Luận văn thạc sĩ Kỹ thuật công nghiệp: Nghiên cứu ứng dụng giải thuật simulated annealing vào tối ưu hóa hoạch định tuyến đường của một công ty giao hàng chặng cuối

ĐẠI HỌC QUỐC GIA TP HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-

LAO KHẢI KIỆN

NGHIÊN CỨU ỨNG DỤNG

GIẢI THUẬT SIMULATED ANNEALING

VÀO TỐI ƯU HÓA HOẠCH ĐỊNH TUYẾN ĐƯỜNG CỦA MỘT CÔNG TY GIAO HÀNG CHẶNG CUỐI

Chuyên ngành: KỸ THUẬT CÔNG NGHIỆP Mã số: 8520117

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 7 năm 2023

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐHQG-HCM Cán bộ hướng dẫn khoa học: T.S Nguyễn Đức Duy

Cán bộ chấm nhận xét 1: T.S Lê Song Thanh Quỳnh

2 Thư ký: T.S Dương Quốc Bửu

3 Phản biện 1: T.S Lê Song Thanh Quỳnh4 Phan biện 2: T.S Đỗ Thành Lưu

5 Ủy viên: T.S Lê Đức Đạo

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)

ĐẠI HỌC QUỐC GIA TP.HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự do - Hạnh phúcNHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: LAO KHẢI KIỆN MSHV: 2170116 Ngày, tháng, năm sinh: 05/11/1998 Nơi sinh: TP.HCM Chuyên ngành: Kỹ thuật Công nghiệp Mã số : 8520117

I TÊN ĐỀ TÀI: NGHIÊN CỨU ỨNG DỤNG GIẢI THUẬT SIMULATED

ANNEALING VÀO TỐI ƯU HÓA HOẠCH ĐỊNH TUYẾN ĐƯỜNG CỦA MỘT CÔNG TY GIAO HÀNG CHẶNG CUỐI (APPLICATION OF SIMULATED ANNEALING ALGORITHM IN OPTIMIZING THE VEHICLE ROUTING PROBLEM: A CASE STUDY)

II NHIỆM VỤ VÀ NỘI DUNG:

- Hình thành đề tài: Tìm hiểu đối tượng nghiên cứu, phân tích hiện trạng vận hành của công ty giao hàng chặng cuối, xác định nguyên nhân gốc rễ và định hướng đề tài luận văn

- Xây dựng đề tài: Tìm hiểu các giải pháp và nghiên cứu liên quan đến vấn đề, kết hợp với nhu cầu thực tế của công ty nhằm xây dựng ý tưởng mô hình giải pháp

- Thực hiện đề tài: Xây dựng mô hình toán phù hợp với vấn đề cần giải quyết, thu thập dữ liệu đầu vào cho mô hình và đánh giá tính đúng, tính hiệu quả của giải pháp Đề xuất định hướng cải tiến

III NGÀY GIAO NHIỆM VỤ : 06/02/2023

IV NGÀY HOÀN THÀNH NHIỆM VỤ: 11/06/2023V CÁN BỘ HƯỚNG DẪN: T.S Nguyễn Đức Duy

Tp HCM, ngày tháng năm 20

TRƯỞNG KHOA CƠ KHÍ

LỜI CÁM ƠN

Để có thể thực hiện thành công nghiên cứu này, trước hết tôi xin được cảm ơn tập thể các thầy cô Bộ môn Kỹ thuật hệ thống công nghiệp đã tận tâm giảng dạy các kiến thức cũng như kỹ năng trong thời gian tôi theo học chương trình Thạc sĩ tại trường Hơn hết, tôi xin chân thành gửi lời cảm ơn đến Tiến Sĩ Nguyễn Đức Duy, người thầy hướng dẫn chính cho tôi trong suốt quá trình học và thực hiện nghiên cứu đề tài luận văn này Các nhận xét, góp ý quý báu của thầy đã giúp cho tôi nhận ra những thiếu sót mà tôi mắc phải để từ đó hoàn thiện cuốn luận văn này hơn

Bên cạnh đó, tôi cũng xin được gửi lời cảm ơn đến anh chị trong doanh nghiệp đã hỗ trợ tôi trong thời gian thực tập tại bộ phận vận hành Các anh chị đã rất tận tình từ việc giới thiệu tổng quan cho đến từng quy trình hoạt động cụ thể và giá trị cốt lõi của một công ty công nghệ Nhờ đó mà nghiên cứu này cũng trở nên đầy đủ, thực tế hơn

Lần nữa, xin được cảm ơn tất cả mọi người mà tôi đã gặp trên con đường đã và đang bước đi này!

Học viên

Lao Khải Kiện

TÓM TẮT LUẬN VĂN

Khi nói đến dịch vụ giao hàng, yếu tố quan trọng nhất mà tất cả các công ty phải xem xét là nhu cầu của khách hàng Khách hàng ngày nay không chỉ muốn giao hàng là một dịch vụ chuyển hàng từ nhà bán đến tận nơi mà họ còn yêu cầu việc giao hàng phải được thực hiện trong một khung thời gian nhất định Nhu cầu nghe tuy đơn giản, nhưng để đáp ứng được nó là cả một vấn đề lớn về tính toán, lập kế hoạch và xác định nguồn lực cần thiết Đặc biệt, với các doanh nghiệp thương mại điện tử, điều này càng khó khăn hơn do lượng nhu cầu lớn, mạng lưới phân phối phức tạp và độ phủ địa lý rộng Để có thể đạt được mục tiêu ấy trong khi vẫn kiếm được lợi nhuận từ việc phục vụ khách hàng là điều khó khăn Sau đại dịch COVID-19, mua sắm trực tuyến đã trở thành một thói quen mới của khá nhiều người Do đó, nhu cầu giao hàng bùng phát Vì việc lập kế hoạch cho vấn đề này được chứng minh là NP-hard, nên việc tìm ra giải pháp tối ưu chính xác cho hoạt động hàng ngày là không khả thi Nghiên cứu này ứng dụng mô hình MDVRPTW vào định tuyến của một công ty giao hàng chặng cuối tại Việt Nam nhằm tối ưu hóa chi phí và nâng cao khả năng cạnh tranh của công ty Sử dụng thuật toán Simulated Annealing và các phương pháp được đề xuất để tạo ra các giải pháp cục bộ, mục tiêu của đề tài là giảm thiểu tổng quãng đường di chuyển trong khi đáp ứng khung thời gian của khách hàng Ngoài ra, mô hình được kiểm tra chéo bằng các công cụ nghiên cứu tối ưu của Google để kiểm tra tính hợp lệ và hiệu suất của mô hình

Từ khóa: giải thuật SA, thuật toán Greedy, VRP, khung thời gian, MDVRPTW

ABSTRACT

When it comes to delivery services, the most important factor that all companies must consider is the needs of their customers Modern customers not only want a door-to-door delivery service, but also require the delivery to be done within a certain time frame The need sounds simple, but to meet it is a big problem of calculation, planning and determining the necessary resources Especially, the E-commerce businessés have it harder due to the great demand, complex distribution network and wide geographical coverage To be able to accomplish such feat while still making a profit from serving customers is hard After the COVID-19 pandemic, online shopping has become a new habit of pretty much everyone Hence, the demand for delivery erupted As planning for this problem is proved to be NP-hard, finding the exact optimal solution for daily operation is infeasible This study applies the MDVRPTW model to the routing of a last mile delivery company in Vietnam to optimize costs and improve the company's competitiveness Using Simulated Annealing algorithm and proposed approaché to generate local solutions, the objective is to minimize total travel distance while meeting the customer’s time window In addition, the model is cross-checked using Google operation research tools to test the validity and performance of the model

Keywords: Simulated Annealing, Greedy algorithm, VRP, time windows, MDVRPTW

LỜI CAM ĐOAN

Tôi là Lao Khải Kiện, học viên cao học ngành Kỹ thuật Côn nghiệp khóa 2021 Tôi cam đoan luận văn thạc sĩ “NGHIÊN CỨU ỨNG DỤNG GIẢI THUẬT SIMULATED ANNEALING VÀO TỐI ƯU HÓA HOẠCH ĐỊNH TUYẾN ĐƯỜNG CỦA MỘT CÔNG TY GIAO HÀNG CHẶNG CUỐI” là công trình nghiên cứu của riêng tôi dưới sự hướng dẫn của T.S Nguyễn Đức Duy Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được công bố trong bất kỳ công trình nào khác

