQKOѭӧQJSKѭѫQJSKiSWKӵc nghiӋPSKѭѫQJSKiSSKkQWtFKYj
tәng hӧSSKѭѫQJSKiSTX\Qҥp và diӉn giҧLSKѭѫQJSKiSOӏch sӱ YjORJLFSKѭӟng pháp thӕng
kê sӕ liӋX« MӛLSKѭѫQJSKiSVӁ có cách ӭng dөng khác nhau trong nhӳQJWUѭӡng hӧp và mөc
tiêu nghiên cӭu khác nhau.
Trong luұQYăQQj\ÿӇ thӵc hiӋn mөc tiêu và giҧi quyӃt vҩQÿӅ cӫa bҧi toán, tác giҧ ÿmWKXWKұp
rҩt nhiӅu dӳ liӋu thӵc nghiӋm vӅ ÿӕLWѭӧng nghiên cӭXQKѭWKӡi gian làm viӋFQăQJVXҩt, sӕ
hàng lӛLÿӇ phân tích. Tӯ ÿyÿ~FNӃt UDÿѭӧc các kӃt luұQ1KѭYұ\SKѭѫQJSKiSQJKLrQFӭu
khoa hӑc phù hӧp trong luұQYăQQj\Oj3KѭѫQJSKiSWKӕng kê sӕ liӋu3KѭѫQJSKiSWKӕng kê
sӕ liӋXOjSKѭѫQJSKiSWұp hӧp các sӕ liӋXFyOLrQTXDQÿӃQÿӕLWѭӧng nghiên cӭu, nhҵm phân
tích, so sánh, tәng hӧS«ÿӇ tìm ra quy luұt khách quan trong sӵ vұQÿӝng cӫDÿӕLWѭӧng nghiên
cӭX3KѭѫQJSKiSVӕ liӋXÿzLKӓi sӵ tӍ mӍ và chính xác tӕLÿDWKuPӟLÿHPOҥi kӃt quҧ chính xác
và khách quan nhҩt. Các sӕ liӋXÿѭӧc thu cҫn cҫn phҧLÿӃn tӯ nhӳng tә chӭc uy tín, cáFFѫTXDQ
chӭFQăQJFyWKҭm quyӅn, hoһc sӕ liӋu có nguӗn gӕFU}UjQJĈk\OjPӝWSKѭѫQJSKiSKD\Fy
tính thӵc tӃ cao và giúp cho ra nhӳng phát hiӋQFKtQK[iFQKѭQJYLӋc thu thұp sӕ liӋu chҩWOѭӧng
WKѭӡng sӁ PDQJÿӃn nhiӅXNKyNKăQÿӃQQJѭӡi nghiên cӭu.
1.4. Giӟi hҥQÿӅ tài
Polo là chӫng loҥi hàng lӟn nhҩt cӫa Elite, chiӃm tӯ ÿӃn 60% trên tәng sӕ Oѭӧng, nên mӝt
sҧn phҭP3RORÿmÿѭӧFÿѭDUDQJKLrQFӭXĈӇ may hoàn thành mӝt sҧn phҭm Polo, cҫn trҧi qua
rҩt nhiӅXF{QJÿRҥn vӟi nhiӅu loҥi máy khác nhau, trong ÿyF{QJÿRҥn khó nhҩWYjÿҥi diӋn
cho mӝWFiLiR3ROROj &{QJÿRҥn mí trөF{QJÿRҥQPtWjYjF{QJÿRҥQ.DQVDLODL'Rÿy
F{QJÿRҥQQj\ÿѭӧc luұQYăQ nghiên cӭXÿѭӡng hӑc tұp. Hình 1-1 thӇ hiӋQU}ÿLӅu này. (1)
ĈӇ xây dӵQJÿѭӡng hӑc tұp, ta cҫn theo dõi quá trình hӑc tұp cӫa 1 công nhân mӟi (không có
kinh nghiӋm). Dӳ liӋXÿѭӧc thu thұp tӯ QJj\WKiQJQăP ÿӃn ngày 29 tháng 4 QăP
3
cho các công nhân mӟi. MӛLF{QJÿRҥn tiӃn hành thu thұp dӳ liӋu cho 15 công nhân trong vòng
226 QJj\QKѭYұy ta có tәng cӝng khoҧng 3,390 dӳ liӋXÿm thu thұp
Hình 1-1: Các F{QJÿRҥn nghiên cӭXĈѭӡng cong hӑc tұp
1.5. Cҩu trúc báo cáo
Luұn YăQ ÿѭӧc cҩu trúc thành 5 FKѭѫQJ QKѭVDX:
- &KѭѫQJ: Giӟi thiӋu. TURQJFKѭѫQJQj\OXұQYăQWUuQKEj\WtQKFҩp thiӃt cӫDÿӅ tài vӟi
tình hình hiӋn tҥi cӫa ngành may mһc.
