Diễn đàn

Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới

Thảo Lâm 27/12/2022 11:39

Giá trị của dữ liệu lớn nằm ở việc một tổ chức có thể rút ra thông tin chi tiết từ dữ liệu và biến nó thành việc tạo ra doanh thu hoặc tiết kiệm chi phí có thể đo lường được như thế nào. Mặc dù có một số cách để thực hiện điều này, nhưng bài viết này tập trung vào việc trích xuất giá trị từ Benchmarking (điểm chuẩn), sử dụng phương pháp tiếp cận tiêu chuẩn vì nó liên quan đến thế giới của các thiết bị kết nối IoT và dữ liệu lớn.

benchmarking.png

Tóm tắt nội dung:

- Thách thức về dữ liệu lớn: nắm bắt và lưu trữ; quyết định xem phải làm gì với dữ liệu.

- Benchmarking là phương pháp mang tính liên tục trong việc đánh giá, cải tiến sản phẩm, dịch vụ và các thói quen nhằm đạt được vị trí dẫn đầu trong ngành, lĩnh vực nào đó.

- Ưu điểm Benchmarking với dữ liệu IoT: Mức độ chi tiết chưa từng có; Không mất thời gian chờ đợi; Xác định điểm chuẩn trên nhiều thiết bị; Chất lượng dữ liệu; Hiểu các sắc thái dữ liệu.

- Nghiên cứu điển hình Điểm chuẩn IoT của một công ty giao vận: 6 giai đoạn của đo điểm chuẩn: Chọn khu vực để làm điểm chuẩn; Xác định các chỉ số hiệu năng chính; Chọn nhóm điểm chuẩn; Thu thập dữ liệu; Phân tích dữ liệu; Thực hiện.

- Khuyến nghị: Cách duy nhất để thực hiện những cải tiến rõ rệt trong doanh nghiệp là bắt đầu bằng việc đo lường. IoT là nền tảng cho quá trình này.

Tác giả trích dẫn

Thách thức về dữ liệu lớn

Dữ liệu lớn có thể là một viễn cảnh khó khăn đối với nhiều nhà lãnh đạo doanh nghiệp (DN) ngày nay. Sau khi chinh phục thử thách nắm bắt và lưu trữ một lượng lớn dữ liệu, việc quyết định xem phải làm gì với dữ liệu đó lại là một trở ngại khác. Sự thiếu rõ ràng có thể khiến một dự án đi vào bế tắc, khiến tiềm năng to lớn trong các hệ thống dữ liệu lớn này chưa được khai thác. Các nghiên cứu cho thấy thách thức này không phải là hiếm; trên thực tế, nhiều người phải vật lộn với việc đưa dữ liệu lớn vào sử dụng:

- Chỉ 23% người được hỏi trong một cuộc khảo sát gần đây cho biết họ đã sử dụng hơn 3/4 dữ liệu lớn có sẵn của mình. [1]

- 59% những người được khảo sát hiểu giá trị của phân tích dữ liệu lớn, nhưng không thể định lượng hoặc truyền đạt giá trị đó trong phạm vi có thể được đảm bảo mua lại (buy-in) từ tổ chức. [2]

- 58% giám đốc điều hành DN và công nghệ được PwC khảo sát cho biết “chuyển từ dữ liệu sang thông tin chi tiết là một thách thức lớn”. [3]

Biến dữ liệu thành lợi thế kinh doanh với IoT và dữ liệu lớn

Biết cách tận dụng dữ liệu có tầm quan trọng lớn hơn nữa khi chúng ta ngày càng kết nối nhiều hơn. Internet of Things (IoT) đang nhanh chóng mở rộng. Theo nghiên cứu của McKinsey, IoT có tiềm năng tạo ra giá trị kinh tế từ 4000 - 11.000 tỷ USD tính đến năm 2025. Sự phát triển của IoT có thể thay đổi hoàn toàn mọi khía cạnh cuộc sống từ nhà máy, đô thị, chuỗi bán lẻ và cả chính con người. 

Số lượng các thiết bị IoT trong đời sống sẽ không ngừng gia tăng và đến một ngày nào đó IoT được cho là sẽ bao trùm mọi thứ trên thế giới. Một lượng dữ liệu đáng kinh ngạc đang được đẩy lên đám mây từ ngày càng nhiều thiết bị được kết nối trên khắp thế giới. Theo nghiên cứu của công ty nghiên cứu thị trường Statista, thế giới sẽ có 75 tỷ thiết bị được kết nối Internet vào năm 2025. Tính đến hết năm 2020, ước tính có khoảng 20 tỷ thiết bị IoT trên toàn cầu và cứ mỗi giây lại có thêm 127 thiết bị được kết nối với Internet [5].

IoT và dữ liệu lớn đang chuyển đổi hoạt động kinh doanh bằng cách cung cấp quyền truy cập vào những dữ liệu mới với nhiều thông tin chi tiết và có thể tích hợp hơn bao giờ hết. Tuy nhiên, IoT làm tăng thêm độ phức tạp cho những người được giao nhiệm vụ quản lý dữ liệu lớn, vì nó có thể yêu cầu phân tích dữ liệu trên không chỉ một mà là một số nền tảng dữ liệu lớn.

Đối với các DN đang tìm cách dấn thân vào thế giới dữ liệu lớn, Benchmarking (điểm chuẩn) cung cấp một điểm đầu vào có thể truy cập được. Kiến thức thu được từ Benchmarking đặt nền tảng vững chắc cho việc ra quyết định và tìm kiếm những hiệu quả mới. Thông qua đo lường hiệu suất có thể phát hiện ra những lỗ hổng và xác định các cơ hội để cải thiện. 

