7. lecke

Cégvezetés 4.0 Előrejelzés Mesterséges Intelligenciával

7. lecke

Cégvezetés 4.0 Előrejelzés Mesterséges Intelligenciával

Ahogy az előző lecke végén említettem, a cégvezetés csúcsa nem az automatikus kontroll, amit BI-al lehet elérni, hanem a MI (mesterséges intelligencia) használata (tehát machine learning, gépi tanulás), amellyel előre lehet jelezni bizonyos mutatók alakulását, és amely jelentősen tovább növelheti a cég termelékenységét. 

Mit veszel holnap a sarki pékségben?

Románia egyik legnagyobb cégcsoportja, az Ana Holding nagy sikerrel használja a Dyntell BI rendszerét, azon belül is a prediktív analitikát, az előrejelzés lehetőségét. A cégcsoporton belül az Ana Pan sütőüzem süteményekkel és péksüteményekkel látja el a cégcsoport szállodáit, illetve sok saját tulajdonú pékséget és cukrászdát. Az adatokat az Ana Pan szolgáltatja vállalatirányítási rendszeréből a Dyntell BI-nak, melyek alapján a rendszer hetente előrejelzéseket küld, üzletekre bontva.

De ugorjunk vissza egy kicsit az időben: miután aláírtuk a titoktartásit és megkaptuk az adatokat, elkezdtük felderíteni, vajon mitől függhet a péksütemények fogyása Bukarestben és környékén, vagyis korreláló idősorokat kerestünk. A hét napjai mindig beszédesek, hiszen hétfőnként más vásárlási mintázatok vannak, mint szombatonként. Az időjárás és a hőmérséklet ellenben nem bizonyultak olyan tényezőnek, amelyek hatással lennének a kifli fogyasztásra.

Triviális, de az iskolai szünetek, valamint lévén egy hagyományosan ortodox keresztény területen a böjti időszakok is komoly hatást gyakorolnak a forgalomra. Ezeken kívül számos egyéb faktort is találtunk, amelyek így vagy úgy befolyásolták az egyes sütödei termékek vásárlását.

A termékfogyások “jóslására” három különböző algoritmusból álló rendszert építettünk fel, amelyek a kapott adatok minta-elemzéséből külön-külön visszaadták az eredményeket és ezek súlyozott átlagát eredményül az ügyfélnek. Az előrejelzéshez használtunk:

  • logisztikus regressziót,
  • neuronhálózatot,
  • és mozgóátlagos módszert,

de a leghatékonyabb fegyverünket, a mélytanulást (deep learning) még nem vetettük be, mert ahhoz még több adatra lenne szükségünk.

Az Ana Pan-nak azért fontos a jó előrejelzés, mert így éppen annyi terméket kell gyártaniuk, amennyire igény van az adott boltban – ha többet gyártanának, akkor a meg nem vásárolt termékek kárba vesznek, ha kevesebbet, akkor profitot hagynak az asztalon. Éppen ezért az eredmények kiértékelésekor már nem volt kérdés, hogy megrendelik-e a Dyntell szolgáltatását.

Elsőre nem sok, 70% feletti pontosságot hoztunk az Ana Pannál, ami azt jelenti, hogy pl. 10 ezer kiflinél 3 ezer körül tévedünk. Ez soknak tűnhet, de kb. 5-10%-al még így is pontosabb a rendszer, mint egy szakértő alkalmazott. Mindez a 2 Mrd Ft körüli Ana Pan forgalmánál 100-200 M Ft megtakarítást jelent évente! 

Jusson tehát eszedbe, amikor betérsz reggel a sarki boltba, fogsz egy papírtasakot és elkezded szedni bele a kifliket, hogy mi a Dyntell-nél már pontosan tudjuk, hogy beleteszed-e azt az ötödik kiflit a tasakba vagy inkább zsömlét veszel helyette!

90%-os előrejelzés a Costa Coffee-nál

Miért jobb BI-al egyesíteni az adatokat, mint ERP-vel? Egy másik ügyfelünknél, a Costánál 90% körüli pontosságot tudunk elérni úgy, hogy egyedül a szezonalitást vesszük figyelembe. Mi több, az egyes kávézók közelében lévő események monitorozásával ezt még tovább lehetne növelni.