- &KѭѫQJ &ѫVӣ lý thuyӃt và các nghiên cӭu liên quan. TURQJFKѭѫQJQj\ luұQYăQWUuQK
Ej\FiFFѫVӣ lý thuyӃWÿѭӧc áp dөng trong luұQYăQYjWuPKLӇu các nghiên cӭu khoa hӑc
OLrQTXDQÿӃQÿӅ tài luұQYăQ.
- &KѭѫQJ ;k\Gӵng mô hình phân tích dӳ liӋu tҥLF{QJW\(OLWH/RQJ7KjQK7URQJFKѭѫQJ
này, luұQYăQVӁ trình bày thӵc trҥng dӵ báo và hoҥFKÿӏnh sҧn xuҩt tai công ty Elite Long
thành. LuұQYăQVӁ ÿLVkXYjRSKkQWtFKEӕi cҧnh cө thӇ, các vҩQÿӅ PjF{QJW\ÿDQJJһp
phҧi, các nguyên nhân gây ra vҩQÿӅ FNJQJÿѭӧc tìm hiӇu. 6DXÿy xây dӵng mô hình phân
tích dӳ liӋu tҥi công ty Elite Long Thành.
- &KѭѫQJ: Thu thұp và phân tích dӳ liӋu công nhân ngành may mһF7URQJFKѭѫQJQjy,
tác giҧ trình bày FiFÿLӇm chính trong viӋc thu thұp dӳ liӋu và áp dөng các mô hình ÿѭӡng
cong hӑc tұSÿӇ SKkQWtFKFNJQJWURQJFKѭѫQJQj\FiFNӃt quҧ cӫa viӋc phân tích dӳ liӋu
FNJQJÿѭӧFWUuQKEj\QKѭ P{KuQKÿѭӡng cong hӑc tұp phù hӧp, các yӃu tӕ ҧnKKѭӣQJÿӃn
ÿѭӡng cong hӑc tұp.
4
- &KѭѫQJ: KӃt luұn. Trong phҫn này, tác giҧ sӁ trình bày các kӃt quҧ ÿҥWÿѭӧc cӫa nghiên
cӭXFiFѭXYjQKѭӧFÿLӇm cӫDSKѭѫQJSKiSQJKLrQFӭXFNJQJÿѭӧc phân tích. Bên cҥnh
ÿyFKѭѫQJ FNJQJWUuQKEj\FiFÿyQJJySFӫa luұQYăn vӅ mһt khoa hӑc và ӭng dөng và
Kѭӟng mӣ rӝQJWURQJWѭѫQJODL
5
&+ѬѪ1* &Ѫ6Ӣ LÝ THUYӂT VÀ CÁC NGHIÊN CӬU LIÊN QUAN
2.1. &ѫVӣ lý thuyӃt
2.1.1
Ĉ˱ͥng cong h͕c t̵p là gì
Ĉѭӡng cong hӑc tұp (Learning curve) là mӝt khái niӋm mô tҧ bҵQJÿӗ hӑa cӫa sҧn OѭӧQJÿҫu
ra trong mӝt khoҧng thӡLJLDQ[iFÿӏQKWKѭӡQJÿӇ thӇ hiӋn nhiӋm vө lһSÿLOһp lҥi cӫa mӝt nhân
viên hoһc công nhân (6)Ĉѭӡng cong hӑc tұp ÿѭӧc mô tҧ lҫQÿҫu tiên bӣi nhà tâm lí hӑc Hermann
(EELQJKDXVYjRQăPYjÿѭӧc sӱ dөQJQKѭPӝWFiFKÿӇ ÿROѭӡng hiӋu quҧ sҧn xuҩt và dӵ
báo chi phí. Ĉѭӡng cong hӑc tұp cung cҩp sӵ ÿROѭӡng và phân tích chuyên sâu vӅ tҩt cҧ các
khía cҥnh trên cӫa mӝt công ty. Khi biӇu diӉn trӵc quan cӫDÿѭӡng cong hӑc tұSÿӝ dӕFFDRKѫQ
cho thҩy viӋc hӑFEDQÿҫu dүQÿӃn tiӃt kiӋPFKLSKtFDRKѫQYjYLӋc hӑc tiӃp theo dүQÿӃn viӋc
tiӃt kiӋm chi phí ngày càng chұPKѫQYjNKyNKăQKѫQ (2) .
