Megoldások

• Fáradhatatlan és végtelen sokszor képes az ismétlésre,
• Folyamatosan és automatikusan dokumentálja a felhasználók tevékenységét,
• Valós idejű statisztikát szolgáltat akár egyéni akár szervezeti szinten.

Az oktatási rendszer a tananyag átadásán túl tevékenyen részt vesz a folyamatok irányításában is. Ezzel már nem csak oktatási, hanem HR feladatokat is átvállal.

Egy on-line oktatási platform nélkülözhetetlen a folyamatos belső trainingben, de hasonlóan hasznos az üzletfejlesztésben: segítségével könnyedén mutathatók be új termékek vagy szolgáltatások.

Szolgáltatásunkról további részleteket találhat az uzleti-oktatas.hu oldalon.

Egy éve elképzelhetetlen volt, hogy a Google vagy a Photoshop hegemóniája meginogni látsszon. Ma azonban a mesterséges intelligencia megoldások ezen piacvezetők pozícióját veszélyeztetik.

Cégmérettől függetlenül fontos látnunk, hogy tevékenységünket és üzleti lehetőségeinket milyen módon befolyásolja a mesterséges intelligencia alapú megoldások előretörése.

Mivel magunk is foglalkozunk ilyen megoldások fejlesztésével, ezért akár tapasztalataink alapján is segíthetünk az üzleti eredményességet veszélyeztető kockázatok felmérésében.

Az új technológiában azonban nemcsak a fenyegetést, hanem az új lehetőséget is meg lehet találni. A Planimeterre ebben is tud segíteni.

• A folyamat lelke egy matematikai optimalizáló eljárás, amely minden pillanatban úgy szervezi a munkát, hogy az erőforrások (ebben az esetben az operátorok) kihasználtsága optimális, azaz maximális legyen.
• Időben előrehaladva a hívásokat kiosztó algoritmus folyamatosan javul (a beintegrált tanuló algoritmusnak köszönhetően) és egyre árnyaltabb feltételek is beépíthetők.
• Az azonos típusú hívásokra készített statisztikai számítások révén a különböző operátorok tevékenysége könnyen összehasonlítható, a dolgozók teljesítménye megadott KPI-k alapján mérhető. A kimutatások a rendszerhez készített dashboardon jelennek meg.
• Az összehasonlítások is tartalmaznak statisztikai eszköztárat, ezért beállítható, hogy pl. csak az átlagostól szignifikánsan eltérő átlagos beszédhossz, hangmagasság, stb. kerüljön kiemelésre és elemzésre.
• Az integrált tanuló algoritmusok révén előrebecslés is készíthető a várható kapacitás szükségletről. Az előrebecslés bármilyen távlatban (pl. fél év) elkészíthető és minden nappal pontosabbá válik.

A folyamat lényegében nagyon egyszerű és hozzávetőleg 3-4 hónap alatt elkészíthető a szükséges matematikai modellezés.

A cash-flow foreacast végeredménye egy adott jövőben napra vonatkozó becslés (pl. 10.525.600 forint), ami kiegészül egy 95%-os konfidencia-intervallummal is (pl. 9.568.1000 – 11.722.900 Ft). Bár annak kicsi a valószínűsége, hogy az adott napon 10.525.600 forint legyen a kasszában, annak, viszont 95% a valószínűsége, hogy a készpénzállomány a megadott megbízhatósági intervallumba essen, tehát 9.568 és 11.7222 EFT között legyen.

A módszer képes felismerni a készpénz be- és kiáramlásának mintázatait. A mintázatok meghatározása az idősorokra jellemző hatások (szezonális hatás, trend, ciklikus vagy irreguláris mozgások) figyelembe vételével történik.

A cash-flow előrejelzést a vállalat jövőbeni pénzügyi helyzetének pontosabb megértése érdekében használják,  segít a vállalatoknak a következő hónapokban szükséges pénzügyi források meghatározásában, valamint az esetleges likviditási nehézségek és a pénzügyi kockázatok felismerésében.

