---
title: Không mở nổi báo cáo phế phẩm? AI biến nguyên nhân gốc thành checklist cải tiến cho chuyền
lang: vi
source: https://mindsprt.dev/vi/knowledge/ai-waste-root-cause/
---

# Không mở nổi báo cáo phế phẩm? AI biến nguyên nhân gốc thành checklist cải tiến cho chuyền

*Kiến thức ngành in · 8 phút đọc · 2026-07-24*

> Ảnh phế phẩm chất đống trong ổ cứng, cuộc họp cải tiến lúc nào cũng kết thúc bằng câu 'lần sau chú ý hơn' — bài viết này mổ xẻ cách MINDS Printing (MS) tổng hợp nguyên nhân gốc của phế phẩm: từ quy trình báo cáo ngoài chuyền, phân loại hình ảnh, các dạng lỗi thường gặp, cho đến cách biến dữ liệu thành tài liệu đào tạo mà nhân viên mới có thể cầm lên làm theo. Đọc xong bạn sẽ biết cách dùng AI để gom mỗi lần lỗ lã thành quy trình cải tiến liên tục chuẩn hóa trong xưởng

**Trả lời nhanh:** Ảnh phế phẩm chất đống trong ổ cứng, cuộc họp cải tiến lúc nào cũng kết thúc bằng câu 'lần sau chú ý hơn'

## Tỷ lệ phế phẩm không giảm nổi, vấn đề thường không nằm ở chuyền

Nhìn từ vài xưởng in tầm trung mà tôi vừa hỗ trợ gần đây, ai cũng hô hào 'cải tiến liên tục', nhưng lật biên bản họp QA ra thì các hạng mục cải tiến thường kẹt ở hai chỗ: không tìm ra nguyên nhân gốc thật sự, và đề xuất cải tiến viết quá chung chung. Phế phẩm chụp từ chuyền chuyển cho QA, QA chuyển lên quản lý, quản lý ghi một câu 'đề nghị chuyền lưu ý thêm' rồi đóng hồ sơ. Tháng sau cùng một lỗi tái xuất hiện, không ai thấy lạ

Ở giữa chỗ đó thiếu không phải là thái độ, mà là một bộ quy trình để dữ liệu phế phẩm được phân loại, truy vết và chuyển thành hành động đàng hoàng. Giá trị thật sự của AI trong bối cảnh này không phải mấy tính năng ngầu như tự động phát hiện lỗi, mà là kéo những thông tin phế phẩm đang rải rác trong nhóm LINE, thẻ nhớ máy ảnh, file Excel của QA thành một đường thẳng, để mỗi lần lỗ lã đều trở thành tư liệu cải tiến có thể tra cứu và tích lũy được

## Sao dữ liệu phế phẩm cứ thu thập không xong?

Tôi quan sát công việc hằng ngày ở các xưởng in vừa và nhỏ tại Đài Loan, những nơi dữ liệu phế phẩm rải ra thường nhiều hơn bạn tưởng:

・Thời điểm xảy ra lỗi: chụp điện thoại ngay cạnh máy, báo cáo qua nhóm LINE

・Hồ sơ QA: bảng Excel, phiếu QA, phiếu ký duyệt

・Khâu gia công sau: ảnh trả hàng từ khu gia công ngoài hoặc bán thành phẩm (xếp, đóng sách, cán mờ…)

・Phía khiếu nại: ảnh khách hàng đối tác chuyển sang kèm đơn trả hàng

Vấn đề chung của mấy nguồn này là: format lộn xộn, tên file muôn hình, lẫn cả đống đoạn hội thoại chẳng liên quan tới lỗi. Không qua tổng hợp thì không làm phân tích tiếp được. Muốn AI phát huy tác dụng, bước đầu tiên không phải mua công cụ, mà là ra SOP báo cáo

