Szakmai cikk

Forecast projektek paradoxonai

Bakonyi Zoltán, PhD

Milyen kihívásokkal kell szembenézniük a vezetőknek gépi előrejelzési rendszerek bevezetésekor? Gyakorlati példák a nagykereskedelem, a műszaki szolgáltatás illetve az élelmiszergyártás területéről.

A gépi előrejelzések több módon jelenthetnek versenyelőnyt vállalatunk számára. Hatékonyabban hirdethetjük termékeinket, alacsonyabb hiánnyal vagy készletállománnyal működhetünk, dinamikusan alakíthatjuk árainkat vagy megelőző karbantartással növelhetjük gyártásbiztonságunkat . 1-2 év leforgása alatt egész iparágak térhetnek át a korábbi megérzésalapú vezetésről az adatalapú döntéshozatalra. Természetesen, ha ezt a versenytársunk teszi meg előbb, akkor lemaradunk a versenyben.

A legtöbb esetben a gépi előrejelzéses projekteknél nem az adatok mennyisége, a számítási kapacitás vagy a projektfinanszírozás jelenti a legnagyobb kihívást, hanem az, hogy megfelelően beágyazódjanak a szervezetbe. Cikkünk egy 2019-ben végzett, 30 elemű interjúalapú kutatásra épül, melynek keretében különböző iparágból származó gépi előrejelzési jó gyakorlatokat vizsgáltunk. A következőkben 3+1 olyan paradoxont mutatunk be, melyek gyakran előfordulnak forecast projektek bevezetése során, ugyanakkor vezetői szinten kezelhetők.

 

1. Időparadoxon

A gépi előrejelzési megoldások jelentős időt tudnak megtakarítani a tervezők számára, hiszen nagy mennyiségű adatot tudnak rövid idő alatt kezelni. Másrészről viszont maga a gépi előrejelzés bevezetése sok időt követel meg az egész szervezettől.

Egy műszaki szolgáltatással foglalkozó vállalat szerviz osztálya bevezetett egy olyan gépi előrejelző rendszert, melynek segítségével az osztályra érkező hibabejelentések átfutási idejét a korábbiaknál sokkal pontosabban tudták megbecsülni. Ezáltal a feladatok priorizálása is gyorsabbá vált. A rendszer alkalmazását azonban nehezítette, hogy a már így is leterhelt csoportnak egyszerűen nem maradt elegendő ideje, hogy megfelelően kitapasztalja a rendszer használatát. Ezáltal nem jelentkezett az a sebességi előny, mely miatt eredetileg be akarták vezetni a rendszert.

A fenti paradoxont egy speciális beruházási döntésként foghatjuk fel, melynek lényege, hogy a jelenben erőforrásokat áldozunk fel a jövőbeli eredményért. Példánkban ez az erőforrás a munkatársak munkaideje, melyet rá kell szánni a rendszer kialakítására valamint a bevezetést követő első időszakban a rendszer megtanulására. Változásvezetési oldalról a projekt elején érdemes őszintén beszélnünk a lehetséges rövidtávú hátrányokról, illetve fontos kihangsúlyoznunk a középtávon felmerülő hasznokat is. Ezáltal a munkatársak is nagyobb elkötelezettséget fognak mutatni a projekt iránt.

 

2. Tudás-kiváltási paradoxon

Több helyütt azért vezetnek be gépi előrejelzési rendszert, hogy ne függjenek olyan nagymértékben a tervezők specifikus tudásától, kezelve a betegség, szabadság, felmondás esetén felmerülő üzleti kockázatot. Viszont, ha egy új, a tervezőktől kvázi-független rendszert hoznak létre, akkor lehet, hogy elvész az eredeti tervezési tudás a szervezetből.

Egy nagykereskedő vállalat szezonális termékeinek forgalmát kívánta előre megbecsülni, ezért vezetett be egy keresleti előrejelző rendszert. Ezáltal némileg tehermentesíthették a túlterhelt tervezési csapatot. Az elképzelések szerint a bevezetést követően még 3 hónapig a géppel párhuzamosan végeztek volna előrejelzést a korábbi módon, majd a legtöbb termék esetében áttértek volna a gépi javaslatra. A próbaidőszakot viszont megnehezítette az elmúlt évtized legcsapadékosabb tavasza. Az időjárást egyébként figyelembe vevő gépi modell ezt egyszerűen nem tudta megfelelően kezelni. Az extrém időjárásban rosszul becslő modellel szemben lecsökkent a bizalom, így a forecastot még hónapokon keresztül párhuzamosan végezték. A bevezetést támogató vezetőkben pedig megjelent a kétely: ha teljesen áttérnek a gépi döntéshozatalra és lecsökken vagy elvész a tervezési tudás, akkor miként fogják kezelni, ha „elromlik” a gépi becslés?

A tudáskiváltási paradoxon megoldása a tudás átalakítása. Az autós közlekedés hajnalán teljesen természetes volt, hogy az autóvezető mélységben ismerje az autó részeit, sőt, szorult esetben akár még valamilyen műszaki módosítást is elvégezzen egy utazás során. Később már csak alap meghibásodások kezelése volt elvárható egy átlagos vezetőtől. Az elektronikai forradalom egyik eredménye, hogy vannak olyan autótípusok, amelyeket csak márkaszervíz tud bármilyen szinten is javítani. A gépi előrejelzés esetén is hasonló átalakulást láthatunk.