Bҩt kì nhân viên nào, bҩt kӇ vӏ WUtQjRÿӅu dành thӡLJLDQÿӇ hӑc cách thӵc hiӋn mӝt nhiӋm
vө hoһc công viӋc cө thӇ/ѭӧng thӡi gian cҫn thiӃWÿӇ sҧn xuҩt ra sҧn phҭPÿҫXUDWѭѫQJÿӕi
FDR6DXÿyNKLQKLӋm vө ÿѭӧc lһSÿLOһp lҥi, nhân viên hӑc cách hoàn thành nó mӝt cách nhanh
FKyQJYjÿLӅXÿyOjPJLҧPOѭӧng thӡi gian cҫn thiӃt cho mӝWÿѫQYӏ ÿҫu ra. ĈyOjOtGRWҥi sao
ÿѭӡng cong hӑc tұp dӕc xuӕng ӣ phҫQÿҫu vӟLÿӝ dӕc trӣ nên bҵng phҷQJKѫQӣ phҫn cuӕi, vӟi
chi phí cho mӛLÿѫQYӏ ÿѭӧc mô tҧ trên trөc Y và tәng sҧQOѭӧng trên trөc X. Khi viӋc hӑFWăQJ
lên, nó sӁ giҧm chi phí cho mӛLÿѫQYӏ ÿҫXUDVDXÿyOѭӧQJFKLSKtÿѭӧc giҧm sӁ ngày càng ít
KѫQYuYLӋFWăQJKLӋu quҧ ÿҥWÿѭӧc thông qua viӋc hӑc trӣ QrQNKyNKăQKѫQ (2).
Ĉӝ dӕc cӫDÿѭӡng cong hӑc tұp thӇ hiӋn tӕFÿӝ hӑc tұp dүn tӟi tiӃt kiӋm chi phí cho mӝt công
W\Ĉӝ dӕc càng dӕc, tiӃt kiӋm chi phí trên mӛLÿѫQYӏ sҧn phҭP FjQJFDRĈѭӡng cong hӑc
tұp tiêu chuҭQQj\ÿѭӧc gӑLOjÿѭӡng cong hӑc tұp 80%. Nó cho thҩy rҵng cӭ WăQJJҩSÿ{LVҧn
Oѭӧng cӫa mӝt công ty, chi phí cӫa sҧn phҭm mӟi là 80% cӫa chi phí sҧn phҭPWUѭӟFÿy.KL
sҧQOѭӧQJWăQJYLӋFWăQJJҩSÿ{LVҧQOѭӧQJWUѭӟFÿyFӫa công ty trӣ QrQNKyNKăQKѫQÿѭӧc
mô tҧ bҵng cách sӱ dөQJÿӝ dӕc cӫDÿѭӡQJFRQJFyQJKƭDOjWLӃt kiӋm chi phí trӣ nên chұPKѫQ
theo thӡi gian.
