Egy termelősor leállásához nem feltétlenül egy kritikus géphiba vezet. Sok esetben elegendő egy hiányzó kötőelem, csavar vagy más C-alkatrész ahhoz, hogy a gyártás üteme megtörjön. Bár ezek az elemek egyenként alacsony értéket képviselnek, hiányuk jelentős fennakadásokat és költségeket okozhat.

A C-alkatrészek kezelése számos vállalatnál még ma is több, egymástól elkülönülő rendszerben zajlik. A készletinformációk gyakran különböző adatforrásokból érkeznek, a fogyás nyomon követése részben manuális folyamatokra épül, az utánrendelés pedig sok esetben csak akkor indul el, amikor a készletszint már kritikus közelségbe kerül. A komplex gyártási környezetekben és több telephelyet érintő ellátási láncokban ez egyre nagyobb működési kockázatot jelent.

Valós idejű rálátás a C-alkatrész-folyamatokra

A Keller&Kalmbach által fejlesztett Logtopus platform célja, hogy egységes képet adjon a vállalatok C-alkatrész-ellátási folyamatairól. A felhőalapú, ERP-független rendszer egyetlen digitális felületen gyűjti össze a készlet-, fogyási és utánpótlási adatokat, függetlenül attól, hogy a háttérben SAP, proALPHA vagy más vállalatirányítási rendszer működik.

A platform összekapcsolja a különböző adatforrásokat, így a beszerzési és logisztikai csapatok valós időben követhetik a készletek alakulását, az anyagfelhasználást és az utánpótlási folyamatokat. Ez lehetővé teszi, hogy a döntések ne utólagos helyzetértékelésre, hanem naprakész információkra épüljenek.

Az adatoktól a döntéstámogatásig

A modern készletgazdálkodás már nem kizárólag a készletszintek monitorozásáról szól. A vállalatok számára egyre fontosabb, hogy megértsék az adatok mögött meghúzódó összefüggéseket is.

A Logtopus a fogyási trendek, utánpótlási ciklusok és telephelyi sajátosságok elemzésével támogatja a készletszintek optimalizálását és a Kanban-rendszerek finomhangolását. A rendszer képes azonosítani azokat a mintázatokat, amelyek alapján pontosabban meghatározhatók az egyes alkatrészek optimális készletszintjei.

Ennek eredményeként csökkenthető a felesleges készletezésből eredő tőkelekötés, miközben mérsékelhető a hiányhelyzetek kialakulásának kockázata is. Az adatvezérelt működés hozzájárul a készletgazdálkodás kiszámíthatóságához és a termelés stabilitásához.

“A Logtopus egy olyan IIoT-platform, amely valós hozzáadott értéket teremt az ellátási lánc szereplői számára, és gyorsabb, átláthatóbb döntéshozatalt tesz lehetővé” – Andreas Jäger, Project Manager Customer Logistic and Services, Keller & Kalmbach

A rejtett kockázatok korai felismerése

A gyártási környezetben az egyik legnagyobb probléma, hogy a készlethiányok gyakran csak akkor válnak láthatóvá, amikor a fennakadás már megtörtént. Ilyenkor a vállalatok jellemzően kényszerhelyzetben reagálnak, miközben a rendelkezésre álló beavatkozási lehetőségek már korlátozottak.

A Logtopus ezt a logikát fordítja meg: a rendszer a fogyási minták és az ellátási adatok elemzésével előre jelzi azokat a helyzeteket, ahol készlethiány vagy utánpótlási kockázat alakulhat ki. Ez lehetőséget ad arra, hogy a vállalatok ne utólag reagáljanak, hanem időben beavatkozzanak – még azelőtt, hogy az alkatrészhiány termeléskiesést okozna. A proaktív kockázatkezelés közvetlenül hozzájárul a rendelkezésre állás növeléséhez, valamint a nem tervezett állásidők és ellátási fennakadások csökkentéséhez.

