LỜI MỞ ĐẦU
Hệ thống cơ sở hạ tầng Logistics bao gồm cơ sở hạ tầng vật lý (physical
infrastructure) như hệ thống giao thông, cầu cảng… và cơ sở hạ tầng mềm (soft
infrastructure) như nguồn nhân lực, hệ thống chính sách, luật lệ, thủ tục… Để
phát triển, quản lý tốt và hiệu quả tất cả hệ thống hạ tầng đó, không thể không
quan tâm vấn đề ứng dụng CNTT. Cơ sở hạ tầng mềm kỹ thuật số (digital soft
infrastructure) đóng vai trò rất quan trọng đối với thương mại trong thế kỷ 21
bởi các thông tin về sự di chuyển của hàng hóa hiện nay hết sức quan trọng.
Theo đánh giá của VIFFAS, trình độ công nghệ trong hoạt động logistics ở VN
còn thấp. Việc liên lạc giữa công ty Logistics với khách hàng, hải quan chủ yếu
vẫn là thủ công, giấy tờ. Mặc dù những năm 2010-2011 được ghi nhận có bước
đột phá trong thực hiện khai hải quan điện tử, số lượng doanh nghiệp tham gia
vẫn còn chiếm tỷ lệ thấp. Mặt khác, phương tiện vận tải còn lac hậu, cũ kỹ, trình
độ cơ giới hóa trong bốc dỡ hàng hóa vẫn còn yếu kém, lao động thủ công vẫn
phổ biến. Công tác lưu kho còn khá lạc hậu, chưa áp dụng phổ biến tin học trong
quản trị kho như mã vạch, chương trình phần mềm quản trị kho.
Đặc biệt trong việc triển khai và áp dụng các cơ sở thông tin vào quản trị hệ
thống Logistic thì Big Data đang là một xu hướng mới với sự triển khai rộng rãi
của các doanh nghiệp Logistic lớn với quy mô toàn cầu. Tuy nhiên, ở Việt Nam
phần lớn các doanh nghiệp trong ngành vẫn còn chưa triển khai hoặc mới chỉ
triển khai trên mức độ cơ bản nhất, thiếu đồng bộ và thiếu tối ưu các nguồn lực.
Trên cơ sở đó nhóm đã thực nghiên cứu thực tế áp dụng và đưa ra những khuyến
nghị trong việc ứng dụng Big Data vào các doanh nghiệp Logistic ở Việt Nam
hiện tại và tương lai.

1


Chương 1: Tổng quan về Big Data
1.1 Khái niệm, nguồn hình thành và đặc trưng của Big Data
1.1.1 Khái niệm về dữ liệu lớn

- Theo wikipedia: Dữ liệu lớn (Big data) là một thuật ngữ chỉ bộ dữ liệu lớn hoặc phức
tạp mà các phương pháp truyền thống không đủ các ứng dụng để xử lý dữ liệu này.
- Theo Gartner: Dữ liệu lớn là những nguồn thông tin có đặc điểm chung khối lượng
lớn, tốc độ nhanh và dữ liệu định dạng dưới nhiều hình thức khác nhau, do đó muốn
khai thác được đòi hỏi phải có hình thức xử lý mới để đưa ra quyết định, khám phá và
tối ưu hóa quy trình.
1.1.2 Nguồn hình thành và phương pháp khai thác, quản lý dữ liệu lớn
Qua thống kê và tổng hợp, dữ liệu lớn được hình thành chủ yếu từ 6 nguồn:
1)

Dữ liệu hành chính (phát sinh từ chương trình của một tổ chức, có

thể là chính phủ hay phi chính phủ). Ví dụ, hồ sơ y tế điện tử ở bệnh viện, hồ sơ
bảo hiểm, hồ sơ ngân hàng...;
2)
Dữ liệu từ hoạt động thương mại (phát sinh từ các giao dịch giữa
hai thực thể). Ví dụ, các giao dịch thẻ tín dụng, giao dịch trên mạng, bao gồm cả
các giao dịch từ các thiết bị di động;
3)
Dữ liệu từ các thiết bị cảm biến như thiết bị chụp hình ảnh vệ
tinh, cảm biến đường, cảm biến khí hậu;
4)
Dữ liệu từ các thiết bị theo dõi, ví dụ theo dõi dữ liệu từ điện thoại
di động, GPS;
5)
Dữ liệu từ các hành vi, ví dụ như tìm kiếm trực tuyến (tìm kiếm
sản phẩm, dịch vụ hay thông tin khác), đọc các trang mạng trực tuyến...;
6)
Dữ liệu từ các thông tin về ý kiến, quan điểm của các cá nhân, tổ
chức, trên các phương tiện thông tin xã hội.

Phương pháp khai thác và quản lý dữ liệu lớn hiện nay được thiết kế phù hợp dựa
theo các nguồn hình thành dữ liệu lớn. Mỗi nguồn dữ liệu lớn khác nhau sẽ có phương
2


pháp khai thác và quản lý dữ liệu lớn khác nhau. Tuy nhiên, hiện nay phần lớn các tổ
chức trên thế giới đều dùng Hadoop ecosystem là giải pháp tối ưu để khai thác và quản
lý dữ liệu lớn.
1.1.3

Đặc trưng 5V của dữ liệu lớn
Dữ liệu lớn có 5 đặc trưng cơ bản như sau (mô hình 5V):

1) Khối lượng dữ liệu (Volume)
Đây là đặc điểm tiêu biểu nhất của dữ liệu lớn, khối lượng dữ liệu rất lớn. Kích cỡ
của Big Data đang từng ngày tăng lên, và tính đến năm 2012 thì nó có thể nằm trong
khoảng vài chục terabyte cho đến nhiều petabyte (1 petabyte = 1024 terabyte) chỉ cho
một tập hợp dữ liệu. Dữ liệu truyền thống có thể lưu trữ trên các thiết bị đĩa mềm, đĩa
cứng. Nhưng với dữ liệu lớn chúng ta sẽ sử dụng công nghệ “đám mây” mới đáp ứng
khả năng lưu trữ được dữ liệu lớn.
2) Tốc độ (Velocity)
Tốc độ có thể hiểu theo 2 khía cạnh:
(a) Khối lượng dữ liệu gia tăng rất nhanh (mỗi giây có tới 72.9 triệu các yêu cầu
truy cập tìm kiếm trên web bán hàng của Amazon);
(b) Xử lý dữ liệu nhanh ở mức thời gian thực (real-time), có nghĩa dữ liệu được
3


xử lý ngay tức thời ngay sau khi chúng phát sinh (tính đến bằng mili giây). Các ứng
dụng phổ biến trên lĩnh vực Internet, Tài chính, Ngân hàng, Hàng không, Quân sự, Y tế

