6. lecke
Agrár cégvezetés 4.0 Előrejelzés Mesterséges Intelligenciával
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 amellyel jelentősen tovább növelhető bármely cég termelékenysége.
De hogyan használhatja egy magyar agrár vállalkozás az adatelemzésen alapuló előrejelzést?
A számítógépek képesek rendkívül sok információ párhuzamos feldolgozására, és az összefüggések feltárására. A Dyntell TimeNet.Cloud rendszerében sokezer adatsort gyűjt folyamatosan a gazdasági és pénzügyi területekről, de elérhetők időjárási információk és a bolygók mozgásának adatai is. A Dyntell Bi üzleti intelligencia rendszer képes az összefüggéseket “megtanulni” a gazdálkodás és a környező világ adatai között. Ennek az úgynevezett korrelációs elemzésnek a segítségével meghatározhatók:
- a gazdálkodót érintő árutőzsdei trendek, vagyis hogy éppen emelkedő vagy csökkenő fázisban van egy adott termény ára,
- a múlt év adatai alapján a várható hozamok,
- a precíziós adatok bevonásával az öntözéshez és növényvédő szerek alkalmazásához nyújthat nagy segítséget,
- de sok élelmiszeripari cég használja a rendszert akár a vevői rendelések előrejelzésére is (lásd alább).
Nem állítom azt, hogy a jövőbe látunk, de az jól látszik, hogy pontosabb döntések hozhatók az adatok segítségével, mint az érzésekkel fűszerezett tapasztalataink alapján. Azok a gazdák, akik gyűjtik és használják az adatokat, azok hatékonyabban fognak működni (és több profitot realizálni), mint a szomszéd, aki csak a megérzései alapján dönt.
Két konkrét mezőgazdasági példával szeretném illusztrálni, hogy a mesterséges intelligencia használata már Magyarországon sem science-fiction.
Logisztika tervezése aratáskor
Amikor beköszönt az aratási idény a mezőgazdaságban, kezd minden átláthatatlanul bonyolult és kezelhetetlen lenni. Apró problémák (pl. megbetegszik egy dolgozó, elromlik egy fontos gép) akár a működést is akadályozó tényezővé tudnak eszkalálódni. Aratás idején talán az egyik legfontosabb a logisztika gördülékeny működése, és nagyon nehéz előre megtervezni, hogy a szállító járművek, kamionok mikor hol kellene legyenek. Ebben segít a gépi tanuló algoritmusokat építő csapatunk az egyik ügyfelünknek:
- valós időben, az adatokat folyamatosan feldolgozva előre jelzi a várható szűk keresztmetszeteket a logisztikában,
- optimalizáló algoritmusok segítségével olyan stratégiát dolgozunk ki, ami egy adott termény esetén hatékonyabb betakarítást tesz lehetővé.
Tavaly a rendszernek köszönhetően közel 10%-os üzemanyag-megtakarítást és majdnem 25%-kal gyorsabb és hatékonyabb betakarítást sikerült elérni a legnagyobb arányban termelt növényeknél: a búzánál és a kukoricánál.
A gazdálkodás költségeit területre vetítve (táblakarton) tudjuk elemezni. Az ERP-be feltöltött adatokból (melyeket nem tábla szinten töltünk, hanem például munkaműveletenként, vagy kultúránként, stb.) táblaszintű kimutatásokat, egyfajta “elszámoló + munkaösszesítő táblákat” tudunk generálni.
Tehát amikor arra vagyok kíváncsi, hogy egy adott terület vagy akár komplett kultúra esetében milyen ráfordításokkal számolhatok, vagy ha bérmunkában művelek egy területet és az év végén (de akár menet közben is) tételes elszámolást szeretnék adni a partnernek, akkor mindezt pár kattintással összegezhetem.
Cashflow előrejelzése
Több ügyfelünk használja azt a viszonylag egyszerű elemzést, ami néhány “külső” idősor bevonásával elemzi a rendelkezésre álló pénztartalék előrejelzését. Engem is meglep néha, milyen pontosan előrejelezhető hosszú távon a múltbeli szezonalitás és az aktuális év adatai alapján, hogy mikor mennyi pénz lesz egy agrárvállalkozás bankszámláin.
Azok a cégek, akik ezt az előrejelzést használják, sokkal jobban tudják tervezni a beszerzéseiket:
- jobb áron tudják megvenni a jövő évre szükséges input anyagokat a versenytársaiknál, és
- a nagyobb beruházásokat is sokkal tervezettebben tudják végrehajtani.
Érdekes, hogy a cashflow előrejelzés használatára még a nemzetközi szakirodalomban is kevés példa akad. Pedig nem ismerek olyan cégvezetőt, pénzügyi vezetőt, aki ezzel napi szinten ne foglalkozna!
Időjárás korrelációja
Amikor előrejelzésekről beszélünk, legtöbbünknek az időjárás előrejelzések jutnak eszünkbe elsőként. Ezek az előrejelzések különböző időtávra és eltérő pontossággal vetítik előre a jövő időjárásának egy lehetséges formáját. Nem csupán az aznapi öltözködésünket igazítjuk hozzá, hanem több munkafolyamatot is. A hosszú távú tendenciák és előrejelzések pedig a stratégiánk alakításába is beleszólnak. Az időjárás a mezőgazdaságban kiemelt fontossággal bír, hiszen hatást gyakorol az egyes munkaműveleteink elvégzésének időpontjára, egyes betegségek, kártevők megjelenésének valószínűségére, ezáltal az inputanyagok beszerzési tendenciájára is. Erősen befolyásolja a várható hozamot is, ami pedig az árutőzsde mozgásában is tetten érhető. Már a fajtaválasztás vagy akár a vetésforgó kialakítása során is figyelembe vesszük az eddig megfigyeléseinket, valamint előre mutató prognózisokat. De befolyásolja a megtermelt áruk eladásának időpontját is (érdemes lehet-e betárolni, mikor és milyen formában adjam el).