Học viên

Lao Khải Kiện

1.4 Cấu trúc luận văn 3

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT - PHƯƠNG PHÁP LUẬN 4

2.1 Cơ sở lý thuyết 4

2.1.1 Bài toán hoạch định tuyến đường MDVRPTW 4

2.1.2 Hướng tiếp cận bài toán 5

2.1.3 Giải thuật Simulated Annealing 8

3.2 Đối tượng nghiên cứu của đề tài 13

3.2.1 Dịch vụ HUB đa điểm 13

3.2.2 Quy trình tạo và thực hiện đơn hàng HUB đa điểm 13

4.2.3 Phân cụm điểm giao hàng 24

4.2.4 Mô hình quy hoạch 25

4.2.5 Giải thuật tìm kiếm SA 27

4.3 Ví dụ tính toán minh hoạ 29

4.3.1 Phân cụm khách hàng - Tạo dữ liệu đầu vào cho giải thuật SA 30

4.3.2 Khởi tạo lời giải ban đầu 31

4.3.3 Cải thiện lời giải qua giải thuật SA 36

CHƯƠNG 5 ĐÁNH GIÁ GIẢI PHÁP 41

5.1 Bộ dữ liệu và kế hoạch kiểm nghiệm 41

5.2 Kiểm định tính đúng của chương trình lập trình 42

5.3 Kiểm nghiệm hiệu quả giải pháp 44

5.4 Chất lượng lời giải 47

CHƯƠNG 6 KẾT LUẬN VÀ KIẾN NGHỊ 49

6.1 Hiệu quả của giải pháp 49

6.2 Định hướng phát triển 49

TÀI LIỆU THAM KHẢO 50

PHỤ LỤC A 52

DANH SÁCH BẢNG BIỂU

Bảng 2.1 So sánh giải thuật tìm kiếm tối ưu 7

Bảng 3.1 Thông tin các đơn hàng 16

Bảng 3.2 Chỉ số vận hành dịch vụ HUB trong 2 tuần 17

Bảng 3.3 Hiện trạng, khoảng kiểm soát và kỳ vọng của các chỉ số vận hành 17

Bảng 4.1 Yêu cầu được đặt ra cho giải pháp 22

Bảng 4.2 Thông tin khách hàng của bộ dữ liệu mẫu 29

Bảng 4.3 Tọa độ các kho của bộ dữ liệu mẫu 30

Bảng 4.4 Kết quả phân cụm của bộ dữ liệu mẫu 30

Bảng 4.5 Ma trận khoảng cách của phân cụm 2 33

Bảng 4.6 Ma trận thời gian của phân cụm 2 33

Bảng 4.7 Kiểm tra tính khả thi lời giải lân cận 39

Bảng 5.1 Tọa độ và địa chỉ các kho 41

Bảng 5.2 Tọa độ và khung thời gian các khách hàng 42

Bảng 5.3 Các bộ dữ liệu kiểm nghiệm mô hình 42

Bảng 5.4 Dữ liệu kho và điểm giao của bộ dữ liệu S10 42

Bảng 5.5 Ma trận khoảng cách của bộ dữ liệu S10 (Đơn vị: km) 43

Bảng 5.6 Ma trận thời gian của bộ dữ liệu S10 (Đơn vị: phút) 43

Bảng 5.7 Thống kê kết quả chạy kiểm nghiệm chương trình giải pháp 44

Bảng 5.8 So sánh kết quả tối ưu hóa bài toán VRPTW giữa giải pháp và OR-tools 47

DANH SÁCH HÌNH ẢNH

Hình 2.1 Mạng lưới phân phối one-to-all 4

Hình 2.2 Hướng tiếp cận phân cụm trước, định tuyến sau 6

Hình 2.3 Phương pháp luận của đề tài 10

Hình 3.1 Sơ đồ tổ chức của công ty 12

Hình 3.2 Quy trình nhận và thực hiện đơn hàng HUB 14

Hình 3.3 Tình trạng vận hành dịch vụ HUB 18

Hình 3.4 Biều đồ xương cá phân tích nguyên nhân vấn đề 21

Hình 4.1 Lưu đồ tóm tắt thuật toán lập trình 24

Hình 4.2 Quá trình giải thuật Simulated Annealing tìm kiếm lời giải tối ưu 28

Hình 4.3 Vị trí các kho và khách hàng của bộ dữ liệu mẫu 30

Hình 4.4 Kết quả phân cụm của bộ dữ liệu mẫu 31

Hình 4.5 Cách khởi tạo lời giải lân cận 38

Hình 4.6 Trạng thái lời giải hiện tại 38

Hình 4.7 Khoảng trùng khung thời gian r(x,y) 39

Hình 4.8 Lời giải lân cận sau hoán đổi 39

Hình 5.1 Vị trí các kho trên bản đồ Google Earth 41

Hình 5.2 Các điểm dữ liệu S10 và S67 trên Google Earth Pro 46

CHƯƠNG 1 GIỚI THIỆU 1.1 Đặt vấn đề

Trong ngành vận tải, có những vấn đề tuy đã xuất hiện từ lâu nhưng vẫn chưa hề biến mất vì một vài lý do nào đó COVID-19 và các tác động để lại của đối với chuỗi cung ứng đã buộc các nhà khai thác đội xe vận tải phải suy nghĩ lại về cách thức kinh doanh của họ Theo Báo cáo Logistics Việt Nam 2022, tuy gặp phải ảnh hưởng từ dịch bệnh, ngành logistics vẫn có nhiều tiềm năng để phát triển Trong đó các phân khúc giao nhận, chuyển phát được đánh giá là có cơ hội lớn khi thương mại điện tử phát triển nhanh và người tiêu dùng mua sắm trực tuyến nhiều hơn trong năm 20221 Dưới tác động của đại dịch, người tiêu dùng bắt đầu chuyển sang mua sắm trực tuyến thay cho việc mua sắm truyền thống với số lượng lớn Cụ thể, trong 9 tháng đầu năm 2022 là tổng khối lượng vận chuyển hàng hóa tăng 24.4%, luân chuyển hàng hóa tăng 31% so với cùng kỳ năm 2021 Trong đó, phương thức vận tải đường bộ, phương thức chuyển phát hàng đến trực tiếp tay người tiêu dùng, chiếm đến 72.93% tổng lượng hàng được vận chuyển2

Một sự biến đổi khác đến thương mại điện tử chính là yêu cầu về chất lượng của dịch vụ vận chuyển Trên lĩnh vực này, khách hàng quan tâm hơn cả ở 3 yếu tố: chi phí, thời gian và đóng gói Chi phí thường là yếu tố đầu tiên mà người tiêu dùng truyền thống nghĩ đến khi sử dụng một dịch vụ nào đó Nhóm khách hàng này phần lớn là thuộc thế hệ trước Họ thường đi đến nơi bán và mua trực tiếp nhằm kiểm tra chất lượng thực tế của sản phẩm cũng như để tránh chi tiêu cho vận chuyển Khác với nhóm khách hàng này, giới trẻ hiện tại - phân khúc lớn nhất trong thị trường thương mại điện tử - lại quan tâm hơn về những dịch vụ, tiện ích mà doanh nghiệp cung cấp Cán cân mà những khách hàng này sử dụng để lựa chọn nơi mua của mình là chi phí và chất lượng dịch vụ Vận chuyển hàng hóa là một điểm khác biệt nổi bật chính giữa những gã khổng lồ trong ngành bán lẻ trực tuyến đang đấu tranh để giành lợi thế trong thị trường thương mại điện tử đầy cạnh tranh Theo một khảo sát của Clutch3, gần một nửa số người tiêu dùng (45%) nói rằng việc giao hàng trễ sẽ để lại ấn tượng xấu và họ sẽ không tiếp tục mua hàng ở doanh nghiệp đã từng giao hàng trễ Giao hàng trễ có thể làm cho doanh nghiệp bị mất khách hàng, chịu ảnh hưởng về chi phí phát sinh và mất đi khả năng cạnh tranh của mình Người mua hàng thường không nắm được hoạt động vận chuyển hàng hóa từ nhà bán đến mình Họ chỉ được trải nghiệm duy nhất ở khâu giao hàng chặng

1 Bộ Công Thương, Báo cáo Logistics Việt Nam 2022, NXB Công Thương

2 Bộ Công Thương, Báo cáo Logistics Việt Nam 2022, NXB Công Thương

Logistics, Clutch Report, How Consumer Hunger for Two-Day Delivery Impacts Businesses, 1/4/2022

cuối khi mà gói hàng đến tay của mình Và đây cũng là đối tượng chính của nghiên cứu này - giao hàng chặng cuối

