© Horváth & Partners

Gulyás Attila

BMCF - 2016

2016. május 26.

Prediktív elemzés a gyakorlatban

© Horváth & Partners

Rengeteg a nem kiaknázott tudás a vállalatokban

2

© Horváth & Partners3

A prediktív elemzés az értéklánc minden elemére megoldást kínálhat

Vállalatirányítás: pl. kontrolling, pénzügy

HR menedzsment

Kutatás & Fejlesztés

Az árugazdálkodás optimalizálása értékesítési előrejelzés segítségével,

trendek és vissza küldési kvóták alapján

Prediktív karbantartás: Az eszközök a saját adataikból tanulnak és korán jelzik a

karbantartási igényt és a jövőbeni hiányt

Az árulogisztika optimalizálása

Telephely és forgalom-szimuláció

Szállítási útvonal optimalizációja a rövid lejáratú termékeknél

A fogyasztói magatartás elemzése: (Honlap látogatók száma, csúcsforgalom, stb.)

Ügyfélspecifikus kampány menedzsment

A kiskereskedelmi

visszaküldések optimalizálása

Teljesen automatizált Feedback-elemzés

Számos további felhasználási példa elképzelhető a támogató

funkciókon belül is

1

4

32

5

2 - 6 hónap > 4 hónap < 2 hét

Rövid időtáv

6-12 hónap

Szolgáltatás5

Marketing és értékesí-tés

4

Külső Logisztika

3

Gyártás

2

Belső Logisztika

1

Beszerzés Előrejelzési-horizont:Eset specifikus

© Horváth & Partners

A prediktív elemzés három lépés köré szervezhető

4

Text

PROBLÉMA MODELLEZÉSE

ADATELEMZÉSPROBLÉMA MEGFOGALMAZÁSA

© Horváth & Partners

A probléma megfogalmazása

PROBLÉMA MEGFOGALMAZÁSA

Eldöntendő kérdés Célváltozó

üzleti szempontok körülmények

© Horváth & Partners

Adatelemzés

6

ADATELEMZÉS

Adatfeltárás

Adatminőség felmérése

Adatelőkészítés

© Horváth & Partners

Adatelőkészítés - példa

7

ADATELEMZÉS

144

683

576

301 1 036

997

1 168

517

160 356

<500 500-1 500 1 500-2 500 2 500-3 500 >3 500

Jogra eljutott Jogra nem jutott el

© Horváth & Partners

A probléma modellezése

8

PROBLÉMA MODELLEZÉSE

-500,0

0,0

500,0

1 000,0

1 500,0

2 000,0

2 500,0

2009 -

02

2009 -

04

2009 -

06

2009 -

08

2009 -

10

2009 -

12

2010 -

02

2010 -

04

2010 -

06

2010 -

08

2010 -

10

2010 -

12

2011 -

02

2011 -

04

2011 -

06

2011 -

08

2011 -

10

2011 -

12

2012 -

02

2012 -

04

2012 -

06

2012 -

08

2012 -

10

2012 -

12

2013 -

02

2013 -

04

2013 -

06

2013 -

08

2013 -

10

2013 -

12

2014 -

02

2014 -

04

2014 -

06

2014 -

08

2014 -

10

2014 -

12

2015 -

02

2015 -

04

2015 -

06

2015 -

08

2015 -

10

Teszt adatbázis Validációs adatbázis Predikció

© Horváth & Partners

A modell visszatesztelése - példa

9

PROBLÉMA MODELLEZÉSE

29%

14%

-10,0%

-5,0%

0,0%

5,0%

10,0%15,0%

20,0%

25,0%

30,0%35,0%

-200

-100

0

100

200

300

400

500

600

1. hó 2. hó 3. hó 3 haviösszesen

Előrejelzési hiba (mFt)

Manuális FC Prediktív FC

Előrejelzés átlagos hiba % (Manuális)

Előrejelzés átlagos hiba % (Prediktív)

© Horváth & Partners

Prediktív modell használható a behajtási folyamat gyorsításához

10

Felmondás

dátuma

Szerződéskötés

6. Aktív jogi

per,

végrehajtás

5. Fizetési

meghagyás

4. Pénz-

behajtás

3. Elszámolás és

részletfizetés

2.

Remarketing

1.

Eszköz-

behajtás

0. Felmondás előtti szakasz

Jogi szakasz

GYORSÍTÓSÁV

© Horváth & Partners

Az SPSS és a TM1 integrációjával okosabb értékesítéstervezési folyamat alakítható ki

11

POS adatok aggregálása Termékek osztályozása Tervek & feltételezések

Kiigazítás, elfogadás Forecast Alappálya

TM1TM1 TM1TM1 TM1TM1

TM1TM1

Forrás: IBM

• SKU szerint aggregálás• Idő mentén

• Volumen / Szezonalitás• Lassan mozgó• Helyettesítők

• Raktár• Esemény naptár• Promóciók• Időjárás• Gazdasági premisszák

• Raktározás és tárolás• Beszerzés és szállítási

átfutási idő• Beszerzési rendelések

és riportok generálása

• Magas forgalmú áruk pl. ARIMA

• Alacsony forgalmú áruk: pl. dinamikus lineáris modell

• Anomáliák eltávolítása (pl. kiugróan nagy egyszeri rendelések)

• Célzott gördülőállomány

© Horváth & Partners12

(Chairman of IBM, 1943)

I think there is a world market for maybe five computers.