Skip to main content

Digitális oktató rendszer

Online e-learning megoldásunk révén kevesebb, mint egy fagyi áráért (per felhasználó) cégébe integrálhat egy trainert, aki

  • 24 órában áll rendelkezésre a hét minden napján,
  • Bármilyen nyelven képes kommunikálni,

Olvasd tovább megoldásunkról

  • 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.

Kapcsolat

Üzleti tervezés

Az informatikai rendszerek kezdetben kizárólag az operatív folyamatokat támogatták: segítettek nyilvántartani a készleteket, dokumentálni az üzleti kapcsolatokat, kiállítani a számlákat. Mára a data science és mesterséges intelligencia előretörésével az informatika a stratégia tervezés részévé vált.

Olvasd tovább megoldásunkról

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.

Kapcsolat

Call-center hívásoptimalizálás

A call center hagyományosan egy kis profittal rendelkező üzletág. Következésképpen nagy szükség van egy olyan alkalmazásra, amely optimalizálja a működését. Megoldásunk részben egy folyamatvezérlő alkalmazás, amely gyűjti a hívásokkal kapcsolatos ügyfélelérési, és a operátorok munkájára jellemző adatokat.

Olvasd tovább megoldásunkról

  • 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.
Kapcsolat

Cashflow előrejelzés

Szeretné tudni, hogy mennyi készpénz lesz a folyószámláján egy adott napon?

Ha Önnek relatíve nagyszámú ügyfele / vásárlója (minimum 100) és relatíve nagyszámú (minimum 1000) atomi pénzügyi tranzakciója (értékesítése) van havonta, akkor tudunk segíteni a készpénz állomány méretének előrejelzésében.

Olvasd tovább megoldásunkról

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.

Kapcsolat

Automatizált riportálás

Nagy mennyiségű árú bevételezésével és értékesítésével kapcsolatban az operatív rendszerek nyilván naprakész (illetve valós idejű) információkkal tudnak szolgálni. Időről-időre szükség van azonban pillanatfelvételekre – pl. könyvelés adatigények kielégítése. Egy-egy ilyen pillanatfelvételt nevezhetünk riportnak is.

Olvasd tovább megoldásunkról

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.

Kapcsolat

Megszemélyesített Google Analytics

A Google Analytics (GA) megkerülhetetlen eszköz a weblapok, webáruházak látogatottságának, illetve online kampányok hatásának mérésében.

Olvasd tovább megoldásunkról

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. 

Kapcsolat

eCommerce támogatás

Webáruház forgalmi adatainak elemzése lehetőséget valós idejű ajánlások megfogalmazására – akár egy konkrét vásárlási tranzakció közben.

Olvasd tovább megoldásunkról

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.

Kapcsolat

Lemorzsolódás vizsgálat

Az ügyfélmegtartás a szolgáltatást nyújtó vállalatok sikerének kulcsa. Az ügyfelek lojalitása meghatározza, hogy képes-e a cég megszerezni és megtartani a versenyelőnyt.

Olvasd tovább megoldásunkról

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. 

Kapcsolat

Balanced scorecard

Szeretné,

  • összehasonlítani csapatának egyéni eredményeit objektív módon?
  • látni, hogy egyes kollégái egyenletes teljesítményt nyújtanak vagy éppen ellenkezőleg, hónapról-hónapra látványosan fejlődnek?

Olvasd tovább megoldásunkról

  • 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.

Kapcsolat

Mesterséges alapú megoldások

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

Olvasd tovább megoldásunkról

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.

Kapcsolat

Power BI

A Microsoft Office csomag részét képező Power BI fontos területet foglal el az adatvizualizációs, dashboard készítő eszközök között. 

Olvasd tovább megoldásunkról

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. 

Kapcsolat