– Sức khỏe như hiện nay phần lớn dữ liệu lớn được xử lý real-time. Công nghệ xử lý
dữ liệu lớn ngày nay đã cho phép chúng ta xử lý tức thì trước khi chúng được lưu trữ
vào cơ sở dữ liệu.
3) Đa dạng (Variety)
Đối với dữ liệu truyền thống chúng ta hay nói đến dữ liệu có cấu trúc, thì ngày
nay hơn 80% dữ liệu được sinh ra là phi cấu trúc (tài liệu, blog, hình ảnh, vi deo, bài
hát, dữ liệu từ thiết bị cảm biến vật lý, thiết bị chăm sóc sức khỏe...). Big data cho phép
liên kết và phân tích nhiều dạng dữ liệu khác nhau. Ví dụ, với các bình luận của một
nhóm người dùng nào đó trên Facebook với thông tin video được chia sẻ từ Youtube và
Twitter.
4) Độ tin cậy/chính xác (Veracity)
Một trong những tính chất phức tạp nhất của Dữ liệu lớn là độ tin cậy/chính xác
của dữ liệu. Với xu hướng phương tiện truyền thông xã hội (Social Media) và mạng xã
hội (Social Network) ngày nay và sự gia tăng mạnh mẽ tính tương tác và chia sẻ của
người dùng Mobile làm cho bức tranh xác định về độ tin cậy & chính xác của dữ liệu
ngày một khó khăn hơn. Bài toán phân tích và loại bỏ dữ liệu thiếu chính xác và nhiễu
đang là tính chất quan trọng của Big data.
5) Giá trị (Value)
Giá trị là đặc điểm quan trọng nhất của dữ liệu lớn, vì khi bắt đầu triển khai xây
dựng dữ liệu lớn thì việc đầu tiên chúng ta cần phải làm đó là xác định được giá trị của
thông tin mang lại như thế nào, khi đó chúng ta mới có quyết định có nên triển khai dữ
liệu lớn hay không. Nếu chúng ta có dữ liệu lớn mà chỉ nhận được 1% lợi ích từ nó, thì
không nên đầu tư phát triển dữ liệu lớn. Kết quả dự báo chính xác thể hiện rõ nét nhất
về giá trị của dữ liệu lớn mang lại. Ví dụ, từ khối dữ liệu phát sinh trong quá trình
4


khám, chữa bệnh sẽ giúp dự báo về sức khỏe được chính xác hơn, sẽ giảm được chi phí
điều trị và các chi phí liên quan đến y tế.
1.1.4 Sự khác biệt giữa dữ liệu lớn với dữ liệu truyền thống

Dữ liệu lớn khác với dữ liệu truyền thống (ví dụ, kho dữ liệu - Data Warehouse) ở
4 điểm cơ bản: Dữ liệu đa dạng hơn; lưu trữ dữ liệu lớn hơn; truy vấn dữ liệu nhanh
hơn; độ chính xác cao hơn.
1)

Dữ liệu đa dạng hơn

Khi khai thác dữ liệu truyền thống (dữ liệu có cấu trúc), chúng ta thường phải trả
lời các câu hỏi: Dữ liệu lấy ra kiểu gì? định dạng dữ liệu như thế nào? Đối với dữ liệu
lớn, không phải trả lời các câu hỏi trên. Hay nói khác, khi khai thác, phân tích dữ liệu
lớn chúng ta không cần quan tâm đến kiểu dữ liệu và định dạng của chúng; điều quan
tâm là giá trị mà dữ liệu mang lại có đáp ứng được cho công việc hiện tại và tương lai
hay không.
2)

Lưu trữ dữ liệu lớn hơn

Lưu trữ dữ liệu truyền thống vô cùng phức tạp và luôn đặt ra câu hỏi lưu như thế
nào? dung lượng kho lưu trữ bao nhiêu là đủ? gắn kèm với câu hỏi đó là chi phí đầu tư
tương ứng. Công nghệ lưu trữ dữ liệu lớn hiện nay đã phần nào có thể giải quyết được
vấn đề trên nhờ những công nghệ lưu trữ đám mây, phân phối lưu trữ dữ liệu phân tán
và có thể kết hợp các dữ liệu phân tán lại với nhau một cách chính xác và xử lý nhanh
trong thời gian thực.
3)

Truy vấn dữ liệu nhanh hơn

Dữ liệu lớn được cập nhật liên tục, trong khi đó kho dữ liệu truyền thống thì lâu
lâu mới được cập nhật và trong tình trạng không theo dõi thường xuyên gây ra tình
trạng lỗi cấu trúc truy vấn dẫn đến không tìm kiếm được thông tin đáp ứng theo yêu

cầu.
5


4)

Độ chính xác cao hơn

Dữ liệu lớn khi đưa vào sử dụng thường được kiểm định lại dữ liệu với những
điều kiện chặt chẽ, số lượng thông tin được kiểm tra thông thường rất lớn, và đảm bảo
về nguồn lấy dữ liệu không có sự tác động của con người vào thay đổi số liệu thu thập.
1.2

Bức tranh tổng thể ứng dụng dữ liệu lớn
Dữ liệu lớn đã được ứng dụng trong nhiều lĩnh vực như: hoạt động chính trị; giao

thông; y tế; thể thao; tài chính; thương mại; thống kê... dưới đây là một số ví dụ về ứng
dụng dữ liệu lớn.
1) Ứng dụng dữ liệu lớn trong hoạt động chính trị
Hình bên cho
thấy Tổng thống Mỹ
Obama đã sử dụng
dữ liệu dữ liệu lớn để
phục vụ cho cuộc
tranh cử Tổng thống
của mình. Ông xây
dựng một đội ngũ
nhân viên chuyên đi
thu thập thông tin và
phân tích dữ liệu thu được trong dự án triển khai về dữ liệu lớn. Đội ngũ nhân viên này

thu thập tất cả thông tin về người dân ở các khu vực, sau đó phân tích và chỉ ra một số
thông tin quan trọng về người dân Mỹ như: Thích đọc sách gì, thích mua loại thuốc gì,
thích sử dụng phương tiện gì... Thậm chí còn biết được cả thông tin về mẹ của cử tri đó
đã bỏ phiếu tín nhiệm ai ở lần bầu cử trước. Trên cơ sở những thông tin này, Tổng
thống Obama đã đưa ra kế hoạch vận động phù hợp, giúp ông tái đắc cử Tổng thống
nước Mỹ lần thứ 2.

6


Ngoài ra một số ứng dụng khác trong lĩnh vực chính trị mà dữ liệu lớn được áp
dụng như: Hệ thống chính phủ điện tử; phân tích quy định và việc tuân thủ quy định;
phân tích, giám sát, theo dõi và phát hiện gian lận, mối đe dọa, an ninh mạng.
2) Ứng dụng dữ liệu lớn trong giao thông
Sử dụng số liệu CDR trong
quá khứ để ước lượng các dòng
giao thông trong thành phố vào
các giờ cao điểm, từ đó có
những kế hoạch phân luồng giao
thông chi tiết, hợp lý giúp giảm
thiểu kẹt xe. Ngoài ra còn đưa ra
thông tin cho người tham gia
giao thông được biết nếu muốn
đi từ nơI này đến nơi khác thì
nên đi vào giờ nào để tránh kẹt xe, hoặc đi đường nào là ngắn nhất, v.v... Ngoài ra, dữ
liệu lớn còn giúp phân tích định vị người dùng thiết bị di động, ghi nhận chi tiết cuộc
gọi trong thời gian thực; và giảm thiểu tình trạng ùn tắc giao thông.
3) Ứng dụng dữ liệu lớn trong y tế
Trong y học các bác sĩ dựa vào số liệu trong các bệnh án để đưa ra dự đoán về
nguy cơ mắc bệnh. Đồng thời cũng đưa ra được xu hướng lây lan của bệnh. Ví dụ, ứng

dụng Google Flu Trend là một trong những ứng dụng hành công của Google ứng dụng
này dựa trên từ khóa tìm kiếm ở một khu vực nào đó, sau đó bộ máy phân tích của
Google sẽ phân tích và đối chiếu kết quả tìm kiếm đó, sau cùng là đưa ra dự báo về xu
hướng dịch cúm tại khu vực đó. Qua đó cho biết tình hình cúm tại khu vực đó sẽ diễn
ra như thế nào để đưa ra các giải pháp phòng tránh. Những kết quả mà Google Flu
Trend đưa ra, hoàn toàn phù hợp với báo cáo của Tổ chức Y tế Thế giới WHO về tình
hình bệnh cúm tại các khu vực đó.
7


4) Ứng dụng dữ liệu lớn
trong thể thao
Phân tích mô hình hệ thống
cấu trúc sơ đồ chiến thuật của đội tuyển Đức (hình bên) đã đưa ra những điểm bất hợp
lý trong cấu trúc của đội tuyển Đức, từ đó giúp cho đội tuyển Đức khắc phục được

điểm yếu và đã dành được World cup 2014.

