Ha megkérdezzük a szereplőket, hogy mi az oka a decemberi és a márciusi értékesítési csúcsnak, akkor azt a választ kapjuk, hogy a piaci igény, mert ez egy szezonális termék. A decemberi csúcs a karácsonyi vásárláshoz a márciusi csúcs a húsvéthoz köthető.

Meglehet.

A természettudományokban jártas informatikus azonban erre a görbére ízibe azt mondja, hogy ez egy csillapított szabadrezgés. Ez a természetben gyakran fellelhető és annak jele, hogy a rendszer nem rendelkezik szabályozó erővel.  Az értékesítés esetén talán azt mondanám, hogy a kereskedelmi osztálynak semmilyen ráhatása nincs a piacra.

Ezért mondjuk inkább azt, hogy Jézuska és Nyuszi belerúg a piacba, amitől az lengésbe jön és szabadon lengedezik. És ez sokkal jobb válsz. Ekkor ugyanis sokkal hamarabb kezd kételkedni az ember és így felmerül a kérdés, hogy a kapott magyarázatok esetleg nem is igazak.

A vizsgálódást úgy jó kezdeni, hogy megnézzük a vevők vásárlási szokásait. Arra, hogy átnézzünk több ezer vevő, sok tízezer vásárlását momentán nincs időnk, ezért az üzleti intelligenciát hívjuk segítségül. Egészen konkrétan a Clustering eljárást, amit arra kérünk, ugyan ossza már fel a vevőinket a decemberi és márciusi vásárlási szokásai alapján.

Erre a beépített szolgáltatás egy olyan felosztást készített számunkra, amely 9 csoportot tartalmaz, de rögvest elárulja, hogy az 1-es csoportban van magasan a legtöbb vevő (színkóddal van jelölve). Az ábrán a csoportokat összekötő vonalak erőssége a csoportok hasonlóságára utalnak. Hasonlóság mindenképpen létezik a csoportok között, hiszen például abba, hogy vásárolnak tőlünk, minden csoport hasonló (-: Egyébként a modell mögött igen komoly matematikai apparátus van, ami szintén érthető lesz, ha bele gondolunk, hogy pl. milyen nehéz csoportokba osztani az embereket a nemük szerint. Most nem is arra gondolok, hogy mindnyájan ugyanolyan sejtekből állunk, tehát ezen a szinten a férfiak és nők között egyáltalán nincs is eltérés, hanem arra, hogy hatalmas tapasztalt birtokában sem mindig tudom eldönteni, hogy a velem szembe jövő lény egy csufika nő vagy randa férfi. Ez azért van, mert a csoportokhoz tulajdonságokat rendelek és szabályok segítségével osztok be egy új egyedet egy csoportba.  A tulajdonságok egy jelentős része azonban minden csoporthoz hozzárendelhető. Például mondhatom azt, hogy mind a férfiak csoportjának, mind a nők csoportjának az egyedei két szemmel rendelkeznek. E szerint a szempont szerint például nincs különbség köztünk. Ez a szempont azonban sok gondot okozhat például félszemű Jack besorolásánál, ugyanis e szempont szerint Ő nem férfi, de nem is nő. Ezért a osztályba sorolásnál csak valószínűséget lehet megadni és mindössze azt mondhatjuk, hogy pl. megfelelő egyéb adottságok esetén 99.9% a valószínűsége annak, hogy Jack férfi.  Na már akkor ha Ő is így dönt.

Tehát a Clustering eljárás válasza nagyban függ a feltett kérdéstől és a kiválasztott tulajdonságok (paraméterek) által meghatározott kapcsolatok erősségének a kiválasztásától.

A fenti ábrával ezért nem is bajlódnánk, hanem arra fogjuk rávenni a modellt, hogy csak az erős hasonlóságot mutassa meg.

Na, így már sokkal jobb. Azt mondjuk, hogy az 1, 2, 3, 5, 6–os csoport annyira hasonlít egymáshoz, hogy helyből egy vevőcsoportnak fogjuk tekinteni. És így marad öt figyelemre méltó csoportunk.

