ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ ΚΑΙ ΔΙΟΙΚΗΣΗ» ΤΜΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας Καραγιαννακίδου Δήμητρα ΑΕΜ 530 Εξεταστική Επιτροπή Επιβλέπων: Βλαχάβας Ιωάννης Μέλη: Σπαθής Χαράλαμπος Σταμέλος Ιωάννης Θεσσαλονίκη, Φεβρουάριος 2017

2

3 Περίληψη ΠΕΡΙΛΗΨΗ Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας Το σύγχρονο επιχειρηματικό περιβάλλον διέπεται από γρήγορες αλλαγές και έντονο ανταγωνισμό, οι απαιτήσεις των πελατών ολοένα αυξάνονται και οι επιχειρήσεις καλούνται να καλύψουν τις ανάγκες τους πριν ακόμη το ζητήσουν, επομένως οι επιχειρήσεις για να επιβιώσουν και να εξελιχθούν θα πρέπει να είναι ευέλικτες και να προσαρμόζονται σε όλες τις αλλαγές. Τα τελευταία χρόνια οι επιχειρήσεις έχουν συνειδητοποιήσει ότι η ευελιξία τους εξαρτάται από τον βαθμό αποτελεσματικότητας της Εφοδιαστικής τους Αλυσίδας. Οι Εφοδιαστικές Αλυσίδες είναι περίπλοκα συστήματα που απαιτούν την γρήγορη ροή πληροφοριών, στα σωστά άτομα, την σωστή στιγμή. Καθοριστικό ρόλο για τη Διαχείριση της Εφοδιαστικής Αλυσίδας διαδραματίζει η σωστή και ακριβής πρόβλεψη της ζήτησης των πελατών, ώστε να μην υπάρχουν αστοχίες και να ληφθούν έγκαιρα οι σωστές αποφάσεις. Η Επιχειρηματική Ευφυΐα διαθέτει εργαλεία που βοηθούν την επιχείρηση να αναλύει και να κατανοεί τις προτιμήσεις και τις επιθυμίες των πελατών της, καθώς και να πραγματοποιεί ακριβέστερες προβλέψεις, ώστε να οδηγείται στην λήψη σωστών αποφάσεων και έτσι να έχει μια ευέλικτη και αποτελεσματική Εφοδιαστική Αλυσίδα. Στόχος της παρούσας εργασίας είναι η κατανόηση της συμβολής των εργαλείων που προσφέρει η Επιχειρηματική Ευφυΐα στην αποτελεσματική Διαχείριση της Εφοδιαστικής Αλυσίδας. Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας III

4 Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας IV

5 Abstract ABSTRACT Business Intelligence and Supply Chain Management The modern business environment is governed by rapid change and intense competition, customer demands ever increasing and businesses are invited to meet their needs even before the request, so the companies to survive and grow should be flexible and adapt to all changes. In recent years, companies have realized that their flexibility depends on the degree of efficiency of the Supply Chain. The Supply chains are complex systems that require the rapid flow of information to the right people at the right time. Determining role in the Supply Chain Management plays the correct and accurate prediction of customer demand, that there are no failures and take timely the right decisions. The Business Intelligence features tools that help the company to analyze and understand the tastes and desires of its customers, and to make more accurate predictions to be moved into the right decisions and thus have a flexible and efficient supply chain. The purpose of this study is to understand the contribution of the tools offered by Business Intelligence in effective Supply Chain Management. Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας V

6 Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας VI

7 Ευχαριστίες ΕΥΧΑΡΙΣΤΙΕΣ Με την ολοκλήρωση της διπλωματικής μου εργασίας, αισθάνομαι την ανάγκη να εκφράσω την ευγνωμοσύνη μου σε όλους όσους συνεισέφεραν άμεσα ή έμμεσα στην εκπόνηση της. Αρχικά θα ήθελα να ευχαριστήσω θερμά τον καθηγητή και επιβλέποντα μου κ. Βλαχάβα Ιωάννη για την ανάθεση του θέματος, τις χρήσιμες επισημάνσεις για την βελτίωση της και το ενδιαφέρον του. Επίσης επιθυμώ να ευχαριστήσω και το συνεπιβλέποντα της εργασίας μου για το χρόνο του και την πολύτιμη βοήθεια του, διδάκτωρ πλέον κ. Ανέστη Φαχαντίδη. Ακόμη θα ήθελα να ευχαριστήσω όλους τους διδάσκοντες του Μεταπτυχιακού προγράμματος Πληροφορικής και Διοίκησης για τις γνώσεις που μου πρόσφεραν τον τελευταίο ενάμιση χρόνο. Τέλος, θα ήθελα να ευχαριστήσω το οικογενειακό και φιλικό μου περιβάλλον για τη συνεχή υποστήριξη τους, η οποία ήταν καταλυτική στην πραγματοποίηση και ολοκλήρωση των μεταπτυχιακών σπουδών μου. Φεβρουάριος 2017, Θεσσαλονίκη Καραγιαννακίδου Δήμητρα Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας VII

8 Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας VIII

9 Περιεχόμενα Περιεχόμενα Περίληψη Abstract Ευχαριστίες Λίστα Εικόνων Λίστα Πινάκων Ακρώνυμα III V VII XI XIII XV 1ο Κεφάλαιο: Εισαγωγή 17 2ο Κεφάλαιο: Επιχειρηματική Ευφυΐα Τι είναι η Επιχειρηματική Ευφυΐα Συστήματα Επιχειρηματικής Ευφυΐας Δομή ενός συστήματος Επιχειρηματικής Ευφυΐας Εργαλεία και συνθετικά μέρη ενός Συστήματος Επιχειρηματικής Ευφυΐας Η Επιχειρηματική Ευφυΐα στην πράξη Πλεονεκτήματα και Περιορισμοί της Επιχειρηματικής Ευφυΐας Οι νέες τεχνολογικές τάσεις στην Επιχειρηματική Ευφυΐα 28 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας Και Πρόβλεψη Ζήτησης Η Εφοδιαστική Αλυσίδα Η Διαχείριση της Εφοδιαστικής Αλυσίδας Διαδικασίες Εφοδιαστικής Αλυσίδας Το φαινόμενο του μαστιγίου στην Διαχείριση της Εφοδιαστικής Αλυσίδας Πρόβλεψη Ζήτησης Ποιοτικές Μέθοδοι Πρόβλεψης Ζήτησης Grass roots Έρευνα Αγοράς Συμβούλιο Στελεχών Ιστορική αναλογία Μέθοδος Delphi Ποσοτικές Μέθοδοι Μέθοδοι χρονοσειρών Αιτιακές μέθοδοι ή μέθοδοι παλινδρόμησης Ακρίβεια Πρόβλεψης Σφάλματα προβλέψεων 51 Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας IX

10 Περιεχόμενα Δείκτες Σφαλμάτων Τεχνητά Νευρωνικά Δίκτυα Δομή Τεχνητών Νευρωνικών Δικτύων Τα τεχνητά νευρωνικά δίκτυα στην πρόβλεψη ζήτησης Ευφυΐα Εφοδιαστικής Αλυσίδας 56 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυΐας Και Διαχείρισης Εφοδιαστικής Αλυσίδας Λογισμικά Κλειστού Κώδικα SAS ORACLE IBM Microsoft SAP Λογισμικά ανοικτού κώδικα / Ελεύθερα Λογισμικά Pentaho JasperReports OpenBravo Odoo xtuple 71 5ο Κεφάλαιο: Πρόβλεψη Ζήτησης Με Το Μοντέλο ARIMA Στη Γλωσσά R Η γλώσσα προγραμματισμού R Πρόβλεψης Ζήτησης με το μοντέλο ARIMA Το σύνολο των δεδομένων Πρόβλεψη Ζήτησης στη γλώσσα R 74 6ο Κεφάλαιο: Σύνοψη και Συμπεράσματα 81 Βιβλιογραφία 85 Σχετικες Ιστοσελιδες 87 Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας X

11 Λίστα Εικόνων ΛΙΣΤΑ ΕΙΚΟΝΩΝ Εικόνα 2-1: Η ανάπτυξη των Πληροφοριακών Συστημάτων Εικόνα 2-2: Δομή ενός Συστήματος Επιχειρηματικής Ευφυίας Εικόνα 2-3: Η σχέση της Ε.Ε με άλλα πληροφοριακά συστήματα Εικόνα 3-1: Εφοδιαστική Αλυσίδα Εικόνα 3-2: Κύκλος Διαδικασιών στην Εφοδιαστική Αλυσίδα Εικόνα 3-3: Push/Pull Διαδικασίες στην Εφοδιαστική Αλυσίδα Εικόνα 3-4: Διαδικασίες στη Διαχείριση της Εφοδιαστικής Αλυσίδας Εικόνα 3-5: Το φαινόμενο του μαστιγίου στην Εφοδιαστική Αλυσίδα Εικόνα 3-6:Μέθοδοι Πρόβλεψης Ζήτησης Εικόνα 3-7: Δομή Νευρωνικού Δικτύου Εικόνα 3-8: Δομή νευρώνα νευρωνικού δικτύου Εικόνα 4-1: Οι λύσεις που προσφέρει η SAS Εικόνα 4-2: Χαρακτηριστικά μιας πλατφόρμας Επιχειρηματικής Ευφυίας Εικόνα 4-3: IBM Cognos Εικόνα 4-4: SAP Business Objects Εικόνα 4-5: Προϊόντα Επιχειρηματικής Ευφυΐας της εταιρείας Pentaho Εικόνα 4-6:Η σουίτα Επιχειρηματικής Ευφυΐας του JasperReports Εικόνα 4-7: Η Business Suite του OpenBravo Εικόνα 4-8: Η σουίτα Εφαρμογών του Odoo Εικόνα 4-9: Τα εργαλεία Επιχειρηματικής Ευφυΐας της xtuple σε Mobile περιβάλλον Εικόνα 5-1: Διάγραμμα Πωλήσεων Εικόνα 5-2: Αφαίρεση της τάσης από τα δεδομένα Εικόνα 5-3:Σταθεροποίηση της διακύμανσης της χρονοσειράς Εικόνα 5-4: Σταθεροποίηση της μέσης τιμής και της διακύμανσης της χρονοσειράς Εικόνα 5-5: Συντελεστής Αυτοσυσχέτισης και Συντελεστής Μερικής Αυτοσυσχέτισης Εικόνα 5-6: Πρόβλεψη Πωλήσεων για τα έτη Εικόνα 5-7: Συντελεστές ACF και PACF για το μοντέλο ARIMA Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας XI

12 Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας XII

13 Λίστα Πινάκων ΛΙΣΤΑ ΠΙΝΑΚΩΝ Πίνακας 3-1: Ορισμοί της Εφοδιαστικής Αλυσίδας Πίνακας 5-1: Πωλήσεις καταναλωτικού προϊόντος Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας XIII

14 Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας XIV

15 Ακρώνυμα ΑΚΡΩΝΥΜΑ Ακρώνυμα Ε.Ε ΔΕΑ ΤΝΔ ΕΛΛΑΚ Ελληνικοί όροι Επεξήγηση Επιχειρηματική Ευφυΐα Διαχείριση Εφοδιαστικής Αλυσίδας Τεχνητά Νευρωνικά Δίκτυα Ελεύθερο Λογισμικό/ Λογισμικού Ανοικτού Κώδικα Ακρώνυμα BI SC SCI ERP ARIMA Αγγλικοί όροι Επεξήγηση Business Intelligence Supply Chain Supply Chain Intelligence Enterprise Resource Planning AutoRegressive Integrated Moving Average Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας XV

16 Επιχειρηματική Ευφυΐα και Διαχείριση Εφοδιαστικής Αλυσίδας XVI

17 1ο Κεφάλαιο: Εισαγωγή 1ο ΚΕΦΑΛΑΙΟ: ΕΙΣΑΓΩΓΗ Μια από τις σημαντικότερες ευθύνες που φέρουν τα διοικητικά στελέχη μιας επιχείρησης ή ενός οργανισμού είναι η λήψη αποφάσεων. Παλαιότερα η λήψη αποφάσεων θεωρούνταν απλά μια τέχνη, ένα σύνολο προσωπικών ικανοτήτων που αναπτύσσονταν μέσω της εμπειρίας. Στην σημερινή εποχή, της οικονομικής κρίσης και της παγκοσμιοποίησης των αγορών οι επιχειρήσεις ανταγωνίζονται και δραστηριοποιούνται πλέον σε παγκόσμιο επίπεδο μέσα σε ένα πολύπλοκο και συνεχώς μεταβαλλόμενο επιχειρηματικό περιβάλλον που κάνει επιτακτική την ανάγκη για αναβάθμιση των διοικητικών πρακτικών για την βελτίωση των διαδικασιών λήψης αποφάσεων. Η παροχή πλήρους και έγκαιρης πληροφόρησης αποτελεί καθοριστικό παράγοντα για την λήψη επιτυχημένων αποφάσεων που θα οδηγήσουν στην αύξηση των επιδόσεων της επιχείρησης και την απόκτηση ανταγωνιστικού πλεονεκτήματος. Οι σημερινές επιχειρήσεις έχουν στην διάθεση τους μεγάλη πληθώρα δεδομένων, τα οποία με την κατάλληλη επεξεργασία μπορούν να αποτελέσουν πολύτιμη πηγή πληροφόρησης. Τα δεδομένα αυτά προέρχονται από τα διάφορα πληροφοριακά συστήματα που διαθέτει η κάθε επιχείρηση, όμως τα δεδομένα αυτά είναι ακατάλληλα για τελική επεξεργασία και εξαγωγή συμπερασμάτων, για το λόγο αυτό θα πρέπει να χρησιμοποιούνται εξειδικευμένα συστήματα για την επεξεργασία δεδομένων και τελικώς την λήψη αποφάσεων, τα συστήματα αυτά προέρχονται από την Επιχειρηματική Ευφυΐα. Σε μια επιχείρηση καθοριστικό ρόλο για την πορεία της παίζει η αποτελεσματική Διαχείριση της Εφοδιαστική της Αλυσίδας, καθώς η Εφοδιαστική Αλυσίδα περιλαμβάνει όλα τα στάδια από την παραγωγή μέχρι την πώληση των προϊόντων. Σε μια Εφοδιαστική Αλυσίδα συμμετέχουν όλα τα τμήματα μιας επιχείρησης καθώς και άλλες επιχειρήσεις, ο συντονισμός ό- λων των εμπλεκόμενων μελών προϋποθέτει την ροή των σωστών πληροφοριών στο σωστό άτομο την σωστή στιγμή, που μπορεί να επιτευχθεί με την χρήση εργαλείων Επιχειρηματικής Ευφυΐας. Η παρούσα εργασία εξετάζει και αναλύει τους τρόπους με τους οποίους η σύγχρονη επιχείρηση προσδίδει Ευφυΐα στην Εφοδιαστική της Αλυσίδα για να οδηγηθεί στην άμεση και ορθή λήψη αποφάσεων με τη βοήθεια των εργαλείων που προσφέρει η τεχνολογία. Μέχρι το σημείο αυτό έγινε μια σύντομη αναφορά στην χρησιμότητα της Επιχειρηματικής Ευφυΐας στην λήψη αποφάσεων για την Διαχείριση της Εφοδιαστικής Αλυσίδας. Στο 2 ο Κεφάλαιο αναλύεται η έννοια της Επιχειρηματικής Ευφυΐας, η δομή και τα εργαλεία ενός Ευφυούς συστήματος, μελετάται η χρήση των συστημάτων αυτών στους οργανισμούς καθώς επίσης παρουσιάζονται και οι νέες τεχνολογίες στον τομέα αυτό. Στο 3 ο Κεφάλαιο περιγράφονται οι δραστηριότητες που περιλαμβάνει η Διαχείρισης της Εφοδιαστικής Αλυσίδας καθώς παρουσιάζονται και όλες οι τεχνικές πρόβλεψης της ζήτησης, που αποτελεί τον σημαντικότερο παράγοντα για την ολοκλήρωση όλων των διαδικασιών της και εισάγεται η έννοια της Ευφυίας της Εφοδιαστικής Αλυσίδας. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 17

18 1ο Κεφάλαιο: Εισαγωγή Στο 4 ο Κεφάλαιο παρουσιάζονται τα πιο γνωστά λογισμικά κλειστού και ανοιχτού κώδικα για την Διαχείριση της Εφοδιαστικής Αλυσίδας και την Επιχειρηματική Ευφυΐα. Στο 5 ο Κεφάλαιο υλοποιείται η πρόβλεψη ζήτησης με το μοντέλο ARIMA με την βοήθεια της γλώσσας R. Τέλος στο 6 ο Κεφάλαιο παρουσιάζονται τα Συμπεράσματα και η Σύνοψη της παρούσας εργασίας. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 18