### SOP báo cáo phế phẩm nên trông như thế nào trước?

Tôi gợi ý bắt đầu từ mấy trường tối thiểu, đừng làm đồ sộ ngay từ đầu khiến chuyền ngại:

・Ảnh phế phẩm: ít nhất một tấm nhìn ra toàn cảnh sự cố, một tấm nhìn ra chi tiết (nên đặt thước kèm sẵn trong điện thoại hoặc đồng xu làm tỷ lệ tham chiếu)

・Thời điểm xảy ra và mã máy: thiếu hai trường này về sau muốn phân tích xu hướng sẽ rất khổ

・Tổ trưởng ca và thao tác viên: dùng để phân định trách nhiệm và đào tạo sau này

・Cách xử lý lúc đó: hủy, làm lại, trả lại, ghi lại trước đã

・Mã lô giấy và mã lô mực: nhiều lỗi là do hai biến số này gây ra

Các trường cố định xong thì AI mới ổn định đọc vào, chuẩn hóa format và phân loại tiếp được. Không có SOP mà đòi cài AI, thì cuối cùng AI phải chiều theo sự tùy tiện của người, ai cũng chê khó dùng

## AI phân loại phế phẩm làm được tới đâu?

Nói tới phân loại ảnh bằng AI, quản lý chuyền hay hỏi tôi nhất: 'Nó có chính xác không?'. Câu trả lời của tôi: trong bối cảnh phân loại phế phẩm, độ tin cậy 70–80% là đủ dùng. Lý do đơn giản, cái mình cần không phải AI đưa ra phán đoán cuối cùng, mà là nó giúp mình xếp sẵn vài nghìn tấm ảnh vào từng xô, để nhân viên QA chỉ cần xem lại đúng một xô

Các dạng phế phẩm thường gặp, AI xử lý tương đối nhẹ nhàng:

・Lệch màu: chênh màu giữa các lô, chênh với bản kẽm

・Lệch trận: lệch khi in chồng bốn màu, lệch cạnh khi in hai mặt

・Giấy: bụi giấy, xơ giấy, nhăn, quăn, sai kích thước

・Trầy xước: xước mặt sau do mực chưa khô, vết cọ sát lúc vận chuyển

・Bẩn: văng mực, bột chống dính còn dính, vết ngón tay

・Lỗi gia công: lệch nếp gấp, lệch đóng sách, không đều lớp cán

Vài nhóm này có đặc trưng thị giác rõ ràng, dữ liệu huấn luyện cho mô hình AI cũng tương đối dễ thu thập. Khó nhằn hơn là mấy ca trả hàng kiểu 'khách nói không ưng', do kỳ vọng chủ quan. Phần này vẫn phải nhờ người ghi chép và phỏng vấn khách

### Từ phân loại đến nguyên nhân gốc, vẫn còn một đoạn phải đi

Phân loại chỉ là nhãn, nguyên nhân gốc là 'vì sao nó xảy ra'. Giá trị của AI ở đoạn này là trải kết quả phân loại, dữ liệu work order, mã lô giấy, thông số máy lên cùng một bảng để đối chiếu chéo, giúp người ta nhìn ra ngay hướng khả dĩ:

・Tỷ lệ phế phẩm của một máy nào đó bất ngờ tăng vọt trong khung giờ nào đó

・Phế phẩm của một mã lô giấy nào đó tập trung vào một dạng lỗi cụ thể

・Trong ca trực của một thao tác viên nào đó, tỷ lệ phế phẩm chênh đáng kể so với trung bình

Mấy kiểu phân tích liên kết này, dùng pivot table trong Excel cũng làm được, nhưng lợi thế của công cụ AI là câu hỏi có thể gần với ngôn ngữ tự nhiên hơn, kiểu 'xem giúp tôi phế phẩm lệch màu của máy B ca 2 trong tháng 8, có tập trung vào mã lô giấy nào không' — không cần học hàm phức tạp trước