Một bài toán nổi bật liên quan đến hoạt động này là bài toán hoạch định tuyến đường trong các doanh nghiệp vận tải Bài toán được đề ra nhằm đáp ứng yêu cầu giao nhận của khách hàng trong khi tối ưu việc sử dụng nguồn lực của doanh nghiệp Bắt đầu với bài toán sơ khai nhất là là nghiên cứu The Traveling Salesman Problem (TSP) của David L Applegate, Robert E Bixby, Vasek Chvátal & William J Cook [1] Đây là một nghiên cứu về các mô hình giải thuật tìm đường đi tốt nhất dựa trên các ràng buộc và mục tiêu được đặt ra bằng cách liệt kê tất cả phương án khả dĩ cho bài toán TSP Mô hình Vehicle Routing Problem (VRP) do George Dantzig & John Ramser đề ra năm 1959 đã tổng quát hóa TSP để giải quyết bài toán có quy mô lớn hơn khi chỉ một chuyến đi không thể đáp ứng mọi ràng buộc của hoạt động [2]

Trong số các ràng buộc đa dạng của bài toán VRP, gần đây, nhiều nghiên cứu xây dựng, ứng dụng mô hình được thực hiện nhằm đáp ứng nhu cầu về thời điểm phục vụ các khách hàng Nghiên cứu Vehicle Routing Problem with Time Windows của Brian Kallehauge, Jesper Larsen, Oli B.G Madsen & Marius M Solomon [3] đề ra mô hình cần thiết để xác định tổ hợp các tuyến đường đi tốt nhất thỏa mãn các ràng buộc về thời gian Thêm vào đó, các doanh nghiệp thương mại điện tử và các doanh nghiệp cung cấp hàng tươi sống ngày nay thường sở hữu một mạng lưới phân phối phủ rộng trên thị trường của họ Với mô hình này, doanh nghiệp có thể đáp ứng tốt hơn yêu cầu về mặt thời gian cho các khách hàng ở xa vùng trung tâm, đảm bảo chất lượng hàng hóa và cũng để giải quyết vấn đề về mở rộng năng lực nhằm đáp ứng lương nhu cầu lớn dần theo thời gian Để xác định khách hàng nên được đưa về kho nào cho tối ưu hoạt động của doanh nghiệp, VRPTW cho nhiều kho hay MDVRPTW là một mô hình toán thích hợp dể sử dụng [3]

Tuy nhiên, với mô hình toán với biến đa chiều như MDVRPTW thì việc tính toán chính xác ra lời giải tối ưu là vô cùng khó và đòi hỏi nguồn lực lớn Điều này không thực sự tương thích với việc vận hành của nhiều doanh nghiệp và chỉ cần tìm được một lời giải đủ tốt đã đáp ứng yêu cầu của họ Đối tượng nghiên cứu của luận văn này là một công ty giao hàng chặng cuối yêu cầu việc giao hàng được thực hiện trong 6 giờ kể từ lúc nhận được nhu cầu Hiện tại, công ty có mong muốn cải thiện chất lượng dịch vụ giao hàng đúng thời điểm nhưng vẫn đảm bảo được tính tối ưu trong chi phí vận chuyển Cân nhắc về đặc trưng trong vận hành của doanh nghiệp, luận văn hình thành đề tài: “Nghiên cứu ứng dụng giải thuật

Simulated Annealing vào tối ưu hóa hoạch định tuyến đường của một công ty giao hàng chặng cuối”

1.2 Mục tiêu nghiên cứu

Mục tiêu chính của đề tài luận văn này là nghiên cứu xây dựng mô hình toán tối ưu phù hợp cho hoạt động ghép chuyến với mong muốn cải thiện chất lượng dịch vụ và cho được lời giải tối ưu Thêm vào đó, luận văn sẽ thực hiện việc phân tích đánh giá kết quả của mô hình giải pháp qua hai yếu tố chính: chất lượng lời giải và độ chính xác của giá trị hàm mục tiêu

1.3 Phạm vi nghiên cứu

Phạm vi đối tượng: Công ty giao hàng chặng cuối quy mô nội thành TP.HCM Do đề tài xét đến chi phí vận chuyển nên đối tượng chính của luận văn này là bộ phận vận hành của công ty Bài toán tập trung vào quá trình xây dựng mô hình và tìm lời giải, bỏ qua một số yếu tố bất định ảnh hưởng đến quá trình vận chuyển như thời tiết, giao thông…

Phạm vi nội dung: Nghiên cứu ứng dụng giải thuật SA vào việc giải mô hình MDVRPTW và chỉ xem xét trong quá trình hoạch định tuyến đường, chưa xét đến hoạt động vận chuyển thực tế

Phạm vi bộ dữ liệu thử nghiệm mô hình: Các đơn hàng thuộc một khung giờ trong ngày của công ty Các bộ dữ liệu dùng cho việc đánh giá và kiểm nghiệm mô hình sẽ được trích từ bộ dữ liệu trên

1.4 Cấu trúc luận văn

Nối tiếp chương này, Chương 2 sẽ trình bày sơ lược về các cơ sở lý thuyết liên quan và phương pháp luận của luận văn Chương 3 giới thiệu khái quát về đối tượng nghiên cứu và tìm hiểu hiện trạng vận hành của đối tượng, từ đó xác định vấn đề công ty đang gặp phải và đề xuất giải pháp phù hợp Chương 4 tiến hành xây dựng chi tiết mô hình giải pháp Chương 5 thực hiện đánh giá tính đúng và chất lượng của giải pháp Cuối cùng là chương 6 ghi nhận lại kết quả đạt được của luận văn cũng như những điểm cần cải thiện và bàn luận về những hướng cải tiến, nghiên cứu trong tương lai

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT - PHƯƠNG PHÁP LUẬN 2.1 Cơ sở lý thuyết

2.1.1 Bài toán hoạch định tuyến đường MDVRPTW

Trong hơn hai thập kỷ qua, có rất nhiều nghiên cứu liên quan đến việc hoạch định đường đi trên một mạng lưới “one – to – all” cho các bài toán vận chuyển Mạng lưới này là mô hình mà hàng hóa được vận chuyển từ một nhà kho đến tất cả địa điểm khách hàng bằng phương tiện vận tải và phương tiện sẽ quay trở về kho sau khi kết thúc chuyến đi của nó Hình 2.1 bên dưới là ví dụ đơn giản của sơ đồ mạng lưới one-to-all

Hình 2.1 Mạng lưới phân phối one-to-all

Một mô hình phổ biến và được sử dụng nhiều nhất là Vehicle Routing Problem Đây là mô hình toán tối ưu hóa tổ hợp cơ bản được nghiên cứu với mục đích ban đầu là hoạch định ra tuyến đường đi qua tất cả các điểm cần đến mà quãng đường di chuyển là ngắn nhất Với khái niệm đơn giản như vậy nhưng VRP là một bài toán NP-hard, tức nó là một bài toán đúng có thể tìm được lời giải nhưng vẫn rất khó để giải kể cả bằng máy tính

VRP thường xuất hiện trong các hệ thống điều phối, hoạch định tuyến đường trong một

không gian ràng buộc Mô tả một cách cơ bản [3], bài toán VRP xác định một tập hợp G gồm các cung đường A, đi qua tất cả khách hàng trong tập khách hàng C và quay lại điểm xuất phát - thường là một kho bãi Mỗi khách hàng có một nhu cầu tải hàng qi nhất định Chi phí

và khoảng cách di chuyển từ khách hàng i đến j lần lượt là cij (thường quy về khoảng cách) và

dij Hệ thống có k xe với mỗi xe chở hàng được gán các cung đường A và có giới hạn về năng lực tải Q Mục tiêu của mô hình này là cực tiểu tổng quãng đường di chuyển của đội xe Dựa

trên bài toán cơ bản này, các doanh nghiệp và nhà nghiên cứu đã phát triển nó lên các biến thể phù hợp với thực tế hơn

VRPTW là bài toán VRP mở rộng có thêm ràng buộc về thời gian ở mỗi điểm đến Tại mỗi khách hàng, ngoài ràng buộc về nhu cầu (thường là lượng hàng hóa) còn có hai giới hạn

dưới ei và trên li của thời gian mong muốn được phục vụ Mỗi khách hàng phải được phục vụ

bởi một xe trong thời gian trước li, nếu đến sớm hơn ei thì xe phải chờ một khoảng thời gian wi nhưng không vượt quá một mức quy định (nếu có) Ràng buộc thời gian này được gọi là “cứng” nếu như vi phạm nó thì bị phạt và thường không được để vi phạm, ngược lại được gọi là ràng buộc “mềm” Đối với bài toán có ràng buộc cứng, khi đưa vào mô hình toán, người ta thường đặt nó trong phần ràng buộc bắt buộc phải thỏa mãn Một cách làm khác và cũng là cách được áp dụng cho ràng buộc “mềm” là thêm một chi phí phạt vào hàm mục tiêu Và do chi phí này thường khá lớn nên với bài toán có mục tiêu cực tiểu chi phí vận chuyển người ta sẽ tránh vi phạm đến mức tối đa VRPTW phù hợp cho việc ứng dụng trong hoạt động đòi hỏi tính đúng giờ như hoạt động chuyển phát nhanh, xe buýt đưa đón học sinh/nhân viên, tuần tra, cứu hộ và tiếp tế trong thiên tai…

