25. Dữ liệu nhà máy chưa chuẩn có thể số hóa và ứng dụng AI được không?

I. Dữ liệu chưa chuẩn là tình trạng phổ biến trong nhà máy

1. Nhà máy thường có nhiều dữ liệu, nhưng chưa chắc là dữ liệu dùng được

Nhiều doanh nghiệp sản xuất nghĩ rằng mình “chưa có dữ liệu”. Thực ra, nhà máy thường có rất nhiều dữ liệu. Vấn đề là dữ liệu nằm rải rác và không đủ chuẩn để phân tích.

Dữ liệu có thể nằm trong Excel sản xuất, phiếu bảo trì giấy, ERP, file kế hoạch, PLC, SCADA, camera, máy đo, phiếu kiểm chất lượng, kho vật tư, email khiếu nại khách hàng, biên bản giao ca hoặc kinh nghiệm của kỹ thuật viên lâu năm.

Nhưng khi cần trả lời một câu hỏi quản lý, dữ liệu lại không kết nối được. NIST khi nói về digital thread trong Smart Manufacturing mô tả tình trạng các “silo” thông tin trong nhiều quy trình vòng đời sản phẩm đang dần được kết nối để tạo thành luồng thông tin số, nhưng khoảng trống trong luồng dữ liệu vẫn cản trở việc sử dụng thông tin ở quy mô toàn doanh nghiệp.

2. Dữ liệu chưa chuẩn thường xuất hiện ở các danh mục nền

Các lỗi dữ liệu phổ biến nhất thường nằm ở danh mục nền. Đây là những dữ liệu có vẻ đơn giản nhưng ảnh hưởng rất lớn đến báo cáo và phân tích.

• Mã thiết bị: cùng một máy nhưng bảo trì gọi “MAY_EP_01”, sản xuất gọi “Máy ép 1”, kho phụ tùng gọi “EP01”.
• Mã sản phẩm: ERP dùng một mã, sản xuất dùng tên rút gọn, chất lượng dùng tên khách hàng.
• Mã công đoạn: mỗi dây chuyền đặt tên khác nhau.
• Nguyên nhân dừng máy: nhập tự do nên cùng một lỗi có nhiều cách ghi.
• Mã lỗi chất lượng: lỗi “trầy xước”, “xước”, “scratch” được ghi thành ba nhóm khác nhau.
• Mã phụ tùng: cùng một linh kiện có nhiều mã vì mua từ nhiều nhà cung cấp.
• Ca sản xuất: dữ liệu không thống nhất về thời điểm bắt đầu, kết thúc và ca đêm qua ngày.

3. Dữ liệu chưa chuẩn không phải là lý do để đứng yên

Một số doanh nghiệp trì hoãn số hóa vì nghĩ rằng phải làm sạch toàn bộ dữ liệu trước. Ý định này đúng ở chỗ dữ liệu cần được cải thiện, nhưng sai ở cách triển khai nếu cố làm quá rộng.

Cách thực tế hơn là chuẩn hóa dữ liệu theo từng use case. Chọn bài toán trước, xác định dữ liệu bắt buộc cho bài toán đó, chuẩn hóa phạm vi nhỏ, chạy thật, đo thật, rồi mở rộng.

II. Vì sao không nên làm sạch toàn bộ dữ liệu cùng lúc?

1. Phạm vi quá lớn làm đội ngũ mất tập trung

Dữ liệu nhà máy có rất nhiều lớp: sản xuất, bảo trì, chất lượng, kho, năng lượng, kế hoạch, thiết bị, vật tư, nhân sự ca kíp, khách hàng, nhà cung cấp. Nếu cố chuẩn hóa tất cả ngay từ đầu, đội dự án sẽ nhanh chóng bị quá tải.

2. Làm sạch dữ liệu tách khỏi vận hành dễ không bền

Dữ liệu không tự sạch mãi. Nếu quy trình vận hành vẫn cho phép nhập tự do, không có người xác nhận, không có danh mục chuẩn, không có kiểm tra định kỳ, dữ liệu sẽ bẩn trở lại. Vì vậy, chuẩn hóa dữ liệu phải đi cùng quy trình: ai được tạo mã, ai duyệt mã, ai được sửa, dữ liệu nào bắt buộc, khi nào khóa dữ liệu, ai chịu trách nhiệm nếu thiếu dữ liệu.