Benchmark là gì?

Benchmark là chỉ số quan trọng trong nhiều lĩnh vực hiện nay, chúng đại diện cho một khía cạnh cụ thể nào đó của tổng thị trường. Benchmark hay Benchmarking trong kinh tế là một kỹ thuật quản trị nhằm cải thiện hoạt động của kinh doanh. Kỹ thuật này sẽ được dùng để so sánh tình hình hoạt động giữa các tổ chức khác nhau nhưng có hoạt động lĩnh vực tương tự nhau, hoặc giữa những bộ phận khác nhau trong cùng một tổ chức, DN.

Benchmarking là phương pháp mang tính liên tục trong việc đánh giá, cải tiến sản phẩm, dịch vụ và các thói quen nhằm đạt được vị trí dẫn đầu trong ngành, lĩnh vực nào đó. Phương pháp này cũng được định nghĩa như là một phương pháp tốt nhất trong thực tiễn giúp cho DN hoạt động một cách tốt nhất.

Cần phải biết rằng DN của bạn đang hoạt động tốt ở mức nào để so sánh với các doanh nghiệp khác. Bạn cũng cần biết nơi nào đáng bỏ thời gian và tiền bạc ra để cải tiến. Vì thế mà phương pháp benchmarking sẽ giúp bạn tìm kiếm các cơ hội để cải thiện dịch vụ hoặc giảm chi phí vì có hiệu quả.

Benchmarking với dữ liệu IoT

Khi kết hợp khái niệm về Benchmark với IoT đã tạo ra nhiều thay đổi. Cung cấp dữ liệu thời gian thực từ mạng lưới các thiết bị IoT trên khắp thế giới vào hệ thống dữ liệu lớn, có thể thúc đẩy việc tạo ra nhưng thông tin phân tích chi tiết về năng suất, hiệu quả và an toàn.

Từ năng lượng, khai thác mỏ, công nghiệp phụ trợ và tự động hóa, cho đến sản xuất công nghiệp, chăm sóc sức khỏe và quản lý vận chuyển cung ứng (fleet management), IoT đang ngày càng gia tăng mức độ tác động lớn trong các ngành công nghiệp. [7] Ví dụ, máy bay không người lái giám sát đường ống dẫn dầu ở những vùng sâu vùng xa, máy đo đường huyết không dây giúp bệnh nhân dễ dàng quản lý sức khỏe của mình tại nhà và thiết bị viễn thông trong vận tải đường bộ đảm bảo thực phẩm được giữ ở nhiệt độ thích hợp trong quá trình vận chuyển.

Những lợi thế chính của việc kết hợp Benchmark với IoT bao gồm quyền truy cập vào dữ liệu chi tiết, trong thời gian thực, với khả năng kết hợp và phân tích dữ liệu từ nhiều thiết bị hoặc cảm biến với nhau. Benchmarking IoT có những ưu điểm sau:

Mức độ chi tiết chưa từng có

Một thiết bị IoT có khả năng thu thập một lượng lớn dữ liệu và truyền dữ liệu đó lên đám mây. Thực tế cho thấy, các thiết bị giám sát từ xa (telematics) của Geotab đã thu thập hơn 1 tỷ điểm dữ liệu mỗi ngày. Trong khi, những thiết bị này chỉ đại diện cho 0,003% tổng số thiết bị được kết nối IoT trên toàn cầu, cho thấy quy mô khổng lồ của hệ sinh thái IoT. [4]

Không chỉ bởi số lượng thiết bị, mà còn bởi khối lượng dữ liệu chi tiết được trích xuất từ các thiết bị này nhằm cho phép các doanh nghiệp thực sự hiểu các khía cạnh khác nhau của DN theo cách mà trước đây không thể thực hiện được. Khả năng trích xuất giá trị bởi benchmarking sẽ ngày càng tăng lên khi có nhiều thiết bị hơn được kết nối với Internet of Things.

Không mất thời gian chờ đợi

Trước đây, các báo cáo và benchmark của ngành được xuất bản hàng tháng, hàng quý hoặc thậm chí hàng năm - có nghĩa là phải đợi hàng tuần, hàng tháng hoặc thậm chí lâu hơn. Ngày nay, với công nghệ hiện đại việc đánh giá được đặt trong tầm tay. Ngay sau khi thiết bị IoT tạo ra dữ liệu, dữ liệu đó có thể được tổng hợp và đánh giá benchmark ảo trong thời gian thực, tùy thuộc vào loại benchmark.

Xác định điểm chuẩn trên nhiều thiết bị

Việc kết hợp dữ liệu từ nhiều thiết bị để xác định một chỉ số hiệu suất cơ bản (single key performance index) sẽ cho thấy lợi ích của benchmarking. Với dạng benchmarking này, các tổ chức có thể tạo ra các số liệu có ý nghĩa trải dài theo chiều ngang của một hoặc nhiều quy trình.

Ví dụ một đô thị muốn đánh giá các hoạt động trong mùa đông, sẽ kết hợp dữ liệu từ 2 nguồn: Giám sát tài sản (khoảng cách lái xe, vị trí); Bộ điều khiển rải muối và cát trên thiết bị xe dọn tuyết (lượng vật liệu rải, ví dụ như cát hoặc muối, thời gian sử dụng và tốc độ rải).