19 2ο Κεφάλαιο: Επιχειρηματική Ευφυΐα 2ο ΚΕΦΑΛΑΙΟ: ΕΠΙΧΕΙΡΗΜΑΤΙΚΗ ΕΥΦΥΪΑ 2.1 Τι είναι η Επιχειρηματική Ευφυΐα Ο όρος Επιχειρηματική Ευφυΐα (Business Intelligence) χρησιμοποιήθηκε πρώτη φορά το 1958 από τον ερευνητή της IBM Hans Peter Luhn, ο οποίος την όρισε ως την ικανότητα που συλλαμβάνει τους συσχετισμούς των γεγονότων, οι οποίοι παρουσιάζονται με τέτοιο τρόπο ώστε να καθοδηγούν τη δράση τους προς ένα επιθυμητό στόχο. Αρκετά χρόνια αργότερα, το 1989 ο Howard Dresner όρισε την Επιχειρηματική Ευφυΐα (Ε.Ε) ως έναν ευρύ όρο που περιλαμβάνει έννοιες και μεθόδους που βελτιώνουν την ικανότητα των επιχειρήσεων να λαμβάνουν αποφάσεις μέσω συστημάτων στήριξης αποφάσεων που βασίζονται σε καταγεγραμμένα γεγονότα.[1] Για την Επιχειρηματική Ευφυΐα έχουν δοθεί κατά καιρούς πολλοί ορισμοί από πλήθος συγγραφέων και ερευνητών. Ο Pechenizkiy το 2006 την όρισε ως τη νέα τεχνολογία για την κατανόηση του παρελθόντος και την πρόβλεψη του μέλλοντος. Η Επιχειρηματική Ευφυΐα είναι μια ευρεία κατηγορία τεχνολογίας που επιτρέπει τη συλλογή, την αποθήκευση, την πρόσβαση και την ανάλυση των δεδομένων για να βοηθήσει τα στελέχη των επιχειρήσεων να λαμβάνουν καλύτερες αποφάσεις και να αναλύουν τις επιδόσεις των επιχειρήσεων τους μέσω της βαθιάς γνώσης των δεδομένων. Εξαιτίας των πολλών ορισμών στη παγκόσμια βιβλιογραφία κρίνεται σκόπιμο να αναφέρουμε τι δεν είναι Επιχειρηματική Ευφυΐα. Επιχειρηματική Ευφυΐα λοιπόν δεν είναι [18]: Ένα ενιαίο προϊόν το οποίο θα αγοράσει και θα εγκαταστήσει μια επιχείρηση προκειμένου να λύσει τα προβλήματα της, παρόλο που υπάρχουν πληθώρα προϊόντων που βοηθούν στην εφαρμογή της Ε.Ε. Μια τεχνολογία, αλλά χρησιμοποιούνται πολλά εργαλεία και τεχνολογίες για την υποστήριξη των εφαρμογών της. Μια μεθοδολογία, αλλά μια καλή μεθοδολογία συνδυάζεται με κατάλληλες τεχνολογικές λύσεις και οργανωτικές αλλαγές για την επιτυχία της Επιχειρηματικής Ευφυΐας. Η Επιχειρηματική Ευφυΐα όπως τη γνωρίζουμε σήμερα εξελίχθηκε από τα Συστήματα Υποστήριξης Αποφάσεων (Decision Support Systems - DSS) που ξεκίνησαν τη δεκαετία του 1960 και εξελίχθηκαν στα μέσα της δεκαετίας του 1980, για να οδηγήσουν στο τέλος της δεκαετίας του 1980 στα Συστήματα Στελεχιακής Υποστήριξης (Executive Information Systems - ESS), στα Πληροφοριακά Συστήματα Διοίκησης (Management Information Systems- MIS), και μετέπειτα στις αποθήκες δεδομένων και στα συστήματα Επιχειρηματικής Ευφυΐας τα οποία αντικατέστησαν τα παλαιότερα αυτά συστήματα. Η εξέλιξη αυτή φαίνεται στην Εικόνα 2-1. Τα συστήματα Ε.Ε δεν προσφέρουν πλέον απλές στατικές αναλύσεις όπως τα προγενέστερα συστήματα αλλά αποτελούν μια ολοκληρωμένη λύση στις επιχειρήσεις και τους οργανισμούς για το σχεδιασμό στρατηγικής, την διαχείριση των πελατειακών σχέσεων και συμβάλ- Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 19

20 2ο Κεφάλαιο: Επιχειρηματική Ευφυΐα λουν στη γενικότερη διαχείριση των επιμέρους επιχειρησιακών λειτουργιών. Μπορούμε να πούμε ότι αποτελούν μια ενιαία προσέγγιση για την διαχείριση ενός οργανισμού και έναν νέο τρόπο συλλογής, αποθήκευσης, επεξεργασίας, ανάλυσης και χρήσης της πληροφορίας. Εικόνα 2-1: Η ανάπτυξη των Πληροφοριακών Συστημάτων (Πηγή: Olszak & Ziemba,2007) 2.2 Συστήματα Επιχειρηματικής Ευφυΐας Τα συστήματα Επιχειρηματικής Ευφυΐας συγκεντρώνουν και επεξεργάζονται δεδομένα από διάφορες πηγές της επιχείρησης, παρέχοντας άμεσα πληροφορίες που αξιοποιούνται από τη διοίκηση. Ένα σύστημα Ε.Ε έχει μία συγκεκριμένη δομή και χρησιμοποίει εργαλεία και διάφορες τεχνολογίες για την εκτέλεση των διαδικασιών Δομή ενός συστήματος Επιχειρηματικής Ευφυΐας Η δομή ενός συστήματος Επιχειρηματικής Ευφυΐας αποτελείται από επίπεδα τα οποία μπορούν να αναπαρασταθούν με την μορφή μιας πυραμίδας όπως φαίνεται στην Εικόνα 2-2, στο κατώτερο επίπεδο βρίσκονται τα ακατέργαστα δεδομένα ενώ στην κορυφή της πυραμίδας βρίσκεται η λήψη της τελικής απόφασης. Τα επίπεδα ενός συστήματος Ε.Ε είναι τα παρακάτω: 1. Πηγές Δεδομένων (Data Sources): Στη βάση της πυραμίδας είναι οι πηγές δεδομένων, πρόκειται για έγγραφα και αρχεία που προέρχονται από το εσωτερικό της επιχείρησης, τις εταιρικές βάσεις δεδομένων και τα συστήματα παρακολούθησης συναλλαγών αλλά και από εξωτερικές πηγές. Τα δεδομένα αυτά αφορούν τις καθημερινές λειτουργίες της επιχείρησης και μπορεί να βρίσκονται σε διαφορετικές πηγές ακόμη και να εμπεριέχουν λάθη, για το λόγο αυτό πρέπει να συγκεντρωθούν και να ενοποιηθούν. 2. Αποθήκες Δεδομένων (Data Warehouses): Στο επίπεδο αυτό πραγματοποιούνται η εξαγωγή, ο μετασχηματισμός και η φόρτωση των δεδομένων που είναι απαραίτητα για την ανάλυση που θα γίνει, γίνεται ο διαχωρισμός στα χρήσιμα και στα μη χρήσιμα δεδομένα, για την εκάστοτε ανάλυση που θα πραγματοποιηθεί. Τα δεδομένα που προκύπτουν επίσης ομαδοποιούνται και χωρίζονται σε κατηγορίες σύμφωνα με τις ανάγκες της διοίκησης, όλες αυτές οι διεργασίες είναι αναγκαίο να γίνονται σε τακτά χρονικά Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 20

21 2ο Κεφάλαιο: Επιχειρηματική Ευφυΐα διαστήματα. Επομένως οι Αποθήκες Δεδομένων περιέχουν τα συγκεντρωμένα, ενοποιημένα και καθαρά δεδομένα. 3. Διερεύνηση Δεδομένων (Data Exploration): Στο τρίτο επίπεδο γίνεται η αρχική επεξεργασία των δεδομένων που περιλαμβάνει την στατιστική τους ανάλυση, την υποβολή ερωτημάτων από τον χρήστη στη βάση δεδομένων και την λήψη απαντήσεων σύμφωνα με τις οποίες συντάσσει αναφορές. Εικόνα 2-2: Δομή ενός Συστήματος Επιχειρηματικής Ευφυίας 4. Εξόρυξη Δεδομένων (Data Mining): Στην εξόρυξη δεδομένων πραγματοποιείται πλέον υψηλού επιπέδου επεξεργασία με χρήση στατιστικών εργαλείων και εξελιγμένων μεθόδων όπως μέθοδοι Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης. 5. Βελτιστοποίηση (Optimization): Στο στάδιο αυτό ο αποφασίζων καλείται να επιλέξει ανάμεσα από μια σειρά εναλλακτικών λύσεων που έχουν προκύψει από τα προηγούμενα στάδια επεξεργασίας. Υπάρχουν πολλές μέθοδοι για την επιλογή της βέλτιστης λύσης όπως ο γραμμικός προγραμματισμός και οι ευρετικές μέθοδοι. 6. Λήψη Απόφασης (Decisions): Στο τελευταίο αυτό επίπεδο λαμβάνεται η τελική απόφαση, όλες οι μέθοδοι και οι τεχνικές των προηγούμενων σταδίων έχουν σκοπό να βοηθήσουν τον άνθρωπο παρέχοντας του όλες τις απαραίτητες πληροφορίες ώστε να πάρει την τελική απόφαση σύμφωνα με την προσωπική του κρίση, εμπειρία και ικανότητες Εργαλεία και συνθετικά μέρη ενός Συστήματος Επιχειρηματικής Ευφυΐας Μια λύση Επιχειρηματικής Ευφυΐας για την μετατροπή των ακατέργαστων δεδομένων σε χρήσιμες πληροφορίες, οι οποίες θα χρησιμοποιηθούν από τα διοικητικά στελέχη μιας επι- Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 21

22 2ο Κεφάλαιο: Επιχειρηματική Ευφυΐα χείρησης ή ενός οργανισμού για την λήψη αποφάσεων, χρησιμοποιεί ένα σύνολο από τεχνολογικά εργαλεία καθώς επίσης συνεργάζεται και με άλλα πληροφοριακά συστήματα ό- πως ενδεικτικά φαίνεται στην Εικόνα 2-3. Στην ενότητα αυτή θα γίνει μία σύντομη αναφορά των σημαντικότερων εργαλείων και των τεχνολογιών ενός συστήματος Επιχειρηματικής Ευφυΐας. Όπου: OLAP = On Line Analytical Processing, CRM = Customer Relationship Management, DSS = Decision Support Systems, EIS = Executive Information Systems, GIS = Geographic Information Systems Εικόνα 2-3: Η σχέση της Ε.Ε με άλλα πληροφοριακά συστήματα (Πηγή: S. Negash, 2004) On Line Αναλυτική Επεξεργασία (On Line Analytical Processing OLAP): Είναι μια τεχνολογία που χρησιμοποιείται για την υποβολή εκθέσεων, την ανάλυση, την μοντελοποίηση και τον προγραμματισμό με στόχο την βελτιστοποίηση της επιχείρησης. Η διαδικασία OLAP δημιουργεί ερωτήματα ώστε να ανακαλύπτει τάσεις και να αναλύει τους κρίσιμους παράγοντες της επιχείρησης δημιουργώντας με αυτό τον τρόπο συγκεντρωτικά δεδομένα για την ενημέρωση της επιχείρησης. Τα εργαλεία της τεχνολογίας αυτής συνεργάζονται με τις αποθήκες δεδομένων (data warehouses) και τα κέντρα δεδομένων (data marts) για το σχεδιασμό ενός ολοκληρωμένου ευφυούς συστήματος. Αποθήκες Δεδομένων (Data warehouses): Οι αποθήκες δεδομένων αποτελούν μια από τις βασικότερες συνιστώσες ενός συστήματος επιχειρηματικής ευφυΐας, πρόκειται για μια ο- λοκληρωμένη συλλογή επιχειρησιακών δεδομένων όπου συνοψίζονται ιστορικά, περιληπ- Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 22

23 2ο Κεφάλαιο: Επιχειρηματική Ευφυΐα τικά και ενοποιημένα δεδομένα που προέρχονται από πηγές από το εσωτερικό και το εξωτερικό περιβάλλον της επιχείρησης. Κέντρα Δεδομένων (Data Marts): Τα κέντρα δεδομένων είναι μια συλλογή δεδομένων που αφορά μια συγκεκριμένη θεματική περιοχή και υποστηρίζει την λήψη αποφάσεων για ένα συγκεκριμένο τμήμα μιας εταιρείας. Ένα κέντρο δεδομένων δημιουργείται από συγκεκριμένη και προκαθορισμένη ανάγκη για ένα τμήμα της επιχείρησης και εξυπηρετεί συγκεκριμένη επιχειρησιακή διαδικασία. Μια επιχείρηση μπορεί να έχει πολλά κέντρα δεδομένων, καθώς κάθε τμήμα της επιχείρησης είναι δυνατόν να έχει το δικό του. Τα κέντρα δεδομένων είναι ένα υποσύνολο των αποθηκών δεδομένων. Εξόρυξη Δεδομένων (Data Mining): Είναι η διαδικασία ανακάλυψης προτύπων, συσχετίσεων και τάσεων από μεγάλου όγκου δεδομένων που είναι αποθηκευμένα στις αποθήκες δεδομένων. Η εξόρυξη δεδομένων εφαρμόζει στατιστικές και μαθηματικές μεθόδους καθώς και τεχνικές Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης για την επεξεργασία των δεδομένων. Οι πιο γνωστές τεχνικές εξόρυξης δεδομένων είναι: Η Ταξινόμηση (Classification): ορίζει τα χαρακτηριστικά μιας συγκεκριμένης ομάδας (π.χ. οι πελάτες που έχουν χάσει οι ανταγωνιστές). Η Ομαδοποίηση (Clustering): προσδιορίζει τις ομάδες των ειδών που μοιράζονται ένα συγκεκριμένο χαρακτηριστικό. Η ομαδοποίηση διαφέρει από την ταξινόμηση στο ότι το χαρακτηριστικό είναι δεδομένο. Η Συσχέτιση (Association): προσδιορίζει τις σχέσεις μεταξύ των γεγονότων που συμβαίνουν σε μια χρονική στιγμή. Η Σειρά Αλληλουχία (Sequencing): παρόμοια με την συσχέτιση, εκτός από το ότι υ- πάρχει η σχέση πάνω από ένα χρονικό διάστημα. Η Πρόβλεψη (Forecasting): εκτιμά τις μελλοντικές τιμές που βασίζονται σε πρότυπα Συστήματα Υποστήριξης/Λήψης Αποφάσεων (Decision Support Systems - DSS): Τα Συστήματα Υποστήριξης Αποφάσεων είναι πληροφοριακά συστήματα που χρησιμοποιούνται από τα ανώτερα στελέχη μιας επιχείρησης για την λήψη στρατηγικών και τακτικών αποφάσεων που αφορούν τη μακροπρόθεσμη πορεία της επιχείρησης. Πληροφοριακά Συστήματα Διοίκησης (Management Information Systems - MIS): Τα συστήματα αυτά υποστηρίζουν τις καθημερινές επιχειρησιακές λειτουργίες. Εκδίδουν περιοδικές αναφορές που εξυπηρετούν τις διοικητικές δραστηριότητες των μεσαίων στελεχών και αφορούν το βραχυπρόθεσμο μέλλον. Συστήματα Διαχείρισης των Πελατειακών Σχέσεων (Customer Relationship Management CRM): Είναι ένα σύστημα κανόνων ή μια συλλογή από συστήματα και τεχνολογίες πληροφορικής που εστιάζονται στην αυτοματοποίηση και βελτίωση των επιχειρηματικών διαδικασιών. Οι διαδικασίες αυτές σχετίζονται με την διαχείριση των πελατειακών σχέσεων και έχουν σχέση με τα τμήματα πωλήσεων, μάρκετινγκ, εξυπηρέτησης και υποστήριξης πελατών. Γεωγραφικά Συστήματα Πληροφοριών (Geographic Information Systems GIS): Ένα σύστηµα γεωγραφικών πληροφοριών είναι ένα πληροφοριακό σύστηµα το οποίο χρησιμοποιείται για την εισαγωγή, ανάκτηση, διαχείριση, ανάλυση και απόδοση γεωγραφικών δεδομένων (δεδομένων µε χωρική αναφορά), έχοντας σαν κύριο στόχο την υποστήριξη διαδι- Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 23

