Prediktív elemzés a gyakorlatban - Controlling Portal...Kutatás & Fejlesztés Az...
Transcript of Prediktív elemzés a gyakorlatban - Controlling Portal...Kutatás & Fejlesztés Az...
© 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.