A cash-flow forecast modellezés web-alapú alkalmazásában kerül implementálásra. Az alkalmazás létrehozása során meghatározásra kerülnek az input adatforrások és létrejönnek az adatkapcsolók. Ezt követően a „fekete dobozban” megtörténik a modellezés, aminek eredménye egy felhasználói igények szerinti dashboardban (pl. Power BI alkalmazásban) válik hozzáférhetővé.

A modellezés kapcsán akár napi gyakoriságot is beépíthetünk, ami főként az előrebecslés hibájának csökkentésében játszik szerepet.

Feltételezve, hogy a legnagyobb rendszerek adatkapcsolatai automatikusan kielégítik a standard riportálási igényeket, folyamatosan merülnek fel – pl. kormányzati intézkedések következtében – olyan feladatok, amelyek szintén reguláris riportálást igényelnek, de amelyeknek az informatikai támogatása nem megoldott.

Ezen a ponton tud támogatást nyújtani a – nem mesterséges intelligencia alapú – riport automatizálási folyamat. Az automatizált dokumentum (riport) generálás lényege, hogy programozási eszközökkel létrehozunk egy olyan programot, amely képes a bemenő adatok (vagy adatbázisok) beolvasására, számítások elvégzésére, táblázatok vagy grafikonok készítésére. A végeredmény Word / PDF / HTML vagy RTF formátumok bármelyikében előállítható.

A riportban a származtatott eredmények (pl. egy táblázat) futás közben kerülnek előállításra, tehát az input adat változását követően a riport generáló újra futtatásával könnyen és gyorsan (1-2 perc alatt) aktualizálhatjuk a riportot.

Az eljárás gyorsaságán túl a minőségével tűnik ki: mivel nincsenek manuálisan bevitt adatok, a gépelési hiba teljességgel kizárt (eltekintve persze attól a hibalehetőségtől, hogy a hiba már az input adatokban jelen volt).

A feldolgozás során feltételes állításokat is megfogalmazhatunk. Ha pl. a „nőtt” igealakot szeretnénk használni pozitív és a „csökkent” alakot negatív változás esetén, ez a választási lehetőség a programba integrálható és minden emberi beavatkozás nélkül a megfelelő igealak kerül a riportba. Hasonló állítások tehetők formázási igényekkel kapcsolatban: pl. lehet piros egy negatív érték (akár táblázatban vagy grafikonon is) és zöld a pozitív érték.

További előny a reprodukálhatóság. Ha egy riportról később kiderülne, hogy hibás volt, a bemenő adatok rekonstruálása alapján eldönthető, hogy a forrásadatokból származik a hiba, vagy esetleg a generáló programon kell változtatni. Ez utóbbi esetben – általában 1-2 órás munkával – javítható a hiba és pillanatok alatt újra generálható az összes hibásnak gondolt riport.

Maga a kiszolgáló felület azonos minden felhasználó számára, az adatgyűjtés célja, a kimutatások beállításai viszont ügyfelenként eltérőek lehetnek.

A személyre szabott GA dashboard kialakítására az informatikusok számára sem egyszerű, ezért a feladatra specializálódott szakemberek foglalkoznak a felület egyedi igények szerinti felépítésével. Ráadásul fennáll annak a kockázata, hogy a fáadtságos munkával kialakított dashboardunk a Google önkényes változtatásának áldozatául esik.  

A cégre szabott GA adatbázis létrejötte után már nem lehetetlen a GA adatbázisra támaszkodó, de a környezettől független, valóban testre szabott dashboard létrehozása. Ennek érdekében nincs más dolgunk, mint közvetlenül kapcsolódni a Googla Analytics adatbázishoz és terveink alapján létrehozni a céljainkat legkényelmesebben kiszolgáló, automatikusan frissülő dashboard felületet – beágyazva akár saját jelentési környezetünkbe. 

A saját adataink felhasználásával, a saját igényeink szerint elkészített dashboardon keresztül mindig azonos formában jutunk a sales/marketing, gyártási vagy egyéb tervezéssel foglalkozó munkatársak számára nélkülözhetetlen információhoz. A fentieken túlmenően lehetőségünk nyílik a Google Analytics-en kívül eső adatok bevonásával integrált KPI-ok származtatására, ami szintén megoldhatatlan lenne a Google Analytics saját felületén. 