24 2ο Κεφάλαιο: Επιχειρηματική Ευφυΐα κασιών λήψης αποφάσεων που σχετίζονται µε γεωγραφική κατανομή πόρων, αναπτυξιακό προγραμματισμό και άλλα. Οπτικοποίηση (Data/Information Visualization): Είναι η ανάλυση και η εξερεύνηση της οπτικής αναπαράστασης των δεδομένων ή των πληροφοριών με στόχο την εξαγωγή συμπερασμάτων. Η αναπαράσταση γίνεται με στατικά ή διαδραστικά γραφήματα. Εργαλείο Εξαγωγής, Μετατροπής και Φόρτωσης (Extract, Transform and Load - ETL): Εξαγωγή, μετατροπή και φόρτωση είναι ένα σύνολο ενεργειών με τις οποίες τα δεδομένα εξάγονται από πολλές βάσεις δεδομένων, εφαρμογές και συστήματα κατόπιν μεταφέρονται σε συγκεκριμένες βάσεις δεδομένων και τέλος φορτώνονται σε αποθήκες δεδομένων (27). 2.3 Η Επιχειρηματική Ευφυΐα στην πράξη Στο σύγχρονο ανταγωνιστικό περιβάλλον οι επιχειρήσεις αναζητούν τρόπους ώστε όχι απλά να ανταποκρίνονται στις ανάγκες του καταναλωτικού κοινού αλλά να υπερκαλύπτουν τις απαιτήσεις του. Για το λόγο αυτό θα πρέπει να είναι σε θέση να αξιοποιούν τις πληροφορίες που λαμβάνουν τόσο από το εσωτερικό της επιχείρησης αλλά και όσο από το εξωτερικό τους περιβάλλον, καθώς επίσης να βρίσκουν τρόπους ώστε να προσελκύουν τις χρήσιμες για αυτές πληροφορίες, ώστε τελικά να λαμβάνουν έγκαιρα και έγκυρα της αποφάσεις τους. Όπως χαρακτηριστικά αναφέρει ο Ranjan «η έγκαιρη και ποιοτική πληροφόρηση είναι σαν μια κρυστάλλινη σφαίρα που μπορεί να δώσει μια καλύτερη ένδειξη για τη σωστή α- πόφαση». Με την Επιχειρηματική Ευφυΐα η επιχείρηση μπορεί να βελτιώσει και να επικαιροποιήσει τις πληροφορίες που συλλέγει και να προβεί σε καλά ενημερωμένες αποφάσεις, έχοντας αναπτύξει ανταγωνιστικό πλεονέκτημα στην αγορά που δραστηριοποιείται. Επιπρόσθετα μία λύση Ε.Ε υποδεικνύει την θέση της επιχείρησης ανάμεσα στους ανταγωνιστές της, τις συνθήκες που επικρατούν στην αγορά, τις μελλοντικές τάσεις, τις οικονομικές συνθήκες και τα δημογραφικά χαρακτηριστικά. Ακόμη φανερώνει το κοινωνικό, πολιτικό και νομικό περιβάλλον. Ένα πολύ σημαντικό πλεονέκτημα της Επιχειρηματικής Ευφυΐας σε σύγκριση με άλλα πληροφοριακά συστήματα είναι η δυνατότητα για στήριξη αποφάσεων σε όλα τα επίπεδα ενός οργανισμού, συγκεκριμένα [2]: Σε στρατηγικό επίπεδο ένα σύστημα Ε.Ε θέτει με ακρίβεια τους στόχους της επιχείρησης και παρακολουθεί την πορεία υλοποίησης τους, ενώ συντάσσει διάφορες συγκριτικές μελέτες. Σε τακτικό επίπεδο η επιχειρηματική ευφυΐα παρέχει τη βάση για τη λήψη αποφάσεων που σχετίζονται με τις πωλήσεις, το μάρκετινγκ, τη χρηματοδότηση, κλπ. Τέλος, σε λειτουργικό επίπεδο ένα σύστημα Ε.Ε χρησιμοποιείται για την εκτέλεση ad hoc αναλύσεων, ώστε να απαντηθούν ερωτήματα που σχετίζονται με τις τρέχουσες λειτουργίες της επιχείρησης όπως οι πωλήσεις, η συνεργασία με τους προμηθευτές κλπ. Συστήματα επιχειρηματικής ευφυΐας χρησιμοποιούνται στους περισσότερους επιχειρηματικούς κλάδους, συνηθέστερα τα εφαρμόζουν οι εμπορικές εταιρείες, οι ασφαλιστικές εταιρείες, οι τράπεζες και τα χρηματοπιστωτικά ιδρύματα, οι τηλεπικοινωνίες και βιομηχανίες. Τα οφέλη που αποκομίζει κάθε τομέας από τη χρήση της Επιχειρηματικής ευφυΐας μπορούν ενδεικτικά να συνοψιστούν στα παρακάτω [3]: Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 24

25 2ο Κεφάλαιο: Επιχειρηματική Ευφυΐα Ασφαλιστικές εταιρείες Υψηλής ποιότητας ανάλυσης των απαιτήσεων. Με τη χρήση της Ε.Ε επιτυγχάνεται λεπτομερής ανάλυσης των απαιτήσεων, της ιστορίας του ασφαλίστρου ανά προϊόν, την πολιτική, τον τύπο απαίτησης και άλλες σχετικές λεπτομέρειες. Ανάλυση των πελατών, αναλύονται οι ανάγκες του πελάτη και οι τρόποι χρήσης του προϊόντος, υποστηρίζεται η ανάπτυξη προγραμμάτων μάρκετινγκ καθώς η βελτίωση της εξυπηρέτησης των πελατών. Ανάλυση κινδύνου. Προσδιορίζονται τα τμήματα υψηλού κινδύνου της αγοράς και οι ευκαιρίες σε συγκεκριμένες τμήματα. Τράπεζες και χρηματοπιστωτικά ιδρύματα Ανάλυση της κερδοφορίας των πελατών. Προσδιορίζεται η συνολική αποδοτικότητα των μεμονωμένων πελατών, που αποτελεί τη βάση για τις πωλήσεις υψηλού κέρδους και τη σχέση των τραπεζών, καθώς και τη μεγιστοποίηση των πωλήσεων σε πελάτες υψηλής αξίας, τη μείωση του κόστους για τους πελάτες χαμηλής αξίας και παρέχονται τα μέσα για τη μεγιστοποίηση της κερδοφορίας των νέων προϊόντων και υπηρεσιών. Πιστωτική διαχείριση. Προσδιορίζεται η εξέλιξη της πιστοληπτικής ικανότητας των πελατών, προειδοποιούν τους πελάτες ώστε να αποφύγουν τα πιστωτικά προβλήματα και να διαχειριστούν τα πιστωτικά όρια. Ακόμη πραγματοποιείται η αξιολόγηση των δανείων της τράπεζας. Βελτίωση της εξυπηρέτησης των πελατών και ενίσχυση της εμπιστοσύνης τους. Τηλεπικοινωνίες Καθορισμός του προφίλ των πελατών και τμηματοποίηση τους. Τα συστήματα Ε.Ε παρέχουν λεπτομερή και ολοκληρωμένη εικόνα του προφίλ των πελατών, ανάπτυξη εξατομικευμένων προγραμμάτων των συχνών καλούντος και καθορισμός των μελλοντικών αναγκών των πελατών. Πρόβλεψη της ζήτησης των πελατών. Πρόβλεψη των μελλοντικών αναγκών για προϊόντα ή για δραστηριότητες εξυπηρέτησης των πελατών, που αποτελούν τη βάση για την διατήρηση και την ικανοποίηση των πελατών. Βιομηχανίες και Εμπορικές εταιρείες Πωλήσεις, παρέχονται αναλύσεις από τα δεδομένων των συναλλαγών με τους πελάτες. Προβλέψεις, πρόβλεψη της ζήτησης ώστε να καθοριστούν οι απαιτήσεις των αποθεμάτων. Παραγγελίες και ανεφοδιασμός, παραγγελία των βέλτιστων ποσοτήτων απαραίτητων πρώτων και βοηθητικών υλών. Προμήθειες, βοηθώντας τα κέντρα διανομής να διαχειριστούν τις μεγάλες ποσότητες προϊόντων. Διανομή και logistics. Μπορούν να χρησιμοποιήσουν εκ των προτέρων πληροφορίες αποστολής για να προγραμματίζουν τις εισερχόμενες και εξερχόμενες μεταφορές εμπορευμάτων. Διαχείριση των μεταφορών, καλύτερος χρονοπρογραμματισμός δρομολόγησης. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 25

26 2ο Κεφάλαιο: Επιχειρηματική Ευφυΐα Σχεδιασμός Αποθεμάτων, προσδιορίζεται το επίπεδο των αποθεμάτων που απαιτείται. Κάθε δραστηριότητα μιας επιχείρησης συνοδεύεται από μία σειρά αποφάσεων που λαμβάνουν τα διάφορα στελέχη της. Επομένως η Επιχειρηματική Ευφυΐα μπορεί να έχει απεριόριστα πεδία εφαρμογής, όμως επειδή είναι αδύνατον να εξετάσουμε στην εργασία αυτή όλες τις πτυχές ενός οργανισμού θα εξετάσουμε σύντομα την εφαρμογή της Επιχειρηματικής Ευφυΐας σε κομβικές δραστηριότητες της σύγχρονης επιχείρησης, όπως η Χρηματοοικονομική Ανάλυση και Διαχείριση, οι Πωλήσεις, το Μάρκετινγκ, η Διαχείριση της Εφοδιαστικής Αλυσίδας και η Διαχείριση Ανθρώπινων Πόρων. Χρηματοοικονομική ανάλυση και διαχείριση Τα Συστήματα Επιχειρηματικής Ευφυΐας συμβάλλουν στο σχεδιασμό και στην παρακολούθηση όλων των χρηματοοικονομικών ροών της επιχείρησης. Τα αρμόδια στελέχη με την βοήθεια των συστημάτων Ε.Ε παρακολουθούν την πορεία των εσόδων και των εξόδων της επιχείρησης καθώς αναλύονται οι εισπράξεις, οι πληρωμές και η κατάσταση των αποθεμάτων. Με τα συστήματα Ε.Ε γίνεται ευκολότερη και ταχύτερη η σύνταξη των χρηματοοικονομικών καταστάσεων, του προϋπολογισμού και του ισολογισμού. Επιπρόσθετα τα συστήματα αυτά συμβάλλουν στην διενέργεια ελέγχων ώστε διαπιστωθούν αποκλίσεις στις οικονομικές καταστάσεις και να γίνουν οι απαραίτητες ενέργειες. Σημαντική είναι επίσης η συμβολή τους στις αναλύσεις του ισολογισμού, της κερδοφορίας της επιχείρησης και των χρηματοπιστωτικών αγορών. Πωλήσεις Τα Συστήματα Επιχειρηματικής Ευφυΐας συμβάλλουν σημαντικά στην παρακολούθηση και στον έλεγχο του τομέα των πωλήσεων. Τα στοιχεία των πωλήσεων αναλύονται από το αρχικό στάδιο των επαφών της επιχείρησης με τους εν δυνάμει πελάτες μέχρι την τελική πώληση. Τα στοιχεία αυτά συγκρίνονται με τους στόχους που έχει θέσει η επιχείρηση και εκτιμάται η πορεία της. Μέσα από τη διαδικασία αυτή η επιχείρηση μπορεί να ανακαλύψει νέες προοπτικές και ευκαιρίες καθώς επίσης να κάνει την πρόβλεψη των μελλοντικών πωλήσεων. Μάρκετινγκ Στο τομέα αυτό της επιχείρησης η Επιχειρηματική Ευφυΐα επεξεργάζεται στοιχεία που σχετίζονται με τους πελάτες. Σκοπός αυτής της επεξεργασίας είναι να γίνει κατανοητή από τα αρμόδια στελέχη, η καταναλωτική τους συμπεριφορά, να ανακαλύψουν τις ανάγκες και τις προτιμήσεις τους ώστε να προβεί η επιχείρηση στις κατάλληλες προωθητικές ενέργειες αλλά και να ανακαλύψει και να αξιοποιήσει νέες ευκαιρίες. Επιπλέον, με τη χρήση των τεχνικών Επιχειρηματικής Ευφυΐας μπορεί να επιτευχθεί η ανάλυση τμηματοποίησης της αγοράς, εντοπισμός δηλαδή συνόλων πελατών με παρόμοια καταναλωτική συμπεριφορά. Η πληροφορία αυτή είναι χρήσιμη ώστε η επιχείρηση να προβεί σε στοχευμένες διαφημιστικές εκστρατείες. Ένα άλλο κομμάτι που διευκολύνεται με τη χρήση των συστημάτων Επιχειρηματικής Ευφυΐας είναι η αποτίμηση των αποτελεσμάτων των διαφόρων προωθητικών δράσεων της εταιρίας, γίνεται η σύγκριση του κόστους υλοποίησης τους με τα οφέλη που απέφεραν καθώς Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 26

27 2ο Κεφάλαιο: Επιχειρηματική Ευφυΐα και με τα προϋπολογισμένα μεγέθη. Με τον τρόπο αυτό επιτυγχάνεται η βελτιστοποίηση των διαφημιστικών πρακτικών που χρησιμοποιεί η επιχείρηση. Διαχείριση Εφοδιαστικής Αλυσίδας Αντικείμενο είναι η καλύτερη διαχείριση της Εφοδιαστικής Αλυσίδας με την παραγωγή και διάχυση των κατάλληλων πληροφοριών. Πραγματοποιείται αποτελεσματικός έλεγχος των επιπέδων των αποθεμάτων, εντοπίζονται έγκαιρα και αντιμετωπίζονται ελλείψεις και καθυστερήσεις σε παραγγελίες, ώστε να μην επιβραδύνεται η παραγωγή. Γενικότερα γίνεται καλύτερος έλεγχος της ροής των προϊόντων, αυξάνεται η ικανοποίηση του πελάτη με την έγκαιρη παράδοση και μειώνονται οι ακυρώσεις και οι επιστροφές. Αναλυτικότερα για τον ρόλο της Επιχειρηματικής Ευφυΐας στην Εφοδιαστική Αλυσίδα θα αναφερθούμε στο επόμενο κεφάλαιο. Διαχείριση Ανθρωπίνων Πόρων Τα σύστημα Ε.Ε καλύπτουν ζητήματα που σχετίζονται με το ανθρώπινο δυναμικό μιας επιχείρησης. Τα αρμόδια στελέχη μπορούν εύκολα να διαχειριστούν θέματα που αφορούν τις μισθοδοσίες των εργαζομένων ανάλογα με τον τύπο απασχόλησης τους, τους φόρους, τις ασφαλιστικές εισφορές, τις υπερωρίες κλπ. Ακόμη επιτυγχάνεται ο έλεγχος παραγωγικότητας των εργαζομένων και η ανακάλυψη των ταλέντων τους. Με τη βοήθεια των συστημάτων Επιχειρηματικής Ευφυΐας γίνεται ο σχεδιασμός και η σύγκριση διαφορετικών πλάνων, για την κάλυψη των αναγκών σε εργατικό δυναμικό με εναλλακτικούς τρόπους, όπως πρόσληψη μόνιμου ή εποχιακού προσωπικού, πλήρους ή μερικής απασχόλησης. 2.4 Πλεονεκτήματα και Περιορισμοί της Επιχειρηματικής Ευφυΐας Όπως έχει γίνει φανερό η επιχειρηματική Ευφυΐα προσφέρει πολλά πλεονεκτήματα στις επιχειρήσεις και στους οργανισμούς καθώς προσαρμόζεται στις ιδιαίτερες ανάγκες και στα χαρακτηριστικά τους, συνοψίζοντας τα πλεονεκτήματα αυτά ανεξάρτητα από τον κλάδο που ανήκει μια επιχείρηση είναι τα εξής [4]: Οι εργαζόμενοι μπορούν να μετασχηματίζουν εύκολα την επιχειρηματική τους γνώση για να επιλύουν πολλά επιχειρησιακά ζητήματα. Οι επιχειρήσεις μπορούν να εντοπίζουν τους πιο επικερδείς πελάτες τους και τους λόγους της πίστης των πελατών αυτών, καθώς και να εντοπίζουν μελλοντικούς πελάτες με παρόμοιες, αν όχι και με μεγαλύτερες δυνατότητες. Βελτίωση των στρατηγικών ηλεκτρονικού εμπορίου. Εντοπισμός παράνομου κέρδους. Γρήγορος εντοπισμός προβλημάτων ώστε να ελαχιστοποιούνται οι επιπτώσεις των ελαττωματικά σχεδιασμένων προϊόντων. Ανάλυση πιθανών δυνατοτήτων ανάπτυξης κερδοφορίας των πελατών και μείωση της έκθεσής τους σε κίνδυνο. Ρύθμιση των ασφαλιστικών εξόδων. Συνδυασμοί προϊόντων και υπηρεσιών που είναι πιθανόν να αγοραστούν. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 27

