Báo cáo phế phẩm cứ lủng củng mãi? AI biến nguyên nhân gốc thành danh sách cải tiến ngay trên chuyền

Nhìn từ vài xưởng in tầm trung mà tôi mới hỗ trợ gần đây, ai cũng hô hào "cải tiến liên tục", nhưng mở biên bản họp chất lượng ra thì các hạng mục cải tiến cứ mắc ở hai chỗ: không tìm ra nguyên nhân gốc thật sự, và đề xuất cải tiến viết quá chung chung. Ảnh phế phẩm từ chuyền chuyển sang bộ phận QA, QA chuyển lên quản lý, quản lý gõ một câu "đề nghị chuyền chú ý hơn" rồi đóng hồ sơ. Tháng sau cùng một lỗi tái diễn, không ai thấy lạ

Thiếu ở đây không phải thái độ, mà là một quy trình để dữ liệu phế phẩm được phân loại gọn gàng, truy vết được, và chuyển hóa thành hành động cụ thể. Giá trị thật sự của AI trong bối cảnh này không phải mấy tính năng phát hiện lỗi cho oai, mà là kéo những thông tin phế phẩm đang nằm rải rác trong nhóm LINE, thẻ nhớ máy ảnh, file Excel của QA thành một sợi dây mạch lạc, để mỗi lần lỗ tiền đều trở thành nguyên liệu cải tiến có thể tra cứu và tích lũy được

Nhìn vào nhịp sống hằng ngày của các xưởng in vừa và nhỏ ở Đài Loan, dữ liệu phế phẩm thường nằm rải ở nhiều nơi hơn bạn nghĩ:

・Ngay tại chuyền: chụp bằng điện thoại cạnh máy, báo cáo trong nhóm LINE

・Hồ sơ QA: bảng Excel, phiếu kiểm tra, phiếu phê duyệt

・Khâu gia công sau: ảnh trả hàng từ khu gấp, đóng sách, cán màng làm ngoài hoặc bán thành phẩm

・Phía khiếu nại: ảnh khách hàng phản hồi do sales chuyển về, phiếu trả hàng

Vấn đề chung của mấy nguồn này là: định dạng lung tung, đặt tên lung tung, kèm theo cả đống đoạn hội thoại chẳng liên quan gì đến lỗi. Không qua một bước chỉnh lý thì chẳng làm phân tích gì được. Muốn AI phát huy tác dụng, bước đầu tiên không phải mua công cụ, mà là soạn ra quy trình báo cáo

Quy trình báo cáo phế phẩm cần có hình dạng gì trước?

Tôi gợi ý bắt đầu từ những trường thông tin tối thiểu, đừng ôm đồm ngay từ đầu khiến chuyền phản kháng:

・Ảnh phế phẩm: ít nhất một ảnh thấy toàn cảnh sự cố, một ảnh thấy chi tiết (nên đặt thước kẻ của điện thoại hoặc đồng xu làm tỷ lệ tham chiếu)

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

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

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

・Mã lô giấy và mẻ mực: rất nhiều lỗi xuất phát từ hai biến số này

Khi các trường đã cố định, AI mới đọc vào ổn định, đồng bộ định dạng, rồi phân loại tiếp được. Không có quy trình mà đòi nhập AI, AI sẽ phải chiều theo sự tùy hứng của con người, cuối cùng ai cũng chê khó xài

Nói đến phân loại hình ảnh bằng AI, câu hỏi quản lý chuyền hay hỏi tôi nhất là: "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: thứ chúng ta cần không phải AI đưa ra phán quyết cuối cùng, mà là nó giúp phân vào thùng sẵn mấy nghìn tấm ảnh, để nhân viên QA chỉ cần xem lại một thùng là xong

Các dạng phế phẩm phổ biến, AI xử lý tương đối nhẹ nhàng:

・Sai màu: chênh màu giữa các lô, chênh so với bản kẽm

・Lệch vị trí: trôi màu khi in bốn màu chồng, lệch mặt khi in hai mặt

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

・Trầy xước: trầy mặt sau do mực chưa khô, vết xước khi vận chuyển

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

・Lỗi gia công: lệch đường gấp, đóng sách nghiêng, cán màng không đều

Mấy nhóm này có đặc trưng thị giác khá rõ, dữ liệu huấn luyện cho mô hình AI cũng dễ thu thập. Khó nhằn hơn là mấy ca trả hàng kiểu "khách nói không ưng" — phần này vẫn phải nhờ người ghi chép và phỏng vấn khách hàng

Từ phân loại đến nguyên nhân gốc, vẫn còn một đoạn đường

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

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

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

・Trong ca trực của một thao tác viên, tỷ lệ phế chênh rõ rệt so với trung bình

Kiểu phân tích liên kết này, kéo pivot table bằng Excel cũng làm được, nhưng lợi thế của công cụ AI là cách đặt câu hỏi gần với ngôn ngữ tự nhiên hơn. Câu kiểu "xem giúp tôi phế phẩm sai màu ca 2 máy B tháng 8 có tập trung vào mã lô giấy nào không" — khỏi cần học hàm phức tạp trước

Đoạn này tôi cho là đáng đầu tư thời gian nhất. Phân tích dữ liệu có đẹp mấy mà hạng mục cải tiến cuối cùng vẫn là "đề nghị thao tác viên chú ý", "đề nghị tăng cường QA", thì cả hệ thống này chẳng qua chỉ là điện tử hóa mấy biên bản họp vô dụng

Một danh sách cải tiến ra hồn cần đạt mấy tiêu chí:

・Chỉ định được rõ: ghi rõ cho ai, làm gì, bao giờ xong

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

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

AI ở giai đoạn này làm được là "sinh bản thảo". Đưa dữ liệu phế phẩm sau phân loại, suy đoán nguyên nhân gốc, hướng cải tiến vào, AI có thể cho ra bản thảo danh sách cải tiến có cấu trúc, gồm cả vai nên phân công, cách kiểm chứng khả dĩ, case lịch sử liên quan. Từ bản thảo đó, quản lý QA sửa lại, nhanh hơn nhiều so với ngồi viết từ trang trắng

Hướng cải tiến điển hình ứng với từng dạng phế phẩm thường gặp

Đây là bảng đối chiếu tôi rút ra từ thực tế khách hàng, để mọi người tham khảo:

・Sai màu: kiểm tra quy trình quản lý màu, hiệu chuẩn lại máy, xác nhận nguồn sáng chuẩn giữa bản kẽm và máy in là thống nhất

・Lệch vị trí: kiểm tra định vị bản kẽm, thiết bị canh mặt khi in hai mặt, điều chỉnh đệm

・Giấy: xác nhận với nhà cung cấp về biến động tính chất giấy của lô đó, chỉnh lực kẹp giấy và thiết bị chống bụi

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

・Lệch đường gấp: hiệu chuẩn lại máy gấp, xác nhận hướng thớ giấy với thiết kế đường gấp

Mấy hướng này nghe đều là căn bản, nhưng thực tế nhiều xưởng chưa viết quy trình chuẩn ra giấy cho rõ, nhân viên mới chỉ biết nghe thầy truyền miệng, chất lượng tự nhiên lên xuống thất thường

Nhiều xưởng vẫn dừng ở kiểu "thầy cầm tay chỉ việc", thầy nghỉ phép hay 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 theo người mà ra đi

Tôi gợi ý dùng cấu trúc ba lớp:

・Lớp một: kho case, phân loại theo dạng lỗi, mỗi case kèm ảnh, điều kiện phát sinh, nguyên nhân gốc, cách cải tiến

・Lớp hai: quy trình chuẩn (SOP), ghi lại thành SOP các thao tác chuẩn rút ra từ case, ví dụ "quy trình xác nhận sai màu cho lần in đầu sau khi đổi giấy"

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

AI giúp được ở đoạn này là sinh bản thảo tài liệu và câu hỏi kiểm tra. Đưa dữ liệu kho case cho AI, nó giúp viết lại một case thành tình huống dùng để dạy học, kèm bộ câu trắc nghiệm hoặc hỏi đáp tương ứng. Khung tài liệu có rồi, thầy lâu năm sẽ mài giũa và bổ sung thêm mấy bí kíp ngoài chuyền