Most már semmi sem akadálya nincs, hogy visszatérjünk a OLAP listáinknál bemutatott módszerhez és ezt az öt vevőcsoportot összehasonlítsuk.

Jól látszik, hogy maga a szezonalitási feltevés is lényegesen árnyaltabbá vált, hiszen például a Cluster-7, a Cluster-8 csoport esetén egyáltalán nem tekinthetjük a termékeket szezonális terméknek és a vevők zömét tartalmazó Culsters és a Cluster-9 esetén is csak egy szolid szezonalítás mutatkozik. Ez a csoportosítás egyébként más eljárással (pl. ABC analízis) nem kapható meg, mert itt nem a vásárlás nagysága szerint csoportosítottunk, hanem a vásárlási szokások szerint.

Nézzük meg, hogy melyik vevőcsoport mennyi vevőt tartalmaz.

Most már szembe kell néznünk azzal a ténnyel, hogy az egész lengedezést mindössze 5, azaz öt vevő okozza. Némi szezonalítás minden vevőnél kimutatható, de az igazi, megrázó hatást mindössze néhány vevő okozza és így azt is be kell vallani magunknak, hogy a többi vevő esetében ezt a termékcsoportot nem is igazán nevezhetjük szezonálisnak.

Nézzük meg részletesebben a kulcsvevőket:

Ez az öt vevő már csak négy, mert egy menetközben feladta a harcot. Bár - mint informatikusoknak - semmi közünk hozzá, de vegyük észre, hogy van itt egy érdekes kérdés. Ennek a két pár vevőnek annyira hasonló a vásárlási szokása, hogy önként felteszi az ember a kérdést, honnan tudják, hogy a másik mennyit vásárolt (netán kartell, vagy egy cég lenne a két cég, esetleg ipari kémkedés folyik?).

Ha már itt járunk, pusztán az érdekesség kedvéért tekintsünk rá ezeknek a vevőknek a számla kifizetési stratégiájukra is. Már csak azért is, mert ha jobban megnézzük az ábrát, akkor fel kell tűnjön, hogy ezek a hullámok meglehetősen azonos időközönként jelennek meg. Bár az informatikusoknak nem feladatuk az okok gazdasági feltárása, de azt mindenképpen észre kell venni, hogy a márciusi csúcs pontosan egybeesik a 120 napos fizetési határidő leteltével. Ez rögtön adja, hogy tekintsünk rá a vevők számla kifizetési stratégiájára.

A vízszintes tengelyen a számlák kiállítási dátuma van, a függőleges tengelyen pedig az, hogy mennyi idő múlva egyenlítették ki az adott számlát. Az ábra amely sok száz vevőt és több ezer számlát tartalmaz úgy keletkezett, hogy a számlák közül csak azokat tüntettük fel, amelynek kiegyenlítése 09.30-ig megtörtént. Természetesen közvetlenül 09.30 előtt is lett kiállítva rengeteg számla, de ezek nem szerepelnek a grafikonon, mert nincsenek kiegyenlítve. Ennek megfelelően a kifizetett számlák számának nullára kell csökkenni. Ez rendben is van. A baloldalt tekintve a vevők számla kiegyenlítési szokása egy tökéletesen kaotikus eljárásnak tűnik. A jobb oldal azonban megmutatja, hogy a számlák kiegyenlítése valójában döbbenetesen szabályosan történik, ami arra utal, hogy a kifizetésekre stabil modellt lehet felállítani.

Most már nyilván mindenkiben felmerül a kérdés, hogy ezek a kulcsvevők a számlaösszeg szerint hogyan szelektálnak. Ez szintén érdekes:

Pirossal az átlagot jelöltük. Az ábra azt mutatja, hogy a kisösszegű számlákat (néhány millióig) 1 és 120 nap között fizetik ki, de a nagy összegűeknél lemennek akár 30 napra is. Az is jól látszik, hogy az eladói oldalon súlyos gondatlanságok lehetnek, amelyet a vevő szemrebbenés nélkül ki is használ.