28 2ο Κεφάλαιο: Επιχειρηματική Ευφυΐα Ανάλυση κλινικών δοκιμών πειραματικών φαρμάκων. Καθορισμός των αιτιών που οι πελάτες αφήνουν τους ανταγωνιστές ή και γίνονται πελάτες. Παρά την πληθώρα πλεονεκτημάτων μια λύση Ε.Ε υπόκειται και σε μια σειρά από περιορισμούς οι οποίοι είναι οι παρακάτω [5]: Κόστος απόκτησης και λειτουργίας Αποθηκών Δεδομένων και συστημάτων Ε.Ε. Απαιτούνται επενδύσεις σε υλικό, λογισμικό και τεχνογνωσία. Επίσης οι εργασίες ETL είναι χρονοβόρες, δύσκολες και δαπανηρές. Όλα τα παραπάνω επιφέρουν ένα αρκετά μεγάλο κόστος, το οποίο πρέπει να αναλάβει η επιχείρηση. Χαμηλή ποιότητα δεδομένων. Το πρόβλημα αυτό είναι ένα από τα σημαντικότερα στην ανάπτυξη συστημάτων. Τα αρχικά δεδομένα είναι διάσπαρτα, ανομοιογενή, ελλιπή και πιθανώς λανθασμένα ή αντιφατικά. Τροφοδότηση του συστήματος με προβληματικά δεδομένα θα οδηγήσει σε εσφαλμένη πληροφόρηση. Όπως χαρακτηριστικά λέγεται «garbage in, garbage out». Ζητήματα συμβατότητας με τα υπάρχοντα συστήματα. Τα συστήματα Ε.Ε λειτουργούν επί δεδομένων άλλων συστημάτων. Τα συστήματα αυτά μπορεί να είναι πολλά, διαφορετικά, και πιθανότατα δεν έχει ληφθεί εκ των προτέρων καμία πρόνοια για ενοποίηση των δεδομένων τους. Μπορεί να εμφανιστούν προβλήματα συμβατότητας, τόσο μεταξύ των βασικών συστημάτων όσο και μεταξύ αυτών και του συστήματος Ε.Ε. Πιθανή ύπαρξη επιφυλάξεων, δυσπιστίας και μη συνεργασίας από την πλευρά των στελεχών. Η ανάπτυξη συστημάτων Ε.Ε επιφέρει αλλαγές σε λειτουργίες των οργανισμών. Έχει παρατηρηθεί ότι τέτοιες αλλαγές μπορεί να προκαλέσουν τις επιφυλάξεις και τη δυσπιστία των εμπλεκόμενων στελεχών. Είναι πολύ σημαντικό, τα ανώτατα στελέχη της διοίκησης να εφαρμόσουν πολιτικές διαχείρισης της αλλαγής (change management) και να επιληφθούν τέτοιων προβλημάτων. Προβλήματα επικοινωνίας και συνεννόησης μεταξύ των στελεχών και των ειδικών πληροφορικής. Τα στελέχη της επιχείρησης και οι ειδικοί της πληροφορικής έχουν ο καθένας τη δική του οπτική γωνία. Τα στελέχη επικεντρώνονται στα επιχειρησιακά ζητήματα, ενώ οι ειδικοί πληροφορικής στα τεχνικά. Αυτό μπορεί να προκαλέσει προβλήματα συνεννόησης. Ειδικά στα συστήματα Ε.Ε, όπου τα επιχειρησιακά ζητήματα παίζουν βαρύνοντα ρόλο, το πρόβλημα αυτό μπορεί να ενταθεί. Ανάγκη ειδικά εκπαιδευμένου προσωπικού. Πρέπει να προσληφθεί νέο προσωπικό, αλλά κυρίως πρέπει τα στελέχη να μάθουν να χρησιμοποιούν, με τον βέλτιστο τρόπο, τα νέα αυτά συστήματα. Κίνδυνος υπερβολικής και άκριτης εμπιστοσύνης στο σύστημα Επιχειρηματικής Ευφυΐας και συνακόλουθης επανάπαυσης. Έχει ήδη τονιστεί ότι ο τελικός υπεύθυνος για τη λήψη των αποφάσεων είναι ο άνθρωπος. Συστήματα ευφυούς ανάλυσης των δεδομένων και κυρίως συστήματα ικανά να διατυπώνουν προβλέψεις. 2.5 Οι νέες τεχνολογικές τάσεις στην Επιχειρηματική Ευφυΐα Οι εξελίξεις και οι αλλαγές στο κόσμο της πληροφορικής σχετίζονται τα τελευταία χρόνια με τα μέσα κοινωνικής δικτύωσης (Social Media), τα έξυπνα κινητά τηλέφωνα (Smartphones), την χρήση γεωγραφικών δεδομένων και τις εφαρμογές σε σύννεφο (cloud). Όπως είναι α- Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 28

29 2ο Κεφάλαιο: Επιχειρηματική Ευφυΐα ναμενόμενο και η Επιχειρηματική Ευφυΐα έχει επηρεαστεί από αυτές τις αλλαγές παρακάτω θα αναλύσουμε σύντομα κάποιες από τις τεχνολογικές εξελίξεις και τάσεις που την επηρεάζουν [23]. Επιχειρηματική Ευφυΐα στο κινητό (Mobile BI): Αποτελεί μια ενιαία τάση στην Επιχειρηματική Ευφυΐα. Με τη χρήση πολλαπλών πλατφόρμων (IOs, Android) και συσκευών (smartphones, tablets), το Mobile BI έχει την δυνατότητα να ανταποκρίνεται στις ανάγκες των χρηστών από την άποψη της αλληλεπίδρασης και της ευκολίας του χρήστη. Στο Mobile BI οι επιχειρήσεις προσπαθούν να ικανοποιήσουν τις ανάγκες των καταναλωτών με την α- νάπτυξη διαδραστικών πινάκων που έχουν τα ίδια χαρακτηριστικά και την ίδια λειτουργικότητα με την επιφάνεια εργασίας και με το διαδικτυακό BI. Όμως το Mobile BI αντιμετωπίζει κάποιους περιορισμούς, πολλές εφαρμογές επιτρέπουν στους χρήστες μόνο να βλέπουν τα δεδομένα και όχι να τα διαχειρίζονται, πολλά από τα εργαλεία τους είναι μόνο για κατανάλωση και όχι για ανάλυση των δεδομένων, η έλλειψη διαδραστικότητας περιορίζει τους χρήστες και τέλος οι εταιρείες έχουν συχνά περισσότερες από μία BI πλατφόρμα που απαιτεί το κινητό των χρηστών να έχει πολλαπλές εφαρμογές καθώς επίσης έχει επιπλέον κόστος για την κάθε επιπρόσθετη πλατφόρμα. Location Intelligence (LI): Το LI χρησιμοποιεί τις θεμελιώδεις έννοιες και μεθόδους που έχουν εξελιχθεί στον τομέα BI σε συνδυασμό με γεωγραφικά συστήματα πληροφοριών (GIS) για την ανάπτυξη μιας πλατφόρμας που επιτρέπει μια πιο ολοκληρωμένη ανάλυση των δεδομένων τοποθεσίας. Η ένωση περιλαμβάνει επισημείωση (tagging) και αποθήκευση των ακατέργαστων δεδομένων τοποθεσία, μετατρέποντας τα δεδομένα αυτά σε πρακτικές γνώσεις χρησιμοποιώντας αναλύσεις. Η ένωση BI και GIS επιτρέπει τις επιχειρήσεις να κατανοήσουν καλύτερα τα εξωτερικά χαρακτηριστικά και πώς αυτά επηρεάζουν τις δραστηριότητές τους και να αποκτήσουν μια πιο ολοκληρωμένη εικόνα, επιπρόσθετα η συγχώνευση αυτή επιτρέπει στις επιχειρήσεις να αναλύσουν τις διαστάσεις του χώρου και του χρόνου τους καθώς και εξωτερικά δεδομένα για να αποκτήσουν μια πιο λεπτομερειακή κατανόηση τους. Software as a Service (SaaS) BI ή on-demand BI ή cloud BI: Πρόκειται ουσιαστικά για ένα μοντέλο BI με εφαρμογές που αναπτύσσονται εξωτερικά και η πρόσβαση του τελικού χρήστη γίνεται μέσω ασφαλούς σύνδεσης. Η τεχνολογία και οι υπηρεσίες πωλούνται αντί για τις παραδοσιακές λύσεις λογισμικού με αδειοδότηση και με ετήσια έξοδα συντήρησης. Το Saas BI θεωρείται ότι είναι πιο εύκολο να ρυθμιστεί και μπορεί να το επιλέξει μια εταιρεία αν δεν έχει εφαρμογές ή καμία τρέχουσα εμπειρία με BI. Μια λύση λοιπόν Saas BI θα πρέπει να αξιολογείται ανάλογα με το αν μια επιχείρηση έχει προηγούμενη εμπειρία στην επεξεργασία δεδομένων επιχειρηματικής ευφυΐας, αν τα συστήματα αυτά απαιτούν πολλή παραμετροποίηση ή αν η επιχείρηση διαθέτει με μεγάλου όγκου δεδομένα που μεταβάλλονται γρήγορα. Είναι σημαντικό να αναφέρουμε ότι οι λύσεις Saas BI θα πρέπει να παραλείπονται αν δεν ταιριάζουν με το ευρύτερο επιχειρηματικό μοντέλο ή την κουλτούρα της επιχείρησης. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 29

30 Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 30

31 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης 3ο ΚΕΦΑΛΑΙΟ: ΔΙΑΧΕΙΡΙΣΗ ΕΦΟΔΙΑΣΤΙΚΗΣ ΑΛΥΣΙΔΑΣ ΚΑΙ ΠΡΟΒΛΕΨΗ ΖΗΤΗΣΗΣ 3.1 Η Εφοδιαστική Αλυσίδα Τις τελευταίες δεκαετίες οι παγκόσμιες εξελίξεις στο κλάδο των επιχειρήσεων και η τεχνολογική πρόοδος ενέτειναν τον ανταγωνισμό μεταξύ των επιχειρήσεων κάνοντας επιτακτική την ανάγκη για ενοποίηση των λειτουργιών τους. Οι προμηθευτές, οι παραγωγοί και οι διανομείς (ή χονδρέμποροι) ενοποίησαν τις λειτουργίες τους δημιουργώντας με αυτόν τον τρόπο εκτεταμένα δίκτυα που διαχειρίζονται όλες τις ροές υλικών, προϊόντων, πληροφοριών και κεφαλαίων. Ως αποτέλεσμα, κάθε βήμα παραγωγής και διανομής από τις πρώτες ύλες μέχρι το τελικό προϊόν να συμπεριλαμβάνονται μέσα σε μια αλυσίδα εφοδιασμού (supply chain), η οποία συνδέει τους προμηθευτές των υλικών, τους παραγωγούς, τους διανομείς, τους λιανέμπορους και τους πελάτες. Εικόνα 3-1: Εφοδιαστική Αλυσίδα Αναλυτικότερα, σε μια τυπική εφοδιαστική αλυσίδα, αρχικά πραγματοποιείται η προμήθεια των πρώτων υλών, στη συνέχεια παράγονται τα προϊόντα σε ένα ή περισσότερα εργοστάσια, τα οποία ακολούθως μεταφέρονται σε κέντρα διανομής ή στις αποθήκες για την ενδι- Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 31

32 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης άμεση αποθήκευση και μετέπειτα μεταφέρονται στους λιανοπωλητές ή απευθείας στους πελάτες. 3.2 Η Διαχείριση της Εφοδιαστικής Αλυσίδας Η ορθή Διαχείριση της Εφοδιαστικής αλυσίδας (Supply Chain Management) αποτελεί το «κλειδί» της επιτυχίας πολλών μεγάλων εταιρειών της παγκόσμιας αγοράς όπως είναι η Walmart και η Dell, επομένως γίνεται εύκολο αντιληπτό ότι η μελέτη της Διαχείριση της Εφοδιαστικής αλυσίδας (ΔΕΑ) είναι ζωτικής σημασίας για τις επιχειρήσεις. Στην παγκόσμια βιβλιογραφία έχουν δοθεί κατά καιρούς πολλοί ορισμοί για την Διαχείριση της Εφοδιαστικής Αλυσίδας όπως μπορούμε να διαπιστώσουμε από τον Πίνακας 3-1, παρά το γεγονός ότι παρατηρείται μεγάλη ποικιλία αποσαφηνίσεων του όρου όλοι κινούνται στα ίδια πλαίσια και έχουν κοινή βάση επομένως θα μπορούσαμε να ορίσουμε ως Διαχείριση Εφοδιαστικής Αλυσίδας το σχεδιασμό, την οργάνωση και το συντονισμό όλων των δραστηριοτήτων της εφοδιαστικής αλυσίδας. Πίνακας 3-1: Ορισμοί της Εφοδιαστικής Αλυσίδας Jones and Riley (1985) Houlihan (1988) Η διαχείριση της εφοδιαστικής αλυσίδας ασχολείται με τη συνολική ροή των υλικών από τους προμηθευτές μέχρι τους τελικούς χρήστες Οι διαφορές μεταξύ της διαχείρισης της εφοδιαστικής αλυσίδας και των κλασικών υλικών και έλεγχος παραγωγής είναι: 1) Η εφοδιαστική αλυσίδα μπορεί να θεωρηθεί ως μια ενιαία διαδικασία. Η ευθύνη για τα διάφορα τμήματα της αλυσίδας είναι κατακερματισμένη και αφορά κάθε τμήμα που συμμετέχει 2) Η διαχείριση της εφοδιαστικής αλυσίδας απαιτεί και στο τέλος εξαρτάται από τη στρατηγική λήψης αποφάσεων. «Προμήθεια» είναι ένας κοινός στόχος σχεδόν όλων των λειτουργιών στην αλυσίδα και είναι ιδιαίτερης στρατηγικής σημασίας λόγω του αντίκτυπου της στο συνολικό κόστος και στο μερίδιο αγοράς. 3) Η διαχείριση της εφοδιαστικής αλυσίδας απαιτεί μια διαφορετική προοπτική για τα αποθέματα τα οποία χρησιμοποιούνται ως μηχανισμός εξισορρόπησης. 4) Μια νέα προσέγγιση για τα συστήματα απαιτείται,ολοκλήρωση παρά διασύνδεση. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 32

33 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Stevens (1989) «Ο στόχος της διαχείρισης της εφοδιαστικής α- λυσίδας είναι να συγχρονίσει τις απαιτήσεις του πελάτη με τη ροή των υλικών από τους προμηθευτές, προκειμένου να επιτευχθεί μια ισορροπία μεταξύ στόχων που συχνά θεωρούνται αντικρουόμενοι, την υψηλή εξυπηρέτηση πελατών, τα χαμηλά αποθέματα και το χαμηλό κόστος ανά μονάδα.» La Londe and Masters (1994) Cooper et al. (1997) Monczka, Trent, and Handfield (1998) Η στρατηγική της εφοδιαστικής αλυσίδας περιλαμβάνει: «δύο ή περισσότερες επιχειρήσεις που συμμετέχουν σε μια αλυσίδα εφοδιασμού και έρχονται σε μια μακροπρόθεσμη συμφωνία, η ανάπτυξη της εμπιστοσύνης και της δέσμευσης,η ενσωμάτωση των δραστηριοτήτων της εφοδιαστικής για τη συμμετοχή της στα δεδομένα της ζήτησης και των πωλήσεων, η δυνατότητα για μια μετατόπιση στον έλεγχο της διαδικασίας logistics. " Η διαχείριση της εφοδιαστικής αλυσίδας είναι μια ολοκληρωμένη φιλοσοφία στη διαχείριση της συνολικής ροής ενός καναλιού διανομής από τον προμηθευτή μέχρι το τελικό χρήστη. SCM είναι μια έννοια, «της οποίας πρωταρχικός στόχος είναι να ενσωματώσει και να διαχειριστεί την προμήθεια, τη ροή, και τον έλεγχο των υλικών χρησιμοποιώντας την προοπτική ενός συστήματος σε πολλαπλές λειτουργίες και πολλαπλά επίπεδα προμηθευτών. 3.3 Διαδικασίες Εφοδιαστικής Αλυσίδας Η εφοδιαστική αλυσίδα περιλαμβάνει μια σειρά από διαδικασίες και ροές που στοχεύουν στην εκπλήρωση των επιθυμιών των πελατών. Οι διαδικασίες της μπορούν να μελετηθούν με δύο τρόπους είτε με τον κύκλο διαδικασιών είτε με τις Push/Pull διαδικασίες. Κύκλος διαδικασιών Οι διαδικασίες της εφοδιαστικής αλυσίδας μπορούν διαχωριστούν σε κύκλους διαδικασιών όπου ο καθένας είναι σε διεπαφή με δύο διαδοχικά στάδια της εφοδιαστικής αλυσίδας. Κάθε κύκλος ορίζει τα εμπλεκόμενα μέρη καθώς και τις διαδικασίες που περιλαμβάνονται σε αυτό, οι κύκλοι διαδικασιών είναι οι παρακάτω: Κύκλος παραγγελίας πελάτη: Ο κύκλος αυτός ξεκινά με τη λήψη της παραγγελίας από τον λιανέμπορο και περιλαμβάνει όλες τις διεργασίες για τη λήψη και την εκπλήρωση της παραγγελίας. Εικόνα 3-2: Κύκλος Διαδικασιών στην Εφοδιαστική Αλυσίδα Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 33