A gép nem csak kiváltja a tervező tudásának egy részét , de megköveteli azt is, hogy a gép kezelésével kapcsolatban új tudás jöjjön létre. Ki kell alakítanunk azokat a rutinokat, amelyekkel a gép szokatlan reakciójára reagálunk. Ide tartozik a jelzések (alertek) rendszerének kialakítása, a rendszeres felülvizsgálat illetve a támogató („szerviz”) funkciók kialakítása.

 

3. Cél vs. forecast paradoxon

A cél egy elérendő állapotot fejez ki, a forecast pedig egy várható esemény (vagy teljesítmény) előrebecslését. Paradoxonjuk abban áll, hogy a gépi előrejelzéssel reálisabban határozhatók meg a célok, viszont nehezebben lehet kihívó célokat megfogalmazni velük.

Egy valaha szebb napokat is látott élelmiszergyártónak csökkenő piaci részesedéssel kell szembenéznie. A hatékonyság növelése érdekében egy predictive forecast megoldást vezettek be a kereslet előrejelzésére. A jól működő rendszer előnyeit kihasználva úgy döntöttek, hogy a termelés támogatásán kívül az éves tervezésre is felhasználják az eredményeket. A folyamatos csökkenést jól előrejelző rendszer a tulajdonosi elvárásokat messze alulmúló forgalmat becsült a következő üzleti évre. Ahhoz, hogy alátámaszthatók legyenek a kihívó célok, a tervezők végül úgy döntöttek, hogy a forecast módszertanát módosítják, annak érdekében, hogy kisebb legyen a különbség a célok és az előrejelzés között. Ez a lépés viszont csökkentette a gépi rendszerrel szembeni bizalmat.

Ez a paradoxon sokkal többről szól, mint elsőre látszik: itt valójában világnézetek csatáját látjuk. A stratégiai célmeghatározás ugyanis mindig egy normatív állítás, ami leírja „milyennek kellene lennünk”. A gépi előrejelzés viszont egy leíró (deskriptív) megállapítás, ami azt határozza meg, hogy mi lesz, ha minden hasonlóan történik, mint eddig. A stratégia azonban mindig magában foglalja a változás lehetőségét vagy szükségességét. Lehet, hogy eddig így dolgoztunk, de most másként fogunk, ezáltal jobb eredményeket fogunk elérni, mint amit a forecast jelez. Vezetőként minél jobb a motivációs készségünk és minél nagyobb a szervezet önbizalma, annál nagyobb különbséget képes elviselni a vállalat a forecast és a célok között.

 

+1. Tapasztalati paradoxon

Minél több személyes tapasztalatunk van valamiről, annál jobban fogunk tudni dönteni az adott témában. Előfordulhat azonban, hogy a gépi előrejelzés a tapasztalatainkkal ellentétes javaslattal áll elő, amit viszont nehezen fogadunk el még akkor is, ha tudjuk, hogy jobban becsül, mint mi.

Egy kiskereskedelmi láncnál a hirdetési költéseket szerették volna optimalizálni egy gépi előrejelzéses módszer segítségével. Az adatelemző csapat előállított egy algoritmust, mely arra tett javaslatot, hogy mely településen csökkentsék a promóciós költségeket anélkül, hogy csökkenne a közelben lévő üzlet forgalma. A végső döntést az érintett üzletvezetők hozták meg. Az adatelemző csapat többször is abba az akadályba ütközött, hogy az általuk költségcsökkentésre javasolt településen egy-egy üzletvezető vásárlói mélyinterjúkon személyesen megtapasztalta, hogy milyen lelkes egy-egy helyi lakos az üzletlánccal kapcsolatban. Így ezeken a helyeken nem engedélyezték a csökkentést. A végeredmény azonban egyértelműen az algoritmusnak adott igazat az üzletvezetői döntéssel szemben.

A fenti példában közvetlenül láthatjuk a paradoxont: az üzletvezető személyes tapasztalatához jobban tudott kötődni, mint egy más által elvégzett gépi kalkulációhoz. A fő probléma csak az, hogy míg a vásárlói látogatás a vásárlói magatartásformák kvalitatív megértését szolgálja, addig a gépi előrejelzés az egész hálózatra optimalizálva végez elemzéseket. Az üzletvezető ez esetben egy korábbi tapasztalatát rosszul vetítette ki a hálózat egészére. Ilyenkor a vezetőnek kísérleteznie kell, hogy megtudja, mire képes az gépi előrejelzés. Az algoritmus igaza is csak utólag derült ki. Az intuíció nagyon fontos és hasznos tud lenni, amikor nem tudunk eredményesen gépi előrejelzést végezni. Fontos azonban az önreflexió azzal kapcsolatban, hogy adott tudásunk mennyire általánosítható, illetve legyen bátorságunk a géppel való kooperációra.

A fenti paradoxonok egyik fő üzenete az, hogy a technológia bevezetése önmagában még nem jelent megoldást. Mi több, szinte minden gépi előrejelzés bevezetésével kapcsolatban felmerülnek olyan szervezeti kihívások, amelyek nem megfelelő kezelésével elveszthetjük a versenyelőnyünket. Fontos, hogy a forecast projektek bevezetésekor ne csak a technológiát vagy a folyamatot kezeljük, hanem a vezetési rendszereket is.

A szerző az IFUA Horváth & Partners tanácsadója