MDVRP là bài toán VRP mở rộng với nhiều điểm xuất phát hơn Tại đây bài toán có

tập hơp gồm d điểm xuất phát (kho), mỗi điểm xuất phát có Kd xe Với mục tiêu của MDVRP thường là cực tiểu tổng quãng đường di chuyển như bài toán VRP cơ bản hoặc thời gian cung cấp dịch vụ đến cho mọi khách hàng [4]

MDVRPTW là sự kết hợp giữa VRPTW và MDVRP Đồng thời, nó cũng là bài toán NP-hard phức tạp hơn hai biến thể gốc của nó bởi càng ràng buộc thực tế bao nhiêu thì bài toán càng khó giải bấy nhiêu Bài toán đặt ra có nhiều điểm xuất phát, một đội xe, một tập khách hàng với ràng buộc về khung thời gian cần phục vụ

2.1.2 Hướng tiếp cận bài toán

Như những bài toán NP-hard khác, tìm lời giải tối ưu toàn cục bằng phương pháp liệt kê tất cả lời giải đòi hỏi nhiều thời gian và nguồn lực tính toán Chính vì vậy, các phương pháp tìm kiếm lời giải đủ tốt sẽ được ưu tiên lựa chọn nhằm giải bài toán này

Trong nghiên cứu A Hierarchical Hybrid Meta-Heuristic Approach to Coping with Large Practical Multi-Depot VRP của Shimizu & Sakaguchi [5], nhằm cực tiểu tổng chi phí

logistics cho bài toán mở nhiều kho, tác giả đề xuất mô hình thứ bậc biến bài toán MDVRP

thành các bài toán VRP trên từng kho Nghiên cứu này giải bài toán bằng cách kết hợp saving method, giải thuật Tabu search và Minimum-cost flow, một tổ hợp các giải thuật heuristic thay

vì giải thuật chính xác Theo như kết quả của nghiên cứu, dữ liệu với kích thước (10 kho - 1000 khách hàng) có thời gian tính toán là 4,28 giờ và cho lời giải cải thiện lên đến 32.79% so với hiện trạng Điều này cho thấy, tuy bài toán được biến đổi và vùng không gian lời giải bị thu hẹp lại, kết quả cho ra vẫn rất khả quan

Như đã trình bày, MDVRPTW là bài toán MDVRP mở rộng nên tương tự với nghiên cứu trên, thay vì giải trực tiếp bài toán MDVRPTW, luận văn đề xuất thực hiện giải qua hai bước được thể hiện như trong Hình 2.2 Đầu tiên bài toán sẽ phân bố cụm các kho - khách hàng; sau đó áp dụng mô hình tối ưu VRPTW cho từng cụm kho - khách hàng

Hình 2.2 Hướng tiếp cận phân cụm trước, định tuyến sau

Tuy mô hình đã được đơn giản hóa, nhưng việc giải bài toán VRPTW vẫn được nhận xét là khó giải bằng giải thuật chính xác, đặc biệt là khi số lượng khách hàng tại mỗi kho lớn Gần đây, các nghiên cứu sử dụng giải thuật heuristics và metaheuristics nhằm giải bài toán trên xuất hiện khá nhiều Trong nghiên cứu so sánh 3 giải thuật Simulated Annealing, Genetic Algorithm và Ant Colony Optimization ứng dụng vào giải bài toán định tuyến của Sharad N Kumbharana & Gopal M Pandey [6] và Anna Maria Sri Asih, Bertha Maya Sopha & Gilang Kriptaniadewa [7] Bằng các bộ dữ liệu với kích thước khác nhau, hai nghiên cứu so sánh các giải thuật qua giá trị hàm mục tiêu, khả năng hội tụ kết quả và thời gian tính toán Ưu điểm và nhược điểm của các giải thuật khi so sánh với nhau được trình bày tóm tắt trong Bảng 2.1 Trong nghiên cứu của Anna Maria Sri Asih, PSO cũng được đưa vào để so sánh đánh giá

nhưng giải thuật này không thật sự nổi bật sao với 3 giải thuật còn lại Thêm vào đó, qua tính toán trong một ví dụ thực tế với 2 kho - 142 khách hàng trong bài báo của Anna, số liệu cho thấy rằng giải thuật SA cho kết quả cải thiện cao nhất giảm hơn 30% quãng đường di chuyển [7] Tuy nhiên, khi đánh giá qua độ hữu dụng của phương tiện giao hàng, ACO cho kết quả cao với độ hữu dụng xe hơn 90% và SA xếp thứ nhì với độ hữu dụng gần bằng 90% Dựa trên 2 tiêu chí này, SA và ACO thể hiện sự vượt trội hơn hẳn so với PSO và GA

Bảng 2.1 So sánh giải thuật tìm kiếm tối ưu Giải

SA

- Là giải thuật tìm kiếm lân cận đầu tiên có khả năng thoát ly khỏi vùng tối ưu cục bộ

- Tính toán đơn giản nên có thể quét vùng lời giải lớn nhanh chóng

- Về mặt lý thuyết, SA chắc chắn tìm được lời giải tối ưu (với điều kiện đủ nguồn lực tìm kiếm)

- Với bài toán quy mô nhỏ và khi số lần lặp chưa đủ lớn, SA cho ra kết quả khá ngẫu nhiên

- Không lưu lại lời giải tốt nhất trong suốt quá trình tìm kiếm tối ưu

- Hội tụ lời giải đòi hỏi phải trải qua nhiều lần lặp nhất so với giải thuật khác

- Phụ thuộc vào chất lượng lời giải ban đầu rất nhiều

ACO

- Tính nhớ lời giải/đặc tính tốt của lời giải thông qua việc sử dụng pheromone mà mỗi con kiến để lại mỗi lần đi tìm nguồn thức ăn

- Thời gian giải bài toán và chất lượng lời giải nằm giữa 2 giải thuật SA và GA

- Có khả năng thích nghi với sự thay đổi lớn của mạng phân phối

- Dễ dàng kết hợp với các giải thuật khác

- Tính nhớ cũng là điểm yếu khiến cho lời giải bị cục bộ nếu pheromone trên một đường đi quá dày từ những lần lặp đầu tiên

GA

- Cho lời giải tốt hơn theo thời gian và lời giải cuối cùng tốt hơn các giải thuật được so sánh

- Phù hợp với các bài toán đa mục tiêu, vùng lời giải lớn

- Nhiều thông số điều khiển giúp cho giải thuật có thể tìm kiếm được nhiều không gian lời giải hơn

- Đòi hỏi hàm mục tiêu được định nghĩa rõ ràng nhằm tránh tối ưu cục bộ

- Yêu cầu quần thể ban đầu đủ lớn, đủ đa dạng nhằm tránh tối ưu cục bộ Vì thế, để có lời giải tốt cho bài toán quy mô lớn (trên 50 điểm), giải thuật đòi hỏi thời gian rất dài để hội tụ đến lời giải tối ưu

- Tính toán phức tạp, không phù hợp cho bài toán có tính chất hay thay đổi - Có thể đánh mất gen tốt nếu điều khiển các thông số không tốt

PSO

- Ở các bài toán nhỏ, PSO cho kết quả tối ưu tốt hơn và thời gian tính toán khá tương đồng với ACO

- Thời gian tính toán nhanh, chỉ sau SA

- Khi quy mô bài toán tăng lên, PSO cho kết quả kết quả không tốt bằng cả 3 giải thuật được so sánh do hội tụ sớm

2.1.3 Giải thuật Simulated Annealing

Giải thuật Simulated Annealing là một giải thuật heuristics được sử dụng nhiều trong các bài toán tối ưu, là phương pháp tối ưu hoá có thể áp dụng để tìm kiếm lời giải tối ưu toàn cục và tránh tối ưu hoá cục bộ bằng việc chấp nhận một lời giải tệ hơn [8]