34 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Κύκλος αναπλήρωσης: Ο κύκλος αυτός ξεκινά με την ολοκλήρωση του προηγούμενου κύκλου και αφορά την επαφή του λιανέμπορου με του χονδρέμπορου για την αναπλήρωση των προϊόντων και αφόρα όλες τις σχετικές διαδικασίες μιας παραγγελίας. Κύκλος παραγωγής: Ο κύκλος αυτός είναι η διεπαφή του χονδρέμπορου με τον παραγωγό ή του λιανέμπορου με τον παραγωγό για την αναπλήρωση των αποθεμάτων. Κύκλος προμηθειών: Ο κύκλος προμηθειών αφορά την επαφή του παραγωγού με τον προμηθευτή του για την αναπλήρωση πρώτων υλών και των υλικών που είναι απαραίτητα για τη λειτουργία της παραγωγής του. Push/Pull διαδικασία Όλες οι διαδικασίες της αλυσίδας εφοδιασμού μπορούν να διαχωριστούν σε δύο κατηγορίες, στη κατηγορία Push και στην κατηγορία Pull. Όσον αφορά την κατηγορία Pull περιλαμβάνει τις διαδικασίες εκείνες που ξεκινούν από τον πελάτη ως απόκριση στην παραγγελιά του, ενώ οι Push διαδικασίες αρχίζουν με τις προβλέψεις για τις μελλοντικές παραγγελίες των πελατών. Οι Pull διαδικασίες χαρακτηρίζονται από το στοιχείο της βεβαιότητας καθώς όταν πραγματοποιούνται η ζήτηση είναι γνωστή σε αντίθεση με τις Push διαδικασίες που κατά την εκτέλεση τους η ζήτηση στηρίζεται σε προβλέψεις και επομένως οι διαδικασίες αυτές εμπεριέχουν αβεβαιότητα. Οι δύο αυτές διαδικασίες συνυπάρχουν στην εφοδιαστική αλυσίδα και διαχωρίζονται από μια γραμμή (Push/Pull boundary). Ο διαχωρισμός των διαδικασιών σε Push και Pull διαδικασίες είναι ιδιαίτερα χρήσιμος όταν μια επιχείρηση θέλει να σχεδιάσει την εφοδιαστική της αλυσίδα και να επιλέξει την κατάλληλη στρατηγική για την διαχείρισης της. Εικόνα 3-3: Push/Pull Διαδικασίες στην Εφοδιαστική Αλυσίδα Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 34

35 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Η επιτυχής διαχείριση της εφοδιαστικής αλυσίδας απαιτεί μια αλλαγή από τη διαχείριση των μεμονωμένων λειτουργιών για την ολοκλήρωση των δραστηριοτήτων μιας επιχείρησης σε βασικές διαδικασίες της εφοδιαστικής αλυσίδας. Οι βασικές διαδικασίες της εφοδιαστικής αλυσίδας όπως προσδιορίζονται από τα μέλη του Global Supply Chain Forum είναι οι ακόλουθες (Εικόνα 3-4): 1. Διαχείριση των πελατειακών σχέσεων Η διαχείριση των πελατειακών σχέσεων είναι ο τρόπος με τον οποίο αλληλεπιδρά η επιχείρηση με τους πελάτες της, αφορά τις σχέσεις που επιθυμεί η επιχείρηση να αναπτύξει με τους πελάτες της καθώς και την διατήρηση αυτών. Η επιχείρηση προσδιορίζει τους βασικούς πελάτες της, τους διαχωρίζει με βάση την αξία τους στην πάροδο του χρόνου και αποσκοπεί στην αύξηση της εμπιστοσύνη τους για τα εξατομικευμένα προϊόντα και υπηρεσίες που προσφέρει. 2. Διαχείριση της εξυπηρέτησης πελατών Η εξυπηρέτηση των πελατών είναι κατά κύριο λόγο το «πρόσωπο» της επιχείρησης στους πελάτες της. Οι υπηρεσίες πελατών παρέχουν στους πελάτες πληροφορίες όπως η διαθεσιμότητα των προϊόντων, η πορεία αποστολής των προϊόντων αλλά και πληροφορίες σχετικές με την λειτουργία τους. Εικόνα 3-4: Διαδικασίες στη Διαχείριση της Εφοδιαστικής Αλυσίδας (Πηγή: Douglas M. Lambert, Martha C. Cooper, and Janus D. Pagh, Supply Chain Management: Implementation Issues and Research Opportunities, The International Journal of Logistics Management, Vol. 9, No. 2 (1998), p. 2) Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 35

36 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης 3. Διαχείριση της ζήτησης Η διαχείριση της ζήτησης είναι η διαδικασία διαχείρισης της εφοδιαστικής αλυσίδας που εξισορροπεί τις απαιτήσεις των πελατών με τις δυνατότητες της αλυσίδας εφοδιασμού. Η διαχείριση της ζήτησης περιλαμβάνει την πρόβλεψη ζήτησης, τον συγχρονισμό της ζήτησης με την προσφορά καθώς επίσης την αύξηση της ευελιξίας της ζήτησης και την μείωση της μεταβλητότητας της. Η πρόβλεψη της ζήτησης αποτελεί ένα από τα σημαντικότερα κομμάτια της διαχείρισης της ζήτησης και συνεπώς της διαχείρισης της εφοδιαστικής αλυσίδας. Η σημαντικότητα της θα αναλυθεί στο παρακάτω κεφάλαιο διεξοδικά. 4. Εκτέλεση παραγγελιών Η εκτέλεσης παραγγελιών είναι η διαδικασία που ενεργοποιεί την αλυσίδα εφοδιασμού. Περιλαμβάνει την συμπλήρωση των παραγγελιών, το σχεδιασμό ενός δικτύου που ικανοποιεί τα αιτήματα των πελατών και ταυτόχρονα μειώνει το συνολικό κόστος παράδοσης των παραγγελιών. Η διαδικασία αυτή είναι πολύπλοκη καθώς απαιτεί τον συντονισμό ο- λόκληρης της αλυσίδας εφοδιασμού από τους προμηθευτές έως και τους πελάτες. Είναι σημαντικό να αναφέρουμε ότι η άμεση και αποτελεσματική εκτέλεση των παραγγελιών αποτελεί το πρώτο βήμα για την εξυπηρέτηση των πελατών γεγονός που καθιστά αυτή την διαδικασία ιδιαίτερα σημαντική για την διαχείριση της εφοδιαστικής αλυσίδας. 5. Διαχείριση της ροής παραγωγής Η διαδικασία παραγωγής παράγει και διαθέτει τα προϊόντα στα κανάλια διανομής. Η διαδικασία αυτή περιλαμβάνει όλες τις δραστηριότητες που είναι απαραίτητες για την μετατροπή των πρώτων υλών και των υλικών στο τελικό προϊόν. Οι μέθοδοι παραγωγής πρέπει να είναι ευέλικτες ώστε να ανταποκρίνονται στις αλλαγές της αγοράς και να μπορούν να εξυπηρετήσουν μεγάλο όγκο πωλήσεων καθώς και εξατομικευμένες ανάγκες πελατών. Η διαδικασία παραγωγής εξαρτάται από την διαχείριση της ζήτησης, η ποία αναλύεται στην παράγραφο 3, οι προβλέψεις που γίνονται για την ζήτηση των προϊόντων καθορίζουν το επίπεδο της παραγωγής. Ακόμη η διαχείριση των σχέσεων με τους προμηθευτές της επιχείρησης, η οποία αναλύεται στην επόμενη παράγραφο, επηρεάζει σημαντικά την διαδικασία αυτή, καθώς θα πρέπει να έχουν δεσμευτεί από τους προμηθευτές οι πόροι που απαιτούνται για την παραγωγή των προϊόντων που έχουν προγραμματιστεί. 6. Διαχείριση των σχέσεων με τους προμηθευτές Η διαδικασία αυτή ορίζει το πώς μια εταιρεία αλληλεπιδρά με τους προμηθευτές της. Ακριβώς όπως μια εταιρεία πρέπει να αναπτύξει σχέσεις με τους πελάτες της, πρέπει επίσης να προωθήσει τις σχέσεις με τους προμηθευτές της. Η επιχείρηση λοιπόν καλείται να διαχωρίσει, με κριτήρια που η ίδια καθορίζει, τους βασικούς της προμηθευτές από τους δευτερεύοντες και να αναπτύξει τις επιθυμητές σχέσεις με τον καθένα από αυτούς. Θα πρέπει να τονίσουμε ότι το επιθυμητό αποτέλεσμα σε μία σχέση προμηθευτή-πελάτη είναι εκείνο στο οποίο επωφελούνται και τα δύο μέρη (win-win). Η διαδικασία αυτή αποτελεί μια από τις σημαντικές δραστηριότητες στην διαχείριση της εφοδιαστικής αλυσίδας καθώς οι σχέσεις προμηθευτών-επιχείρησης επηρεάζουν άμεσα την ροή της παραγωγικής διαδικασίας. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 36

37 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης 7. Ανάπτυξη προϊόντων και εμπορευματοποίηση Η διαδικασία αυτή αφορά την ανάπτυξη νέων προϊόντων και αποτελεί μια κρίσιμη δραστηριότητα για την πορεία και την επιτυχία της επιχείρησης. Στην διαδικασία αυτή συμμετέχουν καθορίστηκα άλλες τρεις δραστηριότατες της ΔΕΑ, η διαχείριση πελατειακών σχέσεων, η διαχείριση σχέσεων με τους προμηθευτές και η ροή παραγωγής. Όπως έχουν αναφέρει οι Lambert και Cooper (2000) για την διαδικασία αυτή, οι διαχειριστές της ανάπτυξης προϊόντων και διαδικασιών εμπορευματοποίησης θα πρέπει: Σε συντονισμό με τη διαχείριση των πελατειακών σχέσεων να προσδιορίζουν τις πελατοκεντρικές ανάγκες. Να επιλέγουν τα υλικά και τους προμηθευτές, σε συνδυασμό με τις προμήθειες. Να αναπτύξουν την κατάλληλη τεχνολογία στη ροή παραγωγής ώστε να ενταχθούν σε μια καλύτερη ροή της εφοδιαστικής αλυσίδας. 8. Διαχείριση Επιστροφών Όπως είναι φανερό από τον τίτλο της η διαδικασία αυτή διαχειρίζεται τις επιστροφές των προϊόντων από τους καταναλωτές. Αν και πολλές επιχειρήσεις δεν δίνουν έμφαση σε αυτή τη διαδικασία, η αποτελεσματική διαχείριση των επιστροφών εξασφαλίζει ανταγωνιστικό πλεονέκτημα στην εταιρία. Με τους νόμους περί προστασίας των καταναλωτών οι επιχειρήσεις οφείλουν να έχουν μεριμνήσει ώστε οι αγοραστές να έχουν την δυνατότητα να επιστρέψουν το ελαττωματικό προϊόν. 3.4 Το φαινόμενο του μαστιγίου στην Διαχείριση της Εφοδιαστικής Αλυσίδας Το φαινόμενο του μαστιγίου (the bullwhip effect) στην εφοδιαστική αλυσίδα είναι ένα από τα σημαντικότερα προβλήματα που αντιμετωπίζει μια επιχείρηση. Το φαινόμενο αυτό α- ναφέρεται στην ολοένα και αυξανόμενη μεταβλητότητα των ποσοτήτων παραγγελίας καθώς κινούμαστε ανοδικά στην εφοδιαστική αλυσίδα, δηλαδή από τον καταναλωτή στον παραγωγό του προϊόντος. Όπως φανερώνει και το όνομά του, το φαινόμενο αυτό παρουσιάζει την ίδια συμπεριφορά με ένα μαστίγιο. Ακόμα και ένα μικρό ποσό ενέργειας το οποίο θα εφαρμοστεί στη λαβή του, μεγαλώνει κατά μήκος της διαρκώς μειούμενης διαμέτρου του προσδίδοντας στην άκρη του μαστίγιου μια ταχύτητα που σε κάποιες περιπτώσεις ξεπερνά τα διακόσια χιλιόμετρα την ώρα. Το φαινόμενο αυτό οφείλεται σε πολλές αιτίες και έχει ακόμη περισσότερες συνέπειες για μια επιχείρηση. Ο Lee αναφέρει ως σημαντικότερες αιτίες του φαινομένου τις λανθασμένες προβλέψεις, τις διακυμάνσεις των τιμών, τον φόβο της έλλειψης και την ομαδοποίηση των παραγγελιών. Οι συνέπειες για μια επιχείρηση όπως αναφέραμε είναι ποικίλες οι σημαντικότερες από τις οποίες είναι η δημιουργία υψηλών αποθεμάτων και κατά συνέπεια η έλλειψη χωρητικότητας για αποθήκευση και διατήρηση, ο λανθασμένος σχεδιασμός παραγωγής και η κακή τήρηση των χρονοδιαγραμμάτων, η κακή εξυπηρέτηση των πελατών και τα υ- ψηλά κόστη που προκύπτουν από όλες αυτές τις λανθασμένες ενέργειες. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 37

38 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Σημαντικό ρόλο στην αντιμετώπιση του φαινομένου αυτού διαδραματίζει η ροή των πληροφοριών μεταξύ των μελών της εφοδιαστικής αλυσίδας καθώς και η συνεργασία μεταξύ τους έτσι ώστε να οδηγούνται σε ακριβής και αξιόπιστες προβλέψεις. Εικόνα 3-5: Το φαινόμενο του μαστιγίου στην Εφοδιαστική Αλυσίδα (Πηγή: Mehmet Tanyas, 2014) 3.5 Πρόβλεψη Ζήτησης Η Πρόβλεψη Ζήτησης (Demand Forecasting) διαδραματίζει σπουδαίο ρόλο στην διαχείριση της εφοδιαστικής αλυσίδας, αποτελεί την βάση για σχεδόν κάθε σημαντική απόφαση που καλείται να πάρει η διοίκηση μιας επιχείρησης ή ενός οργανισμού. Αν αναλογιστούμε την περίπτωση των Push/Pull διαδικασιών, που εξετάσαμε παραπάνω, η ζήτηση έχει κυρίαρχο ρόλο στην εκτέλεση όλων των δραστηριοτήτων της επιχείρησης καθώς οι push διαδικασίες εκτελούνται εν αναμονή της ζήτησης των πελατών και οι pull διαδικασίες εκτελούνται σύμφωνα με την πραγματική τους ζήτηση. Αναλυτικότερα είναι σημαντική και αναγκαία ώστε να σχεδιαστεί και να προγραμματιστεί η παραγωγή και η αποθήκευση των προϊόντων καθώς και να προγραμματιστεί το ύψος των απαιτούμενων αποθεμάτων. Επίσης ο σχεδιασμός των εγκαταστάσεων της επιχείρησης, ο προϋπολογισμός του κεφαλαίου που απαιτείται και η χρηματοδότηση του καθώς και το ανθρώπινο δυναμικό που είναι αναγκαίο για την λειτουργία της επιχείρησης εξαρτάται ά- μεσα από τις προβλέψεις που γίνονται για την μελλοντική ζήτηση των προϊόντων της επιχείρησης. Σημαντική είναι η επιρροή της και σε άλλες επιχειρησιακές λειτουργίες όπως η έρευνα και ανάπτυξη, το μάρκετινγκ και άλλες λειτουργίες της. Ο Anderson το 2011 όρισε την πρόβλεψη (forecast) ως την εκτίμηση του τι θα συμβεί στο μέλλον. Όπως οι μετεωρολόγοι κάνουν πρόγνωση του καιρού και οι αθλητικογράφοι κάνουν εκτιμήσεις για τους νικητές των αθλητικών αναμετρήσεων, έτσι και οι διοικήσεις των επιχειρήσεων προσπαθούν να προβλέψουν τη διακύμανση της ζήτησης που θα έχουν τα Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 38

