Ahogy az előző lecke végén említettem, a cégvezetés csúcsa nem az automatikus kontroll, amit BI-jal 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. 

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%-kal még így is pontosabb a rendszer, mint egy szakértő alkalmazott. Mindez a 2 Mrd Ft körüli Ana Pan forgalmánál 100-200 millió Ft megtakarítást jelent évente! 

Jusson tehát eszébe, amikor betér reggel a sarki boltba, fog egy papírtasakot és elkezdi szedni bele a kifliket, hogy mi a Dyntell-nél már pontosan tudjuk, hogy beleteszi-e azt az ötödik kiflit a tasakba vagy inkább zsömlét vesz helyette!

Miért jobb BI-jal 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 elemezhetők és többféle szempont szerint is értelmezhetők.

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.

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, nemcsak 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 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!

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.

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.

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!

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!

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?

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

Ugyan nem előrejelző analitika, de a mesterséges intelligencia meglepően sok dologban tud egy vállalatnak segíteni, pl. éppen a munkaerőhiány kezelésében. A gépgyártás, fémipari gyártás dolgozóinak motiválásával kapcsolatban ugyanis alapvetően a megfelelő középvezetői réteg hiányával van a gond, de ez nem olyan egyszerűen megoldható probléma egy munkaerőhiánnyal sújtott régióban. Nagyon sok munkaadó ütközik abba a korlátba, hogy a munkaerőhiányos piacon, ha nem tud felvenni elegendő embert, akkor a rosszul dolgozó, demotiválatlan embert nem tudja kirúgni.

Az alap probléma szemléletesen az, hogy egy nagyobb lakatos-üzemben, ha felvesz valaki egy vasrudat, akkor egész nap el tud sétálgatni vele anélkül, hogy bárki megkérdezné, hogy mit csinál, mert mindenki azt hiszi, hogy nagyon dolgozik.

“Big Brother” módszer

A legegyszerűbb megoldás erre a “Big Brother üzemmód”, amikor megfigyeljük a dolgozókat vagy azt az érzetet keltjük bennük.

4 éve üzemi monitorokat telepítettünk egy multinál, ahol a gyártócellák teljesítmény grafikonjait akartuk megjeleníteni. Mivel a cég nemcsak a BI rendszerünket, hanem az ERP rendszerünket is használja, a KPI-okat már láttuk a telepítés előtt, és azt tapasztaltuk, hogy a telepítés utáni napon, amikor még a nem üzemelő, tökfekete monitorok voltak kint az üzemben, hirtelen majdnem kétszeresére ugrottak a dolgozói teljesítmények. Nem igazán értettük a dolgot.

Mindaddig, amíg az egyik – Viktor nevű – munkatársunk nevetve mesélte, hogy a szerelésnél a dolgozók kérdezgették, hogy a monitorokon van-e kamera. Persze ő mondta, hogy nincs, csak a helye van kihagyva a monitoron (tényleg nem volt kamera), de a dolgozók annál jobban nem hitték el, minél jobban tagadott Viktor, és meg voltak győződve arról, hogy a főnök már a kikapcsolt monitorokon keresztül is figyeli őket az irodájából – ezért volt a nagy tüsténkedés.

Szóval, a kamera rendszer felszerelése igen nagyot dobhat a hatékonyságon, de csak időlegesen, mert egy idő után egyrészt megszokják, másrészt rájönnek, hogy a kutya se nézi a felvételeket.

A dolgozói kontroll következő lépcsőfoka – de még mindig “Big Brother feeling” – az a Dyntell slágertermék, ami a mesterséges intelligencia technológia segítségével elemzi a már meglévő kamerák képét, és figyelmeztetést küld, ha a dolgozó nem jó helyen van. Az ERP-ben lévő gyártási megrendelésekből tudjuk, hogy melyik gépnél kinek-mikor-mit kell gyártania, és ha az illető az adott időben nincs a gép r sugarú környezetében, akkor a mesterséges intelligencia figyelmeztető emailt küld a műszakvezetőnek (mindezt detektálni tudja a rendszerünk az alap telepített kamerák képeiből).

Egy három műszakban dolgozó Nógrád megyei ügyfelünknél egy hasonló megoldás az éjszakai műszak teljesítményét majdnem megháromszorozta, de a legkülönfélébb iparágakban is csodákra képes.

A megoldás természetesen erre is a mesterséges intelligencia, egy MI alapú munkavállalói értékelő rendszer formájában. A probléma talán a brigádban termelő cégeknél a legmegfoghatatlanabb, ahol egy adott dolgozó outputja nem, csak a csoport kimeneti értéke mérhető – mert mindenki részfeladatokat csinál.

Hosszú és kitartó szervezéssel és elemzéssel kiépíthető egy olyan csoportos teljesítménybér-rendszer, ahol a team által termelt hozzáadott érték (a normához képest) kimutatható és az egyes brigádok egy üzemi kijelzőn tudják ezt követni (pirosban, sárgában vagy zöldben vannak).

Egy élelmiszeripari berendezéseket gyártó ügyfelünknél egy év se kellett hozzá, a dolgozók “kiutálták” a gyengén teljesítő munkástársaik 20%-át, és a termelékenység a második évben 86,3%-kal nőtt a bevezetést megelőző bázisévhez képest!

A legnagyobb katarzis mégis az volt nekem, amikor az egyik délalföldi bútorgyártó cég ügyvezetője mesélte, hogy a lakatosüzemben sétálva – ahol már a brigádok nagy része a csoportos teljesítménybér rendszerben dolgozott – az egyik – még a rendszerbe be nem vont – brigádvezető rosszallóan szólította meg: “Zoli, mikó szervező má mög minköt is?”

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.