3. Làm sạch toàn bộ dữ liệu trước khi có use case thường khó chứng minh giá trị

Nếu dự án dữ liệu chỉ nói về chuẩn hóa mã và làm sạch bảng danh mục, rất khó duy trì sự ủng hộ trong thời gian dài. Ngược lại, nếu chuẩn hóa dữ liệu phục vụ một use case cụ thể, giá trị sẽ rõ hơn: chuẩn hóa nguyên nhân dừng máy để biết top downtime, chuẩn hóa mã thiết bị để theo dõi MTBF/MTTR, chuẩn hóa mã lỗi để phân tích lỗi lặp lại, chuẩn hóa mã phụ tùng để giảm thiếu phụ tùng hoặc chuẩn hóa lô sản xuất để truy xuất nhanh hơn.

III. Bắt đầu bằng một use case cụ thể: nguyên tắc quan trọng nhất

1. Use case giúp xác định dữ liệu nào cần chuẩn trước

Một use case là một bài toán vận hành cụ thể mà nhà máy muốn cải thiện. Ví dụ: phân tích dừng máy trên một dây chuyền, quản lý bảo trì nhóm thiết bị trọng yếu, theo dõi sản lượng và tiến độ theo ca, truy xuất lỗi chất lượng theo lô, kiểm soát tồn kho phụ tùng quan trọng, phát hiện tiêu thụ năng lượng bất thường hoặc AI hỗ trợ kỹ thuật viên tra cứu tài liệu máy.

2. Use case tốt phải có KPI đo được

Một use case nên gắn với KPI rõ. Không nhất thiết KPI phải cải thiện mạnh ngay trong giai đoạn đầu, nhưng phải đo được.

OEE = Availability x Performance x Quality
MTBF = Tổng thời gian vận hành / Số lần hỏng
MTTR = Tổng thời gian sửa chữa / Số lần sửa chữa
Tỷ lệ lỗi sản phẩm = Số sản phẩm lỗi / Tổng số sản phẩm sản xuất x 100%
Tỷ lệ dữ liệu đầy đủ = Số bản ghi đủ thông tin bắt buộc / Tổng số bản ghi x 100%

3. Use case nên có người dùng thật

Dữ liệu chỉ được duy trì khi có người dùng. Nếu một dashboard không ai xem, dữ liệu đầu vào sẽ nhanh chóng bị bỏ bê. Vì vậy, mỗi use case cần xác định người dùng thật: quản đốc, trưởng bảo trì, QA/QC, thủ kho hoặc ban giám đốc. Khi người dùng thật đặt câu hỏi bằng dữ liệu, chất lượng dữ liệu sẽ được cải thiện tự nhiên hơn.

IV. Chuẩn hóa dữ liệu cho bài toán dừng máy

1. Vì sao downtime là use case phù hợp để bắt đầu?

Dừng máy là một trong những bài toán thực tế nhất để bắt đầu số hóa dữ liệu. Nó liên quan trực tiếp đến OEE, sản lượng, tiến độ, bảo trì, kế hoạch và chi phí vận hành. Nếu chuẩn hóa dữ liệu downtime trên một dây chuyền, nhà máy có thể biết: máy nào dừng nhiều, thời điểm nào dừng nhiều, nguyên nhân nào lớn nhất, dừng do thiết bị hay do chờ vật tư, chờ QC, đổi mã hàng, vệ sinh hay thiếu người.

2. Nhóm dữ liệu cần chuẩn hóa

Với bài toán dừng máy, không cần chuẩn hóa toàn bộ dữ liệu nhà máy. Cần tập trung vào các nhóm sau: danh mục dây chuyền, danh mục máy hoặc trạm, ca sản xuất, lệnh sản xuất hoặc mã sản phẩm nếu có, thời gian bắt đầu dừng, thời gian kết thúc dừng, nhóm nguyên nhân dừng cấp 1, nguyên nhân dừng chi tiết cấp 2, bộ phận chịu trách nhiệm, người ghi nhận và người xác nhận.

3. KPI và báo cáo nên dùng

Tỷ lệ downtime = Thời gian dừng máy / Tổng thời gian sản xuất x 100%
Availability = Thời gian chạy thực tế / Thời gian sản xuất kế hoạch

Ngoài ra có thể theo dõi top nguyên nhân dừng, downtime theo máy, theo ca, theo mã hàng và tỷ lệ sự kiện dừng có nguyên nhân chuẩn.

V. Chuẩn hóa dữ liệu cho bài toán bảo trì

1. Bảo trì cần dữ liệu nền trước khi nói đến bảo trì dự đoán

Nhiều nhà máy muốn ứng dụng AI trong bảo trì dự đoán, nhưng dữ liệu bảo trì cơ bản chưa đủ. Lịch sử sửa chữa thiếu nguyên nhân, phiếu bảo trì không ghi thời gian hoàn thành, phụ tùng không liên kết với thiết bị, PM thực hiện nhưng không cập nhật kết quả.