Giải thuật có nguồn gốc từ hiện tượng cơ học, hoạt động theo nguyên lý của quá trình luyện kim vật lý Trong luyện kim vật lý, kim loại được đun nóng tới nhiệt độ cao và làm lạnh từ từ để nó kết tinh ở cấu hình năng lượng thấp (tăng kích thước của tinh thể và làm giảm những khuyết điểm của chúng) Nếu việc làm lạnh không xảy ra từ từ thì chất rắn không đạt được trạng thái có cấu hình năng lượng thấp sẽ đông lạnh đến một trạng thái không ổn định (cấu trúc tối ưu cục bộ)

Theo đó, giải thuật SA sử dụng một biến điều khiển toàn cục là biến nhiệt độ T Ban đầu T ở giá trị T0 và giảm dần theo hàm số γ(k) qua lần làm nguội thứ k Trong quá trình tìm kiếm, SA thay thế lời giải hiện tại bằng cách chọn lời giải lân cận tốt hơn Tuy nhiên, giải thuật SA chấp nhận di chuyển đến lời giải tệ hơn với phân bố xác suất Boltzmann P = e -ΔE/T Trong đó, nếu gọi E là năng lượng của trạng thái S, E’ là trạng thái năng lượng của trạng thái S’ thì ∆E = E’ – E là sự chệnh lệch nhiệt độ giữa trạng thái S’ so với trạng thái S Nếu ∆E ≥ 0

tức là trạng thái S’ không tốt bằng trạng thái S Nguyên nhân của việc này là nhằm tạo cơ hội xác định một trạng thái khác tốt hơn mà không thể tiến đến được khi nó đang ở trạng thái S

Sự chuyển tiếp ở một nhiệt độ kết thúc khi đạt tới trạng thái cân bằng nhiệt Quá trình tối ưu hoá được tiếp tục cho tới khi đạt được mức năng lượng mong muốn hoặc khi nhiệt độ T hạ đến mức Tstop đề ra

2.2 Phương pháp luận

Đề tài này được thực hiện thông qua 6 bước như sau:

Bước 1: Tìm hiểu về đối tượng nghiên cứu

Trước hết, cần phải quan sát và tìm hiểu công ty về sản phẩm/dịch vụ, đối tượng khách hàng và hoạt động chung Từ đó đi đến từng bộ phận và nắm được quy trình, tình trạng của công ty

Bước 2: Xác định bài toán

Khi nắm được hiện trạng của công ty, đề tài sẽ đi sâu hơn vào các phân tích, xác định vấn đề cốt lỗi và tìm hiểu nguyên nhân Sau đó đề xuất giải pháp cho vấn đề đặt ra Đặt mục tiêu nghiên cứu, các ràng buộc, giới hạn tồn tại của đề tài và tiêu chí đánh giá mô hình

Bước 3: Xây dựng mô hình giải pháp

Dựa trên các thông tin thu thập từ hai bước trên xây dựng hàm mục tiêu, các thông số và ràng buộc một cách định lượng cho phù hợp với bài toán cần giải quyết

Bước 4: Thu thập số liệu

Công việc cần thực hiện tiếp theo là thu thập các số liệu mà mô hình cần có để chuẩn bị cho việc chạy thử mô hình và đánh giá kết quả

Bước 5: Kiểm định mô hình

Vận hành thử mô hình trên bộ dữ liệu mẫu và so sánh kết quả lời giải với kết quả trước khi áp dụng mô hình theo các tiêu chí đặt ra

Bước 6: Đánh giá kết quả và kết luận

Cuối cùng là đánh giá hiệu quả của mô hình, sự đáp ứng của đề tài trên mục tiêu đề ra và có những kết luận cụ thể về đề tài nghiên cứu này

Hình 2.3 Phương pháp luận của đề tài

CHƯƠNG 3 ĐỐI TƯỢNG NGHIÊN CỨU 3.1 Tổng quan công ty

3.1.1 Giới thiệu

Công ty nghiên cứu là công ty cung cấp dịch vụ giao hàng chặng cuối (last mile delivery) - một trong những lĩnh vực cạnh tranh khá cao ngày nay Công ty chuyên về dịch vụ giao nhận hàng hóa, bưu phẩm, nước uống của các đối tác là doanh nghiệp vừa và nhỏ, cá nhân hoặc doanh nghiệp kinh doanh qua mạng xã hội, trang mạng riêng và các sàn thương mại điện tử Ngoài ra, công ty còn hợp tác với các đối tác khác trong phạm vi hỗ trợ giao hàng và trở thành đơn vị giao hàng chiến lược của khách hàng

Các phương tiện mà công ty cung cấp dịch vụ bao gồm: xe máy, xe ba gác, xe tải nhỏ các loại… trong đó giao hàng bằng xe máy là mảng kinh doanh chính của công ty Hiện tại, công ty đang sở hữu đội giao hàng gồm các tài xế tự do nhằm phục vụ các nhu cầu đến từ phía khách hàng

Hình thức kinh doanh của công ty chính là trở thành cầu nối giữa khách hàng - những người có nhu cầu giao hàng, và tài xế - các đối tác sẵn sàng cung cấp dịch vụ giao hàng Cầu nối này được thực hiện thông qua một ứng dụng cho khách hàng lựa chọn dịch vụ để giao, theo dõi hàng và một ứng dụng dành cho tài xế nhận giao và kiếm thu nhập Ngoài việc sử dụng ứng dụng trên điện thoại, khách hàng có nhu cầu sử dụng dịch vụ còn có thể đặt hàng thông qua website của công ty cung cấp

Doanh thu của công ty đến từ việc làm cầu nối giữa khách hàng có nhu cầu vận chuyển hàng hóa và các tài xế đồng hành cùng công ty

3.1.2 Cơ cấu tổ chức

Sơ đồ tổ chức của công ty được thể hiện trong Hình 3.1

Đứng đầu là CEO quản lý vận hành và theo dõi tiến độ các dự án Kế đến là các phòng ban Vận hành, Kỹ thuật, Trí tuệ doanh nghiệp, Kinh doanh, Marketing, Tài chính, Nhân sự Trong đó,

Bộ phận Vận hành làm việc trực tiếp với tài xế nhằm đảo báo chất lượng dịch vụ cung cấp đến với khách hàng

Bộ phận Kỹ thuật là bộ phận phụ trách kỹ thuật và nền tảng công nghệ cho cả công ty và cho tất cả các bộ phận khác Bộ phận kỹ thuật chia thành 2 nhóm:

- Nhóm Product: Xây dựng, phát triển và thực hiện cải tiến hai ứng dụng cho khách hàng và cho tài xế

- Nhóm Database: Xây dựng, quản lý và phân quyền hệ thống cơ sở dữ liệu của công ty

Hình 3.1 Sơ đồ tổ chức của công ty

Bộ phận Trí tuệ doanh nghiệp chuyên phân tích dữ liệu thô nhằm khai phá thông tin và hỗ trợ các bộ phận liên quan, giúp các bộ phận khác có cái nhìn trực quan hơn về xu hướng, các thông tin ẩn trong khối dữ liệu mà công ty ghi nhận Đồng thời, bộ phận BI còn hỗ trợ các bộ phận khác trong việc truy vấn ra các dữ liệu phức tạp từ cơ sở dữ liệu của công ty

- Nhóm Engage & Earning (EE): quản lý và nâng cao năng suất hoạt động của tài xế, đảm bảo đáp ứng nhu cầu cung ứng, đưa ra các chính sách thưởng cho tài xế, hỗ trợ cho các đơn hàng lỗi và thực hiện các phân tích và ra quyết định dựa trên dữ liệu về tập tài xế - Nhóm Call center & Customer service (CC-CS): Hỗ trợ giải đáp thắc mắc của Tài xế,

theo dõi, kiểm soát và xử lí các sự cố đơn hàng, các trường hợp vi phạm nội quy, thái độ hành xử không tốt đối với khách hàng hoặc cố tình gian lận nhằm trục lợi…

- Nhóm Key Account (KA): Phụ trách làm việc với một số đối tác lớn về nhu cầu, tư vấn, thương lượng, vận hành…

Hai nhóm còn lại là bộ phận Kỹ thuật và Trí tuệ doanh nghiệp được trình bày như trên, tập trung chủ yếu vào đáp ứng các yêu cầu của các bộ phận còn lại trong công ty

3.2 Đối tượng nghiên cứu của đề tài

Đối tượng nghiên cứu của đề tài này là dịch vụ HUB đa điểm do nhóm Key Account trực tiếp quản lý và vận hành

3.2.1 Dịch vụ HUB đa điểm

HUB là dịch vụ vận chuyển kết hợp giữa công ty và khách hàng đối tác G Đơn hàng HUB là các đơn hàng được lên tại kho của G Tài xế khi nhận đơn HUB phải di chuyển đến kho đề cập trên đơn hàng để lấy hàng và đem đi giao