Đô thị có thể tạo ra các benchmark trên quan điểm hoạt động (để kiểm soát chi phí chất nền) và cả môi trường (để đánh giá tác động). Đối với những đô thị hoặc các tổ chức chính phủ, việc trích xuất và phân tích dữ liệu này có thể có tác động sâu sắc đến chính sách và thực tiễn. Ví dụ, nghiên cứu năm 2009 của Cơ quan Khảo sát Địa chất Hoa Kỳ cho thấy, ước tính khoảng 40% các dòng suối đô thị ở Hoa Kỳ có mức clorua vượt quá quy định an toàn cho đời sống thủy sinh, một phần lớn là do muối đường (road salt). [8,9]

Chất lượng dữ liệu

Với rất nhiều dữ liệu có sẵn từ các thiết bị IoT, cần phải chú ý cẩn thận đến chất lượng của dữ liệu được truy xuất. Dữ liệu sai lầm sẽ đưa ra các kết luận sai lầm, tương tự có thể làm sai lệch một tình huống và dẫn đến các quyết định kinh doanh kém hiệu quả. Do đó, điều quan trọng là phải làm việc với các tổ chức có đội ngũ các nhà khoa học dữ liệu và kỹ sư, những người thường xuyên quan sát dữ liệu cho bất kỳ vấn đề chất lượng nào.

Hiểu các sắc thái dữ liệu

Việc tạo ra kết quả chính xác đòi hỏi phải hiểu rõ các sắc thái đằng sau dữ liệu được phân tích. Ví dụ: Geotab ghi lại dữ liệu bằng cách sử dụng thuật toán đường cong đã được cấp bằng sáng chế, thuật toán này ghi lại tập dữ liệu tối thiểu cần để tái tạo một chuỗi sự kiện. Các thiết bị không ghi dữ liệu mỗi X giây, nếu làm như vậy, sẽ có nguy cơ bị thiếu dữ liệu giữa các sự kiện được ghi lại. 

Một thuật toán thông minh, giống như thuật toán được sử dụng bởi Geotab, rất quan trọng để đảm bảo dữ liệu quan trọng không bị bỏ sót, đồng thời không gây quá tải cho hệ thống. Tùy thuộc vào tập dữ liệu, sẽ có những sắc thái dữ liệu xung quanh phương pháp ghi lại và hiểu rõ trước khi thực hiện Benchmarking (điểm chuẩn).

Nghiên cứu điển hình: Điểm chuẩn IoT của một công ty giao vận

Để hiểu cách xác định điểm chuẩn với dữ liệu lớn và giá trị mà nó mang lại, chúng ta xem xét một trường hợp nghiên cứu điển hình với FoodCo; thông qua quá trình xác định điểm chuẩn từ đầu đến cuối, thông qua lập kế hoạch, thu thập dữ liệu, phân tích và thực hiện. FoodCo là một công ty giao hàng thực phẩm với đội vận tải 800 xe tải và xe van. Đội vận tải có một loạt các tuyến hàng ngày cung cấp sản phẩm cho nhiều đối tượng khách hàng khác nhau, từ các nhà hàng “nhỏ và bình dân” đến các chuỗi cửa hàng ăn uống quốc tế. Cần lưu ý rằng FoodCo là một công ty giả định từ các dữ liệu thực tế để thực hiện một phân tích đại diện cho các mục đích xác định điểm chuẩn.

Thách thức của FoodCo là kiểm soát chi phí nhiên liệu và hoạt động ngày càng tăng

Mỗi xe tải đã được trang bị một thiết bị viễn thông IoT liên tục truyền dữ liệu lên đám mây. Loại dữ liệu được truyền trực tuyến bao gồm dữ liệu GPS, tốc độ, gia tốc, chẩn đoán chi tiết về động cơ bao gồm RPM của động cơ, mức sử dụng nhiên liệu, sử dụng dây an toàn, v.v.. Mục tiêu chính của công ty là giảm chi phí vận hành chuỗi cung ứng, đồng thời cải thiện sự an toàn và năng suất của đội xe.

Lưu ý về phương pháp luận

Trong phân tích điểm chuẩn này, đã sử dụng dữ liệu viễn thông do FoodCo thu thập với giải pháp quản lý đội xe nền tảng mở. FoodCo trước đây đã trang bị cho mỗi chiếc xe trong số 800 xe của mình một Geotab GO8, một thiết bị viễn thông nhỏ gọn cắm trực tiếp vào cổng OBD II của xe. Geotab GO8 gửi dữ liệu lên đám mây theo thời gian thực. FoodCo có thể dễ dàng truy cập mọi phần dữ liệu, trực tiếp từ cổng phần mềm dựa trên web hoặc thông qua giao diện lập trình ứng dụng mở (API).

Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới - Ảnh 2.

Dữ liệu đo điểm chuẩn được xử lý trong môi trường dữ liệu lớn của Geotab, tận dụng Google BigQuery. Cơ sở dữ liệu của FoodCo đã được nhập dưới dạng tham số vào một chức năng truy xuất một nhóm khách hàng tổng hợp phù hợp nhất với FoodCo từ góc độ quy mô, thành phần và mô hình thúc đẩy. Sau đó, một loạt truy vấn đã được thực thi trong BigQuery để thực hiện phân tích điểm chuẩn, sử dụng IPython/Jupyter Notebooks và Pandas để thao tác dữ liệu.