Lý do chính giҧi thích tҥi sao các hiӋu ӭQJÿѭӡng cong hӑc tұp và trҧi nghiӋPÿѭӧc áp dөng
là do các quá trình hӑc tұSOLrQTXDQÿӃn phӭc tҥS1KѭÿmWKҧo luұn trong bài viӃt chính, viӋc
hӑFWKѭӡng bҳWÿҫu bҵng viӋc tҥo ra các phát hiӋn lӟQKѫQOLrQWLӃSYjVDXÿyOjFiFSKiWKLӋn
nhӓ KѫQOLrQWLӃS&iFSKѭѫQJWUuQKFKRQKӳng hiӋu ӭng này xuҩt phát tӯ tính hӳu ích cӫa các
mô hình toán hӑFÿӕi vӟi mӝt sӕ khía cҥnh có thӇ dӵ ÿRiQÿѭӧc cӫa nhӳQJTXiWUuQKWKѭӡng
NK{QJ[iFÿӏQKÿy Chúng bao gӗm:
6
- HiӋu quҧ ODRÿӝng: nJѭӡLODRÿӝng trӣ QrQNKpROpRKѫQYӅ thӇ chҩt. Hӑ trӣ nên tӵ WLQKѫQ
vӅ mһt tinh thҫn và dành ít thӡi gian do dӵ, hӑc hӓi, thӱ nghiӋm hoһc phҥm sai lҫm. Theo
thӡi gian, hӑ hӑFÿѭӧc nhӳQJFiFKÿLWҳt và cҧi tiӃQĈLӅu này áp dөng cho tҩt cҧ nhân viên
YjQJѭӡi quҧn lý, không chӍ nhӳQJQJѭӡi trӵc tiӃp tham gia sҧn xuҩt.
- Cҧi tiӃn tiêu chuҭn hóa, chuyên môn hóa và phѭѫQJSKiS: khi các quy trình, bӝ phұn và
sҧn phҭm trӣ nên chuҭQKyDKѫQKLӋu quҧ Fy[XKѭӟQJWăQJOrQ.KLQKkQYLrQFKX\rQ
môn hóa mӝt sӕ nhiӋm vө hҥn chӃ, hӑ sӁ có thêm kinh nghiӋm vӟi nhӳng nhiӋm vө này và
hoҥWÿӝng vӟi tӕFÿӝ QKDQKKѫQ
- Hӑc tұp theo hѭӟng công nghӋ: kông nghӋ sҧn xuҩt tӵ ÿӝng và công nghӋ thông tin có thӇ
mang lҥi hiӋu quҧ NKLFK~QJÿѭӧc thӵc hiӋQYjFRQQJѭӡi hӑc cách sӱ dөng chúng mӝt
cách hiӋu quҧ và hiӋu quҧ.
- Sӱ dөng thiӃt bӏ tӕWKѫQ: khi tәng sҧQOѭӧQJWăQJOrQWKLӃt bӏ chӃ tҥo sӁ ÿѭӧc khai thác triӋt
ÿӇ KѫQJLҧPJLiWKjQKÿѫQYӏ ÿѭӧc hҥFKWRiQÿҫ\ÿӫ. Ngoài ra, viӋc mua thiӃt bӏ QăQJVXҩt
FDRKѫQFyWKӇ OjFKtQKÿiQJ
- 7KD\ÿәi trong tә hӧp nguӗn lӵc: khi mӝWF{QJW\Fyÿѭӧc kinh nghiӋm, công ty có thӇ
WKD\ÿәi kӃt hӧp các yӃu tӕ ÿҫXYjRYjGRÿyWUӣ nên hiӋu quҧ KѫQ
- ThiӃt kӃ lҥi sҧn phҭm: khi nhà sҧn xuҩWYjQJѭӡi tiêu dùng có nhiӅu kinh nghiӋPKѫQYӟi
sҧn phҭm, hӑ WKѭӡng có thӇ tìm ra nhӳng cҧi tiӃQĈLӅu này lӑc qua quy trình sҧn xuҩt. Mӝt
ví dө ÿLӇn hình vӅ ÿLӅu này là viӋc Cadillac thӱ nghiӋm các phө kiӋQÿһc biӋt khác nhau
"chuông và còi". Nhӳng chiӃc không bӏ hӓQJÿmÿѭӧc sҧn xuҩt hàng loҥt trong các sҧn
phҭm khác cӫa General Motors; nhӳng chiӃc xe không chӏXÿѭӧc thӱ thách vӅ viӋFÿiQK
ÿұSQJѭӡLGQJÿmEӏ ngӯng sҧn xuҩt, giúp tiӃt kiӋm tiӅQFKRF{QJW\[HKѫL.KL*HQHUDO
Motors sҧn xuҩt nhiӅX{W{KѫQKӑ ÿmKӑFÿѭӧc cách sҧn xuҩt tӕt nhҩt các sҧn phҭm hoҥt
ÿӝng vӟi sӕ tiӅn ít nhҩt.