Digitális támogatás a változáskezelésben

A C-alkatrész-folyamatok működését rendszeresen érintik változások: új termékek bevezetése, tárolási struktúrák módosítása, gyártási volumenek átrendeződése vagy akár beszállítóváltások. Ezek a változások megfelelő nyomon követés nélkül könnyen kommunikációs hibákhoz, pontatlan készletadatokhoz vagy ellátási problémákhoz vezethetnek.

A Logtopus egy közös digitális felületen kezeli a folyamatmódosításokat, ahol a változtatások státusza, felelősei és végrehajtási lépései egyaránt nyomon követhetők. Ez egyszerűbbé teszi az együttműködést a beszerzési, logisztikai és termelési területek között.

Teljes belső logisztikai rálátás

A platform nem áll meg a beszállítói vagy raktári szintnél. A belső anyagáramlás – a készletmozgások, Kanban-rendszerek, RFID-alapú megoldások vagy hibrid modellek – ugyanúgy részét képezi a rendszernek.

A cél egy olyan átfogó működési kép kialakítása, amelyben a vállalatok nem különálló részfolyamatokat kezelnek, hanem a teljes belső ellátási láncot egységes rendszerként tudják áttekinteni. Az IIoT-alapú adatgyűjtés és a felhőalapú feldolgozás révén a működés állapota valós időben követhető, ami támogatja az Ipar 4.0 környezetben elvárt gyors és adatvezérelt döntéshozatalt.

Vissza a vezetőülésbe

A C-alkatrészek kezelése hosszú ideig háttérfolyamatnak számított a gyártóiparban. A növekvő ellátásilánc-kockázatok, a komplexebb termelési struktúrák és az egyre szigorúbb hatékonysági elvárások azonban új megközelítést tesznek szükségessé.

A digitális megoldások ma már lehetővé teszik, hogy a vállalatok részletes képet kapjanak készleteikről, utánpótlási folyamataikról és belső logisztikai működésükről. A Logtopus erre építve támogatja a beszerzési és logisztikai döntéseket, hozzájárulva az ellátásbiztonság növeléséhez, a működési kockázatok csökkentéséhez és a gyártási folyamatok stabilitásához.

Ha feliratkozik a Műszaki Magazin Hírlevelére, sosem marad le a híreinkről! További friss híreket talál a Műszaki Magazin főoldalán! Csatlakozzon hozzánk a Facebookon is!

The post C-alkatrész menedzsment új szinten: reaktív működésből adatvezérelt irányítás appeared first on Műszaki Magazin.

A technológiai és gazdasági fejlődés egy új, adatvezérelt korszakot hívott életre, ahol az adattudomány (Data Science) nem csupán egy szakterület, hanem a versenyképesség és az innováció alapja. A mesterséges intelligencia (AI/MI), a kvantumszámítás és az Edge Computing térnyerése mélyrehatóan átalakítja a szervezeti működést, a fogyasztói interakciókat és a munkaerőpiacot is. Ennek az elemzésnek a célja, hogy feltérképezze ezeket a forradalmi trendeket, bemutassa az azokra épülő üzleti stratégiákat, és felhívja a figyelmet a jövőre való felkészülés kritikus fontosságára. Az anyag egy átfogó keretrendszert kínál a döntéshozóknak, hogy ne csak reagáljanak a változásokra, hanem proaktívan alakítani is tudják a jövőjüket.

A technológiai alapok forradalma: új horizontok az adatelemzésben

A számítási teljesítmény evolúciója: Quantum és Edge Computing

A hagyományos, központosított felhőalapú rendszerek korlátai egyre nyilvánvalóbbá válnak a valós idejű, alacsony késleltetésű adatelemzés területén. Az Edge Computing, amely a számítási kapacitást a hálózat „szélére”, az adatok keletkezési helyéhez viszi, drámaian csökkenti a késleltetést és a sávszélesség-használatot. Egy biztonsági kamerarendszer esetében például a mozgásérzékelés lokálisan, a kamerán belül történik, és csak a releváns felvételeket küldik a központi szerverre, jelentős erőforrás-megtakarítást eredményezve. Ez a megközelítés lehetővé teszi a valós idejű adatelemzést, ami korábban nem volt lehetséges. Az Edge Computing és az IoT (a dolgok internete, Internet of Things) szinergiája alapjaiban alakítja át a B2B- és B2C-logisztikát.

