Napredna poslovna analitika in napovedno modeliranje za vodstvo

Kaj je napredna poslovna analitika in zakaj je pomembna za vodstvo?#

Napredna poslovna analitika pomeni povezovanje podatkov iz različnih poslovnih sistemov – ERP, CRM, proizvodnje, financ in kadrovskih evidenc – v enoten vpogled, ki ga dopolnijo napovedni modeli. Vodstvu omogoča, da namesto pogleda nazaj, kaj se je v preteklem obdobju zgodilo, dobi oceno, kaj se bo v prodaji, zalogah, denarnem toku ali fluktuaciji zaposlenih verjetno zgodilo v naslednjih tednih. Odločitve o nabavi, proizvodnji ali kadrovanju se tako sprejemajo prej in na podlagi podatkov, ne le izkušnje posameznika.

Klasično poročanje v podjetju odgovarja na vprašanje, koliko je bilo prodano, koliko je bilo izmeta v proizvodnji ali koliko je znašal strošek dela v preteklem mesecu. Napovedno modeliranje gre korak dlje: na podlagi zgodovinskih podatkov in trenutnih trendov oceni, kaj se bo zgodilo, če se vzorci nadaljujejo, ali kaj se zgodi, če vodstvo spremeni eno od spremenljivk, na primer rok dostave ali ceno vhodnega materiala. Za vodstvo to pomeni možnost simulacije odločitve, še preden je sprejeta.

Za srednje in velika podjetja je razlika med poročilom in napovednim modelom pogosto razlika med reaktivnim in proaktivnim upravljanjem. Kadar ima vodstvo zgodnji signal o padcu povpraševanja, zamudi pri dobavitelju ali povečanem tveganju odpovedi stroja, lahko ukrepa, preden se posledica pokaže v finančnem izkazu. Pri tem ni pomembno le, kateri sistem podatke zbira, temveč ali so podatki iz različnih oddelkov med seboj povezani in ali je model zgrajen na podatkih, ki dejansko odražajo stanje podjetja.

Kateri podatki so osnova za napovedno modeliranje#

Osnova za vsak napovedni model so podatki, ki jih podjetje že ima v svojih sistemih, le da pogosto ležijo ločeno v ERP-ju, CRM-ju, proizvodnih sistemih, dokumentnih arhivih in tabelah posameznih oddelkov. Preden je mogoče govoriti o napredni analitiki, je treba te vire povezati prek API-jev ali drugih integracij, uskladiti enote, časovne okvire in šifrante ter preveriti, kako zanesljivi in popolni so podatki za pretekla obdobja. Brez tega koraka noben model ne bo dal uporabne napovedi, ne glede na to, kako dobro je matematično zasnovan.

Pri pregledu virov podatkov v srednje velikem ali velikem podjetju se najpogosteje izkaže, da je relevantnih vsaj nekaj naslednjih virov, ki jih je smiselno povezati še pred gradnjo modela, saj je od njihove celovitosti odvisna uporabnost rezultata.

Kakovost napovednega modela je neposredno odvisna od kakovosti teh podatkov, zato se vsak resen projekt napredne analitike začne s presojo, kje so vrzeli – manjkajoči zgodovinski podatki, nedosledno vnašanje, podvojeni zapisi ali podatki, ki obstajajo samo na papirju. Nekatere od teh vrzeli je mogoče zapreti z digitalizacijo obstoječih procesov, druge z integracijo sistemov, ki doslej niso komunicirali med seboj. Lastne platforme, ki jih razvijamo, na primer modularna platforma za upravljanje fizičnih lokacij, že v osnovi beležijo obisk, zasedenost in promet na način, ki je neposredno uporaben kot vhod za napovedne modele.

• prodajni in naročilni podatki iz ERP ali CRM sistema
• podatki o proizvodnji, izmetu in zasedenosti strojev
• finančni podatki o denarnem toku, terjatvah in stroških
• kadrovski podatki o fluktuaciji, odsotnosti in produktivnosti
• podatki iz dokumentnega sistema in pogodb
• podatki iz senzorjev, naprav ali opreme na lokaciji
• zunanji podatki, na primer sezonskost ali gibanje cen vhodnih materialov

Kako poteka projekt napredne analitike od začetka do uvedbe?#

Projekt napredne analitike praviloma poteka v fazah – od analize podatkov in cilja, prek izbire in treniranja modela, do integracije v obstoječe sisteme in uvedbe v vsakodnevno delo vodstva. Vsaka faza se konča s preverljivim izidom, preden se delo nadaljuje v naslednjo, kar vodstvu omogoča, da se med potjo odloči, ali nadaljuje, spremeni obseg ali projekt ustavi, ne da bi izgubilo že opravljeno delo.