39 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης προϊόντα τους στο μέλλον. Οι εταιρείες θα πρέπει να λαμβάνουν υπόψιν τους τόσο τους εξωτερικούς παράγοντες που επηρεάζουν την ζήτηση, δηλαδή τις οικονομικές και πολιτικές συνθήκες που επικρατούν, τους ανταγωνιστές, τα νέα αλλά και τα συμπληρωματικά προϊόντα, τις προτιμήσεις της αγοράς και τις στρατηγικές προώθησης των προϊόντων (π.χ. διαφήμιση). Όσο και παράγοντες που αφορούν το εσωτερικό της εταιρείας όπως η τιμή και η ποιότητα των προϊόντων. Tα συστατικά στοιχεία της ζήτησης, τα οποία είναι χρήσιμα για την κατανόηση της συμπεριφοράς της για ένα προϊόν και συνεπώς συμβάλλουν στην μελλοντική πρόβλεψη της ζήτησης του είναι τα εξής: 1. Η μέση ζήτηση για ένα χρονικό διάστημα. 2. Η τάση που δείχνει πω η ζήτηση μεταβάλλεται με την πάροδο του χρόνου. 3. Η εποχικότητα που δείχνει πως αλλάζει η ζήτηση ανάλογα με τις εποχικές διακυμάνσεις. Στην εποχικότητα μπορούν να αποδοθούν φαινόμενα που έχουν σχέση με κλιματολογικές συνθήκες, πολιτικές που ακολουθεί η διοίκησης μιας επιχείρησης, καθώς και με έθιμα, εορτές κ.α. 4. Η κυκλικότητα που αφορά διακυμάνσεις που συμβαίνουν σε μεγαλύτερο χρονικό διάστημα από τις εποχικές και κυρίως οφείλονται στους οικονομικούς κύκλους. 5. Η τυχαιότητα που αφορά τυχαίες και απρόβλεπτες μεταβολές της ζήτησης. 6. Η αυτοσυσχέτιση δηλαδή η σχέση ανάμεσα στην τρέχουσα και την μελλοντική ζήτηση. Οι προβλέψεις με βάση το χρονικό ορίζοντα διακρίνονται σε βραχυπρόθεσμες, μεσοπρόθεσμες και μακροπρόθεσμες προβλέψεις. Οι βραχυπρόθεσμες προβλέψεις αφορούν το άμεσο μέλλον και σχετίζονται με τις καθημερινές λειτουργίες της επιχείρησης. Οι μεσοπρόθεσμες προβλέψεις περιλαμβάνουν έναν χρονικό ορίζοντα ενός έτους και σχετίζονται με την κατάρτιση προϋπολογισμού, τον προγραμματισμό της παραγωγής κλπ. Τέλος οι μακροπρόθεσμες προβλέψεις ξεπερνούν το ένα έτος και αφορούν τα στρατηγικά σχέδια της επιχείρησης, όπως είναι η ανάπτυξη νέων προϊόντων και η δημιουργία νέων εγκαταστάσεων. Τα βασικά χαρακτηριστικά των προβλέψεων είναι τα εξής τρία: 1. Οι προβλέψεις είναι πάντα λανθασμένες και εμπεριέχουν σφάλματα. 2. Οι προβλέψεις είναι πιο ακριβείς για ομάδες στοιχείων και όχι για μεμονωμένα στοιχεία. Όταν τα στοιχεία ομαδοποιούνται, ατομικές υψηλές και χαμηλές τιμές τους μπορεί να αλληλοεξουδετερώνονται. Τα δεδομένα για μια ομάδα στοιχείων μπορεί να είναι σταθερά ακόμη και όταν μεμονωμένα στοιχεία της ομάδας είναι πολύ ασταθής 3. Οι βραχυπρόθεσμες προβλέψεις είναι πιο ακριβείς από τις μακροπρόθεσμες. Όσο μικρότερος είναι ο χρονικός ορίζοντας των προβλέψεων, τόσο χαμηλότερη είναι η αβεβαιότητα. Τα δεδομένα δεν μεταβάλλονται πολύ βραχυπρόθεσμα, καθώς όμως ο χρονικός ορίζοντας μεγαλώνει υπάρχει αρκετά μεγαλύτερη πιθανότητα να υπάρξουν αλλαγές στα καθιερωμένα πρότυπα και τις σχέσεις. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 39

40 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Συνήθως η διαδικασία της πρόβλεψης ακολουθεί τα εξής πέντε στάδια: 1. Κατανόηση του αντικειμένου της πρόβλεψης 2. Ενσωμάτωση του σχεδιασμού και της πρόβλεψης της ζήτησης μέσα σε όλη την εφοδιαστική αλυσίδα. 3. Εντοπισμός και τμηματοποίηση των πελατών. 4. Καθορισμός του κατάλληλου μοντέλου πρόβλεψης. 5. Θέσπιση μέτρων απόδοσης και σφαλμάτων για την πρόβλεψη Ανάμεσα στη πληθώρα των μοντέλων που έχει στην διάθεση της μια εταιρεία καλείται να επιλέξει το κατάλληλο για αυτή μοντέλο πρόβλεψης. Η επιλογή του θα πρέπει να γίνεται με προσοχή από τους αρμόδιους λαμβάνοντας υπόψιν κάποια κριτήρια όπως είναι τα εξής: Η περίοδος και ο ορίζοντας πρόβλεψης Η επάρκεια των δεδομένων που έχει στην διάθεση της Ο επιθυμητός βαθμός ακρίβειας της πρόβλεψης Το κόστος κάθε μεθόδου Η εμπειρία που διαθέτει το προσωπικό της Η απλότητα και η ευκολία εφαρμογής της μεθόδου. Οι τεχνικές πρόβλεψης μπορούν να κατηγοριοποιηθούν σε δύο μεγάλες ομάδες τις ποιοτικές και τις ποσοτικές μεθόδους πρόβλεψης, καθώς και σε υποκατηγορίες αυτών όπως φαίνεται στην Εικόνα 3-6. Μέθοδοι Κινητού Μέσου & Εκθετικής Εξομάλυνσης Μέθοδοι Χρονοσειρών Διάσπαση Χρονοσειρών Ποσοτικές Ανάλυση ARIMA Μέθοδοι Πρόβλεψης Ζήτησης Αιτιακές Μέθοδοι Grass Roots Απλή γραμμική παλινδρόμηση Πολλαπλή γραμμική παλινδρόμηση Έρευνα Αγοράς Ποιοτικές Συμβούλιο Στελεχών Ιστορική Αναλογία Μέθοδος Delphi Εικόνα 3-6:Μέθοδοι Πρόβλεψης Ζήτησης Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 40

41 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης 3.6 Ποιοτικές Μέθοδοι Πρόβλεψης Ζήτησης Οι ποιοτικές μέθοδοι πρόβλεψης είναι κατά κύριο λόγο υποκειμενικές. Βασίζονται στην ανθρώπινη κρίση, σε προσωπικές εκτιμήσεις για την ανάλυση της συμπεριφοράς των καταναλωτών, σε έρευνες αγοράς καθώς και σε αναλογίες ανάμεσα σε παρόμοιες καταστάσεις. Οι ποιοτικές μέθοδοι δεν είναι μαθηματικές μέθοδοι και ενδέχεται να μην υπάρχουν διαθέσιμα ιστορικά δεδομένα, επιπρόσθετα περιέχουν έντονα το στοιχείο της προκατάληψης κατά συνέπεια τα χαρακτηριστικά τους αυτά καθιστούν δύσκολη την τυποποίηση τους και μειώνουν την ακρίβεια των προβλέψεων. Πάρα ταύτα κρίνονται χρήσιμες και απαραίτητες σε περιπτώσεις νέων προϊόντων ή τεχνολογιών καθώς είναι σε θέση να ενσωματώνουν τις πρόσφατες αλλαγές. Οι ποιοτικές μέθοδοι είναι οι εξής: Grass roots Σε αυτήν τη μέθοδο η πρόβλεψη πραγματοποιείται με βάση δεδομένα που προέρχονται από εκείνους που έρχονται σε άμεση επαφή με τους πελάτες και τους καταναλωτές στην αγορά. Κάθε πωλητής συλλέγει τα δεδομένα και την τάση της δικής του περιοχής ευθύνης. Το πλεονέκτημα της μεθόδου αυτής είναι ότι λαμβάνει υπόψη τις ανά περιοχή διαφοροποιήσεις στην αγοραστική τάση και τις προτιμήσεις των πελατών/καταναλωτών. Δεδομένου ότι η μέθοδος αυτή είναι πολύ υποκειμενική και στηρίζεται στις προσωπικές απόψεις των πωλητών, οι οποίες θεωρούνται ορθές, καθιστά την ακρίβεια της πρόβλεψης αμφισβητήσιμη Έρευνα Αγοράς Η έρευνα αγοράς αποτελεί μία συστηματική προσπάθεια για την συλλογή δεδομένων σχετικά με τις προτιμήσεις, τις ανάγκες και τις επιλογές των καταναλωτών για προϊόντα και υπηρεσίες. Η διεξαγωγή μιας έρευνας περιλαμβάνει συνήθως ερωτηματολόγια ή συνεντεύξεις. Σπουδαίο ρόλο στη διαδικασία της έρευνας διαδραματίζει ο σχεδιασμός του ερωτηματολογίου καθώς είναι το μέσο με το οποίο η επιχείρηση συλλέγει τις χρήσιμες για αυτήν πληροφορίες, συνήθως πρόκειται για οικονομικά και δημογραφικά χαρακτηριστικά των καταναλωτών καθώς και τις προτιμήσεις τους. Καθοριστικό επίσης ρόλο παίζει και ο τρόπος διεξαγωγής της έρευνας καθώς υπάρχει πιθανότητα μικρής απόκρισης των ερωτηθέντων και αποτυχία της έρευνα να εκφράσει τις απόψεις της αγοράς. Η μέθοδος αυτή αν και μπορεί να χρησιμοποιηθεί και για μεσοπρόθεσμες και για μακροπρόθεσμες προβλέψεις, παρουσιάζει ακριβέστερα αποτελέσματα όταν πρόκειται για βραχυπρόθεσμες προβλέψεις. Η έρευνα αγοράς εφαρμόζεται τις περισσότερες φορές για τον εντοπισμό νέων ιδεών για τον σχεδιασμό προϊόντων Συμβούλιο Στελεχών Στο συμβούλιο των στελεχών άτομα από όλα τα τμήματα της επιχείρησης συνεδριάζουν για την δημιουργία προβλέψεων. Πολλές φορές η διαδικασία αυτή γίνεται με την βοήθεια κάποιας ποσοτικής μεθόδου ή με τη χρήση κάποιων οικονομικών δεικτών. Τα θετικά της είναι ότι οι προβλέψεις ετοιμάζονται γρήγορα και εύκολα και στηρίζονται σε πληροφορίες από άτομα με διαφορετικές ειδικότητες. Όμως η μέθοδος αυτή συγκεντρώνει πολλά μειονεκτήματα, το βασικότερο της μειονέκτημα είναι ότι συνήθως επιβάλλοντα οι απόψεις από στε- Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 41

42 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης λέχη που βρίσκονται ανώτερα στην ιεραρχία της επιχείρησης έναντι των άλλων στελεχών που διστάζουν να αντιτεθούν Ιστορική αναλογία Η ιστορική αναλογία εφαρμόζεται σε περιπτώσεις όπου δεν υπάρχουν διαθέσιμα δεδομένα ζήτησης από το παρελθόν για ένα προϊόν, αυτό συμβαίνει συνήθως όταν πρόκειται για την προώθηση νέων προϊόντων. Στην μέθοδο αυτή η επιχείρηση αντλεί ιστορικά δεδομένα ζήτησης από παρόμοια προϊόντα ή προϊόντα που ανήκουν στη ίδια κατηγορία με το νέο προϊόν, προβλέποντας έτσι τη ζήτηση του καινούργιου της προϊόντος. Είναι εμφανές ότι η υπόθεση της ομοιότητας της ζήτησης ανάμεσα σε νέο και παλιό προϊόν που γίνεται στην μέθοδο αυτή μπορεί εύκολα να αμφισβητηθεί καθώς επίσης και η ακρίβεια των αποτελεσμάτων της πρόβλεψης Μέθοδος Delphi Πρόκειται για μια μέθοδο πρόβλεψης που στοχεύει στην συναίνεση μεταξύ εμπειρογνωμόνων, για τους οποίους διατηρείται η ανωνυμία τους και είναι πιθανό να μην βρίσκονται στο ίδιο μέρος, στην ίδια πόλη ή ακόμη και στην ίδια χώρα. Στην διαδικασία αύτη υπάρχει ένας συντονιστής-οργανωτής που δημιουργεί και διανέμει ερωτηματολόγια στους ειδικούς, στην συνέχεια συγκεντρώνει όλες τις απαντήσεις και τις διανέμει στους συμμετέχοντες μαζί με ένα νέο ερωτηματολόγιο, η διαδικασία αυτή επαναλαμβάνεται αρκετές φορές έως ότου επιτευχθεί σύγκληση απόψεων μεταξύ τους. Η μέθοδος Delphi μπορεί να δώσει ικανοποιητικά αποτελέσματα για μακροπρόθεσμες προβλέψεις της ζήτησης, απαιτεί όμως πολύ χρόνο για την υλοποίηση της και κρίνεται α- ναποτελεσματική για επιχειρήσεις που χρειάζονται βραχυπρόθεσμες προβλέψεις για τα προϊόντα τους. 3.7 Ποσοτικές Μέθοδοι Οι ποσοτικές μέθοδοι προβλέψεων εφαρμόζονται όταν υπάρχουν διαθέσιμα ιστορικά δεδομένα, τα οποία έχουν την μορφή αριθμών. Οι μέθοδοι αυτοί σε αντίθεση με τις προηγούμενες ποιοτικές μεθόδους είναι απαλλαγμένες από το στοιχείο της προκατάληψης. Οι ποσοτικές μέθοδοι ενδείκνυνται σε περιπτώσεις όπου η ζήτηση δεν παρουσιάζει έντονες διακυμάνσεις μέσα στο χρόνο. Οι ποσοτικές μέθοδοι διαχωρίζονται σε δύο κατηγορίες, στην ανάλυση χρονοσειρών και στις αιτιακές μεθόδους ή μεθόδους παλινδρόμησης, τις οποίες μελετάμε στη συνέχεια Μέθοδοι χρονοσειρών Οι μέθοδοι χρονοσειρών (time series methods) αποτελούν μαθηματικά μοντέλα βασισμένα στη στατιστική που κάνουν χρήση των διαθέσιμων ιστορικών της ζήτησης σε προηγούμενες και σταθερές χρονικές περιόδους (π.χ. ημέρες, μήνες, έτη κ.λπ.). Στόχος των χρονοσειρών είναι η ανίχνευση κάποιου προτύπου συμπεριφοράς των ιστορικών δεδομένων και η επέκτασή του στο μέλλον. Οι μέθοδοι αυτού υποθέτουν ότι αναγνωρίσιμα ιστορικά πρότυπα ή τάσεις για τη ζήτηση των προϊόντων θα επαναληφθούν με την πάροδο του χρόνου, έτσι με την αναγνώριση αυτού του προτύπου και την προέκτασή του στο μέλλον προκύπτουν οι προβλέψεις. Κατά συνέπεια, η προέκταση αυτή οδηγεί σε προβλέψεις που βασίζονται στην ιστορία της χρονοσειράς. Οι μέθοδοι αυτοί είναι ιδιαίτερα δημοφιλείς λόγω ότι είναι εύκο- Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 42

