A legtöbb vállalat nem tud mit kezdeni adatvagyonával. Salga Péter, a Dyntell Software ügyvezetője szerint a rejtett tartalékok feltárásához, a folyamatok javításához és automatizálásához adatszakértőkre van szükség, akik rá tudnak mutatni, pontosan mitől függ egy cég profitja.
Computerworld: A vállalatok éveken át adatsilók, adattárházak építésében keresték az üzleti döntéseket megalapozó megoldást. Mára, különösen a bigdata-korszak kezdete óta a helyi informatikai csapatok tudása kevésnek bizonyul. Hol keresnek segítséget?
Salga Péter: Nem feltétlenül igaz, hogy kevés lenne. Nagyon sok jó magyar mérnök van, akár a saját házunk tájáról is tudok példát hozni: egyik kollégánkat elcsábították, jelenleg az MIT-n egy DARPA-projektben a gépi tanulással foglalkozó csoportot vezeti.
CW: Azért a Dyntelltől elcsábított szakember mégsem a nagy magyar átlagot képviseli...
SP: Való igaz, viszonylag kevesen foglalkoznak még gépi tanulással, azok, akik igen, ők is felszínesen. Annyira kiforratlan még a terület, hogy gyakran saját magunknak kell rájönnünk arra, egy-egy környezetet hogyan használjunk, vagy hogyan érdemes használnunk. A témában járatos kollégáink adattudósnak, adatbányásznak nevezik magukat. A matematikusoknál a háttérelméleti felkészültség az erősebb, ők főleg a tervezésben, míg a programozó, programtervező kollégák inkább az implementálásban vesznek részt, jellemzően R vagy Python nyelven.
Salga Péter ügyvezető, Dyntell Magyarország Kft.
CW: Mindenkinek ismerős a prediktív analitika; ha máshonnan nem, a navigációs rendszerekből vagy az időjárás-előrejelzésből. Igaz, hogy minél nagyobb a vállalati adatvagyon, annál szofisztikáltabb megoldásra - gépi tanulásra, mélytanuló algoritmusokra - van szükség a jobb végeredményhez?
SP: Ha nagyon sok adat van, a mélytanuló algoritmusok és a neurális hálók bizonyulnak jobb megoldásnak. Tapasztalataink szerint azonban, ha nem olyan sok az adat, még azokból is rengeteg információ nyerhető ki. A prediktív analitika esetén többféle szintről beszélhetünk, ugyanakkor már egy egyszerű mozgó átlagos módszerrel is jó minőségű vevőrendelés-előrejelzést lehet készíteni. Míg sok adat esetén komolyabb algoritmusokra van szükség, addig kevés adatnál jól működhet már a regressziós technika is: ebben az esetben a koordinátarendszerben elhelyezkedő pontok között húzunk egyenest, vagy épp azokra illesztünk görbéket. A pontok számának növekedésével a regresszió hatékonysága csökken, ekkor kerülnek képbe a komolyabb mintázatelemző képességgel bíró algoritmusok, a neurális hálózatok. Ezek az emberi agy működéséhez hasonló algoritmusok viszonylag könnyen megbirkóznak olyan feladatokkal, melyekkel a számítógép nem. Ha az adatok mennyisége tovább nő, úgy újabb és újabb neuronhálózatokat lehet egymásba ágyazni, ily módon mélytanuló neuronhálózatot alakítva ki. Ezek már óriási adatmennyiséggel képesek dolgozni, kevés adattal viszont elvéreznek.
Magyarországon az üzleti intelligenciára specializálódott cégek többsége inkább a vizualizációra helyezi a hangsúlyt, ilyen mélységű adatelemzéssel nagyon kevesen foglalkoznak.
CW: A meglévő üzletiintelligencia-rendszerek hatékonyságán is ront, ha nem táplálnak be azokba minden döntő fontosságú adatot. Mi kell a jobb kontrollhoz?
SP: A magyar kkv-k többségénél az adat már megvan, azt azonban még nem igazán értik a cégvezetők, mekkora kincs is ez. Véleményem szerint a termelékenység hazai szintje is abból következik, hogy nem dolgozzuk fel kellő mélységig adatainkat. Nem robotokat kellene ajánlani a gyártócégeknek, hanem adataik elemzését.
Egy hazai kkv-nál tartott workshop alkalmával, amikor rácsatlakoztattuk adatbázisukat az üzleti intelligencia-rendszerünkre, kiderült, hogy az elmúlt négy évben 30 millió forintnyi ki nem számlázott szállítólevelet halmoztak fel. A sofőr aláíratta a szállítóleveleket, letette a pénzügyes asztalára, számlát azonban nem küldtek róluk az ügyfeleknek. A jobb kontroll nagyobb profitot, végeredményben pedig magasabb béreket eredményezhet.
CW: Gyakori probléma, hogy nem ismerjük fel az adatainkban rejlő információt, amíg vizuálisan meg nem vizsgáljuk azokat. Mondana példákat az adatvizualizáció előnyeire?
SP: Az adatvizualizáció általában az üzleti intelligencia első szintje. Remekül kimutathatók vele a kiugró pontok, például egy-egy tévesen rögzített egységár, amit táblázatban nehezebb kiszúrni. Az üzleti intelligenciát használó döntéshozók meg-megnézik a műszerfalakat a rendszerben, de mindinkább előtérbe kerülnek az elemző funkciók, például az önköltség vizsgálata. Fontos ugyanis látni a profitot termékcsoportonként, vevőkre lebontva, minél finomabb bontásban, hogy azonosíthassuk, mire kell hatást gyakorolni a jobb eredményért. Ráadásul egyes ágazatokban, de különösen az élelmiszeriparban az alapanyagok ára és a bérköltségek is hullámzóak az év folyamán, ezért az önköltséget részletekbe menően, lefúrásos módszerekkel szükséges vizsgálni, hiszen a könyvelésből nem látható a profit finom szerkezete.
