KPI-tree modell fejlesztése predikciós eljárások alkalmazásával

Fő cikk tartalom

Gáspár Sándor
Thalmeiner Gergő

Absztrakt

A kontrolling fejlődése az elmúlt években a Big Data, mesterséges intelligencia, a különböző matematikai statisztikai módszertanok fejlődése és a digitalizáció által olyan modelleket hozott létre a menedzsment számára, amelyek hatékonyabb döntéshozást és tervezési folyamatot tettek lehetővé. A különböző predikciós, illetve ok-okozati kontrolling modellek a döntéshozáshoz szükséges információtartalmat nagymértékben növelték. Innovációs folyamatok által számos új, különböző operatív mérési lehetőség és adatszerzési forrás jelent meg. Ugyanakkor ezen adatok önmagukban nagyon kevésszer hordoznak információtartalmat. Összességében egy strukturált rendszerben, illetve modellben viszont olyan információhalmazzá válhatnak ezek az adatok, amelyek akár képesek egy teljes szervezet működési modelljének ok-okozati összefüggéseit elemezni és a különböző menedzsment funkciókat a tervezéstől egészen az ellenőrzésig támogatni.
A KPI-tree egy olyan kontrolling modell, amelyet a legtöbb esetben az iparban tevékenykedő multinacionális szervezetek alkalmaznak, illetve fejlesztenek. A KPI-tree a különböző módokon megfogalmazott KPI mutatókat adott célok és korrelációk mentén csoportokba szervezi és egy egymásra épülő logikai felépítettség mellett rendszerezi. A különböző módokon mért KPI mutatószámokat mind a szakirodalom, mind pedig a vállalati gyakorlat határozza meg. A Big Data és az ipar 4.0 által generált adatok viszont az új KPI-ok megalkotására és a már meglévő KPI-ok akár percre pontos adatgyűjtésére is lehetőséget adnak. Ezen új KPI-ok lehetőséget adnak mind a napi szintű terv-tény összehasonlításra és az ezen alapuló objektív napi szintű elemzésre, illetve a különböző lean menedzsment és egyéb gazdálkodásszervezési módszer mérésére.
A KPI-tree modellből nyert adatok felhasználásával és implementálásával a különböző predikciós modellek segítségével hatékonyan előrejelezhetővé válik a jövőbeli teljesítmény mértéke és a céltól való eltérése. Továbbá a különböző matematikai statisztikai módszerek és a fejlett Big Data elemző algoritmusok képesek előre jelezni a KPI-tree adataiból kinyerhető működési anomáliákat is.

Cikk részletek

Hogyan kell idézni
Gáspár, Sándor, és Gergő Thalmeiner. 2020. „KPI-Tree Modell fejlesztése predikciós eljárások alkalmazásával”. Jelenkori Társadalmi és Gazdasági Folyamatok 15 (1-2), 113-24. https://doi.org/10.14232/jtgf.2020.1-2.113-124.
Rovat
Termelésmenedzsment, logisztika, beruházás-értékelés és beszámolókészítés