43 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης λες στην χρήση και στην κατανόηση τους. Οι μέθοδοι χρονοσειρών περιλαμβάνουν κινητούς μέσου όρους, μεθόδους εκθετικής εξομάλυνσης, διάσπαση χρονοσειρών και χρονοσειρές ARIMA. Απλοϊκή Μέθοδος Η απλοϊκή μέθοδος (the naïve method) είναι η πιο απλή μέθοδος πρόβλεψης και αποτελεί το σημείο αναφοράς των πιο εξελιγμένων μοντέλων πρόβλεψης. Η μέθοδος αυτή υποθέτει ότι η προβλεπόμενη ζήτηση για την αμέσως επόμενη χρονική περίοδο είναι ίση με την πραγματική ζήτηση της τρέχουσας περιόδου. Μαθηματικά η πρόβλεψη περιγράφεται από την παρακάτω σχέση: Ft+1 = A (3-1) όπου Ft+1 : η πρόβλεψη για την επόμενη περίοδο,t+1 At : η πραγματική τιμή της τρέχουσας περιόδου, t t : η τρέχουσα χρονική περίοδος Η μέθοδος αυτή είναι πολύ απλή στην εφαρμογή της και δίνει ικανοποιητικά αποτελέσματα όταν ή ζήτηση είναι σταθερή και ο χρονικός ορίζοντας είναι μικρός, σε αντίθεση περίπτωση το σφάλμα της πρόβλεψης είναι πολύ μεγάλο και η ακρίβεια της ελάχιστη. Απλός μέσος Ο απλός μέσος (simple mean or average) είναι ένα απλό μοντέλο πρόβλεψης της ζήτησης και υπολογίζεται από τον μέσο όρο όλων των δεδομένων, όπως φαίνεται από τον παρακάτω τύπο: F t+1 = = (3-2) όπου, F t+1 : η πρόβλεψη ζήτησης για την επόμενη περίοδο, t+1 A t : η πραγματική τιμή της τρέχουσας περιόδου, t t: η τρέχουσα χρονική περίοδος n: ο αριθμός των δεδομένων Ο απλός μέσος είναι εύκολος στον υπολογισμό του και δίνει πιο ακριβή πρόβλεψη σε σχέση με την απλοϊκή μέθοδο, παρόλα αυτά είναι κατάλληλος μόνο ένα συγκεκριμένο επίπεδο δεδομένων. Απλός κινητός μέσος Η μέθοδος αυτή είναι παρόμοια με την προηγούμενη μέθοδο του απλού μέσου με τη διαφορά ότι στον υπολογισμό της δεν λαμβάνει υπόψιν το μέσο όρο όλων των παρατηρήσεων αλλά ένα καθορισμένο αριθμό (n) από τις πιο πρόσφατες παρατηρήσεις, όταν μια νέα παρατήρηση είναι διαθέσιμη αντικαθιστά την παλαιότερη και ο απλός κινητός μέσος υπολογίζεται εκ νέου. Η μαθηματική σχέση που τον εκφράζει είναι η ίδια με εκείνη του απλού μέσου F t+1 = = (3-2). Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 43

44 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Στην μέθοδο αυτή το σπουδαιότερο είναι να επιλεγεί το κατάλληλο διάστημα για τον υπολογισμό του κινητού μέσου, δηλαδή ο αριθμός του n ο οποίος θα πρέπει να γίνεται με βάση τα χαρακτηριστικά της παρατηρούμενης ζήτησης. Όταν η ζήτηση είναι σταθερή χωρίς τάση και εποχικότητα ο απλός κινητός μέσος (simple moving average) αποτελεί ένα χρήσιμο μέτρο για την εξομάλυνση των αλλαγών και την α- πομάκρυνση της τυχαίας μεταβλητότητας. Η μέθοδος αυτή είναι ιδιαίτερα εύκαμπτη καθώς ανταποκρίνεται άμεσα στα παρατηρούμενα δεδομένα. Σταθμισμένος κινητός μέσος Ο σταθμισμένος κινητός μέσος (weighted moving average) αποτελεί παραλλαγή της προηγούμενης μεθόδου, στην μέθοδο αυτή κάθε παρατήρηση λαμβάνει διαφορετική βαρύτητα, ο υπολογισμός της γίνεται από τον παρακάτω τύπο: F t+1 = ΣC t A t = C 1 A 1 +C 2 A 2 + +C t A t (3-3) όπου, F t+1 : η πρόβλεψη ζήτησης για την επόμενη περίοδο, t+1 C t : ο συντελεστής βαρύτητας για την περίοδο t A t : η πραγματική τιμή της τρέχουσας περιόδου, t t : η τρέχουσα χρονική περίοδος Όσον αφορά τα βάρη που είναι το σημαντικότερο στοιχείο αυτής της μεθόδου συνήθως καθορίζονται ως εξής, οι πιο πρόσφατες πραγματικές τιμές της ζήτησης παίρνουν μεγαλύτερο συντελεστή βαρύτητας ενώ μειώνονται στις παλιότερες παρατηρήσεις. Το άθροισμα όλων των βαρών θα πρέπει να ισούται με τη μονάδα. Επομένως η επιλογή και ο καθορισμός των βαρών θα πρέπει να γίνεται με προσοχή από του ειδικούς. Απλή Εκθετική Εξομάλυνση Η απλή εκθετική εξομάλυνση (simple exponential smoothing) είναι μια εξέλιξη της μεθόδου του κινητού μέσου. Για τον υπολογισμό της χρησιμοποιεί την πρόβλεψη και την αντίστοιχη πραγματική τιμή της ζήτησης για την τρέχουσα περίοδο και ένα συντελεστή a, που ονομάζεται σταθερά εξομάλυνσης, ώστε να προβλέψει την ζήτηση της επόμενης περιόδου. Η προβλεπόμενη τιμή της ζήτησης ισούται με: F t+1 = αa t + (1-a) Ft (3-4) όπου, F t+1 : η πρόβλεψη ζήτησης για την επόμενη περίοδο, t+1 A t : η πραγματική ζήτηση της τρέχουσας περιόδου, t F t : η πρόβλεψη της τρέχουσας περιόδου t α : η σταθερά εξομάλυνσης με 0 α 1 Η τιμή του α καθορίζεται τόσο από την εμπειρία αυτού που κάνει την πρόβλεψη, όσο και από τη φύση του προϊόντος που προβλέπεται και την γενικότερη τάση της αγοράς. Αν η ζήτηση είναι σχετικά σταθερή στο χρόνο τότε στο α θα δοθεί μικρή τιμή, μεταξύ 0,05 και 0,2). Αν όμως υπάρχουν έντονες διακυμάνσεις στο χρόνο, τότε το α θα πρέπει να πάρει μεγαλύ- Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 44

45 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης τερες τιμές. Η απλή εκθετική εξομάλυνση εφαρμόζεται σε περιπτώσεις όπου η ζήτηση δεν παρουσιάζει τάση, εποχικότητα ή κυκλικότητα. Γενικότερα οι μέθοδοι εκθετικής εξομάλυνσης είναι πολύ δημοφιλής εξαιτίας των πλεονεκτημάτων τους, αυτά είναι η ευκολία εφαρμογής τους, η ακρίβεια των αποτελεσμάτων τους και η απλότητα τους που τις καθιστά κατανοητές στους χρήστες. Επίσης οι μέθοδοι αυτοί είναι κατάλληλες για όλες τις προβλέψεις ανεξάρτητα του χρονικού ορίζοντα. Εκθετική Εξομάλυνση με προσαρμογή στην Τάση Η Εκθετική Εξομάλυνση με προσαρμογή στην Τάση (Trend- adjusted exponential smoothing or Holt s Method) αυτή χρησιμοποιείται όταν υπάρχει τάση στη ζήτηση. Η μέθοδος αυτή έχει δύο παραμέτρους εξομάλυνσης, την παράμετρο α για την εξομάλυνση των τιμών της χρονοσειράς και την παράμετρο β για την εξομάλυνση της τάσης. Η εφαρμογή της μεθόδου βασίζεται στην ακόλουθη διαδικασία που στηρίζεται σε τρεις εξισώσεις : 1. Η πρώτη εξίσωση εξομαλύνει τις τιμές της χρονοσειράς : 2. Η δεύτερη εξίσωση εξομαλύνει την τάση : S t = αa t + (1-α)(S t-1 +T t-1 ) (3-5) T t = β(s t - S t-1 )+(1-β)T t-1 (3-6) 3. Η τρίτη εξίσωση υπολογίζει την πρόβλεψη συμπεριλαμβανομένης της τάσης : FIT t+1 = S t +T t (3-7) όπου, FITt +1 : η πρόβλεψη συμπεριλαμβανομένης της τάσης για την επόμενη περίοδο t+1 S t : οι εξομαλυνθείσες τιμές της χρονοσειράς που προκύπτουν από την εξομάλυνση για την περίοδο t T t : οι εξομαλυνθείσες τιμές της τάσης για την περίοδο t α: συντελεστής εξομάλυνσης των τιμών της χρονοσειράς, 0 < α < 1 β: συντελεστής εξομάλυνσης της τάσης, 0 < β < 1 Η επιλογή των δύο συντελεστών εξομάλυνσης επηρεάζει το μέγεθος των σφαλμάτων, η εύρεση των βέλτιστων τιμών γίνεται μέσω της ελαχιστοποίησης του μέσου τετραγωνικού σφάλματος, ο τρόπος υπολογισμός του οποίου αναφέρεται στη συνέχεια του παρόντος κεφαλαίου. Είναι σκόπιμο να αναφέρουμε ότι οι συντελεστές α και β επηρεάζονται από τις αρχικές τιμές της ζήτησης που χρησιμοποιούνται στην αρχή της εφαρμογής της μεθόδου που όμως η επιρροή τους εξασθενεί και μηδενίζεται μετά από έναν μεγάλο αριθμό περιόδων. Εκθετική εξομάλυνση με προσαρμογή στην Τάση και την Εποχικότητα Όπως είναι φανερό από την ονομασία της η μέθοδος αυτή χρησιμοποιείται όταν υπάρχει τάση και εποχικότητα στη ζήτηση. Αποτελεί επέκταση της προηγούμενης μεθόδου καθώς ο υπολογισμός της απαιτεί την ύπαρξη μιας ακόμα εξίσωσης για τον υπολογισμό της εποχικής συνιστώσας της χρονοσειράς. Επομένως προκειμένου να κάνουμε πρόβλεψη με Εκθετι- Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 45

46 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης κή εξομάλυνση με προσαρμογή στην τάση και την Εποχικότητα (Holt - Winters Method) χρειαζόμαστε τις εξής τέσσερις εξισώσεις : 1. Στην πρώτη εξίσωση κάνουμε επίκαιρη την εκθετικά εξομαλυνθείσα σειρά : S t = αa t /I t-l + (1-α) (S t-1 +T t-1 ) (3-8) 2. Στην δεύτερη κάνουμε επίκαιρο τον εκτιμητή της τάσης: T t = β(s t -S t-1 )+(1-β)T t-1 (3-9) 3. Στην τρίτη εξίσωση κάνουμε επίκαιρη την εκτίμηση της εποχικότητας: I t = γa t /S t +(1-γ)I t-l (3-10) 4. Στην τελευταία εξίσωση προβλέπουμε τη ζήτηση: F t+1 = (S t +T t ) I t-l+1 (3-11) όπου, S t : η αρχική πρόβλεψη της τρέχουσας περιόδου t I t : ο δείκτης εποχικότητας της τρέχουσας περιόδου t I t-l : ο δείκτης εποχικότητας του προηγούμενου έτους (L = 12) F t+ 1: η τελική μελλοντική πρόβλεψη διορθωμένη με το στοιχείο της εποχικότητας A t : η πραγματική ζήτηση της τρέχουσας περιόδου t α: η σταθερά εξομάλυνσης με 0 α 1 β: η σταθερά εξομάλυνσης τάσης με 0 β 1 γ: η σταθερά εξομάλυνσης εποχικότητας με 0 γ 1 Διάσπαση Χρονοσειρών Η διάσπαση χρονοσειρών (decomposition of time series) είναι μια άλλη μέθοδος που ανήκει στην κατηγορία των μεθόδων της χρονολογικής σειράς. Η κεντρική ιδέα της μεθόδου αυτής είναι η διάσπαση των χρονοσειρών στα τέσσερα συστατικά τους στοιχεία, δηλαδή στη τάση, την εποχικότητα, την κυκλικότητα και την τυχαιότητα, ώστε να εκτιμηθούν και να εξεταστούν ξεχωριστά. Στην ανάλυση χρονοσειρών (ιδιαίτερα οικονομικών), υποτίθεται ότι οι τρεις συστηματικές συνιστώσες και η τυχαία συνιστώσα είναι αποτέλεσμα διαφορετικών αιτίων. Διαχωρίζοντας τρεις συστηματικές συνιστώσες, ρίχνουμε κάποιο φως στη φύση των παραγόντων που τις προκαλούν. Η γνώση αυτή μας επιτρέπει να προβάλουμε την επίδραση της συστηματικής συνιστώσας στο μέλλον. Στη συνέχεια, κάνοντας εκτιμήσεις ή υποθέσεις για τη μη-κανονική συνιστώσα μπορούμε να προχωρήσουμε στην πρόβλεψη. Τα δύο απλούστερα μοντέλα χρονοσειρών που φανερώνουν τον τρόπο με τον οποίο οι παρατηρήσεις της χρονοσειράς προσδιορίζονται από τα συνθετικά τους στοιχεία είναι το αθροιστικό μοντέλο (additive model) και το πολλαπλασιαστικό μοντέλο (multiplicative model). Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 46

47 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Στο αθροιστικό μοντέλο(additive model) οι πραγματικές τιμές της χρονοσειράς θεωρούνται ως το άθροισμα των τεσσάρων συνθετικών στοιχείων της. Δηλαδή : όπου, Y t : πραγματική τιμή της χρονοσειράς, C t = κυκλικότητα, S t : εποχικότητα I t : μη κανονικότητα για t=1,2,n. Y t = T t +C t +S t +I t (3-12) Είναι αναγκαίο να τονίσουμε ότι στη παραπάνω διατύπωση κάθε όρος εκφράζεται με τις ίδιες φυσικές ή χρηματικές μονάδες. Στο πολλαπλασιαστικό μοντέλο (multiplicative model) κάνουμε την υπόθεση ότι οι πραγματικές τιμές της χρονοσειράς προσδιορίζονται από το γινόμενο των τεσσάρων συνθετικών της στοιχείων. Δηλαδή: Y t = T t *C t *S t *I t (3-13) Στη διατύπωση αυτή μόνο η τάση είναι εκφρασμένη στην ίδια μονάδα μέτρησης με τις πραγματικές τιμές της χρονοσειράς. Οι άλλες συνιστώσες εμφανίζονται ως δείκτες ανεξάρτητοι από μονάδες μέτρησης. Πρακτικά η πολλαπλασιαστική μέθοδος χρησιμοποιείται περισσότερο καθώς το αθροιστικό μοντέλο παρουσιάζει περισσότερες δυσκολίες στην ανάλυση του. Αξίζει να σημειωθεί πως τα δύο μοντέλα μπορούν να συνδυαστούν και να δώσουν ένα μικτό μοντέλο (mixed model) όπου οι πραγματικές τιμές της χρονοσειράς υπολογίζοντα μερικώς αθροιστικά και μερικώς πολλαπλασιαστικά. Τέλος να τονίσουμε ότι η διάσπαση χρονοσειρών προϋποθέτει μεγάλο αριθμό παρατηρήσεων και μπορεί να εφαρμοστεί και για την παραγωγή μακροπρόθεσμων προβλέψεων σε αντίθεση με τις μεθόδους εξομάλυνσης που εξεταστήκαν σε προηγούμενες παραγράφους και είναι κατάλληλες μόνο για βραχυπρόθεσμες προβλέψεις. Επιπρόσθετα η μέθοδος αυτή είναι χρονοβόρα επιτρέπει όμως την διεξοδική μελέτη του τρόπου δημιουργίας των χρονοσειρών. Ολοκληρωμένα Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου Τα Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου (AutoRegressive Integrated Moving Average ARIMA) είναι γραμμικά στατιστικά μοντέλα ανάλυσης που χρησιμοποιούν χρονολογικές σειρές για να μελετήσουν την διαχρονική συμπεριφορά ενός μεγέθους και να κάνουν προβλέψεις. Τα μοντέλα αυτά βασίζονται σε μια περιγραφή ιστορικών μοτίβων στα δεδομένα για να κάνουν ακριβείς προβλέψεις. Τα ARIMA είναι κατάλληλα και για στάσιμες και για μη-στάσιμες χρονοσειρές αλλά μόνο για διακριτές χρονοσειρές, δηλαδή χρονοσειρές όπου οι παρατηρήσεις απέχουν μεταξύ τους ίσα χρονικά διαστήματα. Τα μοντέλα ARIMA είναι κατάλληλα για βραχυπρόθεσμες προβλέψεις καθώς δίνουν μεγαλύτερη σημασία στις πιο πρόσφατες παρελθοντικές παρατηρήσεις. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 47