## Nguyên nhân gốc phế phẩm biến thành checklist cải tiến khả thi kiểu gì?

Đây là đoạn tôi nghĩ đáng đầu tư thời gian nhất. Phân tích dữ liệu có đẹp mấy mà phần cải tiến cuối cùng chỉ là 'đề nghị thao tác viên lưu ý', 'đề nghị tăng cường QA', thì cả hệ thống này chẳng qua chỉ là điện tử hóa mấy biên bản họp vô hiệu

Checklist cải tiến tốt cần đạt mấy tiêu chí:

・Chỉ định được: ghi rõ cho ai, làm gì, khi nào xong

・Kiểm chứng được: sau khi xong, xác nhận hiệu quả bằng cách nào (ví dụ: tuần sau cùng máy cùng giấy, tỷ lệ phế phẩm dưới X%)

・Truy vết được: liên kết ngược về ảnh phế phẩm gốc, work order, biên bản thảo luận

AI ở giai đoạn này làm được chuyện 'sinh bản thảo đầu tiên'. Đưa dữ liệu phế phẩm đã phân loại, suy đoán nguyên nhân gốc, hướng cải tiến vào, AI có thể cho ra một bản thảo checklist cải tiến có cấu trúc, gồm vai trò đề xuất chỉ định, cách kiểm chứng khả dĩ, case lịch sử liên quan. Trưởng QA sửa lại bản thảo này, nhanh hơn nhiều so với ngồi viết từ trang trắng

### Hướng cải tiến điển hình theo từng dạng phế phẩm thường gặp

Bên dưới tôi chắt lọc mấy bảng đối chiếu từ thực tế khách hàng, để mọi người tham khảo:

・Lệch màu: kiểm tra quy trình quản lý màu, hiệu chỉnh lại máy, xác nhận nguồn sáng chuẩn giữa bản kẽm và thực tế

・Lệch trận: kiểm tra căng bản kẽm, cơ cấu canh biên cho in hai mặt, điều chỉnh lót

・Giấy: xác nhận với nhà cung cấp về tính chất giấy của lô này, điều chỉnh lực kẹp giấy và thiết bị khử bụi

・Trầy xước: kiểm tra hệ thống sấy và lượng bột chống dính, điều chỉnh cách xếp chồng

・Lệch nếp gấp: hiệu chỉnh lại máy gấp, xác nhận hướng xơ giấy và thiết kế nếp gấp

Mấy hướng này nghe đều là bài bản cơ bản, nhưng thực tế nhiều xưởng chưa viết SOP rõ ràng, nhân viên mới chỉ có thể nhờ thầy truyền miệng, chất lượng dao động là đúng rồi

## Biến hồ sơ cải tiến thành tài liệu đào tạo nhân viên mới kiểu gì?

Nhiều xưởng việc đào tạo chuyền vẫn dừng ở mức 'thầy cầm tay chỉ việc', thầy nghỉ phép hoặc nghỉ việc là nhân viên mới tự bơi. Biến các case phế phẩm tích lũy thành tài liệu đào tạo là chìa khóa để kinh nghiệm cải tiến không bay theo người

Tôi gợi ý tổng hợp theo ba lớp:

・Lớp 1: ngân hàng case, phân loại theo dạng lỗi, mỗi case kèm ảnh, điều kiện xảy ra, nguyên nhân gốc, cách cải tiến

・Lớp 2: SOP, chuyển các thao tác chuẩn hóa rút ra từ case thành SOP, ví dụ 'quy trình xác nhận lệch màu cho lần in đầu sau khi đổi giấy'

・Lớp 3: kiểm tra và đào tạo lại, dùng ảnh từ ngân hàng case làm bài test nhanh, xác nhận nhân viên mới nhận diện được dạng lỗi và xử lý tương ứng