V prvi fazi se opredeli, katero odločitev naj model podpre – na primer napoved povpraševanja, tveganje odpovedi opreme ali verjetnost odhoda zaposlenega – in kateri podatki so za to na voljo. Sledi gradnja in testiranje modela na zgodovinskih podatkih, kjer se preveri, kako natančno model napove že znane izide, preden se uporabi za prihodnost. Šele nato se model povezuje z obstoječimi sistemi prek API-jev, tako da njegovi izsledki pridejo tja, kjer jih vodstvo in oddelki dejansko uporabljajo – v poročilo, nadzorno ploščo ali opozorilo.

Razvojno, testno in produkcijsko okolje so pri tem ločena, v testnem okolju pa se ne uporabljajo pravi osebni podatki, kar je pri analitiki, ki pogosto vključuje kadrovske ali finančne podatke, še posebej pomembno. Vsaka sprememba modela ali povezave gre skozi pregled in testiranje, preden pride v produkcijo, saj napačna napoved v poslovni odločitvi lahko povzroči več škode kot napaka v navadni spletni strani.

Projekt lahko prevzamemo v celoti, od analize podatkov do uvedbe modela in nadaljnjega vzdrževanja, ali kot posamezen sklop, na primer samo povezovanje podatkovnih virov, medtem ko gradnjo modela izvaja druga ekipa. Pri večjih projektih se določi projektni vodja, odgovornosti posameznih ekip, roki in način poročanja vodstvu, tako da je od začetka jasno, kdo odgovarja za kakovost podatkov in kdo za natančnost modela.

Kdo v podjetju je odgovoren za podatke, modele in odločitve#

Odgovornost za napredno analitiko ni posamezna vloga, temveč razdelitev med lastnikom podatkov, uporabnikom napovedi in izvajalcem, ki model zgradi in vzdržuje. Brez jasne delitve se zgodi, da nihče ne preverja, ali so vhodni podatki še ustrezni, ko se spremeni proces, iz katerega izvirajo, in model sčasoma napoveduje na podlagi zastarelih vzorcev.

Pri vzpostavitvi napovednega modeliranja v podjetju je smiselno vnaprej določiti vsaj naslednje vloge, saj se brez njih odgovornost med oddelki in izvajalcem zlahka razblini in nihče ne prevzame skrbi za točnost podatkov ali natančnost modela skozi čas.

Izvorna koda, modeli in podatki ostajajo last naročnika, dokumentacija, dostopi in gesla pa so del primopredaje ob zaključku projekta, kar vodstvu omogoča, da sistem kadarkoli prenese drugemu izvajalcu ali internemu oddelku. To je pri napovednih modelih še posebej pomembno, ker model ni le programska koda, temveč tudi nabor pravil in parametrov, ki jih je treba razumeti, da ga je mogoče vzdrževati in naprej razvijati brez odvisnosti od enega izvajalca.

• lastnika podatkov v posameznem oddelku, ki potrdi njihovo točnost
• uporabnika napovedi, torej vodjo, ki na podlagi modela sprejema odločitev
• skrbnika modela, ki spremlja njegovo natančnost skozi čas
• projektnega vodjo za usklajevanje med oddelki in izvajalcem
• osebo, odgovorno za varnost in dostop do podatkov

Varnost podatkov in skladnost pri napovednih modelih#

Varnost podatkov pri napredni analitiki pomeni, da so dostopi do občutljivih virov – kadrovskih, finančnih ali strankinih podatkov – omejeni na osebe in sisteme, ki jih resnično potrebujejo, in da je vsaka povezava med sistemi nadzorovana in dokumentirana. To je toliko pomembnejše, kolikor več oddelkov podatke prispeva v skupni model, saj se s tem povečuje tudi površina, na kateri lahko pride do napake ali nepooblaščenega dostopa.