5) Ứng dụng dữ liệu lớn trong thương mại
Trong thương mại dữ liệu lớn giúp cho chúng ta thực hiện được một số công việc
sau: Phân khúc thị trường và khách hàng; phân tích hành vi khách hàng tại cửa hàng;
tiếp thị trên nền tảng định vị; phân tích tiếp thị chéo kênh, tiếp thị đa kênh; quản lý các
8


chiến dịch tiếp thị và khách hàng thân thiết; So sánh giá; Phân tích và quản lý chuỗi
cung ứng; Phân tích hành vi, thói quen người tiêu dùng.
6) Ứng dụng dữ liệu lớn trong thống kê
Nhận thấy những lợi ích to lớn và thách thức của Bigdata đối với thống kê nhà
nước, Ủy ban Thống kê Liên hợp quốc cũng như các tổ chức thống kê khu vực và Cơ

quan thống kê quốc gia của nhiều nước đã triển khai hàng loạt các hoạt động về
Bigdata như: Hàn Quốc sử dụng ảnh vệ tinh để thống kê nông nghiệp và một số
lĩnhvực khác; Australia sử dụng ảnh vệ tinh để thống kê diện tích đất nông nghiệp và
năng suất; Italia sử dụng dữ liệu điện thoại di động để thống kê di cư; Bhutan dùng
thiết bị di động để tính toán chỉ số giá tiêu dùng; Estonia dùng điện thoại di động định
vị vệ tinh để thống kê du lịch; EuroStat sử dụng dữ liệu về sử dụng điện thoại di động
để thống kê du lịch
7) Ứng dụng dữ liệu lớn trong tài chính
Từ những dữ liệu chính xác, kịp thời thu thập được thông qua các giao dịch của
khách hàng, tiến hành phân tích, xếp hạng và quản lý các rủi ro trong đầu tư tài chính,
tín dụng.
.

9


CHƯƠNG 2: ỨNG DỤNG CỦA BIG DATA TRONG LOGISTICS
2.1. Logistics là việc kinh doanh theo định hướng dữ liệu
Dữ liệu lớn đang cách mạng hóa nhiều lĩnh vực kinh doanh, và phân tích hậu cần
là một trong số đó. Tính phức tạp và năng động của hậu cần, cùng với sự phụ thuộc vào
nhiều bộ phận chuyển động có thể tạo ra sự tắc nghẽn tại bất kỳ điểm nào trong chuỗi
cung ứng, làm cho logistics thành một trường hợp sử dụng hoàn hảo cho dữ liệu lớn.
Ví dụ, hậu cần dữ liệu lớn có thể được sử dụng để tối ưu hóa việc định tuyến, để hợp lý
hóa các chức năng của nhà máy, và để cung cấp tính minh bạch cho toàn bộ chuỗi cung
ứng, vì lợi ích của cả hai công ty hậu cần và tàu biển. Các công ty hậu cần bên thứ ba
và các công ty vận tải đều đồng ý.
Lấy ví dụ về bài báo của Fleetowner, "98% 3PLs cho rằng việc ra quyết định dựa
trên dữ liệu được cải thiện là" cần thiết cho sự thành công trong tương lai của các hoạt
động và quy trình chuỗi cung ứng ". Thêm vào đó, 81% các chủ hàng và 86% 3PLs
được khảo sát cho biết việc sử dụng dữ liệu lớn sẽ trở thành "năng lực cốt lõi của các tổ

chức chuỗi cung ứng".
Tuy nhiên, dữ liệu lớn đòi hỏi nhiều nguồn thông tin có chất lượng cao để hoạt
động có hiệu quả. Tất cả những dữ liệu đó sẽ đến từ đâu? Báo cáo về dữ liệu lớn trong
logistics cho phép doanh nghiệp lựa chọn nhiều nguồn dữ liệu có thể, bao gồm:
- Dữ liệu doanh nghiệp truyền thống từ các hệ thống hoạt động
- Dữ liệu giao thông và thời tiết từ các cảm biến, màn hình và hệ thống dự báo
- Chẩn đoán xe, mô hình lái xe và thông tin vị trí
- Dự báo kinh doanh tài chính
- Dữ liệu phản hồi quảng cáo
- Dữ liệu mẫu duyệt web
- Dữ liệu truyền thông xã hội
Rõ ràng, có nhiều cách để các hệ thống dữ liệu có thể cung cấp thông tin họ cần.
Tất cả các nguồn dữ liệu này và các trường hợp sử dụng tiềm năng đều dẫn dắt DHL
nói rằng công nghệ dữ liệu và tự động hóa lớn sẽ dẫn đến "mức độ tối ưu hóa trước đây
trong sản xuất, hậu cần, kho bãi và giao hàng tận nơi"

10


2.2.

Lợi ích và cơ hội khi ứng dụng Big Data vào Logistics
Những tiến bộ trong khía cạnh công nghệ và phương pháp ứng dụng của Big Data

mang lại những lợi ích to lớn cho ngành logistics. Các nhà cung cấp dịch vụ hậu cần
quản lý dòng sản phẩm khổng lồ, do đó tạo ra các bộ dữ liệu rộng lớn. Nguồn gốc,
điểm đến, kích cỡ, trọng lượng, nội dung và vị trí của lô hàng trên cơ sở hàng ngày
được theo dõi qua mạng lưới phân phối toàn cầu. Có rất nhiều tiềm năng không được
sử dụng như việc nâng cao hiệu quả hoạt động, kinh nghiệm của khách hàng và tạo ra
mô hình kinh doanh mới. Phân tích dữ liệu lớn cung cấp lợi thế cạnh tranh đó thông

qua các thuộc tính nổi bật của Big Data có thể được áp dụng có hiệu quả trong ngành
logistics:
1)