- Giҧm chi phí sӱ dөng và xây dӵng mҥng (hiӋu ӭng mҥng): khi mӝt sҧn phҭPÿLYjRVӱ
dөng rӝQJUmLKѫQQJѭӡi tiêu dùng sӱ dөng nó hiӋu quҧ KѫQYuKӑ quen thuӝc vӟi nó. Mӝt
máy fax trên thӃ giӟi không thӇ OjPÿѭӧFJuQKѭQJQӃu mӑLQJѭӡLÿӅu có mӝt chiӃc máy
này, hӑ sӁ xây dӵng mӝt mҥQJOѭӟi truyӅn thông ngày càng hiӋu quҧ. Mӝt ví dө khác là
các tài khoҧn email; Càng có nhiӅu mҥng, mҥng càng hiӋu quҧ, thì chi phí cho mӛi tiӋn ích
sӱ dөng cӫa mӑLQJѭӡi càng thҩp.
- HiӋu ӭng trҧi nghiӋPÿѭӧc chia sҿ: hiӋu ӭQJÿѭӡng cong trҧi nghiӋPÿѭӧc cӫng cӕ khi hai
hoһc nhiӅu sҧn phҭm chia sҿ mӝt hoҥWÿӝng hoһc tài nguyên chung. Bҩt kǤ hiӋu quҧ nào
7
hӑFÿѭӧc tӯ mӝt sҧn phҭPÿӅu có thӇ ÿѭӧc áp dөng cho các sҧn phҭPNKiF ĈLӅu này liên
TXDQÿӃn nguyên tҳc ít gây ngҥc nhiên nhҩt.)
ViӋc sӱ dөQJÿѭӡng cong hӑc tұp giúp các công ty biӃt mӝt nhân viên kiӃPÿѭӧc bao nhiêu
mӛi giӡ và có thӇ rút ra chi phí sҧn xuҩt mӝWÿѫQYӏ sҧn phҭm duy nhҩt dӵa trên sӕ giӡ cҫn thiӃt.
Mӝt nhân viên có vӏ trí tӕt, nӃu thӵc hiӋn công viӋc thành công sӁ giҧm chi phí cӫa công ty trên
mӛLÿѫQYӏ sҧn phҭm theo thӡi gian. Các doanh nghiӋp có thӇ sӱ dөQJÿѭӡng cong hӑc tұp ÿӇ
tiӃn hành lұp kӃ hoҥch sҧn xuҩt, dӵ báo chi phí và lӏch trình hұu cҫn.
2.1.2
Logistic Regression (Classification)
3KѭѫQJSKiSKӗi quy logistic là mӝt mô hình hӗi quy nhҵm dӵ ÿRiQJLiWUӏ ÿҫu ra rͥi r̩c (discrete
target variable) y ӭng vӟi mӝt véc-Wѫÿҫu vào x. ViӋFQj\WѭѫQJÿѭѫQJYӟi chuyӋn phân loҥLFiFÿҫu
vào x vào các nhóm y WѭѫQJӭng. (6)
HiӋu quҧ sҧn xuҩWODRÿӝng (EFF) OjJLiWUӏWURQJÿRҥQ>@&iFFKX\rQJLDÿm[k\GӵQJPӝW
P{KuQKKӗLTX\YӟLÿӗWKӏJLӟLKҥQÿѭӧFKLӋXTXҧVҧQ[XҩWWӯÿӃQ&өWKӇQKѭErQGѭӟL
ĈѭӡQJKӑFWұS
60.0%
+LӋXTXҧVҧQ[XҩW
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
7XҫQOjPYLӋF
Hình 2-1 0{KuQKÿѭӡQJFRQJKӑFWұS
3KѭѫQJWUuQK ÿѫQELӃQ FӫDP{KuQKQj\QKѭVDX (6):
P=
ഁబశഁభೣ
ଵା ഁబశഁభ ೣ
7URQJÿy
8
(2-1)