Megjegyzem a korábban bemutatott riport szolgáltatás helyből tud küldeni egy levelet az ügyvezetőnek és a gazdasági igazgatónak, ha ilyen fizetési anomáliák vannak.

Az alábbi ábrán ugyan ez a jelenség látható egy könnyebben értelmezhető formában. Az eljárás nyilvánvalóan alkalmas a kintlévőségek és a finanszírozás elemzésére is.

Az alábbi ábra egy kulcsvevő számlakiegyenlítési szokása látható.

.

Az ábrán az is jól látszik, hogy az a kijelentés, hogy ezek a multik 120 napra fizetnek, az így kijelentve, egyszerűen nem is igaz.

A fentieken kívül persze rengeteg dolgot meg lehetne még mondani. Pl. a csúcsra járatott termelés estén mennyivel kerül többe a termelés, mennyivel nagyobb a bérköltség, műszakpótlék, túlórapótlék ezeken a termékeken, mennyivel nő meg ilyenkor a selejtszázalék, mennyit kell ezen termékek után visszafizetni a vásárlónak, mekkora a kamatteher ezeken a termékeken, stb.

De például azt is meg lehet mondani, hogy mennyivel növekszik a profit, ha nem a kulcsvevők, hanem a nagy vagy kisvevők hozzák piacra a termékeket. Lehet osztályozni a vevőket és termékeket, meghatározva, hogy mely termékcsoport és mely vevő mennyire fontos a cégnek.

Az alábbi ábrán azt látjuk, hogyan függ egy konkrét termék ára az egy tételben eladott mennyiségtől. A mennyiség mint látható 5 nagyságrendet fogát.

A lila görbe esetén a logaritmikus beosztású vízszintes tengelyen egy adott termék, egy tételben eladott mennyisége, a függőleges tengelyen pedig a hozzátartozó ár szerepel, a fekete egyenes a logaritmikus átlagár. Az ábrán bejelöltük a termék decemberi nagymegrendeléséhez tartozó legalacsonyabb árat.

Felmerülhet a kérdés, hogy a nagy tételeknél alkalmazott árengedmény hogyan hat a gazdaságosságra.

A kulcsvevők értelemszerűen jelentős mértékben befolyásolják az üzleti eredményt, de az már érdekes, hogy a következő legfontosabb vevőcsoport a közepes, majd a kisvevők következnek.

A fenti ábrák egyébként sok olyan érdekességet tartalmaz, amin azért nagyon el lehetne gondolkozni. Ilyen például a néhány kimagaslóan magas ár. Egy ilyen árral el lehet veszíteni egy vevőt.

Igaz is. Vajon hogyan állunk az elvesztett vevőkkel?

Nézzük.

Ez persze önmagában semmit sem mond, mert lehet, hogy közben sokkal több új vevőt szereztünk. Nosza, nézzük meg.

Ez így már érdekesebb. Valószínűleg ez ábra is megérne egy misét, mert mint látható, szamárság lenne mindent a vállságra fogni.

Lássuk be, ezekkel az eljárásokkal meglehetősen érdekes következtetéseket lehet levonni. Ezeket a grafikonokat a bemutatott OLAP eljárással gyakorlatilag perceken belül lehet előállítani és bármelyik vevőre, bármelyik termékre néhány kattintással megismételhető.

Ezeknél az ábráknál a cél a lehetőségek bemutatása volt.

Maradjunk még a Clustering eljárásnál.