IBM mô tả bảo trì dự đoán dựa trên AI là cách dùng dữ liệu thời gian thực, cảm biến IoT và phân tích nâng cao để dự báo khi nào thiết bị cần can thiệp. Điều này cho thấy AI bảo trì cần dữ liệu vận hành và dữ liệu thiết bị đủ đáng tin, không chỉ cần thuật toán.

2. Nhóm dữ liệu bảo trì cần chuẩn hóa

Với bảo trì, dữ liệu nền quan trọng gồm: mã thiết bị, tên thiết bị, vị trí lắp đặt, nhóm thiết bị, mức độ quan trọng, loại công việc, loại sự cố, nguyên nhân hỏng, hành động xử lý, thời gian bắt đầu sự cố, thời gian bắt đầu sửa, thời gian hoàn thành, phụ tùng sử dụng, người thực hiện và trạng thái phiếu bảo trì.

3. KPI bảo trì nên theo dõi sau khi chuẩn hóa

MTBF = Tổng thời gian vận hành / Số lần hỏng
MTTR = Tổng thời gian sửa chữa / Số lần sửa chữa
Tỷ lệ PM đúng hạn = Số lệnh PM hoàn thành đúng hạn / Tổng số lệnh PM x 100%
Tỷ lệ phiếu bảo trì đầy đủ = Số phiếu có đủ thông tin bắt buộc / Tổng số phiếu bảo trì x 100%

VI. Chuẩn hóa dữ liệu cho bài toán chất lượng

1. Dữ liệu chất lượng cần ngữ cảnh

Dữ liệu chất lượng không chỉ là số lượng sản phẩm lỗi. Một lỗi chỉ có giá trị phân tích khi được gắn với ngữ cảnh: lỗi xảy ra ở công đoạn nào, lô nào, máy nào, ca nào, mã hàng nào, nguyên liệu nào, tiêu chuẩn kiểm nào, người kiểm nào và hành động xử lý ra sao.

2. Nhóm dữ liệu cần chuẩn hóa

Với chất lượng, nhà máy nên chuẩn hóa mã sản phẩm, lô sản xuất, công đoạn kiểm, tiêu chuẩn kiểm, mã lỗi, mức độ lỗi, số lượng lỗi, người kiểm, máy hoặc dây chuyền liên quan, ca sản xuất, nguyên nhân sơ bộ, hành động khắc phục và trạng thái NCR/CAPA nếu có.

3. KPI chất lượng nên theo dõi

Tỷ lệ lỗi sản phẩm = Số sản phẩm lỗi / Tổng số sản phẩm sản xuất x 100%
Tỷ lệ rework = Số sản phẩm phải làm lại / Tổng số sản phẩm sản xuất x 100%
Tỷ lệ lỗi theo công đoạn = Số lỗi tại công đoạn / Tổng số lỗi x 100%

VII. Chuẩn hóa dữ liệu cho sản xuất và MES

1. MES cần dữ liệu sản xuất có cấu trúc

MES thường là bước quan trọng trong số hóa sản xuất vì giúp quản lý lệnh sản xuất, sản lượng, tiến độ, WIP, downtime, OEE và truy xuất tại xưởng. SAP mô tả MES là hệ thống giám sát, theo dõi, ghi nhận và kiểm soát quá trình sản xuất từ nguyên liệu đến thành phẩm, đồng thời là lớp chức năng giữa ERP và hệ thống điều khiển sản xuất.

2. Nhóm dữ liệu sản xuất cần chuẩn hóa

Mã sản phẩm, lệnh sản xuất, dây chuyền, máy, công đoạn, ca sản xuất, định mức sản lượng hoặc cycle time, sản lượng đạt, sản lượng lỗi, thời gian chạy, thời gian dừng, nguyên nhân dừng, trạng thái lệnh sản xuất và người vận hành hoặc tổ sản xuất nếu cần.

3. KPI sản xuất nên theo dõi

OEE = Availability x Performance x Quality
Tỷ lệ hoàn thành kế hoạch = Sản lượng thực tế / Sản lượng kế hoạch x 100%
Tỷ lệ lỗi = Sản phẩm lỗi / Tổng sản phẩm sản xuất x 100%
Cycle time thực tế = Tổng thời gian sản xuất / Số sản phẩm hoàn thành

VIII. AI có thể làm gì khi dữ liệu chưa chuẩn?

1. Có thể làm, nhưng nên chọn use case ít rủi ro và phạm vi hẹp

Dữ liệu chưa chuẩn không có nghĩa là không thể ứng dụng AI. Nhưng không nên bắt đầu bằng các mục tiêu lớn như “AI tối ưu toàn bộ nhà máy” hoặc “AI dự đoán mọi sự cố thiết bị”. Thay vào đó, có thể bắt đầu bằng các use case hẹp hơn như AI hỗ trợ tra cứu tài liệu kỹ thuật, AI phân loại ghi chú lỗi, AI gợi ý kiểm tra phiếu bảo trì thiếu dữ liệu, AI tóm tắt lịch sử sửa chữa hoặc AI hỗ trợ tạo báo cáo.