AI ở đoạn này hỗ trợ được chỗ sinh bản thảo tài liệu và câu hỏi kiểm tra. Đưa dữ liệu ngân hàng case cho AI, nó giúp viết lại một case thành tình huống dạy học, đồng thời sinh câu trắc nghiệm hoặc tự luận tương ứng. Sau khi có khung tài liệu, thầy kỳ cựu duyệt lại và bổ sung thêm mấy bí kíp ngoài chuyền

Nếu bạn muốn xem ngay cách làm cụ thể, đội tư vấn của MINDS Knowledge Academy đã tổng hợp một quy trình hoàn chỉnh từ báo cáo phế phẩm, phân tích nguyên nhân gốc tới tài liệu đào tạo ([đội tư vấn MINDS Knowledge Academy](https://mindsprt.dev)), bên trong có case khách hàng đã triển khai thật để tham khảo

## Ba cái hố dễ giẫm nhất khi triển khai

Sau khi hỗ trợ mấy xưởng triển khai quy trình này, tôi chốt lại ba nguyên nhân thất bại hay gặp nhất:

・Chuyền ngại điền: trường quá nhiều, quá phiền. Cách gỡ là chạy với số trường tối thiểu ba tháng trước, rồi mở rộng dần theo nhu cầu thực tế

・Không có người phụ trách chuyên trách: chỉ định đúng một người vận hành lâu dài, quan trọng hơn nhiều so với mua công cụ AI đắt tiền

・Không có cơ chế theo dõi hạng mục cải tiến: họp xong đóng hồ sơ thì coi như không làm. Mỗi hạng mục cải tiến phải có người theo dõi và deadline

Ba cái hố này đều không phải vấn đề kỹ thuật, đều là vấn đề quản lý. Công cụ AI hay mấy mà không quản được người thì cũng vô ích

## Gom mỗi lần lỗ lã thành SOP cải tiến liên tục của xưởng

Coi dữ liệu phế phẩm là tài sản, chứ không phải mấy tấm ảnh vứt vào thùng rác, đó là chuyển đổi tư duy quan trọng nhất. Mỗi lần lỗ lã, mỗi lần trả hàng, đều là chi phí để sau này đỡ mắc lại một lần

Nhìn từ mấy khách hàng tôi tiếp xúc, xưởng nào chạy được quy trình này, thường trong vòng sáu tháng sẽ thấy mấy đổi khác rõ rệt: thời gian họp phân loại phế phẩm rút ngắn, khả thi của hạng mục cải tiến tăng lên, hiệu quả đào tạo nhân viên mới tốt hơn. Còn con số tỷ lệ phế phẩm giảm chỉ là phụ, vì nó chịu tác động của cơ cấu đơn hàng, chất lượng giấy, yêu cầu khách hàng v.v.

Bước tiếp theo, bạn có thể bắt đầu từ chuyện nhỏ nhất là 'định nghĩa các trường báo cáo phế phẩm'. Bàn giấy mãi không bao giờ chạy ra được, chạy trước rồi tối ưu sau

## Tổng hợp trọng tâm

・Tỷ lệ phế phẩm không giảm nổi, vấn đề thường không nằm ở chuyền, mà là dữ liệu chưa được phân loại và truy vết đàng hoàng

・Phân loại ảnh bằng AI dùng để xếp xô lỗi, độ tin cậy 70–80% là đủ tăng hiệu quả QA

・Checklist cải tiến phải chỉ định được, kiểm chứng được, truy vết được, nếu không chỉ là điện tử hóa cuộc họp vô hiệu

・Ngân hàng case phế phẩm là nguồn tài liệu đào tạo nhân viên mới, để kinh nghiệm cải tiến không bay theo người

・Nguyên nhân triển khai thất bại là vấn đề quản lý, không phải vấn đề công cụ: chuyền ngại, không có người chuyên trách, không có theo dõi