Az IoT-eszközök, mint a raktári robotok és szenzorok, hatalmas mennyiségű valós idejű adatot generálnak. Ha ezeket központilag kellene feldolgozni, a hálózati késleltetés és a sávszélesség-igény kezelhetetlenné válna. A helyi adatfeldolgozás viszont lehetővé teszi az azonnali döntéshozatalt, például az autonóm robotok útvonalának valós idejű optimalizálását. Ez a folyamat nemcsak a hatékonyságot növeli, hanem a költségeket is csökkenti, miközben új, kritikus időre optimalizált alkalmazásokat tesz lehetővé, mint a prediktív karbantartás.

Ezzel párhuzamosan a kvantumszámítástechnika (Quantum Computing), bár még gyerekcipőben jár, ígéretesen forradalmasíthatja az optimalizációs problémák megoldását a logisztika és a gyógyszerkutatás területén. Jelenleg az ellátási láncok és raktárkezelés optimalizálása a mesterséges intelligencia és a gépi tanulás segítségével zajlik. A kvantumszámítástechnika azonban olyan komplex problémákat is képes lehet megoldani, amelyek ma a klasszikus számítógépek számára elérhetetlenek. Ez azt jelenti, hogy a jövőben a logisztikai és optimalizációs feladatok megoldásának sebessége és pontossága egy új szintre léphet, radikálisan átalakítva az iparágat. A korai szakaszban lévő technológiába történő befektetés stratégiai versenyelőnyt jelenthet a vállalatok számára.

A megbízhatóság kulcsa: az érthető és elmagyarázható mesterséges intelligencia (XAI)

Ahogy az AI-rendszerek egyre komplexebbé válnak, a bizalom és az átláthatóság iránti igény is nő, különösen a szabályozott iparágakban. Az érthető és elmagyarázható AI (Explainable AI, XAI) célja, hogy érthetővé tegye az „feketedoboz” (black box) típusú modellek döntéseit mind a felhasználók, mind a szakemberek számára. Erre a célra számos technika és eszköz létezik, mint a Google Cloud AI Explainability funkciója, a „Mi lenne, ha” eszköz, vagy az InterpretML nyílt forráskódú könyvtár. Az XAI-val a vállalatok validálhatják a modell viselkedését, és kommunikálhatják azt a laikus résztvevők felé is. Az XAI nem pusztán technikai követelmény, hanem stratégiai eszköz a bizalomépítés és a jogszerűség érdekében.

Az AI-rendszerek bevezetése adatvédelmi és etikai kockázatokat hordoz magában, különösen az EU szigorú adatvédelmi rendelete, a GDPR mellett. Az algoritmikus torzítás (bias) problémája és a felelősségvállalás egyre égetőbb kérdéssé válik. Az XAI-jal azonban a vállalatok a technológia előnyeinek kiaknázása mellett arra is képesek lehetnek, hogy bizonyítani tudják, hogy a döntéseik tisztességesek és diszkriminációmentesek. Ez kulcsfontosságú a fogyasztói bizalom megőrzésében és a jogi szankciók elkerülésében.

Az adat mint erőforrás: szintetikus adatok és hozzáférhetőbb adatvagyon

A mesterséges intelligencia gerince az adat, azonban a valós adatok gyakran hiányosak, elfogultak vagy védettek. A szintetikus adatok, amelyeket algoritmusok generálnak a valós adatok statisztikai jellemzői alapján, megoldást kínálhatnak ezekre a problémákra. A szintetikus adatokkal korlátlan mennyiségű, anonimizált adathalmaz hozható létre, ami felgyorsítja a modellképzést és csökkenti a jogi és adatvédelmi kockázatokat. Ez a megközelítés forradalmasítja az olyan bizalmat és a magánélet védelmét igénylő szektorokat, mint az egészségügy és a pénzügy. A szintetikus adatok lehetővé teszik a gépi tanulási modellek betanítását anélkül, hogy a felhasználók magánéletét veszélyeztetnénk, lehetővé téve a gyorsabb innovációt és a kockázatmentesebb adatfelhasználást, például a prediktív diagnosztika vagy a csalásfelderítés terén.