Nếu muốn xem ngay cách làm cụ thể, đội tư vấn của Học viện Tri thức Mai Strategy đã chắt lọc thành một quy trình trọn vẹn từ báo cáo phế phẩm, phân tích nguyên nhân gốc đến tài liệu đào tạo (Học viện Tri thức Mai Strategy), bên trong có cả case khách hàng đã triển khai thật để tham khảo

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

・Chuyền phản kháng điền thông tin: trường quá nhiều, quá rắc rối. Cách xử lý: chạy với số trường tối thiểu trước ba tháng, rồi mở rộng dần theo nhu cầu thực tế

・Không có người chịu trách nhiệm chính: chỉ định được một người phù hợp vận hành lâu dài còn quan trọng hơn mua công cụ AI đắt tiền

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

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

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

Nhìn từ mấy khách hàng tôi từng làm việc, xưởng nào chạy được quy trình này thường thấy mấy thay đổi rõ rệt trong vòng sáu tháng: thời gian họp phân loại phế phẩm rút ngắn, hạng mục cải tiến khả thi hơn, hiệu quả đào tạo nhân viên mới tốt hơn. Còn con số tỷ lệ phế giảm trên báo cáo thực ra là chuyện phụ, vì nó chịu tác động của cơ cấu đơn hàng, chất lượng giấy, yêu cầu khách hàng…, nhiều yếu tố cùng lúc

Bước tiếp theo, bạn có thể bắt đầu từ chuyện nhỏ nhất: "định nghĩa các trường báo cáo phế phẩm". Lý thuyết trên giấy mãi không chạy được, chạy trước rồi tối ưu sau

・Tỷ lệ phế không giảm được, vấn đề thường không nằm ở chuyền mà ở chỗ dữ liệu chưa được phân loại và truy vết cho ra hồn

・Phân loại hình ảnh bằng AI để chia thùng lỗi, độ tin cậy 70–80% là đủ nâng hiệu suất QA

・Danh sách cải tiến phải chỉ định được, kiểm chứng được, truy vết được — nếu không chỉ là điện tử hóa mấy cuộc họp vô dụng

・Kho case phế phẩm là nguyên liệu cho tài liệu đào tạo nhân viên mới, để kinh nghiệm cải tiến không theo người mà ra đi

・Nguyên nhân thất bại khi triển khai là vấn đề quản lý, không phải vấn đề công cụ: chuyền phản kháng, không có người chịu trách nhiệm, không có theo dõi

Với phía sản xuất in, chuẩn hóa dữ liệu phế phẩm là bước đầu tiên của chuyển đổi số, cũng là bước dễ bị bỏ qua nhất. Nhiều xưởng tốn kha khá tiền triển khai ERP, MES, nhưng lại bỏ quên khâu quản trị dữ liệu chuyền cơ bản nhất. Gợi ý bắt đầu từ bảng báo cáo phế phẩm trên giấy hoặc Excel, chạy mượt trường thông tin và quy trình trước, rồi mới tính chuyện AI cộng thêm giá trị. Với phía làm ứng dụng AI và SaaS, quản lý phế phẩm trong xưởng in là bối cảnh chuyên môn hóa cao, mô hình phân loại hình ảnh đại trà không đủ xài, phải đi sâu hiểu thuật ngữ và quan hệ nhân quả của quy trình in mới ra được sản phẩm thật sự hữu dụng. Với phía thiết kế, hiểu được các dạng lỗi phế phẩm thường gặp trong xưởng và nguyên nhân sẽ giúp né tránh ngay từ khâu chuẩn bị file những thiết kế dễ trục trặc, ví dụ trap quá mảnh, nền đậm dễ in ngược mực, từ đó giảm chi phí đối thoại trả hàng hai bên

(Bài viết là nội dung giảng dạy gốc của Học viện Tri thức Mai Strategy, các kiến thức ngành và cách làm thực tiễn được trích dẫn đều đến từ kinh nghiệm hỗ trợ trực tiếp của đội tư vấn)