Nagyszámú vásárlás adatainak vizsgálata lehetőséget biztosít annak feltérképezésére, hogy melyek a leggyakrabban együtt vásárolt termékek. Ezt a kérdést nemcsak globálisan, hanem különböző kohortok (nem, életkorcsoport, vásárlási gyakoriság, stb.) szerint is vizsgálhatjuk.

Ha a modellező környezet összekapcsolható a webshoppal, akkor valós idejű ajánlás tehető a leggyakoribb párokkal kapcsolatban. Például ha megfigyeltük, hogy a pelenka vásárlással gyakran jár együtt bébitápszer vásárlás is, akkor egyik termék kosárba tétele esetén – akár akciósan – kínálhatjuk  a gyakran együtt vásárolt termékpárt.

 A vásárlói kosár elemzés másik problémaköre az ún elhagyott kosarak kérdése. A webáruházakban sajnos nagyobb százalékban szakadnak meg vásárlások, amikkel kapcsolatban az a szakmai álláspont, hogy ez sok esetben egyszerűen a vásárlás körülményeinek objektív következménye (pl. munkaidőben elkezdett vásárlást félbe kell hagyni, stb.). Mégis, mivel sok esetben user experience probléma húzódik meg a háttérben (nehézkes a termék módosítása, a darabszám változtatás, a fizetés, stb.) az elhagyott kosarak – és a kapcsolódó vásárlási körülmények – elemzése egy kötelező feladat.

A fenti jelenség kvantitatív megragadása a fent leírtakhoz hasonló módszerrel történik (mintázat elemzés, osztályozás), csak értelemszerűen nem születnek ajánlások. A rendszer outputja ebben az esetben az elhagyott vásárlói kosarak előfordulási gyakoriságának elemzése akár kosárérték, vásárlási időszak, stb. szerinti kategóriák szerint.

Az ún. „Churn rate” – lemorzsolódási ráta – az előfizetők száma, az új és elveszett előfizetések függvénye. Ha meg tudjuk magyarázni a lemorzsolódás természetét, csökkenthetjük az elveszített ügyfelek számát. Ez a tudás növeli a bevételt, de még fontosabb, hogy javítja a vásárlói élményt.

A módszert az ügyfél életcikus értékének (Customer Lifetime Value) becslésénél és a marketing mix kialakítása során, ROI (Return on investment) számításnál szokás leggyakrabban alkalmazni.

A machine learning, a mesterséges intelligencia alapján működő modell gyorsan rávilágít a lemorzsolódás okaira. Ezen információ birtokában pedig megtehetők azon lépések, amelyek csökkentik, vagy megállítják az ügyfelek erózióját.

Ennek a mutatónak a birtokában – amely szintén folyamatosan finomodik – közvetlen és jól célzott interakciós stratégia alakítható ki.

A data science alapú churn rate vizsgálatok célja, hogy megértsük, miért hagyják el a felhasználók az adott terméket vagy szolgáltatást. Például, egy online áruházban a churn rate vizsgálatok segíthetnek azonosítani azokat a vásárlókat, akik legnagyobb valószínűséggel nem térnek vissza az oldalra. Ezután a vállalat azon dolgozhat, hogy javítsa az ügyfélélményt, és csökkentse a churn rate-et. A churn rate vizsgálatok használhatók például bankokban, mobiltelefon szolgáltatóknál, az egészségügyben, valamint minden olyan cégnél, ahol hűségkártya került bevezetésre. 

• kollegáit objektív szempontok szerint sorba rendezni teljesítményük alapján, hogy biztosan a legjobbakat jutalmazza meg?
• ezeket az információkat automatikusan, élő munka ráfordítás nélkül megkapni?

Önnek egy balanced scorecard megoldásra van szüksége. A balanced scorecard jelentősége, hogy sok dimenzión keresztül mért és pontozott egyéni eredményeket egyetlen skálára vetíti, egyetlen jól értelmezhető és sorbarendezhető értékké konvertálja.

A módszer mögött kipróbált matematikai modell áll, a megoldás ezért tekinthető objektívnek. Ugyanakkor nem nélkülözi a szubjektív elemeket sem abban az értelemben, hogy minden scorecard (pl. egy értékesítő hálózat értékesítőire fejlesztett rendszer) csak az adott cégre érvényes.