Ezen túlmenően a DataOps, mint agilis adatkezelési módszertan, és az adatok „demokratizálása” (Data Democratization), azaz szélesebb körben hozzáférhetővé tétele a nagyobb vállalatok számára a hatékony és költséghatékony adatkezelés alapjává válhatnak. Az adattudósok kulcsfontosságú szereplői a modern vállalatoknak. Ahogy azonban a cégek egyre adatvezéreltebbé válnak, a döntéshozatalhoz szükséges adatokra már nem csak a szakértőknek van szükségük, hanem a cégen belül egy szélesebb körnek. Az adatok megosztása a DataOps-szal támogatva lehetővé teszi, hogy a nem technikai felhasználók is hozzáférjenek az adatokhoz és az elemzésekhez, felgyorsítva a döntéshozatalt és elősegítve a „data-first” kultúrát. Ez nemcsak a szakértők terhelését csökkenti, de a vállalat egészét produktívabbá és alkalmatkodóképesebbé teszi.

A munkafolyamatok specializálódása: MLOps és LLMOps

A gépi tanulási (Machine Learning, ML) modellek menedzselése, telepítése és monitorozása a MLOps (Machine Learning Operations) módszertana szerint történik, amely a DevOps elveit alkalmazza az ML-életciklusra. A nagy nyelvi modellek (Large Language Models, LLM) és a generatív AI térnyerésével azonban egy új, specializált terület, az LLMOps (Large Language Model Operations) is kialakult. Bár ez a kettő rokon terület, az LLMOps sajátos kihívásokkal jár, mint például a prompt engineering, a minőségi értékelés szubjektív jellege, vagy éppen a finomhangolás. Az MLOps a strukturált adatokra fókuszál, míg az LLMOps a nagyméretű, előre betanított modellek menedzselésére, amelyek elsősorban nyelvi adatokkal dolgoznak.

A specializált munkafolyamatok (MLOps, LLMOps) a sikeres AI-integráció kulcsai. Az MLOps és az LLMOps ugyanakkor nem felcserélhetők. Az e-kereskedelemben, a marketingben és a logisztikában az AI-rendszerek bevezetése és működtetése nem csupán egy egyszeri projekt, hanem egy folyamatosan fejlődő folyamat. Az MLOps-ra és LLMOps-ra támaszkodva a vállalatok biztosítani tudják, hogy az olyan alkalmazások, mint a személyre szabott ajánlórendszerek, a chatbotok vagy a prediktív logisztikai modellek, megbízhatóan és hatékonyan működjenek. A megfelelő módszertan hiánya viszont instabil rendszereket és rossz felhasználói élményt eredményezhet, hiábavalóvá téve a technológiai beruházásokat.

Az adattudomány üzleti alkalmazásai: a stratégia újradefiniálása

A vásárlói élmény hiperperszonalizációja

A mai fogyasztók jelentős többsége elvárja a személyre szabott ajánlatokat, és sokan emiatt válnak visszatérő vásárlóvá. Az AI-alapú ajánlórendszerek valós idejű adatok – például a böngészési előzmények és a vásárlási szokások – elemzésével egyedi termékeket és szolgáltatásokat javasolnak, növelve a konverziós rátákat és az ügyfélhűséget. A chatbotok és virtuális asszisztensek új generációja már nem csupán válaszol, hanem pszichológiai modellezéssel érzelmileg is ráhangolódik a vásárlóra, folyamatos támogatást nyújtva.