Phân tích điểm chuẩn

FoodCo sử dụng khuôn khổ Tham chiếu Hoạt động Chuỗi Cung ứng (SCOR) để quản lý và đo lường các hoạt động trong chuỗi cung ứng của mình. Mô hình SCOR tập trung vào 6 quy trình quản lý chính: Lập kế hoạch, Nguồn lực, Thực hiện, Phân phối, Trả lại và Kích hoạt [10]. FoodCo đã được giao nhiệm vụ tối ưu hóa các quy trình liên quan đến phân khúc “Giao hàng” của khung SCOR, tập trung vào việc tạo, duy trì và thực hiện đơn đặt hàng của khách hàng.

Hãy cùng xem qua 6 giai đoạn của đo điểm chuẩn để tìm hiểu cách áp dụng phương pháp tập trung vào dữ liệu cho vấn đề này.

1. Chọn khu vực để làm điểm chuẩn

FoodCo muốn giảm tổng chi phí để phục vụ khách hàng nhằm mục đích giảm chi phí hoạt động. Do đó, cần phải xác định các chỉ số điểm chuẩn liên quan đến tổng chi phí để phục vụ khách hàng.

2. Xác định các chỉ số hiệu năng chính

Xác định các chỉ số hiệu năng chính (KPI) liên quan đến việc giảm tổng chi phí để thực hiện đơn đặt hàng của khách hàng. Trong trường hợp này, có vô số KPI có thể được đánh giá, bao gồm nhưng không giới hạn: Chi phí giao hàng; Chi phí vốn con người; Chi phí Bảo dưỡng Phương tiện; Chi phí nhiên liệu; Thời gian đặt đơn hàng; % Đơn vị mỗi Đơn hàng; % Phân phối đầy đủ (DIF); % Giao hàng đúng giờ (DOT); % Giao hàng đúng hẹn trong toàn bộ (DIFOT/OTIF).

Vì KPI khác nhau giữa các tổ chức và giữa các ngành, điều quan trọng trong giai đoạn này là trước tiên phải xác định danh sách các KPI theo tiêu chuẩn của ngành và của tổ chức cụ thể liên quan đến sản phẩm hoặc quy trình muốn làm điểm chuẩn.

Khi xử lý dữ liệu IoT, cần sự tham gia của các nhà khoa học dữ liệu trong quá trình xử lý. Các nhà khoa học dữ liệu có cái nhìn sâu sắc về những chỉ số nào có thể dễ dàng lấy được từ kho dữ liệu lớn của một tổ chức và cũng có thể tăng thêm giá trị khi khám phá dữ liệu mà nhóm kinh doanh thậm chí không biết là đã thu thập. Trong trường hợp của FoodCo, cần tham chiếu chéo danh sách KPI này với những KPI mà có thể giám sát chặt chẽ thông qua thiết bị viễn thông IoT, cụ thể là chi phí nhiên liệu.

3. Chọn nhóm điểm chuẩn

Giả thuyết rằng FoodCo có thể tối ưu hóa chi phí để phục vụ khách hàng bằng cách giảm chi phí nhiên liệu. Trong quá khứ, FoodCo đã có thể tự so sánh chi phí của họ và giữa các bộ phận nội bộ. Chi phí đã giảm dần hàng tháng trong khoảng thời gian một năm - thông qua việc theo dõi tổng mức tiêu thụ nhiên liệu của đội xe, điều này đã cho thấy xu hướng giảm nhất quán. 

Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới - Ảnh 3.

Tìm kiếm các công ty có đội xe tương tự

FoodCo đang bị áp lực phải tinh gọn nhất có thể và cần đặt ra những mục tiêu gì để có thể cạnh tranh nhất có thể trên thị trường. Để làm được như vậy, họ cần phải so sánh mình với các công ty có đội xe tương tự. Một công ty có đội xe tương tự có thể cùng hoặc không cùng ngành với FoodCo. Để thiết lập một tiêu chuẩn so sánh có ý nghĩa, các công ty nên có những điểm tương đồng sau: Quy mô đội xe; Thành phần đội xe tương tự (tức là tỷ lệ xe tải so với xe tải nhẹ và xe ô tô); Mô hình lái xe.

Phân tích dữ liệu lớn

Sử dụng phân tích dữ liệu lớn, chạy một thuật toán phân loại trên hàng nghìn đội xe để sắp xếp các đội xe thành một số cụm được xác định rõ ràng. Thuật toán tương tự sẽ phân loại FoodCo cùng với cụm tương ứng của nó, do đó sử dụng dữ liệu lớn làm công cụ để tự động chọn các công ty mà điểm chuẩn sẽ được xác định. 

Việc phân loại đều dựa trên dữ liệu GPS, tốc độ, gia tốc kế và động cơ phát sinh từ thiết bị viễn thông IoT tự động liên tục đưa vào kho lưu trữ dữ liệu lớn. Geotab sử dụng Google BigQuery làm kho lưu trữ dữ liệu và sử dụng các công cụ như IPython/Jupyter, Pandas, thư viện scikit-learning và Tensorflow để tự động phân khúc khách hàng trong môi trường dữ liệu lớn thành các cụm mà trên đó có thể lấy điểm chuẩn. 

Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới - Ảnh 4.

Trong trường hợp của FoodCo, đã có thể xác định 15 công ty có quy mô, thành phần đội xe và mô hình lái xe tương tự sẽ làm cơ sở cho bài tập đo điểm chuẩn.