2. AI có thể hỗ trợ chuẩn hóa dữ liệu, nhưng không thay thế quản trị dữ liệu

AI có thể hỗ trợ gợi ý nhóm nguyên nhân dừng máy từ ghi chú tự do, phát hiện tên thiết bị trùng, gợi ý chuẩn hóa mô tả lỗi, tóm tắt phiếu bảo trì hoặc tìm bản ghi thiếu thông tin. Nhưng nhà máy vẫn cần người nghiệp vụ xác nhận và kỷ luật dữ liệu vẫn phải thuộc về tổ chức.

3. AI dự đoán cần dữ liệu tốt hơn AI hỗ trợ tra cứu

Không phải AI nào cũng yêu cầu cùng một mức độ dữ liệu. AI tra cứu tài liệu có thể bắt đầu với manual và quy trình nội bộ đã được rà soát. Nhưng AI dự đoán hỏng hóc, dự báo lỗi chất lượng hoặc tối ưu kế hoạch sản xuất sẽ cần dữ liệu lịch sử đủ dài, cảm biến ổn định, nhãn sự kiện đúng, thông tin ngữ cảnh đầy đủ và quy trình phản hồi rõ.

IX. Khung 8 bước để bắt đầu khi dữ liệu chưa chuẩn

1. Chọn một use case đầu tiên.
2. Xác định quyết định quản lý cần cải thiện.
3. Liệt kê dữ liệu bắt buộc.
4. Chuẩn hóa danh mục nhỏ.
5. Thiết kế quy trình nhập và xác nhận dữ liệu.
6. Chạy pilot trong phạm vi nhỏ.
7. Đo cả KPI vận hành và KPI dữ liệu.
8. Mở rộng sau khi dữ liệu ổn.

X. Những sai lầm cần tránh khi dữ liệu chưa chuẩn

• Chờ dữ liệu hoàn hảo mới bắt đầu.
• Làm sạch dữ liệu như một dự án tách khỏi sản xuất.
• Triển khai dashboard khi dữ liệu chưa đáng tin.
• Dùng AI để che lấp dữ liệu yếu.
• Không phân quyền tạo và sửa dữ liệu nền.

Khi dữ liệu chưa chuẩn, điều quan trọng là bắt đầu đúng phạm vi, đúng use case và đúng người dùng, thay vì cố giải quyết mọi thứ trong một bước.

XI. Vai trò của Vietsoft và E-book trong lộ trình chuẩn hóa dữ liệu

1. Số hóa nên bắt đầu từ dữ liệu phục vụ vận hành

Với doanh nghiệp sản xuất tại Việt Nam, cách tiếp cận thực tế không phải là xây một “dự án dữ liệu” quá lớn ngay từ đầu. Hãy bắt đầu từ nơi dữ liệu giúp quản lý ra quyết định tốt hơn: sản xuất, bảo trì, chất lượng, kho, năng lượng hoặc một use case AI hẹp.

2. E-book giúp nhà máy chọn use case và nhóm dữ liệu cần chuẩn hóa

E-book “Từ Số Hóa Đến AI – Sổ tay thực tế giúp nhà máy xây dựng lộ trình Smart Factory hiệu quả” của Vietsoft có thể hỗ trợ doanh nghiệp tự rà soát: nhà máy đang đau ở đâu, dữ liệu liên quan đang nằm ở đâu, dữ liệu nào chưa chuẩn, ai sẽ dùng dữ liệu và nên bắt đầu từ use case nào.

XII. Kết luận: Dữ liệu chưa chuẩn không cản số hóa, nhưng quyết định cách bắt đầu

1. Nhà máy vẫn có thể bắt đầu ngay

Dữ liệu chưa chuẩn là tình trạng phổ biến. Nó không phải lý do để đứng yên. Điều quan trọng là không bắt đầu bằng một phạm vi quá lớn hoặc một use case AI quá tham vọng.

2. Chuẩn hóa dữ liệu phải gắn với nhu cầu vận hành

Chuẩn hóa dữ liệu không nên là bài tập kỹ thuật riêng lẻ. Nó phải gắn với KPI, người dùng và quyết định quản lý. Dữ liệu downtime phải giúp giảm dừng máy. Dữ liệu bảo trì phải giúp quản lý thiết bị tốt hơn. Dữ liệu chất lượng phải giúp truy xuất và giảm lỗi. Dữ liệu kho phải giúp giảm thiếu vật tư. Dữ liệu sản xuất phải giúp quản lý tiến độ và OEE.

FAQ