A scorecard matematikai modellezése abban rejlik, hogy meghatározza az egyes paraméterek (pl. forintban kifejezett értékesítési eredmény) matematikailag optimális súlyát (szorzóját) a végső score származtatásakor. A módszertan azonban lehetőséget biztosít a manuális súlyozásra, vagy az optimális és manuális súlyozás kombinációjának alkalmazására.

Hogyan válik a score-ok létrehozása egy automatizált folyamattá? Akár egy Power BI-alkalmazás révén, akár egy egyszerűbb web-alapú alkalmazás implementálásával. Az input adatok összegyűjtése általában könnyen megszervezhető. Az output megosztása pedig követheti akár a szervezeti struktúrát is: az értékesítők csak saját adataikat látják, a regionális vezetőik a saját hálózatuk adatait, míg a felsőbb vezetők akár egyéni, akár csoportszintű statisztikákat is tanulmányozhatnak.

Minden, amit leegyszerűsítve mesterséges intelligencia alapú megoldásnak nevezünk az (alkalmazott) információ kutatásban, lényegében tanuló algoritmusra (gépi tanulásra) visszavezethető eljárás.

A gépi tanulás egy – napjainkban is nagyon dinamikusan fejlődő – szerteágazó módszertan, amely során – leegyszerűsítve vagy az általunk ismert összefüggéseket tökéletesítjük algoritmikus úton, vagy teljes egészében a számítógépre bízzuk az összefüggések feltárását is.

A ChatGPT megjelenése előtt csak a hozzáértők előtt volt világos, hogy ez a módszertan bármilyen üzleti – valamint gazdasági, politikai és akár művészeti – területen alkalmazható és az alkalmazása forradalmasítja a területet, abban a tekintetben, hogy teljesen új gondolatok és megközelítések is megjelennek és ennek a fejlődésnek az üteme akár meg is haladhatja az emberi befogadókészség sebességét.

A ChatGPT 2022. novemberi megjelenése a laikus üzleti döntéshozókat is gyorsan elvezette ehhez a felismeréshez. Megnőtt az érdeklődés a mesterséges intelligencia alapú megoldások iránt és nagyon pillanatok alatt nagyon kreatív alkalmazási területek tárultak fel (marketing támogatás, chatbot, publikáció, szakdolgozat készítés, stb.). Biztosak lehetünk benne, hogy ez a jéghegy csúcsa, ha csak nem következik az ilyen eszközök betiltása, vagy fejlesztési ütemének mesterséges kontrollja, mint ahogy is megjelentek – nem teljesenen ésszerűtlen – törekvések.

Mivel az alkalmazás az O365 csomag része, ezért az előfizetők már további költségek nélkül használhatják a Power BI-ban létrehozott alkalmazásokat. 

További jelentős – Microsoft által biztosított – előny, hogy mivel a Power BI a MS-univerzum része, ezért az alkalmazás minden mobil platformon is rendelkezésre áll. 

Mire való a Power BI? Röviden és tömören: vállalati kapcsolótábla (dashboard) létrehozására, beleértve ebbe a némiképp korlátos, de alapvetően jól és könnyen kezelhető adatvizualizációt is. 

A Power BI a MS-interfészeken keresztül könnyedén kapcsolódik a szokásos adatforrásokhoz és új változók létrehozásának támogatásával lehetővé teszi új KPI-ok származtatását. 

A Power BI jól struktúrált, komlex és dinamikus riportok készítését is támogatja, ideális választás a KKV-szektor számára. 

Mire nem való a Power BI? Az eszköz nem tartalmaz analitikai elemeket, ezért modellezés, előrejelzés vagy optimalizáció a Power BI-ban közvetlenül nem végezhető el. Bár ezekről a lehetőségekről sem kell lemondanunk, hiszen egyrészt ott az Excel, ahol rendelkezésre áll elemzési eszköztár aminek az eredményi már átemelhetők, másrészt a Power BI támogatja magasabb statisztikai elemzőeszközök (R és Python) integrációját.