Đơn vận chuyển HUB có nhiều điểm giao và sau khi giao hàng tài xế phải quay về kho để trả hàng giao không thành công Bên cạnh đó, một số gói hàng có yêu cầu dịch vụ thu hộ thì tài xế không cần phải ứng tiền hàng mà chỉ cần đi thu tiền hàng tại điểm giao Số tiền này sẽ được nộp lại khi tài xế quay trở lại kho và kết thúc đơn hàng Mỗi đơn HUB hiện tại có thời gian thực hiện là 6 giờ kể từ lúc lên đơn Sau khoảng thời gian này, tài xế phải kết thúc đơn hàng và thời điểm hoàn trả muộn nhất không vượt quá 20h cùng ngày nhằm mục đích quản lý và xử lý hàng giao thất bại

3.2.2 Quy trình tạo và thực hiện đơn hàng HUB đa điểm

Hằng ngày, tùy thuộc vào tình hình lượng đơn từ phía G mà công ty chia làm nhiều đợt tạo đơn hàng Trong những ngày đơn hàng không nhiều thì công ty sẽ thực hiện tạo đơn vào các thời điểm cố định 6h00, 9h00 và 12h00 hàng ngày Đối với những ngày nhu cầu tăng cao thì có thể tăng số lần tạo đơn và tạo đơn theo yêu cầu của tài xế Quy trình từ hình thành đến thực hiện đơn hàng HUB của công ty có thể được chia thành 3 pha

Pha 1: Nhận và phân nhóm đơn hàng

- Hàng được chuyển từ các nhà bán hàng về kho tổng của đối tác G

- Nhân viên nhận, kiểm tra, dỡ hàng và quét mã đơn để ghi nhận vào hệ thống - Trong khi quét mã, nhân viên sẽ biết được gói hàng đó sẽ thuộc về kho phân

phối nào và thực hiện phân nhóm tại chỗ

- Các gói hàng đã được phân nhóm được vận chuyển về kho phân phối của chúng

Hình 3.2 Quy trình nhận và thực hiện đơn hàng HUB

Pha 2: Hình thành đơn hàng

Khi nhận được các thông tin các gói hàng từ kho, công ty bắt đầu thực hiện hình thành đơn hàng theo 2 luồng:

- Luồng I: Tài xế có dịch vụ HUB (thường là các tài xế có kinh nghiệm) sẽ tự

động đến kho, lựa chọn những gói hàng mình muốn thực hiện và đề nghị nhân viên tại kho tạo đơn hàng Cách chọn đơn này được tài xế ưa thích hơn do họ có quyền chọn các đơn họ biết đường đi và thuận tiện cho họ Công ty hiện tại cho phép cách làm này là do các đơn hàng được giao theo cách này thường có tỷ lệ giao thành công cao hơn

- Luồng II: Các gói hàng được hệ thống tối ưu của công ty ghép thành những

đơn hàng và đẩy lên Bảng nhận đơn trong ứng dụng tài xế để họ lựa chọn Các gói hàng được chọn phải được gọi xác nhận rằng người nhận có thể nhận hàng trong thời gian tới hay không trước khi tạo đơn Việc này sẽ được thực hiện bởi tài xế nếu theo luồng I và bởi nhân viên công ty hoạt động dưới kho nếu theo luồng II Việc làm này nhằm đảm bảo các đơn được chọn sẽ thực sự được giao theo thời gian yêu cầu của khách hàng để tránh việc trả hàng về kho hoặc giao hàng lại

Pha 3: Thực hiện đơn hàng

Khi đơn hàng được tạo, tài xế có thể chủ động chấp nhận đơn hàng hoặc được yêu cầu gán đơn từ nhân viên văn phòng và thực hiện giao hàng theo quy định của công ty Sau khi thực hiện giao hàng tại các điểm giao, tài xế phải quay về kho để thực hiện các thủ tục hoàn trả và nộp tiền

3.3 Phân tích hiện trạng

Với vai trò là đối tác 3PL của G, công ty không chỉ phải cung cấp dịch vụ nhận giao hàng đến khách hàng cuối mà còn có vai trò là một nhà tư vấn cũng như triển khai giải pháp tối ưu chi phí vận chuyển cho đối tác Các chi phí về vận chuyển mà đối tác G bao gồm: chi phí vận chuyển hàng từ nhà cung cấp (first-mile delivery), chi phí vận chuyển giữa các kho (middle-mile delivery), và chi phí giao hàng cơ bản, chi phí giao hàng lại (last-mile delivery) Như đã đề cập, đề tài này sẽ tập trung vào nhóm chi phí thứ ba

Hiển nhiên, đánh giá trực tiếp trên chi phí là chưa đủ và chính xác mà còn phải xét đến việc giao hàng đó có mang lại giá trị hoặc lãng phí hay không Do đó, bộ phận vận hành dịch vụ HUB đa điểm được theo dõi và quản lý chặt chẽ các thông số vận hành sau:

- Số lượng gói hàng từ đối tác: chỉ số này cho biết nhu cầu giao hàng từ phía đối tác và độ chính xác của hoạt động dự báo nhu cầu

- Số lượng đơn tải được hàng ngày - Volume: chỉ số này thể hiện được năng lực đáp ứng nhu cầu từ phía khách hàng Kết hợp với số lượng tài xế đang hoạt động, nhóm vận hành có thể cho biết hiệu suất của tài xế, bao nhiêu tài xế đang bận hoặc đang rảnh

- Tỉ lệ đơn được nhận - Acceptance Rate (AR): là tỉ lệ số đơn được tài xế bấm nhận giao hàng trên tổng số đơn được tạo trên hệ thống Chỉ số này được theo dõi nhiều nhất vì nó thể hiện khả năng tải đơn ngay thời điểm quan sát hoặc trong một khoảng thời gian tùy thuộc vào mục đích của người vận hành Nếu chỉ số này thấp tức là có nhiều đơn chưa được nhận giao cũng như là dấu hiệu cho biết cần phải có hành động để đưa chỉ số này về mức ổn định

- Tỉ lệ đơn giao thành công - Fulfillment Rate (FF): là tỉ lệ số đơn được giao thành công trên tổng số đơn được tạo trên hệ thống Đơn hàng được nhận chưa chắc đã đem lại lợi nhuận cho công ty do có thể đơn đó sẽ bị hủy trong lúc giao hoặc giao hàng thất bại phải giao lại lần nữa (tài xế vẫn được nhận tiền hỗ

trợ khi giao thất bại)…Vì thể con số này phản ánh tỉ lệ đơn thực sự có lợi nhuận

- Tỉ lệ giao thành công - Complete Rate (CR): ví dụ đơn hàng được ghép từ 20 gói hàng cần giao và tài xế giao thành công 17 gói, 3 gói giao thất bại phải đem về kho thì CR của đơn này là 17/20 = 85% Chỉ số này cũng phần nào phản ánh được doanh thu của các tài xế và hiển nhiên cũng ảnh hưởng đến thái độ của họ đến cách thức tạo chuyến - cách các đơn hàng được ghép phù hợp và có lợi cho tài xế

3.3.1 Thu thập số liệu

Nhằm phân tích và đánh giá hiện trạng vận hành của dịch vụ HUB, bảng số liệu sau gồm các thống kê chính của dịch vụ HUB được thu thập từ cơ sở dữ liệu của công ty

Bảng 3.1 Thông tin các đơn hàng

Mã đơn Quãng đường (km) Trạng thái đơn hàng

Số điểm giao được ghép

Số điểm giao thành công

Giải thích ý nghĩa một số cột trong Bảng 3.1:

- Mã đơn: là một mã gồm 6 ký tự để phân biệt các đơn hàng với nhau Mỗi mã đơn là chỉnh hợp độc nhất, do đó không có hai đơn nào trùng với nhau

- Trạng thái đơn hàng: các đơn trên hệ thống có 4 trạng thái:

+ Để trống: lúc này trên hệ thống không hiện gì, nghĩa là đơn chỉ mới được khởi tạo nhưng chưa cho tài xế thấy và nhận đơn

+ ASSIGNING: đơn đang được gán cho một tài xế để thực hiện đơn hàng

+ COMPLETED: đơn hàng đã được hoàn thành kể cả giao thành công hoặc thất bại và người gửi/nhận hàng vẫn phải trả phí dịch vụ

+ CANCELLED: đơn hàng bị hủy do không có tài xế nhận đơn và bị rã ra để tạo lại đơn hàng mới với mã đơn mới