Razvojno in testno okolje se ločita od produkcijskega, v testnem okolju pa se ne uporabljajo pravi osebni podatki, temveč sintetični ali anonimizirani nabori, ki omogočajo testiranje modela brez tveganja za zasebnost. Pri podatkih, ki vključujejo osebne podatke zaposlenih ali strank, je treba že v fazi načrtovanja določiti, kako dolgo se podatki hranijo, kdo jih lahko pregleduje in kako se obravnava morebitna napačna napoved, ki vpliva na posameznika, na primer pri kadrovskih odločitvah.

V javnem sektorju in reguliranih panogah se tem vprašanjem dodaja še obveznost revizijske sledi – zapisa, kdo je kdaj dostopal do podatkov in kakšna je bila podlaga za odločitev, sprejeto na podlagi modela. Zato se obseg varnostnih in skladnostnih zahtev vedno določi glede na panogo in vrsto podatkov, s katerimi projekt dela, preden se izbere arhitektura sistema in način shranjevanja podatkov.

Kdaj se splača začeti projekt napredne analitike?#

Projekt napredne analitike se splača začeti takrat, ko ima podjetje že dovolj zgodovinskih podatkov v svojih sistemih in ko vodstvo ponavljajoče sprejema odločitve, pri katerih bi zgodnji signal – o povpraševanju, zalogi, tveganju ali kadrovski fluktuaciji – spremenil izid. Če podatki še ne obstajajo ali so razpršeni po ločenih tabelah brez skupne strukture, je smiselno najprej urediti zajem podatkov in šele nato vlagati v napovedne modele.

Pogost sprožilec je trenutek, ko se podjetje širi na več lokacij, uvaja nov sistem ali se sooča s ponavljajočimi se presenečenji v proizvodnji, prodaji ali kadrovanju, ki jih klasično poročanje opazi šele, ko je škoda že nastala. V teh primerih napovedno modeliranje ne nadomesti odločanja vodstva, temveč mu da zgodnejši in bolj konkreten vpogled v to, kam se stanje premika.

Preden se projekt začne, je smiselno izvesti krajšo analizo, ki pokaže, kateri podatki so na voljo, kje so vrzeli in katera odločitev bi imela od napovednega modela največjo korist. Taka analiza razčleni obseg na sklope, tako da je vsak sklop ocenljiv in izvedljiv ločeno, namesto da se projekt začne brez jasne slike, kaj je sploh mogoče zgraditi na obstoječih podatkih.

Vpliv napredne analitike na zaposlene in organizacijo#

Uvedba napovednih modelov spremeni način dela tistih, ki danes pripravljajo poročila ročno – namesto da teden za mesečno poročilo preživijo v preglednicah, dobijo orodje, ki podatke osvežuje samodejno in opozori, ko se vzorec spremeni. To pomeni, da se del njihovega dela premakne od priprave podatkov k razlagi in preverjanju napovedi, kar zahteva razumevanje, kako je model zgrajen in kje so njegove omejitve.

Za zaposlene, katerih delo model neposredno ocenjuje – na primer pri napovedi fluktuacije ali produktivnosti – je pomembno, da vodstvo vnaprej pojasni, kako se napoved uporablja in da ne gre za avtomatsko odločanje o posamezniku, temveč za signal, ki ga pregleda in potrdi človek. Brez tega pojasnila napovedni model hitro postane vir nezaupanja, namesto orodje, ki olajša delo.

Organizacijsko je smiselno že pred uvedbo določiti, kdo bo model uporabljal v vsakodnevnem delu in kakšno usposabljanje potrebuje, saj še tako natančen model ne prinese vrednosti, če ga vodje oddelkov ne razumejo dovolj, da bi mu zaupali pri odločitvah. Pri tem pomaga, če je napoved prikazana skupaj z razlago, na katerih podatkih in vzorcih temelji, ne le kot končna številka.

Kako izbrati izvajalca za napredno poslovno analitiko#

Pri izbiri izvajalca za napredno poslovno analitiko je ključno, da ekipa razume tako podatkovno plat – zajem, čiščenje in povezovanje podatkov iz ERP, CRM in drugih sistemov – kot tudi poslovni kontekst odločitve, ki jo model podpira, saj tehnično natančen model brez razumevanja poslovanja pogosto napoveduje napačno stvar. Taka ekipa že v uvodnih pogovorih postavlja vprašanja o poslovnem cilju, ne le o tehnični izvedbi, kar je dober znak, da bo model dejansko uporaben pri odločanju.