3OjKLӋXTXҧVҧQ[XҩW(II
ȕOjKӋVӕKӗLTX\
[OjELӃQSKөWKXӝF
7X\QKLrQWURQJWKӵFWӃKLӋXTXҧVҧQ[XҩWNK{QJSKҧLSKөWKXӝFYjR\ӃXWӕPjQKLӅX\ӃX
WӕGRÿyWDFySKѭѫQJWUuQKÿDELӃQQKѭVDX (6):
P=
2.1.3
ഁబశഁభೣభ శഁమೣమ శڮశഁ ೣ
ଵା ഁబశഁభೣభశഁమೣమ శڮశഁ ೣ
(2-2)
ĈiQKJLiÿ˱ͥng h͕c t̵p
Công thӭc tính hӋ sӕ 5EuQKSKѭѫQJ[Xҩt phát tӯ êWѭӣng: toàn bӝ sӵ biӃn thiên cӫa biӃn phө
thuӝFÿѭӧc chia làm hai phҫn: phҫn biӃn thiên do hӗi quy và phҫn biӃn thiên không do hӗi quy
(còn gӑi là phҫQGѭ (6)
ܴଶ ൌ ͳ െ
ாௌௌ
்ௌௌ
(2-3)
RSS (Regression Sum of Squares): tәQJFiFÿӝ lӋFKEuQKSKѭѫQJgiҧi thích tӯ hӗi quy
ESS (Residual Sum of Squares): tәQJFiFÿӝ lӋFKEuQKSKѭѫQJSKҫQGѭ
TSS (Total Sum of Squares): tәQJFiFÿӝ lӋFKEuQKSKѭѫQJWRjQEӝ
Giá trӏ 5EuQKSKѭѫQJGDRÿӝng tӯ ÿӃQ5EuQKSKѭѫQJFjQJJҫQWKuP{KuQKÿm[k\
dӵng càng phù hӧp vӟi bӝ dӳ liӋu dùng chҥy hӗLTX\5EuQKSKѭѫQJFjQJJҫQWKuP{KuQKÿm
xây dӵng càng kém phù hӧp vӟi bӝ dӳ liӋu dùng chҥy hӗLTX\7Uѭӡng hӧSÿһt biӋWSKѭѫQJ
trình hӗLTX\ÿѫQELӃn (chӍ có 1 biӃQÿӝc lұS WKu5FKtQKOjEuQKSKѭѫQJFӫa hӋ sӕ WѭѫQJTXDQ
r giӳa hai biӃQÿy
Giҧ sӱ 5EuQKSKѭѫQJOjWKuP{KuQKKӗi quy tuyӃn tính này phù hӧp vӟi tұp dӳ liӋu ӣ
mӭc 60%. Nói cách khác, 60% biӃn thiên cӫa biӃn phө thuӝFÿѭӧc giҧi thích bӣi các biӃQÿӝc
lұp. 7K{QJWKѭӡQJQJѭӥng cӫa R2 phҧi trên 50YuQKѭWKӃ mô hình mӟi phù hӧp. Tuy nhiên
tùy vào dҥng nghiên cӭXQKѭFiFP{KuQKEjLWRiQ, không phҧi tҩt cҧ các hӋ sӕ 5ÿӅu bҳc buӝc
phҧi thӓa mãn lӟQKѫQ (Do rҩWNKyÿӇ dӵ ÿRiQJLiYjQJJLiFә phiӃu mà chӍ ÿѫQWKXҫn
dӵa vào các biӃQÿӝc lұp ví dө GDP, ROA, 52(« .
&jQJÿѭDWKrPQKLӅu biӃn vào mô hình, mһFGFKѭD[iFÿӏnh biӃQÿѭDYjRFyêQJKƭDKD\
không thì giá trӏ R2 sӁ WăQJ/êGROjNKLFjQJÿѭDWKrPELӃn giҧi thích vào mô hình thì sӁ càng
khiӃn phҫQGѭJLҧm xuӕng (vì bҧn chҩt nhӳng gì không giҧLWKtFKÿѭӧFÿӅu nҵm ӣ phҫQGѭ GR
vұ\WăQJWKrPELӃn sӁ khiӃn tәQJEuQKSKѭѫQJSKҫQGѭ (Residual Sum of Squares) giҧm, trong
9
- Xem thêm -
.PDF 
59 
1 
100 