Tối ưu hóa vận chuyển hàng hóa đến điểm đến cuối cùng

Một hạn chế trong việc đạt được hiệu quả hoạt động cao trong một mạng lưới
phân phối diễn ra tại "dặm cuối cùng".24 giờ cuối cùng trong một chuỗi cung ứng
thường là thứ tốn kém nhất, chi phí lên đến 28% tổng chi phí giao hàng của một gói
hàng. Có rất nhiều trở ngại dẫn đến điều này, có thể là:
Thách thức đối với các xe tải giao hàng lớn đến công viên gần điểm đến của họ ở
khu vực thành thị. Người lái xe thường phải đậu xe khá lâu, và sau đó đi bộ đến địa chỉ
cuối cùng. Sau đó, họ có thể phải đi lên nhiều chuyến cầu thang hoặc đợi thang máy ở
tòa nhà cao tầng.
Một số mặt hàng phải được ký kết và nếu khách hàng không ở nhà thì không thể
giao hàng.
Nhân viên giao hàng phải cẩn thận để không làm hỏng gói hàng trong chân cuối
cùng này, và họ phải cung cấp cho mình một cách chuyên nghiệp đến người nhận.
Thêm vào những thách thức này, có thể rất khó để biết chính xác những gì đang
xảy ra trong đợt giao hàng cuối cùng.
Tuy nhiên, Dữ liệu lớn có thể giải quyết những thách thức này dễ dàng. Trong
một cuộc phỏng vấn với Wall Street Journal, Matthias Winkenbach, giám đốc Phòng
thí nghiệm Hoá chất Megacity của MIT, đã mô tả chi tiết cách các phân tích dữ liệu
11


cuối cùng đang mang lại những dữ liệu hữu ích. Do chi phí thấp và tính phổ biến của
internet di động nhanh và điện thoại thông minh hỗ trợ GPS, cũng như sự lan truyền
của Internet thông qua cảm biến và máy quét, các chủ hàng có thể thấy quá trình phân
phối từ đầu đến dặm cuối như thế nào.

Ví dụ, một chiếc xe tải giao hàng UPS có gắn một cảm biến GPS đi giao hàng ở
trung tâm thành phố Chicago. Sau khi đỗ xe gần đó, điện thoại của người đàn ông này
sẽ phát tín hiệu GPS và tiếp tục truyền dữ liệu đến trung tâm UPS, cho tài khoản của
khách hàng biết về thời gian giao hàng. Điều này không chỉ có giá trị đối với khách
hàng - nó cho phép các công ty logistics nhìn thấy các mô hình và có thể sử dụng để tối
ưu hóa các chiến lược phân phối của họ.
2)
Tăng độ tin cậy
Khi các thiết bị cảm biến ngày càng trở nên phổ biến trong các phương tiện giao
thông, vận chuyển và trong suốt chuỗi cung ứng, chúng có thể cung cấp dữ liệu cho
phép minh bạch cao hơn bao giờ hết.
Tính minh bạch này có giá trị đối với các chủ hàng, người vận chuyển và khách
hàng. Nếu một lô hàng sẽ đến muộn, hãng tàu muốn biết càng sớm càng tốt để họ có
thể ngăn chặn tắc nghẽn trong chuỗi cung ứng. Và các công ty vận chuyển có thể sử
dụng dữ liệu này tổng hợp để đàm phán với các chủ hàng bằng cách cho biết họ thường
xuyên phân phối đúng thời hạn như thế nào.
Hãy tưởng tượng điều này: các công ty logistics đã gắn cảm biến trong tất cả các
phương tiện phân phối của họ, với điện thoại thông minh hỗ trợ GPS bao phủ bất kỳ
khoảng trống. Một bên thứ ba hợp lệ hóa các cảm biến này với độ chính xác, và sau đó
các dữ liệu độ tin cậy và thời gian từ các cảm biến này được sử dụng khi các công ty
logistics đang đấu thầu cho các hợp đồng mới.
Loại nguồn mở, thông tin minh bạch hoàn toàn có thể thay đổi cách kinh doanh
được tiến hành trong khâu hậu cần.
3)
Tuyến đường sẽ được tối ưu hoá
Trong cuộc khảo sát 3PL được trích dẫn ở đầu bài viết này, 70% người được hỏi
cho rằng "cải thiện tối ưu hóa logistic" là việc sử dụng tốt nhất các dữ liệu lớn trong
Logistic. Rõ ràng, tối ưu hóa là suy nghĩ của mọi người.
12



Tại sao các công ty logistics quan tâm đến việc tối ưu hóa? Vì hai lý do: nó giúp
họ tiết kiệm tiền và tránh các lô hàng bị giao muộn. Khi bạn đang quản lý một hệ thống
phân phối hoặc chuỗi cung ứng, bạn phải kết nối một đường dây giữa tài nguyên và xe
và sự thiếu sót giữa chúng. Nếu bạn đặt quá nhiều xe cộ và tài nguyên trên một tuyến
đường phân phối, thì bạn đang tiêu tốn nhiều tiền hơn, và có thể sử dụng các tài sản tốt
hơn ở những nơi khác.
Tuy nhiên, nếu bạn ước tính thấp số lượng xe mà một tuyến đường hoặc giao
hàng cụ thể sẽ yêu cầu, thì bạn sẽ gặp rủi ro cho khách hàng gửi hàng muộn, ảnh hưởng
tiêu cực đến các mối quan hệ khách hàng và hình ảnh thương hiệu của bạn
Để thêm vào những thách thức của việc tối ưu hoá, các yếu tố liên quan đến phân bổ
nguồn lực hiệu quả đang liên tục thay đổi. Ví dụ:



Chi phí nhiên liệu có thể thay đổi
Các đường cao tốc và đường xá có thể tạm thời đóng cửa hoặc những đường




hầm mới có thể được xây dựng
Số lượng xe bạn sử dụng có thể thay đổi do sửa chữa hoặc mua lại mới
Điều kiện thời tiết, cả theo mùa và ngay lập tức, luôn thay đổi

Big Data và phân tích tiên đoán cho phép các công ty Logistic có thêm sức cạnh
tranh mà họ cần để vượt qua những trở ngại. Các bộ cảm biến về xe tải, dữ liệu thời
tiết, dữ liệu bảo trì đường bộ, lịch trình bảo dưỡng đội tàu, chỉ báo tình trạng hạm đội
thời gian thực và lịch trình nhân sự có thể được tích hợp vào một hệ thống nhìn vào các
xu hướng lịch sử trong quá khứ và đưa ra lời khuyên phù hợp.

UPS là một ví dụ thực tế của Big Data Logistic dẫn đầu về sự tiết kiệm. Sau khi
kiểm tra dữ liệu của họ, UPS phát hiện ra rằng các xe tải rẽ trái đã khiến họ phải trả rất
nhiều tiền. Nói cách khác, UPS thấy rằng việc chuyển hướng trong giao thông đang
gây ra rất nhiều sự chậm trễ, lãng phí nhiên liệu, và nguy cơ an toàn.
Theo một bài báo từ Cuộc hội thoại có tiêu đề "Tại sao các trình điều khiển của
UPS không rẽ trái và bạn cũng không nên vậy", UPS "tuyên bố nó sử dụng ít hơn 10
triệu gallon nhiên liệu, phát thải ít hơn 20.000 tấn CO2 và cung cấp 350.000 gói mỗi
năm" (sau khi thực hiện thay đổi). 10 triệu galon khí là rất nhiều tiền - đó là một số lợi
ích đáng kể và một ví dụ dữ liệu lớn trong chuỗi cung ứng.
13


Các lái xe của UPS bây giờ chỉ được rẽ trái khoảng 10%., thay vào đó là chọn đi
thẳng hoặc rẽ phải. Do chiến lược Chỉ rẽ trái khi cần thiết, UPS đã giảm số lượng xe tải
nó sử dụng đi 1.110 và giảm tổng quãng đường đội tàu công ty di chuyển 28,5 triệu
dặm.
4) Hàng dễ hỏng được vận chuyển với chất lượng cao hơn
Giữ cho các sản phẩm dễ hư hỏng là một thách thức không ngừng của các công ty
logistics. Tuy nhiên, Big Data và Internet of Things (Mạng lưới thiết bị kết nối
Internet) có thể giúp các nhà quản lý và người giao hàng hiểu rõ hơn về cách họ có thể
ngăn ngừa chi phí do hàng hoá bị hư hỏng.
Chẳng hạn, giả sử một chiếc xe tải đang vận chuyển một lô hàng kem và đồ tráng
miệng. Bạn có thể cài đặt một cảm biến nhiệt độ bên trong xe tải để theo dõi trạng thái
của hàng hoá bên trong và đưa dữ liệu này cùng với dữ liệu giao thông và đường xá
cho một máy tính định tuyến trung tâm.
Máy tính này có thể cảnh báo người lái xe nếu tuyến đường ban đầu đã chọn sẽ dẫn
đến việc kem tan chảy và thay vào đó là các tuyến thay thế.
5) Tự động hóa kho và chuỗi cung ứng
Chẳng bao lâu, Big Data kết hợp với công nghệ tự động hoá và Internet of Things
có thể làm cho logistics hoạt động hoàn toàn tự động.