A hiperperszonalizáció egy teljes paradigmaváltását jelent a vásárlási élmény tekintetében. Az AI-jal támogatott személyre szabás az online vásárlás minden fázisát áthatja: az ajánlásoktól a keresőoptimalizálásig. Az omnichannel stratégia lehetővé teszi, hogy az AI-rendszerek következetes élményt nyújtsanak a fizikai boltoktól a közösségi médiáig. A következő lépés az „ügynökalapú kereskedelem” (agentic commerce), ahol az AI már nemcsak tanácsot ad, hanem konkrét vásárlásokat is végrehajt a felhasználó nevében, automatizáltan és biztonságosan. Ez a technológiai fejlesztés elmossa a határokat a tanácsadás és a tényleges tranzakciók között, és a jövőben az a cég lesz versenyképes, amely a leginkább észrevétlen és intuitív módon képes a vásárlási folyamatba beépülni.

A logisztika és ellátási lánc intelligens optimalizálása

A mesterséges intelligencia és a robotika alapvetően alakítja át a logisztikai és raktárkezelési folyamatokat. Az autonóm mobilrobotok (AGV-k és AMR-ek) és a Pick and Place robotok automatizálják az árumozgatást és a komissiózást, növelve a hatékonyságot és csökkentve az emberi hibákat. Az AI-alapú raktárkezelő rendszerek (WMS) valós idejű adatelemzéssel optimalizálják a készletkezelést, a kereslet-előrejelzést és az útvonaltervezést, ami jelentős költségmegtakarítást és gyorsabb szállítási időt eredményez.

Az AI-vezérelt logisztika a fenntarthatóság felé mutat. A prediktív elemzések lehetővé teszik a vállalatok számára, hogy minimalizálják a túlkészletezést, ami csökkenti a kapcsolódó tárolási költségeket és a pazarlást. Az AI-alapú útvonaltervezés optimalizálja a szállítási útvonalakat, csökkentve az üzemanyag-fogyasztást és a CO2-kibocsátást. Ez a logisztikai hatékonyság nemcsak pénzügyi előnyökkel jár, hanem a környezeti fenntarthatóságot is elősegíti, ami egyre fontosabb a modern fogyasztók és befektetők számára.

Bár a robotok automatizálják az ismétlődő, monoton feladatokat, az úgynevezett kobotok (kooperatív robotok) megjelenése azt is mutatja, hogy az AI nem feltétlenül váltja fel teljesen az embereket, inkább kiegészíti őket. A robotok átveszik a fizikai terhelést és a monoton munkát, lehetővé téve a dolgozók számára, hogy magasabb hozzáadott értékű, stratégiai feladatokra fókuszáljanak. Ez a humán és gépi munkaerő közötti szinergia új munkaköröket és készségeket igényel, melyekre a vállalatoknak fel kell készülniük.

Intelligens marketing és üzleti döntéshozatal

Az AI forradalmasítja a marketinget azáltal, hogy képes hatalmas adathalmazokat elemezni a piaci trendek, fogyasztói preferenciák és potenciális piaci rések azonosítása érdekében. Az olyan generatív AI eszközök, mint a ChatGPT, képesek tartalmak létrehozására és optimalizálására, legyen szó termékleírásokról, hírlevelekről vagy közösségi médiás posztokról. Ez lehetővé teszi a kkv-k számára is, hogy felvegyék a versenyt a multinacionális cégekkel anélkül, hogy drága marketingügynökségekre lenne szükségük. Az AI-alapú dinamikus árazás és készletoptimalizálás segít a profit maximalizálásában és a versenyképesség fenntartásában.

Korábban a kifinomult adatelemzés és a személyre szabott marketing a nagyvállalatok kiváltsága volt, amelyeknek meg volt hozzá a kellő erőforrásuk. Ám az olyan, AI-alapú, automatizált eszközök, mint a GenAI-alapú tartalomgyártás vagy a prediktív logisztika, ma már a kisebb szereplők számára is elérhetővé teszik a korábban költséges és komplex feladatokat. Ez a technológiai „demokratizáció” lehetővé teszi a magyar kkv-k számára is, hogy hatékonyan versenyezzenek a piacon, és növeljék a konverziós rátáikat.