A módszer arra is alkalmas, hogy egy ismeretlen (új) vevő esetén megmondjuk, hogy mit várhatunk tőle. Tételezzük fel, hogy fejlett értékesítési technológiánk van, ami azt is jelenti, hogy a meglévő vevőinkről sokat tudunk. Azt, hogy a tárolt információ fontos vagy nem fontos nem is kell tudnunk, mert ezt majd az üzleti intelligencia el fogja dönteni. A jóslási eljárásunk úgy történik, hogy fogjuk a meglévő vevőink adatait, az eljárás (valójában 3 eljárás ill. modell áll alapértelmezésben a rendelkezésünkre) pedig ezeknek a tulajdonságoknak alapján csoportokra osztja az ismert vevőinket. Nevezzük ezt a folyamatot tanulásnak. Ezt követően az üzleti intelligencia az új vevőt is (a már ismert eljárással) besorolja valamelyik csoportban. Maga a döntés azon alapszik, hogy ha egy csoport azonos vásárlási szokásokkal rendelkezik, akkor - a tulajdonságainak hasonlósága miatt - újonnan idesorolt vevő is feltehetőleg ugyanilyen szokásokkal fog rendelkezni. Ez például lehetőséget ad arra, hogy rögtön induláskor megadjuk azokat a kedvezményeket, amit a csoport többi tagja kap, segítve ezzel a vevőt a felfutásban, ami valahol a gyártó érdeke is.

Ez az eljárás annyira jól működik, hogy az USA-ban például így számolja ki az ottani adóhatóság egy-egy renitens üzlet adóját, akármit is nyújtott be a tulajdonos. Azt mondják ugyanis, hogy az azonos tulajdonságú üzletek nyeresége is azonos.

Az eljárás másik nagyon jó alkalmazási lehetősége a marketing célcsoportok kiválasztása olyan esetben, amikor a célcsoport tagjai nem meglévő vevőink. Ilyenkor általában az a helyes eljárás, hogy meg kell venni egy gazdag adatbázist. A tanulási eljárás során az üzleti intelligencia segítségével osztottuk csoportokra a meglévő vevőinket és ezeket a vevőcsoportokat a közös üzleti tulajdonságaik alapján kezeljük. Ezért például tudjuk, hogy mely tulajdonságú vevőink fogékonyak teszem azt a direkt marketingre. Az új címeket a bemutatott eljárás be fogja osztani az ismert tulajdonságú címeink közé. Nyugodtan feltételezhetjük, hogy azok az új vevők akik tulajdonságaik alapján például a direkt marketingre fogékony ismert vevőink csoportjába kerültek, szintén fogékonyak a direkt marketingre.

A módszer óriási előnye, hogy az új vevőket a nekik megfelelő eszközökkel közelítjük meg, így a kampány sikeresebb és olcsóbb is lesz.

Ezekhez az eljárásokhoz persze az kell, hogy a cég felismerje az adatok gyűjtésének és szakszerű nyilvántartásának fontosságát.

Sajnos ezen a területen a magyar tulajdonú cégek lemaradása elkeserítően nagy, igaz a legtöbb hazai rendszer meg sem adja ezt a lehetőséget a felhasználóknak. Az üzleti intelligencia szempontjából azonban közömbös lenne, hogy az adatokat egy integrált rendszerből, egy CRM rendszerből vagy például egy SharePoint szolgáltatásból vagy egy Excel táblából vesszük.

Amin nem tudunk segíteni, az-az, hogy sehol sincsenek ilyen adataink.

A BI másik érdekes alkalmazási területe a vásárlói kosár összeállítása. Ennek segítségével azt lehet megállapítani, hogy milyen termék összeállítások fogynak legjobban. Ez kitűnően használható például szortimentek megtervezésére.

Az adattárház

Az üzleti elemzésekhez használt rendszerek tárolási mechanizmusát adattárháznak szokás nevezni. Ez arra utal, hogy az adatok tárolási stratégiája is lényegesen eltér a jelenleg általánosan használt eljárástól. A hagyományos ERP rendszerek mindig az aktuális adatokat tárolják. Van ugyan néhány objektum, ahol a törvények előírják a dokumentumok tárolását (pl.: számla), de ezektől eltekintve a múlt adatai elvesznek, mert a változáskor egyszerűen felülírjuk őket az aktuális adatokkal.