Ahhoz, hogy ERP-ben rakjuk össze a boltok adatait a rendszer túlságosan lassú lett volna és a megvalósítás is igen drága, eközben a BI ennek épp az ellenkezője. A Dyntell BI jelen esetben a pénztárgépek adatait fogja össze, mely adatok a rendszer révén elemezhetőek és többféle szempont szerint is értelmezhetőek.

Nincs többé szükség a feladathoz adminisztrációra, egyedül az adatok feldolgozásakor. A tárgyalt forgalmi adatokból a BI képes olyan formában export állományokat készíteni, amelyet egy raktárkezelő programba importálva a készlet korrekció már könnyen elvégezhető. Ráadásul teljesen automatikusan, így megspórolja a cég a raktári kiadás bizonylatok manuális adminisztrálását.

Mesterséges Intelligencia rendel a beszállítóktól a német Otto webáruházban, avagy önvezető készletgazdálkodás

A német Otto webáruház prediktív analitika segítségével csökkentette a vevőitől visszaérkező visszáru mennyiségét. Egy hagyományos adatelemzés során kiderült, hogy a vevők kisebb arányban küldik vissza az árut, ha az két napon belül megérkezik. Ezzel csak annyi volt a gond, hogy az Otto kereskedő cég, nem csak a saját áruját forgalmazza, hanem másokét is, és utóbbiakat nem maga raktározza, ezért ki volt szolgáltatva azon szállítóinak, akik nem tudnak 1 napon belül szállítani.

A vevők azonban azt sem szerették, amikor az egyes csomagokat különböző időpontokban kapták kézhez, ezért a cég olyan tanuló algoritmust alkalmazott, amely 3 milliárd korábbi tranzakció és 200 változó elemzésével előre jelezte, hogy mit fognak megrendelni a vevők egy hét múlva. A mesterséges intelligencia 90%-os pontossággal képes előre jelezni az elkövetkező 30 napban történő értékesítést. Ennek köszönhetően az Ottonál ötödével esett vissza a felesleges árukészlet azóta, hogy mintegy 200 ezer árucikket közvetlenül a mesterséges intelligencia rendel meg a partnerektől, emberi beavatkozás nélkül!

Mesterséges Intelligencia a toborzásban – meddig fog nálunk dolgozni az új kolléga?

Egy kb. 500 fős gyártó cég munkaügyi adatbázisán próbáltuk ki a prediktív analitikát. A kérdés az volt, hogy az adatbázisban lévő kb. 3000 ember munkaügyi és önéletrajzi adataiból milyen pontossággal tudjuk megmondani, hogy egy újonnan felvett munkatárs hány hónapig fog nálunk dolgozni. A munkaügyi adatbázis 70%-án elkészítettük az előrejelző algoritmust, aminek a pontosságát a maradék 30%-on teszteltük le. Elsőre 86%-os pontossággal tudtuk megmondani egy új munkatársról, hogy hány hónapig fog ügyfelünknél dolgozni.

Mesterséges Intelligencia az értékesítésben

A komolyabb CRM rendszerekben (mint pl. SalesForce, Zoho) már van prediktív analitika, pl.: ha beérkezik 300 ajánlatkérés, a rendszer a múltbeli adatokban talált összefüggések alapján toplistába rendezi a 300 ajánlatkérő céget, hogy melyiknél lehetséges a legnagyobb eséllyel üzletet kötni. Ez főleg amiatt érdekes, hogy egy profi és hatékony cég nem ad ajánlatot minden ajánlatkérésre, hanem szűri, kvalifikálja azokat, és ebbe most már a machine learning is be tud segíteni, jelentősen növelve annak esélyét, hogy megtaláljuk azokat, akiknél a legnagyobb eséllyel lesz üzlet, így nekik adunk először ajánlatot.

De ugyanezt fordítva is lehet használni, kiszűrni azokat a potenciális vevőket (vagy akár beszállítókat), akikkel nem szabad üzletet kötni, mert több kockázatot jelentenek, mint hasznot, így nem adunk nekik ajánlatot, vagy csak egy standard verziót kapnak.

Fontos terület a lemorzsolódott és lemorzsolódó vevők elemzése is. Egy B2B webshop esetén például, ha változik egy rendszeres vevőnk vásárlói kosarának összetétele, akkor a változásból következtethetünk, hogy mely termékeket vásárolja meg máshol. Így a BI kiküldhet neki egy automatikus emailt a problémás termékekre vonatkozó akciókkal, mielőtt végleg elhagyna minket.