Társadalmi és etikai dimenziók: készüljünk fel a változásokra!

A munkaerőpiac átalakulása és az új készségek

Az AI átalakítja a munkaerőpiacot: a Goldman Sachs szerint akár 300 millió állást is érinthet a változás. Ugyanakkor az AI új karrierlehetőségeket is teremt, mint a gépi tanulási szakértői, AI-kutatók, vagy a solutions architect-ek. Az ismétlődő feladatokat automatizálják, de az AI-alapú rendszerekkel való együttműködés és a magasabb hozzáadott értékű, stratégiai és kreatív feladatok elvégzése közben felértékelődik. A Világgazdasági Fórum (WEF) adatai alapján a munkavállalók 44%-ának új készségeket kell elsajátítania a következő 5 évben. Ez a tendencia rávilágít az átképzési programok sürgősségére, köztük a data science képzések kulcsszerepére is.

A jövő szakembereinek fontos képessége az együttműködés az AI-jal. A munkahelyvesztéstől való félelem reális, de a valóságban az AI-ra leginkább kiegészítő eszközként kell tekinteni. Az AI képes jogi dokumentumokat írni vagy pénzügyi modelleket készíteni, de a döntéshozatal, a kritikai gondolkodás és a kreatív problémamegoldás továbbra is emberi feladat marad. Ezért az oktatásnak és a képzéseknek, például a data science képzéseknek nem csupán a technikai tudást kell átadniuk, hanem hangsúlyt kell fektetniük az olyan soft skillekre is, mint a problémamegoldás, a kommunikáció és az alkalmazkódókészség. Ez a szemléletváltás elengedhetetlen a sikeres karrierépítéshez a változó digitális korban.

Adatvédelem és etikai dilemmák

Az AI széleskörű alkalmazása felveti az adatvédelem és a biztonság kérdését. A személyes adatok gyűjtése és elemzése a hiperperszonalizációhoz kulcsfontosságú, ami komoly jogi és etikai kihívásokat teremt, különösen a GDPR betartása terén. Az EU-ban tiltottak az olyan AI-alkalmazások, amelyek biometrikus adatokat használnak fel érzelmek kikövetkeztetésére vagy társadalmi pontozásra, mivel ez ellentétes az alapvető jogokkal és a diszkriminációhoz vezethet. Emellett a technológia bevezetésének magas költsége és bonyolultsága is jelentős kihívás a vállalatoknak.

A technológiai innováció és a jogi szabályozás közötti feszültség egyre nő. Míg a cégek a versenyelőnyük növelése érdekében gyűjtenek és elemeznek adatokat, a fogyasztók egyre tudatosabbá válnak a magánéletük védelmével kapcsolatban. Az uniós szabályozások – mint a GDPR és az AI Act – célja, hogy korlátok közé tereljék a technológiai fejlődést a magánszféra védelme érdekében. Ez azt jelenti, hogy a vállalatoknak nem csupán a legmodernebb technológiába kell befektetniük, hanem az etikus és átlátható adatkezelési gyakorlatokba is. A bizalom elvesztése és a jogi problémák felmerülése nagyobb kárt okozhat, mint amennyi hasznot a technológia hozna. A szintetikus adatok használata egy lehetséges kompromisszumot jelent, az ugyanis lehetővé teszi a modellfejlesztést a magánélet védelmének figyelembevételével.

Következtetés: a jövő adattudósának szerepe és felelőssége

Az adattudomány jövője egy rendkívül izgalmas, de egyben összetett tájkép. A technológiai alapok (kvantum, edge computing, XAI, szintetikus adatok) és a módszertani keretek (MLOps, LLMOps) forradalmi lehetőségeket kínálnak a legkülönfélébb iparágak számára, a logisztikától a marketingig és a vásárlói élmény terén is. A technológiai tudás mellett a jövő adattudósának kulcskompetenciái a problémamegoldás, az üzleti kontextus megértése és az etikus gondolkodás.