Ezzel elvesztünk érdekes elemzési lehetőséget is.

Ennek gyakorlati jelentősége is lehet. Az alábbi ábra egy adott termék életciklusát mutatja.

Jól látszik, hogy a megjelölt időpontban ezzel a termékkel valami történt. Ez lehetett piaci hatás, lehetet a vevőnél bekövetkezett változás, lehetett technológiai változás, stb. De például azt, hogy milyen technológiával gyártottuk a terméket az adott pillanat előtt vagy után a cégvezetési rendszerünk már nem tudja, mert a rendszer csak a mai technológiát tartja nyilván, azaz a technológia módosítása úgy történik, hogy a régi adatokat felülírjuk az újakkal. Ehhez hasonlóan a vevőről is csak az aktuális adatot ismerjük, a múlt adatai már elvesztek.

Az adattárházban az-az új gondolat, hogy az adatokat sohasem írjuk felül, hanem mindig hozzáírjuk a meglévő adatokhoz. A meglévő cégvezetési rendszernek azonban működnie kell, ezért az üzleti elemzéshez egy másfajta stratégiával működő adatbázis kell, amely független az üzemi adatbázistól. Az is nyilvánvaló, hogy ez az új adatbázis sokkal több adatot fog tartalmazni.

Az adattárház kialakítása és üzemeltetése rendkívül költséges dolog. Létrehozásánál alapfeltételnek tekintjük a hozzáértő szakszemélyzetet és az elemzésre képzett állomány létezését. Abban a körben, amelyben a BI bevezetése a célunk, ezek a feltételek nem adottak, ezért az adattárház építése nincs a céljaink között.

Összefoglalás

Az üzleti intelligenciának számos egyéb alkalmazási lehetősége is van, de hozzávetőleg eddig tart az olyan alkalmazási lehetőség, amely gyorsan megtérül. Továbbá a bemutatott területek azok, amelyek informatikai oldalról megközelíthetőek, azaz az informatikai szolgáltatás részét képezheti, és nem kell hozzá speciális képzettséggel rendelkező szakszemélyzet.

A kérdések megfogalmazása és a válasz kiértékelése természetesen a gazdasági igazgatás feladata. Az informatikusi feladat a válaszok megadása és lehetőségek megmutatása.

Vegyük észre, hogy csak néhány érdekesen összeállított lista is alapvető és súlyos gazdálkodási hibákat tudott feltárni, például egyetlen szempillantással érzékelhető a 250 napos számlakifizetés vagy hogy az ügynökök hétfőn még nem dolgoznak pénteken pedig már nem dolgoznak, stb.

Az üzleti intelligencia alkalmazások informatikai megközelítése lehetővé teszi, hogy kis és középvállalkozások elindulhassanak a gazdaságelemzésen alapuló optimális gazdálkodás útján. Ezeknek az eljárásoknak a meghonosítása  már 1-2 milliárdos árbevételtől felfelé gyorsan megtérül.

Az üzleti intelligencia szolgáltatás bevezetését és működtetését a UnitedIT Kft. az üzemeletetési szolgáltatás keretében is elvállalja, de a rendszer kialakítását, a riportok megtervezését és karbantartását az ország teljes területén tudja vállalni.

Ha az üzleti intelligencia alkalmazásában a fentieknél tovább akarunk lépni, például előrejelzéseket (idősor analízist) akarunk bevezetni, akkor már mindenképpen apparátust kell kiépíteni. Bár az SQL kiszolgáló is biztosít ilyen modulokat, de ezeknek a használata már akkora szakértelmet igényel, amihez mindenképpen szakszemélyzet kell, ekkor viszont már megkérdőjelezhető, hogy célszerű-e az SQL 2005 szerver beépített szolgáltatásának a használata és meg kell vizsgálni, hogy nem hatékonyabb-e egy célrendszer bevezetése.

Erre általában már csak nagyon nagy cégek vállalkoznak.