3.3.2 Xử lý số liệu và xác định vấn đề

Để có thể nắm được hiện trạng vận hành của dịch vụ HUB, ta cần quan sát các chỉ số AR, FF, CR Với dữ liệu thu thập trong 2 tuần, ta tính trung bình và vẽ biểu đồ đường của các chỉ số để có cái nhìn trực quan hơn (xem Bảng 3.2 và Hình 3.3) Sau đó, kết quả sẽ được so sánh với mức kiểm soát và kỳ vọng của từng chỉ số được thể hiện trong Bảng 3.3

Bảng 3.2 Chỉ số vận hành dịch vụ HUB trong 2 tuần Ngày Số điểm giao AR FF CR

Hình 3.3 Tình trạng vận hành dịch vụ HUB

Dựa vào Bảng 3.2, có thể thấy ba chỉ số AR-FF-CR trung bình của thời gian quan sát là 90.9%, 89.8% và 79.7% Hai chỉ số AR và FF nằm trong kiểm soát: 90% đối với AR và 85% đối với FF Tuy nhiên chỉ số CR lại thấp hơn mức chấp nhận 82% Bên cạnh đó, trong năm này công ty cũng có kỳ vọng sẽ nâng được các chỉ số này lên nhằm đảm bảo tính cạnh tranh của mình và để tập trung cho việc ra mắt dịch vụ mới

Với hiện trạng như trên, kỳ vọng về hai chỉ số tỉ lệ nhận đơn AR và tỉ lệ hoàn thành đơn FF là có thể đạt được dễ dàng hơn so với chỉ số CR Xem xét lại số liệu trên Bảng 3.3, có thể thấy với số liệu thu thập trong 2 tuần thì chỉ có 5 trên 14 ngày là chỉ số CR nằm trong ngưỡng kiểm soát Bên cạnh đó, các ngày trong kiểm soát lại là những ngày có lượng đơn cao gấp 2 đến 3 lần so với các ngày khác Hiện tượng này là do các sự kiện của sàn thương mại điện tử, dẫn đến việc có những ngày lượng đơn tăng đột biến Bộ phận vận hành sẽ đặt những chính sách thưởng cho những ngày này Mặc dù phải bỏ ra một khoản chi phí khuyến khích tài xế nhận đơn dẫn đến lợi nhuận trên mỗi đơn giảm nhưng vẫn đảm bảo tăng doanh thu và nhu cầu được đáp ứng

Nhưng trong trường hợp không có sự tăng đột biến về nhu cầu mà CR ở mức thấp hơn mong muốn mà dẫn đến việc tăng chi phí vận hành, cụ thể hơn là chi phí vận chuyển Nguyên nhân là do các gói hàng khi giao thất bại sẽ phải trả lại kho để gửi trả đối tác hoặc giao hàng lại Từ đó phát sinh chi phí trả hàng và chi phí giao hàng lại Nếu xét kỹ hơn, công ty còn

phải tốn chi phí liên lạc người nhận, tốn thời gian tải đơn lên hệ thống, ghép chuyến lại và thực hiện các thủ tục tại kho Tuy nhiên, đối tác quan tâm hơn cả về chất lượng của họ, ở đây là đảm bảo việc giao hàng đúng hẹn trong khi chi phí trả cho công ty được tối ưu Việc này hoàn toàn phù hợp với thị trường ngày nay và chiến lược của công ty đối với dịch vụ HUB

3.4 Xác định nguyên nhân

Thông qua phỏng vấn quản lý và nhân viên vận hành dịch vụ HUB cho đối tác G bằng phương pháp 5 Whys để khám phá bản chất của hiện trạng Bên cạnh đó đề tài cũng tham khảo các bảng khảo sát định kỳ dành cho tài xế về quy trình thực hiện đơn hàng HUB để hỗ trợ tìm ra nguyên nhân gốc rễ

Why 1: Tại sao tỷ lệ giao hàng lần đầu thành công lại thấp?

- (a) Do người nhận không thể nhận hàng vào thời điểm giao hàng nên đã yêu cầu giao hàng lần 2, 3 hoặc từ chối nhận hàng vào thời điểm giao

- (b) Cơ chế 2 giá của công ty: doanh thu đến từ đối tác tính trên tổng số km các đơn hàng do hệ thống khởi tạo và chi phí tính trên số điểm giao thành công Với cách “giao dịch” hiện tại với tài xế, họ tập trung vào thực hiện càng nhiều điểm giao hàng thành công càng tốt nên có thể bỏ qua các khách hàng không liên lạc được hoặc khi họ chờ quá thời gian cho phép 10 phút (theo quy định)

Why 2:

- (a.1) Hiện tại, công ty chỉ gom các đơn hàng có thời gian giao hàng gần nhau rồi thực hiện định tuyến sao cho cực tiểu quãng đường chứ chưa hướng đến đáp ứng chính xác thời gian yêu cầu của từng khách hàng

- (a.2) Với những ngày đơn hàng tăng cao đột biến thì việc xác nhận thời gian yêu cầu của toàn bộ đơn hàng yêu cầu nguồn nhân lực cao với cách làm hiện tại nên không đủ thông tin đầu vào cho việc ghép đơn

- (a.3) Các yếu tố không thể kiểm như giao thông, thời tiết, kinh nghiệm của tài xế, khách hàng không sẵn sàng nhận hàng và các lý do khác dẫn đến việc giao hàng trễ hơn dự kiến

- (b) Tài xế không nhận được lợi ích từ việc chờ đợi (thời gian rỗi) Thay vào đó, tài xế nhanh chóng kết thúc đơn hàng để thực hiện đơn hàng khác nhằm kiếm thêm thu nhập

Why 3:

- Cách phân hàng hóa về kho: hiện tại công ty đang phân hàng hóa về kho theo quận của điểm giao hàng Giả sử điểm giao hàng X gần với kho A hơn là kho B Tuy nhiên X nằm trong khu vực quận do kho B phụ trách nên X được phân về kho B Điều này dẫn đến hình thành những điểm giao hàng xa kho và nếu định tuyến có cả yếu tố khung thời gian thì những đơn đi qua điểm như thế này sẽ không được tối ưu trong việc ghép đơn cả về lượng đơn tải lẫn mặt thời gian

- Cách ghép đơn đang triển khai được đề xuất do trước đây số lượng tài xế biết và chạy dịch vụ này chưa nhiều, nên quá trình định tuyến vẫn kèm ràng buộc về số lượng tài xế Khi đó, nếu định tuyến có cả khung thời gian thường sẽ đòi hỏi về số lượng xe nhiều hơn và công ty sẽ không thể đáp ứng nhu cầu được nên tạm bỏ qua khung thời gian trong mô hình định tuyến

Biểu đồ xương cá Hình 3.4 thể hiện lại một cách tổng quát các nguyên nhân ảnh hưởng đến chi phí vận chuyển đơn hàng HUB Trong 4 nhóm nguyên nhân thể hiện trong biểu đồ, yếu tố môi trường không nằm trong khả năng tác động và giới hạn nghiên cứu nên sẽ không xét đến Về phía tài xế, sau đại dịch năm 2021, số lượng tài xế còn hợp tác với công ty giảm mạnh và ảnh hưởng đến năng lực tải của công ty Hiện tại, công ty vẫn đủ năng lực đến việc đáp ứng nhu cầu của đối tác do các chiến dịch tuyển dụng nâng cao đội xế trước đó của công ty Tuy nhiên, lượng đơn hàng của đối tác sẽ tăng nhiều so với trước dịch với lý do đại dịch đã thay đổi hành vi mua hàng của người tiêu dùng Do đó, đề tài sẽ hướng đến cách thức duy trì sự hợp tác của tài xế thông qua việc tăng tỷ lệ giao thành công của đơn hàng trong khi công ty tiếp tục thực hiện tuyển dụng Điều này phần nào giảm thời gian rỗi và hỗ trợ tăng thu nhập của tài xế, đồng thời tận dụng tốt nguồn lực của công ty Xét về quy trình, hiện tại đối tác G vẫn chưa có phần thông tin về thời gian nhận hàng mong muốn từ người nhận và điều này làm tạo thêm công việc gọi cho khách trước khi nhận và chưa kiểm soát được hàng trả về hoặc giao lại Ngoài ra, nhân lực của công ty dưới các kho còn giới hạn nên cách làm này cũng chưa thật sự tốt trong nhiều trường hợp Cuối cùng là hệ thống ghép đơn hiện tại được xây dựng trong sự quan tâm về số lượng tài xế sẵn sàng hơn là cân nhắc được yếu tố thứ tự thời gian nhận hàng nên lộ trình đưa ra cũng không đảm bảo được các gói hàng đều được giao Hiện tại công ty cũng đã có được số lượng tài xế đáng kể nên việc thay đổi mô hình định tuyến để cải tiến là hoàn toàn có thể