Hídemberként kell működniük a technológia és az üzleti igények között, biztosítva, hogy az adatok elemzéséből származó kimutatások valódi és pozitív hatással bírjanak. A folyamatos tanulás és az új készségek megszerzése elengedhetetlen, ehhez pedig kulcsfontosságú egy minőségi data science képzés. A siker kulcsa a technológiai trendek proaktív felismerésében, a beruházásokban, az emberi és gépi intelligencia harmonikus együttműködésének megteremtésében, valamint a felelősségteljes és etikus adatkezelési gyakorlatok kialakításában rejlik. Azok a vállalatok, amelyek ezt a holisztikus megközelítést választják, nemcsak túlélnek, hanem a digitális forradalom élére is állhatnak.

Ha feliratkozik a Műszaki Magazin Hírlevelére, sosem marad le a híreinkről! További friss híreket talál a Műszaki Magazin főoldalán! Csatlakozzon hozzánk a Facebookon is!

The post A transzformáció kora appeared first on Műszaki Magazin.

Át kell gondolni az adatmenedzsment stratégiát, hogy profitáljunk az elmúlt két év digitális befektetéseiből – állapítja meg „The Data Imperative” felmérésében a KMPG. A pandémia alatt ez a terület háttérbe szorult, a vállalatok inkább a digitális átalakulásra összpontosítottak. Csupán a cégek 11 százaléka tartotta ennél fontosabbnak, hogy munkára fogja az adatokat. Pedig ez egy igazi kincsesbánya lehet: az adatok hatékony felhasználása a következő egy-két évben várhatóan kulcsszerepet játszik majd a pénzügyi mutatók javításában. A többség abban is egyetért, hogy ennek a lehetőségnek a kiaknázásához a felhőszolgáltatások jelenthetik a kulcsot.

Napjaink összekapcsolódó technológiái, a kommunikáció és a médiafüggő kultúra hihetetlen mennyiségű adatot generálnak. A vállalkozások számára ezek az adatok nyitnak kaput ügyfeleik megértése és kiszolgálása felé egy olyan világban, ahol a testreszabás a sikerhez vezető kezdő lépés. A betekintés ezekbe az adatokba az új piacra jutási stratégiák kialakításában, új bevételi lehetőségek felfedezésében és a piaci részesedés növelésében is segíthet.

A pandémia idején számos szervezet számára az elsődleges cél a túlélés volt. Az ügyfelek további kiszolgálása érdekében fel kellett gyorsítani a digitális átalakulást. Eközben az adatvagyonra megfelelő karbantartására, adatmenedzsment fejlesztésekre kevesebb figyelem jutott, a két területre ugyanis a tapasztalatok szerint legtöbbször nem lehet egyformán összpontosítani.

A KPMG a HFS Research közreműködésével több mint 300 iparági vezető válaszait elemezte Észak-Amerikából, Európából és Ázsiából, hogy még jobban átlássa, megértse az adatvagyon helyzetét, szerepét a technológia, a média és a telekommunikáció (TMT) világában. A kutatás nemcsak az átfogó adatstratégia kihívásaira és megvalósításának lehetőségeire világít rá, hanem az annak révén elérhető nyereségekre is.

Nincs cégszintű adatstratégia a vállalatok több mint felélénél

A KPMG „The Data Imperative” eredményei azt mutatják, hogy a megkérdezettek 57 százalékának nincs határozott, cégszintű adatstratégiája. Amikor a következő 12-24 hónap adatfelhasználásáról kérdezték, a cégek képviselőinek 73 százaléka egyetértett abban, hogy az elmúlt időszak a túlélésről szólt – legtöbbjüknek nem volt ideje átgondolni, milyen lehetőségek rejlenek az általuk termelt adatokban.