Big Data cho phép các hệ thống tự động hoạt động thông qua việc định tuyến
thông minh nhiều bộ dữ liệu và luồng dữ liệu khác nhau. Ví dụ, Amazon đã có tự động
hóa trong các trung tâm thực hiện của họ, sử dụng ít robot KIVA màu da cam để lấy đồ
vật từ kệ.
Ngoài ra, Amazon còn có các máy điện toán tự động có thể phân phối đồ vật cho
bạn nếu bạn ở trong vòng 30 phút của trung tâm Amazon. Hay khi nhìn thấy Uber và
các công ty khác đang chạy thử nghiệm các phương tiện tự lái, không khó để tưởng
tượng rằng trong tương lai toàn bộ chuỗi cung ứng có thể được tự động hóa, từ việc
xếp dỡ, lái xe, đến việc giao hàng cuối cùng.
14


6) Duy trì trải nghiệm tốt của khách hàng
Phân tích dữ liệu lớn cung cấp nhiều dữ liệu về khách hàng và từ đó đưa ra các
cách thức phục vụ để thu hút, duy trì và cải thiện trải nghiệm của khách hàng với
những quyết định về sự thay đổi. Big Data cũng cho phép một hệ thống hiệu quả và lớn
hơn để nắm bắt dữ liệu về khách hàng và đối tượng. Big Data có thể giúp xác định
cung và cầu địa phương và được sử dụng để hiểu được sự hài lòng và nhu cầu của
khách hàng.
Chi phí để thu hút một khách hàng mới luôn cao hơn chi phí duy trì sự trung thành của
khách hàng cũ, vì vậy các doanh nghiệp logistics luôn cần chú trọng vào sự trải nghiệm
của khách hàng.
Hồ sơ về các điểm tiếp xúc của khách hàng, dữ liệu về các yếu tố hoạt động của
chất lượng dịch vụ, cũng như dữ liệu bên ngoài kết hợp để cung cấp cái nhìn toàn diện
về theo dõi khách hàng, để doanh nghiệp có thể đưa ra các quyết định tập trung nỗ lực
kinh doanh khi thích hợp nhất. Và một trải nghiệm tốt của khách hàng sẽ cung cấp cho
các nhà quản lý những quyết định về hoạt động và phát triển sản phẩm hơn nữa và đo
lường để thiết kế các sản phẩm và dịch vụ có thể đáp ứng và vượt qua mong đợi của
khách hàng.
Ví dụ UPS nhận thấy từ lịch sử cung cấp cho thấy rằng khách hàng nhận được

hai lô hàng bị trì hoãn. Điều này có nghĩa là UPS phải triển khai một biện pháp giữ
chân khách hàng ngay lập tức.
Nhưng khi nói đến các điểm tiếp xúc của khách hàng, có vô số những thông tin
có sẵn thông qua sự ra đời của các diễn đàn trực tuyến. Trước đây, các hệ thống CRM
(Customer Relationship Management) đã lưu trữ dữ liệu đó và thu thập thêm được thực
hiện bằng các cuộc điều tra. Nhưng với các công cụ và kỹ thuật Big Data bao gồm khả
năng tự động thu hồi cảm xúc của khách hàng hiện diện trên các cơ sở dữ liệu như văn
bản và âm thanh sau đó phân tích ngữ nghĩa và khai thác văn bản, điều này sẽ phản ánh
tốt hơn cảm xúc của khách hàng so với các hình thức khảo sát truyền thống.

15


Tóm lại, Big Data đã đang trên công cuộc chuyển đổi bản chất của Logistic. Big
Data trong Logistic có thể được sử dụng để giảm sự thiếu hiệu quả trong việc phân
phối dặm cuối cùng, cung cấp tính minh bạch cho chuỗi cung ứng, tối ưu hóa việc phân
phối, bảo vệ hàng hoá dễ bị hư hỏng và tự động hoá toàn bộ chuỗi cung ứng hay làm
tăng trai nghiệm tốt cho khách hàng.
Các công ty logistics nhận thức được những khả năng này, và đang phấn đấu đưa
ra nhiều quyết định dựa trên dữ liệu hơn. Sử dụng dữ liệu lớn, bộ cảm biến và Internet
of Things, kết hợp với phần mềm kinh doanh thông minh, các công ty có tư duy theo
đó đã giảm chi phí và tăng sự hài lòng của khách hàng.
2.3. Thách thức khi ứng dụng Big Data vào Logistics
Việc sử dụng hiệu quả các kỹ thuật Big Data đã đem lại nhiều lợi ích cho việc
chuyển đổi nền kinh tế nhưng cũng gây ra nhiều thách thức, bao gồm những khó khăn
trong việc thu thập dữ liệu, lưu trữ, tìm kiếm, cắt xén, phân tích và vận dụng. Những
thách thức này cần phải vượt qua để có thể khai thác cao nhất khả năng của Dữ liệu
lớn.
1) Kiến trúc máy tính để xử lý dữ liệu
Kiến trúc máy tính là một trong những thách thức lớn nhất. Theo Philip Chen và

Zhang (2014), hiệu suất của bộ xử lý trung tâm (CPU) đang tăng gấp đôi mỗi 18 tháng.
Hiệu năng của các ổ đĩa cũng tăng gấp đôi với cùng tốc độ, nhưng tốc độ quay của đĩa
đã cải thiện một chút. Ngoài ra, lượng thông tin tăng theo cấp số nhân. Điều này có ảnh
hưởng lớn đến giới hạn của việc khám phá các giá trị thời gian thực từ Big Data.
2) Dữ liệu không thống nhất
Một thách thức quan trọng khác liên quan đến phân tích dữ liệu lớn bao gồm sự
không thống nhất về dữ liệu và khả năng mở rộng, tính kịp thời và bảo mật dữ liệu
không đầy đủ. Do đó, dữ liệu phải được xây dựng phù hợp và một số tiền xử lý kỹ
thuật, chẳng hạn như làm sạch dữ liệu, tích hợp dữ liệu, chuyển đổi dữ liệu và giảm
thời gian cần được áp dụng để làm giảm tiếng ồn và sửa lỗi không chính xác. Big Data
đã thay đổi đáng kể việc thu thập và lưu trữ dữ liệu, bao gồm thiết bị lưu trữ dữ liệu,
16