Lưu ý về dữ liệu điểm chuẩn

Dữ liệu đo điểm chuẩn đến từ đâu? Vào thời điểm nghiên cứu, Geotab đang xử lý hơn 1 tỷ hồ sơ mỗi ngày trên hơn 600.000 phương tiện. Đó là một lượng thông tin phong phú, một tập hợp dữ liệu đa dạng bao gồm các nhóm từ giao thức ăn đến máy cào tuyết. 

Duy trì quyền riêng tư đối với dữ liệu của khách hàng là ưu tiên hàng đầu. Geotab đã sử dụng dữ liệu tổng hợp, ẩn danh (thông tin nhận dạng cá nhân đã bị xóa, số nhận dạng phương tiện cá nhân và các đơn vị liên kết của công ty). Tất cả dữ liệu này được lưu trữ trên nền tảng dữ liệu lớn, cho phép nhóm các nhà khoa học dữ liệu đưa ra một số kết luận thực sự hấp dẫn giúp thúc đẩy phân tích dự đoán và đo điểm chuẩn.

4. Thu thập dữ liệu

Trong ví dụ này, đã tập trung vào dữ liệu điểm chuẩn phát sinh hoàn toàn từ một thiết bị IoT. Tuy nhiên, khi phát triển một mô hình phức tạp hơn để đo điểm chuẩn cho một doanh nghiệp, cần phải tích hợp nhiều luồng dữ liệu vào mô hình (cả dữ liệu từ thiết bị IoT và hệ thống kinh doanh nội bộ). Một lợi thế rõ ràng của việc kết hợp dữ liệu từ các thiết bị IoT vào điểm chuẩn là tính tự động hóa và khả năng tự cung cấp của hệ thống. Miễn là thiết bị được cài đặt, dữ liệu sẽ tự động được thu thập 24 giờ một ngày, 7 ngày một tuần. Có thể kết hợp dữ liệu IoT này với dữ liệu phát sinh từ các hệ thống cấp ba (tertiary systems) hoặc dữ liệu khảo sát, nếu có thành phần định tính trong mô hình.

Trong trường hợp của FoodCo, các chỉ số để làm điểm chuẩn nhằm: Giảm chi phí để phục vụ khách hàng; Giảm chi phí nhiên liệu - do vậy cần thu thập dữ liệu nào để bắt đầu phân tích điểm chuẩn?

Yêu cầu dữ liệu

Đây là một phần rất quan trọng của quy trình - mặc dù nó có vẻ đơn giản, nhưng cần phải lập kế hoạch cẩn thận. Bạn có thể hỏi: Chỉ thu thập dữ liệu tiêu thụ nhiên liệu từ mỗi phương tiện thì có đủ không? Mặc dù điều này chắc chắn sẽ tạo thành một trong những thành phần của phân tích, nhưng đây là nơi cần dành một lượng thời gian đáng kể cho cả nhà khoa học dữ liệu và nhà phân tích kinh doanh để xác định tất cả các cách có thể để cắt và chia nhỏ dữ liệu nhằm đưa ra các đề xuất cho giảm chi phí.

Ví dụ: Để xem xét mức tiết kiệm nhiên liệu, sẽ cần theo dõi lượng nhiên liệu tiêu thụ và quãng đường lái xe. Nếu thực sự muốn đi sâu vào dữ liệu để tìm ra nguyên nhân của việc tiết kiệm nhiên liệu kém, chúng ta có thể muốn kiểm tra hành vi lái xe và dữ liệu động cơ. 

Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới - Ảnh 5.

Một thiết bị IoT, chẳng hạn như thiết bị giám sát từ xa, có thể cực kỳ hữu ích khi thực hiện bài tập đo điểm chuẩn. Việc thu thập được nhiều dữ liệu có nghĩa là không phải thực hiện một ứng dụng mới để thu thập dữ liệu cho đo điểm chuẩn. Trong ví dụ về FoodCo, sẽ thu thập một số điểm dữ liệu khác nhau từ mỗi phương tiện để phân tích: Nhiên liệu tiêu thụ (L); Tổng quãng đường đã lái (km); Hãng chế tạo/Mô hình xe; Gia tốc Từ trước ra sau (m/s2); Gia tốc từ 2 bên (m/s2); Thời gian không hoạt động của động cơ.

5. Phân tích dữ liệu

Hiện nay FoodCo đã giảm đều đặn tổng lượng nhiên liệu sử dụng trong năm. Bây giờ, chúng ta cần xem hiệu suất của họ so với các công ty khác có đội xe tương tự. Trong phân tích dữ liệu, chúng ta sẽ đặt một loạt câu hỏi để xác định chính xác những nơi mà FoodCo thiếu hụt so với các nhóm khác, đại diện cho các cơ hội lớn nhất để cải tiến. Bằng cách nhắm mục tiêu các khu vực này, FoodCo có thể đạt được thành công tốt nhất cho chi phí của họ.

Đội xe của FoodCo bao gồm hỗn hợp xe tải và xe tải nhẹ, được chia theo nhiều loại và mẫu mã khác nhau. Chúng ta hãy xem xét trong khoảng thời gian một tháng để xem sự kết hợp của hãng/kiểu xe nào mang lại mức tiêu thụ nhiên liệu cao nhất (như được xác định theo “loại” xe). 

Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới - Ảnh 6.