## Suy nghĩ mở rộng

Về phía sản xuất in, chuẩn hóa dữ liệu phế phẩm là bước đầu tiên của chuyển đổi số, cũng là bước dễ bị bỏ quên nhất. Nhiều xưởng tốn khoản lớn cài ERP, MES, lại bỏ qua khâu quản trị dữ liệu chuyền cơ bản nhất. Gợi ý bắt đầu từ bảng báo cáo phế phẩm trên giấy hoặc Excel, chạy trơn tru trường và quy trình trước, rồi mới tính chuyện AI gia tăng giá trị. Về phía đơn vị làm ứng dụng AI và SaaS, quản lý phế phẩm trong xưởng in là bối cảnh chuyên môn hóa cao, mô hình phân loại ảnh đa năng không đủ xài, phải đi sâu hiểu thuật ngữ và quan hệ nhân quả của quy trình in mới làm ra sản phẩm thật sự hữu ích. Về phía thiết kế, hiểu các dạng lỗi phế phẩm và nguyên nhân trong xưởng sẽ giúp tránh ngay từ khâu chuẩn bị file những thiết kế dễ trục trặc, ví dụ trap quá mảnh, bản đặc màu đậm dễ in ngược, giảm chi phí đối thoại trả hàng hai bên

## Đọc thêm

(Bài viết là nội dung giảng dạy gốc của MINDS Knowledge Academy, các kiến thức ngành và cách làm thực tế được trích dẫn đều từ kinh nghiệm hỗ trợ trực tiếp của đội tư vấn)

## FAQ / Câu hỏi thường gặp

### Phân loại ảnh bằng AI trong nhận diện phế phẩm in cần độ chính xác bao nhiêu mới đủ dùng?

Trong bối cảnh phân loại phế phẩm, độ tin cậy 70–80% là đủ dùng. Vai trò của AI là xếp sẵn vài nghìn tấm ảnh vào xô, để nhân viên QA chỉ cần xem lại một xô, không cần đòi 100% chính xác

### Xưởng in cần chuẩn bị gì khi triển khai phân tích phế phẩm bằng AI?

Bước đầu tiên không phải mua công cụ, mà là ra SOP báo cáo phế phẩm. Ít nhất phải cố định format ảnh, thời điểm xảy ra, mã máy, nhân sự ca trực, mã lô giấy mấy trường này, không có dữ liệu có cấu trúc thì AI không biết phát huy vào đâu

### Checklist cải tiến phế phẩm viết sao để không thành hình thức?

Checklist cải tiến tốt cần đạt ba tiêu chí: chỉ định được (đối tượng và hành động rõ ràng), kiểm chứng được (sau khi xong xác nhận bằng số liệu), truy vết được (liên kết ngược về dữ liệu phế phẩm gốc). Tránh mấy câu kiểu 'đề nghị lưu ý thêm' mà không có cách nào kiểm chứng

### Các dạng phế phẩm in thường gặp gồm những loại nào?

Từ thực tế, chủ yếu có sáu nhóm: lệch màu, lệch trận, vấn đề giấy (bụi giấy, nhăn, quăn), trầy xước, bẩn, lỗi gia công (nếp gấp, đóng sách, cán mờ). Mấy nhóm này có đặc trưng thị giác rõ, mô hình AI tương đối dễ xử lý

### Biến case phế phẩm thành tài liệu đào tạo nhân viên mới kiểu gì?

Gợi ý tổng hợp theo ba lớp: ngân hàng case (phân loại kèm ảnh và cách cải tiến), SOP (chuyển thao tác chuẩn hóa rút ra thành SOP), kiểm tra và đào tạo lại (dùng ảnh từ ngân hàng case làm bài test nhanh). AI hỗ trợ được chỗ sinh bản thảo tài liệu và câu hỏi kiểm tra


---

> HTML version: https://mindsprt.dev/vi/knowledge/ai-waste-root-cause/
> MINDS — 麥思印刷整合有限公司 · https://mindsprt.dev