kiến trúc lưu trữ dữ liệu, cơ chế truy cập dữ liệu. Quy trình khám phá kiến thức đặt ưu
tiên cao nhất vào khả năng tiếp cận của Dữ liệu lớn. Theo nghĩa đó, dữ liệu lớn nên
được truy cập hiệu quả và cho phép phá vỡ hoàn toàn hoặc một phần hạn chế của kiến
trúc máy tính. Lưu trữ trực tiếp (DAS), lưu trữ mạng (NAS), và mạng lưu trữ (SAN)
thường được sử dụng kiến trúc lưu trữ. Tuy nhiên, chúng có những hạn chế và hạn chế
nghiêm trọng trong các hệ thống phân phối quy mô lớn. Tối ưu hóa truy cập dữ liệu là
cách phổ biến để cải thiện hiệu suất của máy tính dữ liệu chuyên sâu. Điều này bao
gồm sao chép dữ liệu, di chuyển, phân phối và truy cập song song. Khi khối lượng dữ
liệu là rất lớn, dung lượng băng thông mạng là nút cổ chai trong đám mây và các hệ
thống phân tán.
3) Bảo mật dữ liệu chưa đảm bảo
Một vấn đề khác liên quan đến lưu trữ đám mây là bảo mật dữ liệu. Cấu trúc dữ
liệu nhằm mục đích tìm kiếm và truy xuất dữ liệu định kỳ, đảm bảo chất lượng dữ liệu,
bổ sung giá trị, tái sử dụng và bảo quản. Điều này bao gồm xác thực, lưu trữ, quản lý,
bảo quản, truy xuất và đại diện.
Theo Kambatla (2014): Trong các hệ thống hậu cần, một khuôn khổ phân tích

toàn diện đòi hỏi phải tích hợp quản lý chuỗi cung ứng, quản lý khách hàng, hỗ trợ sau
bán hàng và quảng cáo. Số lượng lớn các dữ liệu đa dạng bao gồm giao dịch khách
hàng, quản lý hàng tồn kho, nguồn cấp dữ liệu video trên cửa hàng, quảng cáo và quan
hệ khách hàng, sở thích và tình cảm của khách hàng, cơ sở hạ tầng quản lý bán hàng và
dữ liệu tài chính. Việc triển khai toàn diện RFIDs (Radio Frequency Identification) để
theo dõi hàng tồn kho, liên kết với các cơ sở dữ liệu của nhà cung cấp, tích hợp với sở
thích của khách hàng và các hệ thống tài chính tổng hợp mang lại hiệu quả được cải
thiện. Cách tiếp cận Big Data giúp khai thác dữ liệu sản xuất cho phép RFID để hỗ trợ
các quyết định hậu cần sản xuất của Zhong và cộng sự (2015). Các ứng dụng này chủ
yếu có các bộ dữ liệu được cấu trúc và tích hợp tương đối tốt. Vì cơ sở hạ tầng và phân
tích dữ liệu đang được thực hiện trong cùng một miền an ninh, vấn đề bảo mật và bảo
mật dễ dàng hơn. Các nút cổ chai lớn nhất trong lĩnh vực này là sự phát triển của các
phân tích có khả năng quy mô một lượng lớn các dữ liệu đa phương thức.
17


Với khối lượng dữ liệu gia tăng, xác suất dữ liệu chứa các thông tin có giá trị và
bí mật tăng lên. Do đó, thông tin được lưu trữ với mục đích phân tích dữ liệu lớn là dễ
bị ảnh hưởng vì tội phạm mạng. Các vấn đề an ninh cũng bao gồm bảo vệ sở hữu trí
tuệ, bảo vệ sự riêng tư cá nhân, bí mật thương mại và bảo vệ thông tin tài chính. Luật
bảo vệ dữ liệu đã được thiết lập ở hầu hết các quốc gia đang phát triển và đang phát
triển. Đối với các ứng dụng liên quan đến Dữ liệu Lớn, các vấn đề về bảo mật dữ liệu
khó hơn vì số lượng dữ liệu cực lớn và khối lượng công việc khó khăn của an ninh.

18


CHƯƠNG 3: CASE-STUDY: DHL ĐÃ ÁP DỤNG BIG DATA NHƯ THẾ NÀO?
Ngày nay, các công ty trong mọi lĩnh vực đang cố gắng hết sức để thu thập và phân tích
dữ liệu chính xác, để tạo ra các quyết định hiệu quả cho việc kinh doanh của họ. Đây là

dữ liệu có tiềm năng giúp doanh nghiệp thành công, trong tất cả các lĩnh vực mà công
ty phải đưa ra quyết định. Các công ty logistics cũng có dữ liệu khổng lồ thông qua
truy cập mạng, các thiết bị kết nối, chẳng hạn như điện thoại thông minh, webcam,
mạng cảm biến, và các khóa học ngoại tuyến, các phương tiện truyền thông xã hội. Số
ngôi sao trong vũ trụ ít hơn số lượng thông tin kỹ thuật số có sẵn trên mạng. Các công
ty có thể có công nghệ cần thiết và các kỹ năng để tinh chỉnh dữ liệu có sẵn có thể làm
tăng giá trị cho nó và có thể làm cho nó trở nên hữu ích cho việc kinh doanh kinh
doanh của họ bằng cách sử dụng Phân tích Big Data. Đó là lý do tại sao nhiều công ty
logistics, như DHL, GE đã nhận ra rằng Big Data đang mang lại một sự thay đổi lớn
cho ngành công nghiệp logistics. Mục tiêu của case-study này là phân tích về việc DHL
sử dụng một bộ hồ sơ dữ liệu toàn diện, cách phân tích Big Data đã giúp DHL tăng
hiệu quả hoạt động (với sự trợ giúp của Resilience360) như thế nào trong việc thử
nghiệm và áp dụng các mô hình kinh doanh mới (như mô hình DHL Parcel Volume
Prediction hay mô hình "DHL Geovista" ) duy trì trải nghiệm của khách hàng tốt (ví
dụ-bằng cách phân tích các điều kiện thời tiết). Các giải pháp dữ liệu lớn của DHL
được trình bày trong tất cả ba loại trên, cho thấy các công ty logistics có thể khai thác
dữ liệu chưa sử dụng và áp dụng các kỹ thuật đúng đắn và làm cho nó trở thành một
trong những ví dụ tốt nhất của công ty logistics.

19


Sử dụng dữ liệu để:

Khai thác dữ liệu để:
• Tăng mức độ trung
• Tăng mức minh bạch
thành của khách hàng
• Tối ưu hóa tài
và duy trì

• Thực hiện chính xác
nguyên tiêu dùng
khách hàng
• Nâng cao chất lượng phân khúc và nhắm mục
tiêu
quy trình
• Tối ưu hóa tương tác
của khách hàng
và dịch vụ
h và hiệu suất

Khai thác dữ liệu bằng
cách:
• Mở rộng các luồng
doanh thu
từ các sản phẩm hiện có
• Tạo doanh thu mới từ
dòng chảy
dữ liệu của sản phẩm
mới

