Gáspár Sándor; Thalmeiner Gergő: KPI-tree modell fejlesztése predikciós eljárások alkalmazásával. In: Jelenkori társadalmi és gazdasági folyamatok, (15) 1-2. pp. 113-124. (2020)
Előnézet |
Cikk, tanulmány, mű
jelenkori_015_001-002_113-124.pdf Letöltés (703kB) | Előnézet |
Absztrakt (kivonat)
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. Abstract: The development of controlling over the past few years through Big Data, artificial intelligence, the development of various mathematical statistical methodologies, and digitalization has created models for management that have allowed for more efficient decision-making and planning. Various prediction and causal controlling models greatly increased the information content needed to make decisions. Through innovation processes, a number of new operational measurement opportunities and data acquisition sources have emerged. However, these data alone carry very little information content. On the other hand, in a structured system or model, this data can become a set of information that can even analyze the causal relationships of a whole organization's operating model and support various management functions from design to control. The KPI tree is a controlling model used and developed in most cases by multinational organizations operating in the industry. The KPI tree organizes KPIs, formulated in different ways, into groups of objectives and correlations with a logical structure built on one another. KPIs measured in different ways are determined by both the literature and corporate practice. The data generated by Big Data and Industry 4.0, on the other hand, allows for the creation of new KPIs and the collection of existing KPIs up to the minute. These new KPIs provide an opportunity to both compare daily plan- fact and objective based daily analysis based on it, as well as to measure various lean management and other business management methods. By utilizing and implementing data from the KPI tree model, various prediction models can effectively predict future performance and deviation from the target. In addition, various mathematical statistical methods and advanced Big Data parsing algorithms are able to predict operational anomalies that can be extracted from KPI tree data.
| Mű típusa: | Cikk, tanulmány, mű |
|---|---|
| Rovatcím: | Termelésmenedzsment, logisztika, beruházás-értékelés, és beszámolókészítés |
| Befoglaló folyóirat/kiadvány címe: | Jelenkori társadalmi és gazdasági folyamatok |
| Dátum: | 2020 |
| Kötet: | 15 |
| Szám: | 1-2 |
| ISSN: | 1788-7593 |
| Oldalak: | pp. 113-124 |
| Kiadó: | Szegedi Tudományegyetem Mérnöki Kar |
| Kiadás helye: | Szeged |
| Befoglaló mű URL: | http://acta.bibl.u-szeged.hu/69769/ |
| DOI: | 10.14232/jtgf.2020.1-2.113-124 |
| Kulcsszavak: | Vezetés - vállalati - rendszerelmélet, Kontrolling |
| Megjegyzések: | Bibliogr.: p. 123-124. ; összefoglalás angol és magyar nyelven |
| Szakterület: | 05. Társadalomtudományok 05. Társadalomtudományok > 05.02. Közgazdasági és gazdálkodástudományok |
| Feltöltés dátuma: | 2020. aug. 05. 09:34 |
| Utolsó módosítás: | 2020. aug. 05. 09:34 |
| URI: | http://acta.bibl.u-szeged.hu/id/eprint/69774 |
 |
Tétel nézet |