Như thể hiện trong biểu đồ trên, các loại xe Loại A và Loại B cho đến nay đã tiêu thụ lượng nhiên liệu lớn nhất trong khoảng thời gian một tháng, tương ứng 278.000 USD và 131.000 USD. Bởi vì xe Loại A và Loại B cho đến nay đại diện cho mức chi tiêu nhiên liệu lớn nhất, nên phần còn lại của phân tích tập trung hoàn toàn vào Loại Xe loại A và loại B. Nhìn chung, có thể thấy đây là một cơ hội lớn để cải thiện - nếu FoodCo giảm mức tiêu thụ nhiên liệu trong những chiếc xe này, họ có thể giảm chi phí hoạt động, đó chính là mục tiêu ban đầu của họ.

Trước khi so sánh mức tiết kiệm nhiên liệu của những chiếc xe này so với nhóm điểm chuẩn, chúng ta cần tìm hiểu mức tiết kiệm nhiên liệu thực tế của chúng. Để thực hiện điều này, vẽ một biểu đồ minh họa mức tiết kiệm nhiên liệu thực tế cho từng loại phương tiện dựa trên dữ liệu được cung cấp bởi thiết bị giám sát từ xa IoT. 

Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới - Ảnh 7.

Mức tiết kiệm nhiên liệu của Loại A là 40,3 l/100km (hoặc 5,84 mpg) và LoạiB là 42,2l/ 100 km (hoặc 5,57 mpg). So với những chiếc khác trong đội xe, khả năng tiết kiệm nhiên liệu của xe Loại A và Loại B là ngang nhau. Biểu đồ này cũng cho chúng ta biết, loại C có khả năng tiết kiệm nhiên liệu kém nhất trong nhóm. Tuy nhiên, tại thời điểm này, vì xe Loại C chỉ chiếm một phần nhỏ trong tổng số xe, nên việc nhắm mục tiêu vào nhóm này sẽ không thực sự dẫn đến tiết kiệm chi phí đáng kể. Do đó, chúng ta sẽ không thực hiện bất kỳ hành động nào đối với Loại C, và sẽ tiến hành điều tra các loại xe Loại A và Loại B.

Để đánh giá mức độ tiết kiệm nhiên liệu của Loại A và Loại B là tốt hay xấu, chúng ta sẽ xem xét nó song song với nhóm điểm chuẩn, hoặc dựa trên mức tiết kiệm nhiên liệu ước tính của nhà sản xuất, nhưng điều này sẽ giúp ích rất ít trên thực tế. 

Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới - Ảnh 8.

Kết quả trên thực tế khá bất ngờ. Đối với xe Loại A, mức tiết kiệm nhiên liệu trung bình của FoodCo là 40,3 l / 100 km, trong khi điểm chuẩn chỉ là 30,63 l / 100 km (hoặc 7,68 mpg). Mức tiết kiệm nhiên liệu của FoodCo kém hơn 24% so với điểm chuẩn! Đối với Loại B, nhóm điểm chuẩn và FoodCo thực sự khá giống nhau, FoodCo có mức tiết kiệm nhiên liệu tốt hơn 0,7%. Đối với các loại xe khác, từ C đến E, mức tiết kiệm nhiên liệu đều hoặc rất gần với điểm chuẩn. 

Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới - Ảnh 9.

Lực G trung bình theo loại xe

Những kết quả này cho biết rằng FoodCo đang có cơ hội hữu hình để tiết kiệm 24% chi phí nhiên liệu đối với các xe Loại A. Giả sử 1,05 USD/lít, FoodCo chi khoảng 278K USD mỗi tháng cho nhiên liệu chỉ cho các xe Loại A. Cơ hội ở đây là khi đạt được điểm chuẩn 30,63 l/100 km có thể tiết kiệm 24% hàng tháng cho loại phương tiện này. Nếu làm được điều đó, có thể tiết kiệm được 66.720 đô la mỗi tháng - tức là 800 nghìn đô la trong khoảng thời gian một năm!

Nhiều yếu tố ảnh hưởng đến lượng nhiên liệu tiêu thụ, chẳng hạn như địa hình, trọng lượng tải, thời vụ và thói quen lái xe. Trong ví dụ này, chúng ta sẽ tập trung vào thói quen lái xe, vì các thiết bị giám sát từ xa của FoodCo đã thu thập dữ liệu liên quan đến vấn đề này.

Sử dụng dữ liệu gia tốc kế từ thiết bị giám sát, chúng ta có thể kéo xe tăng tốc theo trục X, Y và thậm chí là Z. Dữ liệu gia tốc kế sẽ cung cấp cho chúng ta một số góc nhìn về hành vi lái xe thất thường của đội xe, chẳng hạn như vào cua gắt, phanh gấp hoặc tăng tốc đột ngột (hard acceleration).

Các sự kiện của gia tốc kế được đo bằng m/s2 và có thể dễ dàng chuyển đổi thành đơn vị lực G. Vì các loại xe khác nhau phản ứng với lực G khác nhau, Geotab đã phát triển một bộ tiêu chí để xác định các trường hợp lái xe bất thường theo loại xe (xem bảng).

Bây giờ chúng ta đặt câu hỏi: Các xe Loại A của FoodCo có tỷ lệ các sự cố lái xe bất thường cao hơn các xe khác trong đoàn không? Nếu câu trả lời là “Có”, thì việc lái xe tích cực có thể là yếu tố góp phần vào mức tiết kiệm nhiên liệu dưới mức trung bình của họ.

Để xác định điều này, chúng ta không thể chỉ dựa vào số lượng sự cố. Chúng ta phải bình thường hóa số lần lái xe bất thường trên tổng quãng đường đã lái. Một số liệu phổ biến sử dụng tại Geotab là số sự cố trên 100 km. Lập biểu đồ số sự cố lái xe bất thường trung bình trên 100 km (đối với mỗi trường hợp vào cua gắt, phanh và tăng tốc) được chia nhỏ theo loại xe/kiểu xe. 

Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới - Ảnh 10.

Chúng ta có thể thấy xe loại A có điểm số lái bất thường cao hơn bình thường, với trung bình 3,01 sự cố vào cua gắt, 0,24 sự cố phanh gấp và 3,63 sự cố tăng tốc đột ngột (tất cả trên 100 km). Biểu đồ này cho thấy cần cải thiện trong đội ngũ của FoodCo. Trước khi tiếp tục, chúng ta hãy đo lường các kết quả này so với điểm chuẩn để tìm hiểu xem đây có phải là hành vi lái xe bình thường của người điều khiển xe Loại A trong một loại đội xe tương tự hay không.

Các sự cố về phanh gấp, vào cua gấp và tăng tốc đột ngột (trên 100 km) đối với xe Loại A của FoodCo cao hơn nhiều khi so sánh với xe Loại A trong nhóm điểm chuẩn. Điểm chuẩn đã xác nhận rằng đây không phải là hành vi lái xe bình thường đối với cùng một loại phương tiện trong các đội xe tương tự. Trên thực tế, các sự cố lái xe thất thường của FoodCo đối với người lái xe Loại A cao hơn 300% so với nhóm điểm chuẩn và cụ thể là đối với những trường hợp vào cua khó, con số này cao hơn 400%. 

Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới - Ảnh 11.

Thông qua các phân tích trên, đã xác định rằng các phương tiện loại A của FoodCo cần phải có tỷ lệ lái tích cực cao hơn và đây là cơ hội tốt nhất để cải thiện khả năng tiết kiệm nhiên liệu và giảm chi phí. Nếu FoodCo có thể cải thiện mức tiết kiệm nhiên liệu trung bình của họ đối với xe Loại A từ 40,3 l/100 km lên điểm chuẩn là 30,63 l/100 km, họ có thể tiết kiệm được 800.000 USD mỗi năm (dựa trên mức tiết kiệm 24% áp dụng cho khoản chi tiêu 278.000 USD hàng tháng trên loại xe đó).

6. Thực hiện

Được trang bị dữ liệu và thông tin chi tiết dựa trên phân tích điểm chuẩn, FoodCo có thể triển khai một chương trình nhắm mục tiêu để quản lý hành vi của người lái xe. Để đạt được sự cải tiến, FoodCo sẽ tập trung vào các xe Loại A trong đội xe. FoodCo có thể sử dụng giải pháp giám sát từ xa để huấn luyện tài xế và theo dõi tiến trình. Làm việc cùng với các tài xế ngay từ đầu và nhận được sự hỗ trợ từ cấp quản lý là rất quan trọng để đạt được thành công.

Các chiến lược để cải thiện chi phí nhiên liệu:

- Giám sát hành vi lái xe đối với các phương tiện thuộc Loại A. Theo dõi các chỉ số hàng tuần

vì chúng liên quan đến phanh gấp, tăng tốc và vào cua.

- Truyền đạt rõ ràng các mục tiêu của chương trình cho người lái xe, cả trên quan điểm an toàn và tiết kiệm chi phí.

- Thiết lập thông báo để thông báo cho người lái xe và quản lý khi vượt quá ngưỡng lái xe bất thường. Một công cụ phản hồi bằng lời nói trong xe như Geotab GO TALK có thể quản lý việc lái xe tích cực ngay tại chỗ bằng cách gửi cảnh báo bằng giọng nói tùy chỉnh cho người lái xe khi họ đang ngồi sau tay lái.

- Thường xuyên theo dõi tiến độ đạt chỉ tiêu. Người quản lý có thể sử dụng dashboard dữ liệu tổng quan cập nhật tự động.

Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới - Ảnh 12.

Các khuyến nghị

Công nghệ chắc chắn có thể giúp chúng ta xác định và thực hiện các hỗ trợ để tác động đến sự thay đổi, nhưng không thể bỏ qua thành phần con người. Việc thu hút sự chấp nhận của toàn công ty đối với những mục tiêu này là điều cần thiết để đảm bảo thông tin chi tiết về điểm chuẩn sẽ có tác động đến chi phí hoạt động của FoodCo.

Phân tích điểm chuẩn của FoodCo tập trung vào việc giảm chi phí của công ty để phục vụ khách hàng, cụ thể là thông qua chi phí nhiên liệu và tiết kiệm nhiên liệu. Tuy nhiên, FoodCo có thể thực hiện phân tích này sâu hơn và có thể muốn xem xét các bước tiếp theo để có thể tận dụng dữ liệu lớn hơn nữa:

- Điểm chuẩn cho động cơ chạy không tải để xác định các khu vực có thể tiết kiệm chi phí nhiên liệu.

- Phân tích dữ liệu từ các hệ thống kinh doanh khác (ví dụ: CRM, ERP) để xác định các lĩnh vực cần tiết kiệm.

- Xác định các tài sản được sử dụng kém và cơ hội kiếm tiền từ các tài sản này thông qua tổng hợp tài nguyên. 

- Xây dựng một điểm chuẩn tổng hợp bao gồm một mô hình lấy dữ liệu hoạt động từ nhiều thiết bị IoT (giám sát, cân trọng lượng, đèn hiệu, cảm biến nhiệt độ, v.v..).