Vậy DHL đã sử dụng Big Data vào việc gì và hiệu quả ra sao?
1.
Tối ưu hóa tuyến đường thời gian thực
Để tối ưu hóa tuyến đường trên dặm cuối cùng nhằm tiết kiệm thời gian trong quá
trình phân phối, DHL sử dụng các DHL Smart Truck, các xe tải này đều được gắn cảm
biến để mỗi khi xếp và dỡ hàng trên xe, cảm biến phát hiện lô hàng và sẽ phân phối và
sử dụng tính năng động của nó để sắp xếp lô hàng một cách tối ưu
thay vì sắp xếp thủ công. Trên đường bộ, cơ sở dữ liệu bưu chính viễn thông được
khai thác tự động thay đổi các tuyến phân phối theo điều kiện lưu thông hiện tại. Thông

tin định tuyến sẽ xem xét tính sẵn có và thông tin vị trí do người nhận đăng tải theo thứ
tự để tránh tình trạng giao hàng không thành công.
2.
Nhận và giao hàng theo đám đông
DHL tận dụng năng lực đám đông để giảm thiểu nhân lực và đảm bảo hàng được
giao đến bất kể vùng miền địa lý nào. Ý tưởng rất đơn giản: Người đi làm, lái xe taxi,
hoặc sinh viên có thể được DHL trả tiền để nhận giao hàng đến địa chỉ gần nhất trên
các tuyến đường mà họ đang ở gần. Điều này đòi hỏi kĩ thuật xử lý Big Data về các sự
kiện phức tạp và liên quan đến vị trí địa lý. Một luồng dữ liệu thời gian thực được theo
dõi để phân công các lô hàng cho các hãng vận chuyển sẵn có, dựa trên vị trí và điểm
20


đến tương ứng. DHL sử dụng một ứng dụng gọi là DHL Myways, ứng dụng này liên
kết đám đông hiển thị vị trí hiện tại của họ và họ sẽ chấp nhận phân phối hàng đã được
định trước.
3.
Lập kế hoạch mạng lưới chiến lược
Các kỹ thuật Big Data hỗ trợ lập kế hoạch và tối ưu hóa mạng lưới bằng cách
phân tích khả năng lịch sử toàn diện và dữ liệu sử dụng các điểm chuyển tuyến và các
tuyến vận tải. Ngoài ra, các kỹ thuật này xem xét các yếu tố theo mùa và các xu hướng
dòng chảy vận chuyển hàng hóa mới nổi bằng các thuật toán học dựa trên loạt thống kê
rộng lớn. Thông tin kinh tế đối ngoại (như các dự báo về tăng trưởng khu vực cụ thể và
khu vực) được đưa ra để dự đoán chính xác hơn về nhu cầu năng lực vận tải cụ thể.
4.
Lập kế hoạch năng lực hoạt động
Dự đoán về các yêu cầu tài nguyên sẽ giúp nhân viên điều hành nâng cao năng
lực lên hoặc xuống ở từng địa điểm cụ thể. Một dự báo chính xác cũng cho biết các vụ
tắc nghẽn sắp tới trên các tuyến đường hoặc tại các điểm chuyển tuyến không thể được
giải quyết theo quy mô địa phương. Chẳng hạn, một chiếc máy bay chở hàng đang hoạt

động quá sức chứa không lường trước được sẽ phải bỏ lại kiện hàng, chẳng may đó là
kiện hàng khẩn cấp thì sao? Kết quả mô phỏng cho cảnh báo sớm về loại tắc nghẽn
này, cho phép các lô hàng được phép giao chậm được giao lại cho các tuyến đường
không liên quan, giảm thiểu sự thiếu hụt cục bộ. Đây là một ví dụ tuyệt vời về cách
Phân tích Big Data có thể biến mạng phân phối thành cơ sở hạ tầng tự tối ưu hóa.
Chính vì thế, DHL sử dụng DHL Parcel Volume Prediction như một công cụ để:
• Đo ảnh hưởng của các yếu tố bên ngoài đến khối lượng dự kiến của bưu kiện
• Tương quan dữ liệu bên ngoài với dữ liệu mạng nội bộ
• Các kết quả trong mô hình dự đoán dữ liệu lớn làm tăng đáng kể việc lập kế
hoạch năng lực hoạt động
5.
Quản lý dịch vụ chăm sóc khách hàng
Việc sử dụng dữ liệu thông minh cho phép xác định những khách hàng có tiềm
năng, còn phân tích dữ liệu lớn cho phép đánh giá toàn diện về sự hài lòng của khách
hàng bằng cách hợp nhất nhiều nguồn dữ liệu phong phú. Phân tích dữ liệu lớn là rất
cần thiết, giúp tạo ra một cái nhìn tổng thể về tương tác của khách hàng và hiệu suất
hoạt động, và đảm bảo sự hài lòng của người gửi và người nhận.
6.

Cải tiến dịch vụ và đổi mới sản phẩm
21


7.

Đánh giá rủi ro và lập kế hoạch phục hồi

DHL sử dụng Resilience360 để đánh giá rủi ro. Công cụ đánh giá rủi ro này tính
trên 20 loại rủi ro và các lỗ hổng của một chuỗi cung ứng. Khả năng phục hồi nhanh
được theo dõi, kế hoạch dự phòng được tích cực xây dựng hợp tác, và các điểm nóng

nguy hiểm được xác định cùng với các phương pháp thay thế và giảm thiểu rủi ro. Điều
này được thực hiện thông qua các tiểu mục khác nhau:
• Hình ảnh chuỗi cung ứng: Một bản đồ tương tác cho phép hình dung dây chuyền
cung cấp toàn cầu và cuối cùng, cung cấp tổng quan đa lớp về các bộ phận, sản phẩm,
các thuộc tính mạng phụ, vị trí hậu cần, và cho phép người sử dụng logic của sự phụ
thuộc vào mạng lưới. Về cơ bản cung cấp một cái nhìn chi tiết về các quy trình của
chuỗi cung ứng một cách toàn diện.
• Bản đồ thể hiện rủi ro: Bản đồ được thực hiện để tính toán trên 20 loại rủi ro
toàn cầu, trong đó cơ sở dữ liệu bao gồm các khu vực rủi ro hoạt động, chính trị xã hội,
thiên tai và đánh giá chúng từ không đáng kể (tuyền đường tại một thành phố, nơi con
đường dễ dàng chuyển đổi ), đến cực đoan (động đất phá vỡ nguồn cung cấp nguyên
liệu cho toàn bộ khu vực). Sự tích lũy rủi ro và phân nhóm tiềm năng được xác định, và
được hỗ trợ bởi sự trọng yếu của các thực thể khác nhau. Điều này có lợi cho người sử
dụng để hiểu được nơi tập trung vào những rủi ro chính.
• Đánh giá rủi ro và khả năng phục hồi: Mức độ căng thẳng giữa vị trí riêng lẻ
hiện tại, dựa trên các lựa chọn sẵn có cho mỗi vị trí của chuỗi cung ứng và mức độ khả
thi của chúng, khảo sát tác động của rủi ro đối với các biện pháp giảm nhẹ và liên tục
cập nhật bằng cách khảo sát lại. Điều này có lợi cho người sử dụng để xác định tác
động của rủi ro, và các điểm nóng cho rủi ro.
• Các kế hoạch giảm thiểu rủi ro: Chuyên gia tư vấn về tái định vị hoặc định
tuyến lại thông qua các mạng toàn cầu của DHL và các kế hoạch giảm nhẹ rủi ro của
logistics cùng với việc phân tích mức độ nguy hiểm hoặc mức độ ảnh hưởng nghiêm
trọng, vị trí địa lý và thông tin tác động từ lịch sử. Trong trường hợp này, người sử
dụng hưởng lợi từ một kế hoạch tìm cách giảm tác động của rủi ro.
8.
Thị trường cho các doanh nghiệp vừa và nhỏ
Việc kết hợp các hồ sơ vận chuyển (bao gồm xuất xứ, điểm đến, loại hàng hoá, số
lượng và giá trị) là một nguồn thông tin thị trường giá trị. Miễn là giữ bí mật bưu
22



