Ahogy az előző lecke végén említettem, a cégvezetés csúcsa nem az automatikus kontroll, amit BI-al lehet elérni, hanem a mesterséges intelligencia használata, amellyel előre lehet jelezni bizonyos mutatók alakulását, és amely jelentősen tovább növeli 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 napi előrejelzéseket küld, üzletekre bontva.
Az Ana Pannak 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.
Elsőre nem sok, 80% feletti pontosságot hozott a Dyntell BI algoritmusa az Ana Pannál, ami azt jelenti, hogy pl. 10 ezer kiflinél 2 ezer körül tévedtek. Ez soknak tűnhet, de kb. 5-10%-al még így is pontosabb a rendszer, mint amit korábban egy szakértő alkalmazott. Mindez a 2 Mrd Ft körüli Ana Pan forgalmánál 150-200 M Ft megtakarítást jelent évente!
Egy másik Dyntell ügyfélnél, az azóta sajnos megszűnt Costánál 90% körüli pontosságot tudtak elérni, az-az ekkora pontossággal tudták egy hétre előrejelezni, hogy adott üzletbe adott napon hány vevő fog bemenni. Ez alapján pedig nagyon jól lehetett műszakot és árukészletet tervezni.
A német Otto webáruház előrejelző analitika segítségével csökkentette a vevőitől visszaérkező visszáruk 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, az-az nem csak a saját áruját forgalmazza, hanem másokét is (mint pl. eMag), és utóbbiakat nem maga raktározza, ezért ki volt szolgáltatva azon szállítóinak, akik nem tudnak 2 napon belül szállítani.
A vevők azonban azt sem szerették, amikor az egyes csomagokat különböző időpontokban kapták kézhez, ezért a cég olyan algoritmust alkalmazott, amely 3 milliárd korábbi vásárlási 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 Otto-nál 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 az előrejelző analitikát. A kérdés az volt, hogy az adatbázisban lévő kb. 3.000 ember munkaügyi és önéletrajzi adataiból milyen pontossággal tudja megmondani az algoritmus, hogy egy újonnan felvett munkatárs hány hónapig fog nálunk dolgozni.
A munkaügyi adatbázis 70%-át feldolgoztattuk az előrejelző algoritmussal, aminek a pontosságát a maradék 30%-on teszteltük le. Elsőre 86%-os pontossággal tudtuk megmondani egy új munkatársról, hogy hány hónapig fog ügyfelünknél dolgozni.
Ez egyébként 2016-ban történt, és a Microsoft Machine Learning Studio szoftverét használtuk hozzá, ráadásul az ingyenes verzióját! Igen, 2016-ban, amikor a ChatGPT még tervezőasztalon sem létezett!
A komolyabb CRM rendszerekben (mint pl. SalesForce, Zoho) már van előrejelző 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, mert egy profi és hatékony cég nem ad ajánlatot minden ajánlatkérésre, hanem szűri, kvalifikálja azokat, és ebbe most már a mesterséges intelligencia 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 rendszer 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 megszüntette a klasszikus szöveges kereső hirdetéseket (3 címsor + leírás), kizárólag adaptív verzióban lehet hirdetni, amikor 15 féle címsort 4 leírást tesztel az 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 célzás 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 jól látható része a gyártási önköltségnek.
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 AI segítségével meghozni.
Ma az ügyviteli szoftvereknek, ERP-nek, BI-nak és az AI-nak 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:
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 100 milliós árbevételű családi vállalkozás számára is elérhetőek, megfizethetőek, vagyis Magyarországon sem csak a MOL, a Telekom vagy az OTP számára érhetőek már el ezek a high-tech informatikai technológiák.
SBA Group Zrt.
info@cashbook.hu
Adószám: 25566552-2-42
Cégjegyzékszám: 01-10-141041
Cashbook
Támogatás