Kết luận

Để tận dụng dữ liệu lớn nhằm khám phá “giá trị tiềm ẩn trong dữ liệu”, một tổ chức có thể áp dụng các phương pháp đo điểm chuẩn, thông qua việc đối sánh với các doanh nghiệp tương tự, xác định các lỗ hổng và có thể phát hiện ra các cơ hội tiết kiệm chi phí hữu hình.

Thông qua việc sử dụng dữ liệu lớn, Geotab nhận thấy nhiều cơ hội để các công ty tiết kiệm chi phí hoặc cải thiện năng suất; giảm chi tiêu nhiên liệu chỉ là một trong số đó. Có nhiều dự án dữ liệu lớn khác có thể mang lại khoản tiết kiệm tương tự, bao gồm kiểm tra các tài sản chưa được sử dụng tối ưu, định tuyến dưới mức tối ưu, bảo trì phòng ngừa và thậm chí nhiều hơn nữa khi dữ liệu này được kết hợp với dữ liệu nội bộ của chính công ty.

Cách duy nhất để thực hiện những cải tiến rõ rệt trong doanh nghiệp của bạn là bắt đầu bằng việc đo lường. IoT là nền tảng cho quá trình này.

Các thiết bị IoT như thiết bị giám sát từ xa, có thể thu thập dữ liệu bạn cần để phân tích. Hy vọng rằng phương pháp đo điểm chuẩn này, có thể giúp điều hướng dữ liệuC, đánh giá điểm chuẩn và tìm ra thông tin chi tiết cần để đưa doanh nghiệp lên một tầm cao mới.

Tài liệu tham khảo:

1. J. Zupan, “Survey of Big Data Decision Makers,” May 25, 2016.

2. D. McCafferty, “Big Data’s Biggest Challenges,” CIO Insight, May 30, 2016.

3. PwC, “Big Data: A new way to think about data – and a new way of doing business.”

4. J. Davis, “Big Data, Analytics Sales Will Reach $187 Billion by 2019,” InformationWeek, May 24, 2016.

5. https://www.vsmart.net/vi/internet-van-vat-su-kien-va- nhung-con-so/

6. Bain & Company, “Insights Management Tools: Benchmarking,” Jun. 10, 2015.

7. J. Riccio, “The top 10 industries adopting the ‘internet of things,’ August 11, 2014.

8. J. Stromberg, “What Happens to All the Salt We Dump On the Roads,” Smithsonian.com, Jan. 26, 2014.

9. J. Mullaney, D. Lorenz and A.D. Arntson, “Chloride in Groundwater and Surface Water in Areas Underlain by
the Glacial Aquifer System, Northern United States,” U.S. Geological Survey Scientific Investigations Report 2009–5086, 2009.

10. S. Grant, “Using SCOR® to Manage Supply Chain Operations,” 2016.

(Bài viết đăng ấn phẩm in Tạp chí TT&TT số 12 tháng 12/2022)

Nổi bật Tạp chí Thông tin & Truyền thông
  • Bộ TT&TT: Bổ nhiệm Tổng Biên tập Tạp chí TT&TT và hai Phó Cục trưởng
    Bộ Thông tin và Truyền thông công bố các quyết định bổ nhiệm Tổng Biên tập Tạp chí TT&TT, các Phó Cục trưởng Cục Công nghiệp Công nghệ thông tin và Truyền thông và Cục Thông tin cơ sở.
  • 5 việc làm mới được tạo ra ở châu Âu nhờ AI
    Bạn đang muốn xây dựng sự nghiệp trong lĩnh vực công nghệ phát triển nhanh nhất thế giới? Theo Đạo luật AI của Liên minh châu Âu (EU), có 5 lĩnh vực công việc tiềm năng mới mà AI mang đến cho châu Âu.
  • Ứng dụng nền tảng công nghệ cao tại Lễ khai mạc Ngày Sách và Văn hóa đọc Việt Nam 2024
    “Với nền tảng công nghệ cao để trình diễn Mapping tại Lễ Khai mạc và trưng bày sách 3D sẽ mang đến cho bạn đọc những trải nghiệm thú vị và độc đáo trong Ngày Sách và Văn hóa đọc Việt Nam lần thứ ba - năm 2024 tại Văn Miếu Quốc Tử Giám”
  • Tri ân khách hàng: Bí quyết khéo léo từ VPBank
    Trong thời đại chuyển đổi số, người tiêu dùng đặt ra nhiều yêu cầu hơn cho một ứng dụng ngân hàng. Ngoài việc cung cấp các dịch vụ tài chính an toàn, họ còn mong muốn được trải nghiệm những ưu đãi độc đáo. Và VPBank là ngân hàng có cách tri ân, dành tặng khách hàng những ưu đãi theo cách rất thú vị, tinh tế và khéo léo.
  • Báo động tấn công mã hóa dữ liệu tống tiền
    Trước các vụ tấn công mã độc tống tiền (ransomware) vào các hệ thống của công ty cổ phần chứng khoán VNDirect, PV Oil được dư luận quan tâm, tại họp báo thường kỳ tháng 4/2024 của Bộ TT&TT vừa qua, đại diện Cục An toàn thông tin cho biết, nhiều chiến dịch tấn công mã hoá dữ liệu tống tiền gần đây vào Việt Nam, tập trung vào các doanh nghiệp lớn ở các lĩnh vực như chứng khoán, tài chính ngân hàng, điện lực...
Đừng bỏ lỡ
Benchmarking hiệu năng với dữ liệu lớn: Đưa doanh nghiệp lên một tầm cao mới
POWERED BY ONECMS - A PRODUCT OF NEKO