chính, các nhà cung cấp logistics có thể tinh chỉnh dữ liệu này để chứng minh cho
nghiên cứu thị trường bên ngoài hiện có.
DHL sử dụng DHL Geovista như một công cụ để:
• Công cụ tiếp thị địa lý trực tuyến cho các doanh nghiệp vừa và nhỏ để phân tích
tiềm năng kinh doanh
• Cung cấp dự báo doanh thu thực tế và phân tích đối thủ cạnh tranh dựa trên mô
hình khoa học
• Vị trí mong muốn có thể được đánh giá bằng cách sử dụng geodata chất lượng
cao
9.
Nhu cầu tài chính và phân tích chuỗi cung ứng
10.
Xác minh địa chỉ
DHL Adress Management là công cụ phân tích dữ liệu:
• Kết hợp trực tiếp dữ liệu đầu vào với dữ liệu tham khảo
• Trả lại dữ liệu chưa đầy đủ hoặc không chính xác với dữ liệu xác thực từ cơ sở
dữ liệu
• Tăng đáng kể chất lượng dữ liệu cho mục đích lập kế hoạch (quy hoạch tuyến
đường)
11.

Môi trường thông minh

Sự tăng trưởng nhanh chóng của các khu đô thị làm tăng tầm quan trọng của các
hoạt động quy hoạch thành phố và giám sát môi trường. Bằng cách sử dụng nhiều loại
cảm biến gắn liền với phương tiện giao hàng, các nhà cung cấp dịch vụ logistics có thể
tạo ra các số liệu thống kê môi trường phong phú. Các bộ dữ liệu có thể bao gồm các
biện pháp ô nhiễm ozon và bụi mủ, nhiệt độ và độ ẩm, mật độ giao thông, tiếng ồn và
mức sử dụng chỗ đậu xe dọc theo các con đường đô thị. Vì tất cả các dữ liệu này có thể

được thu thập thông qua (trong quá trình chuyển tiếp), các nhà cung cấp dịch vụ hậu
cần phải cung cấp dịch vụ dữ liệu có giá trị cho các cơ quan, cơ quan môi trường và
người phát triển bất động sản tương đối dễ dàng trong khi thu được các khoản trợ cấp
bổ sung để trợ cấp , việc duy trì đội giao hàng lớn.
Có rất nhiều trường hợp sử dụng tình báo địa phương khác khai thác sự phổ biến
của một đội giao hàng lớn. Từ các báo cáo về tình trạng đường đi mà chỉ đạo các tổ
chức bảo dưỡng đường bộ, các cuộc điều tra về cách nhiệt của các hộ gia đình công
cộng, các nhà cung cấp dịch vụ logistics nằm ở vị trí cực "công cụ tìm kiếm trong thế
giới vật lý". Các dịch vụ sáng tạo cung cấp tất cả các loại dữ liệu trong các chi tiết về
23


mặt địa lý cực kỳ hấp dẫn đối với các cơ quan quảng cáo, công ty xây dựng, và các cơ
quan công cộng như cảnh sát và các cơ quan cứu hỏa. Các kỹ thuật Big Data giải
phóng thông tin cấu trúc từ dữ liệu thời gian thực và dữ liệu cảm biến đang xây dựng
xương sống kỹ thuật cho việc triển khai các mô hình kinh doanh dựa vào dữ liệu mới.

CHƯƠNG 4: HẠ TẦNG CÔNG NGHỆ THÔNG TIN CỦA BIG DATA
PHỤC VỤ LOGISTICS VÀ THỰC TRẠNG Ở VN
4.1 Hạ tầng công nghệ thông tin của Big Data phục vụ tại Việt Nam
Hạ tầng công nghệ thông tin là cơ sở của Big Data, là nền tảng cho việc thu thập
và xử lý Big Data. Chính vì vậy, việc có được hạ tầng công nghệ thông tin tốt sẽ giúp
cho việc ứng dụng Big Data vào Logistics một cách có hiệu quả.
Hạ tầng công nghệ thông tin tại Việt Nam đã được cải thiện đáng kể trong những năm
gần đây. Việt Nam được đánh giá là nước có mật độ phổ biến dịch vụ viễn thông cao so
với các nước trên thế giới. Theo khảo sát nhỏ của VLA thực hiện trong năm 2017 về

24



Hạ tầng công nghệ thông tin (CNTT) trong các doanh nghiệp logistics, các doanh
nghiệp thực hiện khảo sát cho biết:
- Công nghệ thông tin đã có bước phát triển giúp đa dạng kênh bán hàng và phân
phối đến người tiêu dùng được thuận tiện hơn.
- Phương pháp EDI để gửi và nhận dữ liệu thông tin giữa các doanh nghiệp
logistics và hải quan mới được áp dụng và chưa đạt hiểu quả. Vấn đề định vị vị trí
phương tiện vận tải GPS cũng chưa được đem lại hiệu quả tối đa đối với vận hành các
phương tiện vận tải đường bộ
- Hạ tầng CNTT rất quan trọng nhưng chưa được quan tâm đúng mức và chưa có
kết nối, thiếu nhiều ứng dụng và không đồng bộ;
- Hạ tầng CNTT có cải thiện nhưng chưa như mong đợi;
- Hạ tầng CNTT tạm ổn trong quy mô nhỏ nhưng sẽ không theo kịp sự phát triển
của thương mại điện tử. Khảo sát chuyên sâu của VLA về ứng dụng hệ thống CNTT tại
một số doanh nghiệp đi đầu trong việc ứng dụng công nghệ vào hoạt động sản xuất
kinh doanh cho thấy, các doanh nghiệp nhận thức được tầm quan trọng của ứng dụng
IT đối với ngành logistics, tuy nhiên, do tỉ suất đầu tư lớn dẫn đến các hạng mục IT của
doanh nghiệp (Hệ thống quản lý giao nhận (FMS), quản lý vận tải (TMS), quản lý kho
hàng (WMS), quản lý nguồn lực (ERP) được thực hiện manh mún, không mang tính hệ
thống được tiến hành đầu tư theo các nhu cầu của từng bộ phận nghiệp vụ riêng biệt và
được cung cấp bởi các công ty giải pháp khác nhau. Các ứng dụng điện toán đám mây
cũng còn rất mới với các doanh nghiệp dịch vụ logistics, và đa số các hệ thống ứng
dụng IT trong nước không đủ điều kiện kết nối các các hệ thống IT bên ngoài cũng như
đảm bảo an toàn an ninh mạng trong yêu cầu dịch vụ toàn cầu. Số lượng nhà cung cấp
giải pháp công nghệ thông tin logistics chuyên nghiệp trong nước là quá ít, quy mô
nhỏ, thực tế không có thương hiệu uy tín nào và số doanh nghiệp đang hoạt động tích
cực hay có giải pháp ứng dụng được là chưa tới 10 đơn vị. Làn sóng khởi nghiệp đã lan
tỏa tới ngành logistics, nhưng các công ty khởi nghiệp vẫn gặp nhiều khó khăn về vốn
và nhân lực. Bản thân các công ty logistics khi tìm kiếm giải pháp ứng dụng cũng gặp
nhiều trở ngại do năng lực cung cấp giải pháp và bảo đảm hỗ trợ kỹ thuật chưa chắc
25