A válaszadóknak mindössze az egyharmada véli úgy, hogy cégük teljesen kiaknázza az adatvagyonban rejlő lehetőségeket. 48 százalék vélte úgy, hogy szervezetük átalakulási erőfeszítései előrébb valók az adatok bevetésénél, és mindössze 11 százalékuk helyezte az adatok munkára fogását a digitális átalakulás elé. Ugyanakkor a megkérdezettek háromnegyede hisz abban, hogy a vállalat adatainak hatékony felhasználása radikálisan megváltoztathatja az üzleti modellt. Saját szervezete érettségét egyébként kevesebb mint 10 százalék értékeli világszínvonalúnak az adatok hasznosítása, az adatmenedzsment, az architektúra, adatminőség és szabályozás terén.

Az elmúlt két év monumentális változásai során kevés iparág tette magáévá olyan mértékben a digitális átalakulást és szolgáltatásnyújtási modellt, mint a TMT szektor – ennek köszönhetjük az otthoni munkavégzéshez és tanuláshoz kötődő átalakulások nagy részét. Az adatokat ugyanakkor még gyakran nem veszik be az egyenletbe. A szektor válaszadóinak 46 százaléka egyetértett abban, hogy a pandémia megakasztotta a folyamatot, és a felhőszolgáltatásokra terelte a figyelmet.

A TMT szektor vállalatai egyébként komoly kihívásokkal szembesülnek, amikor strukturált és strukturálatlan adatokkal, különböző adatforrásokhoz való megosztott hozzáféréssel, vagy adatmodernizációval foglalkoznak, miközben az ideális applikációt keresik üzleti céljaik megvalósításához.

„A következő két évben az adatok és a digitális érettség terén is jelentős fejlődésre számítunk, a két terület szorosan egymás mellett halad majd felfelé, ehhez azonban koncentrált figyelemre és beruházásokra lesz szükség”

– értelmezte a kutatási eredményeket Nyári Dániel, a KPMG menedzsere.

Az adatokba történő befektetések térülnek meg a legjobban

A KPMG elemzése szerint a TMT szektor vállalatvezetői az alacsony kihasználtság és a stratégia hiánya ellenére úgy vélik: az adatokba irányuló befektetéseik jó úton járnak. Az kétségtelen, hogy az olyan cégek, amelyek többet költenek az ilyen beruházásokra, nagyobb bevételnövekedést könyvelhetnek el, mint az alacsonyabb szinteken befektetők.

Az ügyfélszolgálat, a kiberbiztonság, a tehetségmenedzsment és a háttérfunkciók területén a szektor vállalatainak több mint fele számít arra, hogy 25 százalékos beruházási többlet esetén legalább 4 százalékkal nő a hatékonyság. A válaszadók 39 százaléka szerint a következő 12-24 hónapban az adatokba történő befektetések térülnek meg a legjobban. Az adatok hatékony felhasználása kulcsszerepet játszik a pénzügyi mutatók javításában, köztük a tőkearányos megtérülés, az árbevétel és a nyereség terén a következő két év során.

„Nem a befektetések elmaradása okozza ugyanakkor az adatvagyon alacsonyabb mértékű kiaknázását – a cégeknek elsősorban a fókuszra, a prioritásokra érdemes nagyobb figyelmet fordítaniuk. A lényeg: el kell kezdeni alapvető vállalati képességként kezelni az adatstratégiát. Az adatok átfogó, stratégiai szintű kiaknázása egyértelműen értéknövelő a vállalatok számára”

– fogalmazott Nyári Dániel.

Egészen a felhőkig

A KPMG által megkérdezett cégvezetők több mint 80 százaléka úgy gondolja, hogy a következő egy-két év során a hatékony adathasználat felgyorsíthatja a digitális átalakulásukat. A többség abban is egyetértett, hogy az adatok kiaknázásához a felhőszolgáltatások jelenthetik a kulcsot – a cloud lehet a kritikus pénzügyi és operációs adatok tárhelye, és az innovatív adathasználat segíthet a cégeknek az új termékek és szolgáltatások digitális piacrajuttatásában.

The post Kincsesbánya lehetne: még mindig nem használjuk fel hatékonyan az adatokat appeared first on Műszaki Magazin.