Az időjárás előrejelzésére természetesen megbízható szolgáltatók vannak. Amiben egy jó IT rendszer segíteni tud az az adataink és az időjárás összefüggéseinek, korrelációinak feltárása. Ilyenkor azt elemezzük, hogy a múltban az időjárási paraméterek hogyan hathattak a gazdasági, termelési adataimra. Az összefüggések feltárásával és rendszerbe-építésével az időjárás előrejelzésekből lényeges döntéstámogatási információk lesznek kinyerhetők.
Emlékezzünk vissza, mennyi plusz költségtől kímélte volna meg a gazdaságot, vagy éppen mennyi plusz bevételhez juttatta volna egy a jövőbe mutató többletinformáció a megfelelő helyen és időben, ha több információnk van, ha pontosabban hozunk döntéseket például az áru eladásának időpontjáról.
Szemléljük ezt a folyamatot egy lépéssel távolabb és maradjunk az időjárásnál: Ha tudom, hogy a mikrokörnyezetben milyen időjárás van/várható, akkor a saját gazdaságom közvetlen hatásait mérhetem fel. Ha viszont ugyanezt a megfigyelést a makorkörnyezetemre is kiterjesztem (tehát figyelem, hogy a környező és a termelés szempontjából fontos országokban milyen időjárás van/várható, valamint ezt az információt a nemzetközi hírek viszonylatában is értelmezem), akkor a gazdaságomra közvetetten ható tényezőkre és azok várható alakulására is nagyobb rálátásom lesz. Ezen információk birtokában pedig pontosab döntést tudok hozni, és jobban fel tudom mérni egyik-másik döntésem lehetséges hatásait.
Műtrágya drágulás előrejelzése
Az előrejelzések abban az esetben lehetnek segítségünkre, ha tudjuk, mit és milyen relációban szükséges megvizsgálnunk ahhoz, hogy a megfelelő választ olvashassuk ki az adatokból.
Globalizált világunk és a termelés összetettsége, ágazatok és folyamatok egymásra gyakorolt hatása miatt egy olyan “gazdasági, társadalmi és környezeti pókhálóban” élünk, ahol minden rezdülés hatással van más területek működésére is.
Az előrejelzések fontosságának egy másik aktuális példája a jelenlegi műtrágya árak robbanásszerű emelkedése. Lépjük hát ismét pár lépést hátrébb, és vizsgáljuk meg, mely főbb tényezők idézték elő ezt a helyzetet.
Az árnövekedés első számú oka az energiaárak robbanásszerű növekedése – amely a termelést alapvetően befolyásoló tényező. A járványhelyzet során tapasztalt határzárlatok és szállítási, előállítási nehézségek, valamint a megnövekedett nemzetközi kereslet szintén árfelhajtó hatást gyakoroltak a műtrágya árára. A hatásmechanizmust alkotó elemeket tovább lehetne részletezni, ami ok-okozati összefüggéseiben világítja meg a “pókhálót, amiben élünk”. (A témáról bővebben az agroinform.hu és a portfolio.hu ezen cikkében is olvashat.)
A Dyntell több éve gyűjti a gazdasági, pénzügyi, időjárási, földrajzi idősorokat egy adatbázisba, aminek egy részét publikussá tette. A fejezet elején említett TimeNet portálon (https://timenet.cloud/) Ön is betekintést kaphat, hogyan lehet cége adatait és más adatokat összehasonlítani, összefüggéseket, korrelációt keresni közöttük. A Dyntell Bi rendszere természetesen ezeket az összefüggéseket automatikusan feltárja és használja az előrejelzésekben.
Ezeken a példákon keresztül láthatják, hogy a korrelációs vizsgálatok és előrejelzések hogyan segítenek a gazdasági döntések előkészítésében és meghozatalában.
Mit vesz 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%-kal 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 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!
Toborzásban - meddig fog nálunk dolgozni az új kolléga?
Egy kb. 500 fős vállalkozás 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 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, így 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.
https://www.kite.hu/tudastar/jdlink-a-tavfelugyeleti-rendszer/40
https://www.kite.hu/tudastar/szemleletvaltas-a-john-deere-expert-alert-funkcioval/107
A fenti linkek bizonyítják, hogy ez a szolgáltatás már elérhető, sőt, a legtöbb John Deere vásárlónál ez alapértelmezésben be is van kapcsolva, de – talán mivel ingyen van(?) – alig nézi valaki, pedig rengeteg pénz és kellemetlenség lehetne megspórolható az automatikus üzenetek napi egyszeri elolvasásával.
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 mesterséges intelligencia (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:
- kiskapukkal.
- esetleges kétes kapcsolati hálóval,
- 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 agrár vállalkozás számára is elérhetők, megfizethetők (igaz, mi 800 millió Ft-os éves árbevétel felett javasoljuk egyértelműen), vagyis Magyarországon sem már csak a Bonafarm vagy a Szatmári csoport méretű, 100 mrd Ft éves árbevétel feletti vállalatok számára érhetők el ezek a high-tech informatikai megoldások.