Mesterséges Intelligencia a marketingben

Kinek és milyen csatornán hirdessek? Mi legyen a következő lépés? Mikor és kinek akciózzunk?

A Google már tervezi megszüntetni a szöveges kereső hirdetéseket, kizárólag adaptív verzióban lehet majd hirdetni, amikor 15 féle címsort (ami 3 külön részből áll), továbbá 4 féle szöveget tesztel a machine learning algoritmus különböző kombinációkban. Az eddigi tapasztalatok alapján a legjobb, legtapasztaltabb Google hirdetési szakembereket is lekörözi a mesterséges intelligencia hatékonyságban.

A Facebooknál létezik olyan hirdetési mód (hasonmás célközönség), ahol fel tudjuk tölteni a vevőink email címeit a Facebook hirdetési rendszerébe, amit utána a Facebook mesterséges intelligencia alapú algoritmusa feldolgoz. Beazonosítja a profilokat, majd kb. 100.000 paraméter alapján megkeresi a többi felhasználó között azokat, akik valamilyen arányban (ebben több hasonlósági fokozatot mi választhatunk meg 1-10%-ig) hasonlítanak a vevőinkre, majd utána számukra tudunk hirdetni. Jelenleg ez a leghatékonyabb hirdetési mód a Facebookon!

Mesterséges intelligencia a cash-flow kezelésben

Miként a termék fogyást egy pékségben, úgy a cash-flowt is előre lehet jelezni a múltbeli értékesítési és szállítói számlák, továbbá cash-flow adatok alapján, de számunkra meglepő módon, ennek használatára még a nemzetközi szakirodalomban is kevés példa akad. Pedig nem ismerek olyan cégvezetőt, pénzügyi vezetőt, aki ezzel napi szinten ne foglalkozna!

Mesterséges intelligencia a karbantartásban

Az Ipar 4.0 megoldások egyik ágazata a megelőző karbantartás hatékonyabbá tétele, amely többféle módon történhet. Az egyszerűbb verzió, amikor a múltbeli karbantartási és meghibásodási adatok alapján jelezzük előre egy berendezés karbantartási igényét, a bonyolultabb verzió, amikor szenzorokkal szereljük fel a berendezéseket (pl. áramfogyasztás mérő, tengelyekhez rezgésmérő), és ezek adataival bővítjük a feldolgozandó adatokat, viszont sokkal pontosabbá tehetjük a karbantartások időpontját.

Amikor intenzívebben használjuk a gépeket, értelemszerűen csökken a karbantartási periódus, amikor pedig kevésbé vannak igénybe véve, akkor növekszik, ezáltal csökkentve a költségét.

Mire jó ez az egész?

prediktív karbantartás olcsóbb, mégis kevesebb üzemzavart, gépleállást eredményez, mint a hagyományos, üzemóra alapú karbantartás, ami nagy értékű gépeknél, berendezéseknél látható része a gyártási önköltségnek.

Konklúzió

Jól láthatóan az élet egyre több területére költözik be a mesterséges intelligencia, teszi hatékonyabbá a folyamatokat és döntéseket, azonban minden döntést nem lehet számolás és MI segítségével meghozni.

Ma az ERP-nek, BI-nak és az MI-nek köszönhetően egy 4.0-ás cégvezető 80-90% helyett csak 30%-ban hozza meg a döntéseit ösztönösen, aminek köszönhetően cége olyan termelékenységgel, olyan versenyelőnnyel bír, amit 1.0-ás, 2.0-ás és 3.0-ás társai csak:

  • korrupcióval,
  • kormány közeliséggel,
  • adókedvezményekkel

tudnak magyarázni, mert nem tudják elképzelni, hogy ilyen termelékenységbeli különbséget tisztességes úton el lehet érni.

Ahogy a Tesla-alapító Elon Musk fogalmazott:

“Ha a konkurenciád mesterséges intelligenciát használ, te pedig nem, akkor élve fog felfalni téged!”

A másik nagyon fontos momentum ebben a fejlődésben, hogy ezek a technológiák árban már egy 500 milliós árbevételű vállalkozás számára is elérhetők, megfizethetők (igaz, mi 800 millió Ft-os éves árbevétel felett javasoljuk egyértelműen), vagyis Magyarországon sem csak a MOL, a Telekom vagy az OTP számára érhetők már el ezek a high-tech informatikai eszközök.

ELŐZŐ LECKÉK