Pri ocenjevanju ponudnikov je smiselno preveriti vsaj spodaj navedene točke, saj razkrijejo, ali izvajalec razume celoten obseg projekta ali le gradnjo modela samega.

Priporočljivo je preveriti tudi, kako izvajalec pristopi k projektom, pri katerih podatki niso popolni ali urejeni, saj je to v praksi pogostejše stanje kot čist, že pripravljen nabor podatkov. Ekipa, ki zna najprej urediti in povezati obstoječe vire, preden začne z gradnjo modela, praviloma pride do uporabne rešitve hitreje kot tista, ki poskuša model zgraditi na podatkih, ki tega ne prenesejo.

• ali ekipa vključuje tako podatkovne strokovnjake kot poslovne analitike
• kako bo potekal prenos znanja in dokumentacije ob zaključku projekta
• kako je urejeno testiranje modela na zgodovinskih podatkih pred uvedbo
• kakšna je raven podpore in vzdrževanja po uvedbi modela
• kako izvajalec obravnava varnost in dostop do občutljivih podatkov
• ali je mogoče prevzeti obstoječ, delno zgrajen sistem, in ne le začeti znova

Od česa je odvisna cena projekta napredne analitike#

Cena projekta napredne analitike se določi po pregledu zahtev, obsega in tehnične zahtevnosti, ne po vnaprej določenem ceniku, saj se obseg podatkovnih virov, število napovednih modelov in zahtevnost integracij med podjetji zelo razlikujejo. Pred ponudbo zato predlagamo krajšo analizo, ki obseg razčleni na posamezne sklope, tako da je vsak sklop ocenljiv in izvedljiv ločeno, namesto da se cena oceni na podlagi splošnega vtisa o celotnem projektu.

Na ceno največ vpliva nekaj dejavnikov, ki jih je smiselno pregledati še pred prvo oceno obsega, saj od njih je odvisno, koliko dela terja povezovanje podatkov in koliko gradnja ter preverjanje modela.

Ta razčlenitev vodstvu omogoča, da se odloči, kateri sklop izvede najprej – na primer samo povezovanje podatkov – in šele nato presodi, ali je smiselno nadaljevati z gradnjo napovednega modela na tej osnovi. Tak pristop zmanjša tveganje, da se vloži v model, ki ga zaradi neurejenih podatkov na koncu ni mogoče uporabiti v praksi.

• koliko obstoječih sistemov je treba povezati in kakšni so njihovi API-ji
• količina in stanje podatkov, ki jih je treba pripraviti in uskladiti
• ali gre za nov model ali za prevzem in nadgradnjo obstoječega sistema
• zahteve glede varnosti, revizijske sledi in skladnosti, na primer v javnem sektorju
• obseg testiranja modela in ali je potreben neodvisen QA
• raven podpore po uvedbi in dogovorjeni odzivni časi

Vzdrževanje in nadaljnji razvoj analitičnih sistemov#

Napovedni model po uvedbi ni dokončano delo, saj se vzorci v poslovanju spremenijo – nov izdelek, nov trg ali sprememba procesa lahko povzroči, da model začne napovedovati manj natančno, kot je napovedoval ob uvedbi. Zato je smiselno že vnaprej dogovoriti, kdo spremlja natančnost modela skozi čas in kdaj ga je treba ponovno naučiti na novejših podatkih, še posebej po večji spremembi poslovnega procesa.

Po uvedbi lahko prevzamemo nadzor delovanja, odpravo napak, tehnične in varnostne posodobitve ter nadaljnji razvoj modela, obseg pa se določi glede na projekt. Napake in zahteve se razvrstijo po prednosti – od izpada, ko sistem ali ključni del ne deluje, prek motnje pri posamezni funkciji, do manjših napak, ki se uvrstijo v naslednjo redno objavo, in zahtev za nove funkcionalnosti, pri katerih se najprej oceni obseg.

Za vodstvo to pomeni, da napredna analitika ni enkraten nakup, temveč sistem, ki se vzdržuje podobno kot katera koli druga poslovno kritična aplikacija – z dogovorjenim načinom podpore, jasno odgovornostjo za posodobitve in rednim preverjanjem, ali model še odraža dejansko stanje podjetja.