Hình 3.4 Biều đồ xương cá phân tích nguyên nhân vấn đề

Để giải quyết vấn đề trước mắt, đề tài sẽ tập trung vào những gì mà bộ phận vận hành dịch vụ HUB có khả năng tác động được đó là hệ thống phân phối hàng hệ thống ghép đơn đang được sử dụng tại công ty Từ đó, làm tiền đề cho công ty đề xuất thay đổi về quy trình hoạt động với các đối tác và tăng hiệu quả của hoạt động giao hàng chặng cuối

CHƯƠNG 4 XÂY DỰNG MÔ HÌNH GIẢI PHÁP 4.1 Xác định giải pháp

4.1.1 Yêu cầu giải pháp

Mô hình giải pháp được xây dựng dựa trên những đặc điểm của vấn đề và mục tiêu nghiên cứu Sau phân tích trong chương trước, các đặc tính của hệ thống phân phối của công ty được tổng hợp như sau:

- Phân phối theo 2 bước phân cụm trước định tuyến sau - Mạng phân phối tại từng kho theo kiểu one-to-all

- Nhu cầu ngẫu nhiên về địa điểm, số lượng theo khung giờ yêu cầu của đối tác - Mỗi khách hàng có nhu cầu về khung thời gian giao hàng riêng Mong muốn

đáp ứng nhu cầu này đem lại lợi ích cho cả đối tác và tài xế

- Mỗi cung đường từ kho đến khách hàng và giữa các khách hàng có một thông số về khoảng cách và một thông số về thời gian di chuyển và phục vụ

- Công ty có đội xe máy xem như giống nhau về chức năng, năng lực Số lượng xe rất nhiều do công ty có tập vài trăm tài xế tự do sẵn sàng

- Giao hàng trong 6 giờ kể từ lúc đơn được tạo và nhận

- Chi phí được xét đến chỉ gồm chi phí di chuyển mà đối tác trả cho công ty - Độ hiệu quả trong việc giảm chi phí vận chuyển

Bảng 4.1 Yêu cầu được đặt ra cho giải pháp

Đặc điểm của hệ thống định tuyến Yêu cầu đặt ra cho giải pháp

Phân cụm trước định tuyến sau

Xác định cách phân bố điểm giao hàng về kho và tuyến đường giao hàng cho từng xe hướng đến cực tiểu tổng chi phí di chuyển

Mạng phân phối tại từng cụm kiểu one-to-all Chi phí được xét đến trong mô hình chỉ gồm chi phí di chuyển

Mỗi khách hàng có nhu cầu về khung thời gian giao hàng cần được đáp ứng

Giao hàng trong 6 tiếng từ lúc tạo đơn

Đội xe tự do, số lượng lớn, tải trọng như nhau Độ hiệu quả trong việc giảm chi phí di chuyển Nhu cầu ngẫu nhiên về địa điểm, số lượng theo từng khung giờ nhưng được quy đổi tải trọng bằng nhau

Áp dụng hàng ngày, nhiều lần trong ngày và trong thời gian cho phép

Cho kết quả cải thiện so với hiện trạng

Từ những đặc điểm và tình hình thực tế của đối tượng nghiên cứu, mục tiêu bài toán là xây dựng được một giải pháp hoạch định tuyến đường phân phối hiệu quả bao gồm việc xác định cách phân bố điểm giao hàng về kho và tuyến đường giao hàng cho từng xe hướng đến cực tiểu tổng chi phí di chuyển bỏ ra Mô hình này sẽ được đánh giá mức hiệu quả bằng cách áp dụng và so sánh với bộ dữ liệu trong quá khứ Những yêu cầu được đặt ra cho giải pháp được trình bày cụ thể như trong Bảng 4.1

4.2.1 Giới thiệu môi trường lập trình Google Colaboratory

Google Colaboratory, gọi tắt là Colab, là một trong nhiều sản phẩm miễn phí hoặc trả phí của Google Colab cho phép người dùng lập trình và chạy và thực hiện lệnh Python trong môi trường notebook trên trình duyệt web Các ưu điểm nổi bật phải nhắc đến khi sử dụng Colab là:

- Không quá chú trọng vào cấu hình của máy tính được dùng

- Chương trình chạy trên CPU, GPU khá lớn của Google Mặc dù, phiên bản miễn phí có giới hạn về dung lượng phần cứng nhưng vẫn có hiệu suất khá tốt Người dùng có thể trả phí để nâng cấp năng lực phần cứng và các tính năng khác

- Dễ dàng thao tác và chia sẻ tệp Nhưng trong môi trường doanh nghiệp thì đây là một vấn đề cần chú ý do liên quan đến bảo mật thông tin

4.2.2 Chương trình lập trình

Chương trình lập trình cho bài toán được tóm tắt như trong Hình 4.1 Sau khi các gói chức năng tích hợp được dùng trong lập trình được cài đặt và khai báo, chương trình sẽ đọc dữ liệu đầu vào từ các tệp dữ liệu excel đã qua xử lý cho phù hợp để thao tác trên Colab Bài

toán sẽ trải qua 2 phần nội dung chính như đã trình bày: Phâm cụm khách hàng và tối ưu hóa cho từng cụm Trong chương này, luận văn sẽ trình bày ý tưởng và nội dung các bước tính

toán của giải pháp Các đoạn mã lập trình cụ thể được trình bày đầy đủ trong Phụ lục A

Hình 4.1 Lưu đồ tóm tắt thuật toán lập trình 4.2.3 Phân cụm điểm giao hàng

Hiện tại các kho được sử dụng riêng cho việc tập kết, phân phối hàng theo các quận được giao Như trình bày, cách làm này tuy dễ dàng thực hiện và quản lý hơn nhưng có phần không tối ưu trong việc tạo ra các chuyến đi tối ưu về mặt khoảng cách Để giải quyết vấn đề này, luận văn đề xuất một cách quản lý khác nhằm giảm khoảng cách di chuyển Với đầu vào là tọa độ của các kho và khách hàng, luận văn sử dụng khoảng cách địa lý mặt cầu tính bằng

gói chức năng vincenty trong lập trình Python nhằm xác định khoảng cách từ các kho đến tất

cả khách hàng Khoảng cách này được đánh giá là có độ chính xác gần như tuyệt đối do sử dụng phương pháp Vincenty và dữ liệu từ hệ thống trắc địa thế giới4 Bằng khoảng cách tương đối trên, ta phân bố các điểm khách hàng về kho gần nhất

4.2.4 Mô hình quy hoạch

Mô hình bài toán được tham khảo chính từ chương 3 của Brian Kallehauge, Jesper Larsen, Oli B.G Madsen & Marius M Solomon[3] Xét một mạng phân phối cung cấp hàng

hóa từ mỗi kho đến tập khách hàng của kho đó Lời giải của bài toán VRPTW được xác định

bằng một hàm đồ thị G = (V, A) Trong đó:

Quy ước chỉ số

- i, j: Chỉ số khách hàng - k : Chỉ số xe

Các thông số đầu vào

- C = {1, 2,…, n} là tập khách hàng mà công ty phải phục vụ

- V = {0, 1, 2,…, n, n+1} là tập tất cả các điểm trong mạng phân phối, trong đó, kho được

đại diện bởi 0 (điểm bắt đầu) và n+1 (điểm kết thúc)

- A = {(i, j) | (i, j) ∊ V, i ≠ n+1, j ≠ 0} là tập hợp các cung đường di chuyển từ i sang j

- Nhu cầu tại khách hàng thứ i là qi với khung thời gian quy định [ei , li], ∀i ∊ C

- Tham số khoảng cách di chuyển từ i đến j được tính theo khoảng cách trên mặt cầu dij,

∀(i, j) ∊ A

- Tham số thời gian tij, ∀(i, j) ∊ A và i ≠ j là thời gian cần thiết để di chuyển từ i đến j đã

bao gồm thời gian phục vụ tại khách hàng j Thời gian di chuyển được tính một cách

tương đối bằng khoảng cách di chuyển chia cho tốc độ di chuyển Thời gian phục vụ gồm liên lạc và giao nhận hàng được ước lượng khoảng 15 phút theo các khảo sát từ trước của công ty

- Chi phí vận chuyển đơn vị M

- Kho có đội xe K với năng lực như nhau và bằng Q

- Thời gian hoạt động của kho là [e0 , l0]

Bài toán có 2 tập hợp quyết định xijk và sik

- Với mỗi cung đường (i , j) ∊ V , i ≠ j và xe k ∊ K(d):

𝑥𝑖𝑗𝑘 = {1, xe k di chuyển trực tiếp từ i đến j0, ngược lại

1 Nguồn: https://pypi.org/project/vincenty/