48 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Το μοντέλο ARIMA αποτελείται από τρία στοιχεία, το στοιχείο της αυτοπαλινδρόμησης (AutoRegressive-AR) που περιγράφει την σχέση μεταξύ τρέχουσας και παρελθοντικών παρατηρήσεων, το στοιχείο της ολοκλήρωσης (Integrated-I) που αντιπροσωπεύει το στοιχείου του διαφορισμού για την εξάλειψη της στασιμότητας της χρονοσειράς και το κινητό μέσο (Moving Average-MA) που δείχνει την διάρθρωση της αυτοσυσχέτισης του σφάλματος. Συνήθως συμβολίζεται ως ARIMA(p,d,q) όπου p η αυτοπαλινδρόμηση, d η ολοκλήρωση και q ο κινητός μέσος. Για να γίνει ευκολότερα αντιληπτό το μοντέλο ARIMA θα αναλύσουμε ξεχωριστά τα μοντέλα AR, AM, ARMA και τελικά το μοντέλο ARIMA αφού πρώτα ορίσουμε τη διαδικασία του λευκού θορύβου που θα χρησιμοποιήσουμε παρακάτω. Η διαδικασία λευκού θορύβου είναι μια τυχαία διαδικασία όπου τυχαίες μεταβλητές είναι ασυσχέτιστες μεταξύ τους, έχουν μηδενική μέση τιμή και πεπερασμένη διακύμανση. Το Αυτοπαλινδρομούμενο μοντέλο Το Αυτοπαλινδρομούμενο μοντέλο (AutoRegressive models-ar) εκφράζει την τρέχουσα α- ξία της χρονοσειράς ως γραμμικό συνδυασμό των p προηγούμενων τιμών και του «λευκού θορύβου». Η τρέχουσα αξία υπολογίζεται από τον παρακάτω τύπο: Y t = φ 1 Y t-1 + +φ p Y t-p +a t (3-14) Όπου, φ 1 φ p : οι παράμετροι της αυτοπαλινδρόμησης a t : ο λευκός θόρυβος p: η τάξη του AR(p) Το μοντέλο κινητού Μέσου Το μοντέλο κινητού Μέσου (Moving Average models-ma) εκφράζει την τρέχουσα τιμή της χρονοσειράς ως το γραμμικό συνδυασμό μιας τρέχουσας τιμής και q παρελθοντικών τιμών και του λευκού θορύβου. Το μοντέλο του κινητού μέσου (MA) υπολογίζει την τρέχουσα τιμή ως εξής: Y t = a t -θ 1 a t θ q a t-q (3-15) όπου, q: η τάξη του MA(q) θ1 θq: παράμετροι του μοντέλου του κινητού μέσου Το αυτοπαλινδρομούμενο μοντέλο κινούμενου μέσου Το αυτοπαλινδρομούμενο μοντέλο κινούμενου μέσου (AutoRegressive Moving Average- ARMA) είναι ο συνδυασμός των δύο προηγούμενων μοντέλων, των AR και MA μοντέλων και δημιουργήθηκε ώστε να αυξηθεί η ευελιξία των χρονοσειρών κατά την προσαρμογή. Το ARMA(p,q) μοντέλο παριστάνεται από την παρακάτω σχέση: Y t = φ 1 Υ t φ p Y t-p +a t -θ 1 a t-1 -.-θ q a t-q (3-16) Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 48

49 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Το μοντέλο ARMA είναι κατάλληλο για στάσιμες χρονοσειρές, σε περιπτώσεις που οι χρονοσειρές δεν είναι στάσιμες οδηγούμαστε στο μοντέλο ARIMA. Το Ολοκληρωμένα Αυτοπαλινδρομικά Μοντέλα Κινητού Μέσου Όρου Η πρόβλεψη των μη στάσιμων χρονοσειρών με το μοντέλο ARIMA περιγράφεται από την παρακάτω σχέση: Y t+l = Φ 1 Y n+l Φ p +dy n+l-p-d +a n+l -θ 1 a n+l-1 - -θ q a n+l-q (3-17) για t = n+l. Υποθέτουμε ότι θέλουμε να προβλέψουμε για Y n + l για l = 1, 2,..., χρησιμοποιώντας δεδομένα Y n, Y n-1,... Για λόγους απλότητας, υποθέτουμε ότι τα δεδομένα αφορούν ένα αρκετά μεγάλο χρονικό διάστημα. Οι Box και Jenkins ανέπτυξαν μια διαφορετική μεθοδολογία για τα μοντέλα ARIMA η οποία δεν είναι ένα μοντέλο πρόβλεψης αλλά μια διαδικασία η οποία επιλέγει από μια ομάδα μοντέλων πρόβλεψης το καταλληλότερο για συγκεκριμένα δεδομένα χρονοσειρών. Η μέθοδος αυτή εφαρμόζεται όταν η χρονοσειρά δεν είναι στάσιμη και περιλαμβάνει τέσσερα στάδια ανάλυσης την ταυτοποίηση, την εκτίμηση, τον διαγνωστικό έλεγχο και τέλος την πρόβλεψη. Αν το μοντέλο που έχει αναπτυχθεί δεν ανταποκρίνεται στις προσδοκίες τότε επαναλαμβάνονται η εκτίμηση και ο διαγνωστικός έλεγχος ώστε να επιλεγεί ένα νέο μοντέλο Αιτιακές μέθοδοι ή μέθοδοι παλινδρόμησης Οι αιτιακές μέθοδοι ή μέθοδοι παλινδρόμησης (causal models) είναι μια άλλη κατηγορία ποσοτικών μεθόδων πρόβλεψης. Τα μοντέλα αυτά προσπαθούν να εντοπίσουν συσχετίσεις ανάμεσα σε μια εξαρτημένη μεταβλητή και μια ή περισσότερες ανεξάρτητες μεταβλητές που την επηρεάζουν, οι σχέσεις αυτές εκφράζονται με μαθηματικούς όρους και πιθανόν να είναι αρκετά πολύπλοκες. Η πιο δημοφιλής αιτιακή μέθοδος είναι η γραμμική παλινδρόμηση όπου η εξαρτημένη μεταβλητή συνδέεται με την ανεξάρτητη ή ανεξάρτητες μεταβλητές μέσω μιας γραμμικής σχέσης, υπάρχουν δύο κατηγορίες η απλή γραμμική παλινδρόμηση και πολλαπλή γραμμική παλινδρόμηση που εξετάζονται παρακάτω. Απλή γραμμική παλινδρόμηση Η απλή γραμμική παλινδρόμηση (linear regression) προσδιορίζει ποσοτικά τη γραμμική σχέση μεταξύ μιας εξαρτημένης μεταβλητής Υ και μιας ανεξάρτητης μεταβλητής Χ, η οποία επηρεάζει την εξαρτημένη μεταβλητή Υ. Η μαθηματική μορφή που λαμβάνει η απλή γραμμική παλινδρόμηση για τις μεταβλητές Χ και Υ είναι η ακόλουθη : όπου, Y : η εξαρτημένη μεταβλητή X : η ανεξάρτητη μεταβλητή a : σταθερά της εξίσωσης b : σταθερά της εξίσωσης Y= a + bx (3-18) Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 49

50 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Τα a και b είναι γνωστά ως συντελεστές παλινδρόμησης (regression coefficients),. η σταθερά a δείχνει που τέμνεται ο άξονας των X και η σταθερά b δείχνει την κλίση της γραμμής. Η απλή γραμμική παλινδρόμηση επιλέγει τις παραμέτρους a και b, οι οποίες ορίζουν μια ευθεία γραμμή που ελαχιστοποιεί το άθροισμα των τετραγώνων των σφαλμάτων ή τις α- ποκλίσεις από τη γραμμή. Αυτή η μέθοδος ονομάζεται μέθοδος ελαχίστων τετραγώνων. Ο υπολογισμός των παραμέτρων έχει ως εξής: Πρώτα υπολογίζεται η παράμετρος b: όπου, : ο μέσος όρος των τιμών του Y : ο μέσος όρος των τιμώ του X n: ο αριθμός των δεδομένων Και στη συνέχεια η παράμετρος a: b = (3-19) a = - b (3-20) Συντελεστής συσχέτισης Στην απλή γραμμική παλινδρόμηση είναι χρήσιμος ο υπολογισμός του συντελεστή συσχέτισης(correlation coefficient) που δείχνει τη γραμμική σχέση μεταξύ της ανεξάρτητης και της εξαρτημένης μεταβλητής. Ο συντελεστής συσχέτισης υπολογίζεται από την παρακάτω σχέση: r = (3-21) Όταν ο συντελεστής συσχέτισης ισούται με +1 τότε υπάρχει τέλεια θετική γραμμική σχέση μεταξύ των μεταβλητών που σημαίνει ότι όταν η ανεξάρτητη μεταβλητή αυξάνεται κατά μία μονάδα τότε και η εξαρτημένη μεταβλητή θα αυξηθεί αντίστοιχα κατά μία μονάδα. Ό- ταν ο συντελεστής ισούται με -1 τότε υπάρχει τέλεια αρνητική γραμμική σχέση μεταξύ των δύο μεταβλητών, δηλαδή όταν η ανεξάρτητη μεταβλητή αυξηθεί κατά μία μονάδα τότε η εξαρτημένη μεταβλητή θα μειωθεί κατά μία μονάδα. Όταν ο συντελεστής είναι μηδέν τότε δεν υπάρχει καμία γραμμική σχέση μεταξύ εξαρτημένης και ανεξάρτητης μεταβλητής. Γενικότερα τιμές του r πολύ κοντά στο 1 και στο -1 δείχνουν ισχυρή γραμμική σχέση. Πολλαπλή γραμμική παλινδρόμηση Η πολλαπλή παλινδρόμηση(multiple regression) είναι μια επέκταση της γραμμικής παλινδρόμησης. Ωστόσο, σε αντίθεση με τη γραμμική παλινδρόμηση όπου η εξαρτημένη μεταβλητή σχετίζεται με μία ανεξάρτητη μεταβλητή, η πολλαπλή παλινδρόμηση αναπτύσσει μια σχέση ανάμεσα σε μια εξαρτημένη μεταβλητή και πολλές ανεξάρτητες μεταβλητές. Ο γενικός τύπος για τη πολλαπλή παλινδρόμηση, έχει ως εξής: Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 50

51 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Y= B 0 + B 1 X 1 +B 2 X B K X K (3-22) όπου, Y: η εξαρτημένη μεταβλητή B 0 : το σημείο τομής με το Υ B 1, B 2 B K : συντελεστές που αντιπροσωπεύουν την επίδραση των ανεξάρτητων μεταβλητών στην εξαρτημένη μεταβλητή X 1,X 2. X K : ανεξάρτητες μεταβλητές Η εξίσωση της πολλαπλής γραμμικής παλινδρόμησης είναι γραμμική ως προς τους συντελεστές. Ο εκθέτης κάθε συντελεστή B ισούται με τη μονάδα, γεγονός που εξασφαλίζει τη γραμμικότητα και οι τιμές των συντελεστών αυτών μπορούν να προκύψουν με εφαρμογή της μεθόδου των ελαχίστων τετραγώνων. Βασικό πλεονέκτημα αυτής της μεθόδου είναι ότι μπορούν να θεωρηθούν και να διερευνηθούν ένας σημαντικός αριθμός διαφορετικών σχέσεων. 3.8 Ακρίβεια Πρόβλεψης Η ακρίβεια της πρόβλεψης για την οποία γίνεται λόγος σε όλες τις μεθόδους που έχουμε μελετήσει μέχρι αυτό το σημείο, αποτελεί σημαντικό παράγοντα ώστε να γίνει η επιλογή του κατάλληλου μοντέλου πρόβλεψης. Η απόδοση της ακρίβειας είναι σημαντικό να γίνεται σε συνάρτηση με το χρόνο καθώς τα δεδομένα μεταβάλλονται διαρκώς. Το σφάλμα πρόβλεψης είναι ένα καλό μέτρο για να εκτιμηθεί η ακρίβεια της πρόβλεψης Σφάλματα προβλέψεων Οι προβλέψεις πάντα εμπεριέχουν κάποιο σφάλμα. Τα σφάλματα διακρίνονται σε στατιστικά και σε τυχαία. Τα στατιστικά σφάλματα οφείλονται στο μοντέλο πρόβλεψης, είτε σε κακή εκτίμηση του είτε στη παράλειψη κάποιων παραγόντων που επηρεάζουν την ζήτηση όπως για παράδειγμα η εποχικότητα. Τα τυχαία λάθη είναι αποτέλεσμα μη προβλέψιμων παραγόντων που επηρεάζουν τη ζήτηση. Η προβλεπόμενη ζήτηση θα είναι πάντα μεγαλύτερη ή μικρότερη από την πραγματική απαίτηση και σχεδόν ποτέ ίση με αυτήν. Η διαφορά μεταξύ της πρόβλεψης και της πραγματικής ζήτησης καλείται σφάλμα πρόβλεψης. Ο στόχος της πρόβλεψης είναι η ελαχιστοποίηση του σφάλματος. Αν το μέγεθος του σφάλματος είναι μεγάλο αυτό μπορεί να σημαίνει ότι είτε η τεχνική πρόβλεψης είναι λάθος είτε ότι χρειάζεται τροποποίηση στις παραμέτρους. Το σφάλμα των προβλέψεων μπορεί να μετρηθεί συγκρίνοντας τις προβλέψεις με τις πραγματικές τιμές της ζήτησης. Έστω Ft η πρόβλεψη της ζήτησης για την περίοδο t και At η πραγματική ζήτηση περιόδου t. Το σφάλμα της πρόβλεψης et ορίζεται ως ακολούθως: όπου, Y t : η πραγματική ζήτηση της περιόδου t F t : η προβλεπόμενη ζήτηση της περιόδου t e t : σφάλμα της πρόβλεψης της ζήτησης e t = Y t -F t (3-23) Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 51

52 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Η συνολική επίδοση ενός μοντέλου πρόβλεψης για ένα χρονικό ορίζοντα πολλών περιόδων, υπολογίζεται αθροίζοντας τα σφάλματα πρόβλεψης κάθε περιόδου. Αρνητικές τιμές υποδηλώνουν υπερεκτίμηση της ζήτησης, ενώ θετικές τιμές δείχνουν υποεκτίμηση της ζήτησης, μεγάλες θετικές τιμές του σφάλματος πρόβλεψης αντισταθμίζονται από μεγάλες αρνητικές. Για το λόγο αυτό χρησιμοποιούνται κυρίως μέσες τιμές και μετρήσεις με απόλυτες τιμές σφάλματος όπως θα δούμε παρακάτω στους δείκτες σφαλμάτων Δείκτες Σφαλμάτων Για να μετρήσουμε την ακρίβεια των προβλέψεων που εξάγονται από κάποιο μοντέλο, απαιτείται ο υπολογισμός δεικτών σφάλματος. Ενδεικτικά παρατίθενται κάποιοι τύποι υπολογισμού συγκεκριμένων δεικτών σφάλματος: I. Μέσο σφάλμα (Mean Error - ME) : Το μέσο σφάλμα προκύπτει ως ο μέσος όρος των σφαλμάτων όπως φαίνεται από την παρακάτω σχέση: ME = (3-24) Τιμές του δείκτη κοντά στο μηδέν υποδηλώνουν ότι τα σφάλματα είναι τυχαία. Όταν το μέσο σφάλμα λαμβάνει θετικές τιμές τότε η προβλεπόμενη ζήτηση είναι μικρότερη από την πραγματική ζήτηση των καταναλωτών με αποτέλεσμα η επιχείρηση να μην ικανοποιεί τις ανάγκες των πελατών της και να χάνει την εμπιστοσύνη τους. Αντίθετα όταν το μέσο σφάλμα λαμβάνει αρνητικές τιμές η προβλεπόμενη ζήτηση είναι μεγαλύτερη από την πραγματική και έτσι κάποια προϊόντα μένουν αδιάθετα επιβαρύνοντας τα λειτουργικά κόστη της ε- πιχείρησης με το κόστος συντήρησης και αποθήκευσης. Το μειονέκτημα του δείκτη αυτού είναι ότι οι μεγάλες θετικές αποκλίσεις εξουδετερώνονται από τις μεγάλες αρνητικές αποκλίσεις με αποτέλεσμα να προκύπτει μικρό μέσο σφάλμα αν και υπάρχουν μεγάλες θετικές ή αρνητικές αποκλίσεις. II. Μέσο τετραγωνικό σφάλμα (Mean Squared Error-MSE): Το μέσο τετραγωνικό σφάλμα είναι ο μέσος όρος των τετραγώνων των σφαλμάτων όπως φαίνεται και από την σχέση (3-25): MSE = (3-25) Ο δείκτης αυτός εξουδετερώνει τις μεγάλες αποκλίσεις ανάμεσα στην προβλεπόμενη και την πραγματική ζήτηση. Όπως είναι αναμενόμενο επηρεάζεται σημαντικά από τα μεγάλα σφάλματα, λόγω του τετραγωνισμού και πολύ λιγότερο από τα μικρότερα. Χρησιμοποιείται κυρίως για τον υπολογισμό των βέλτιστων συντελεστών εξομάλυνσης. III. Μέσο απόλυτο σφάλμα ή Μέση απόλυτη απόκλιση (Mean Absolute Error ΜΑΕ ή Mean Absolute Deviation ΜAD): Το μέσο απόλυτο σφάλμα υπολογίζεται λαμβάνοντας υπόψιν τον μέσο όρο την απόλυτης τιμής των σφαλμάτων όπως βλέπουμε στον ακόλουθο τύπο: Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 52

53 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης MAD = (3-26) Ο δείκτης αυτός είναι απαλλαγμένος από το μειονέκτημα του μέσου σφάλματος. Το μέσο απόλυτο σφάλμα δείχνει το μέγεθος των αποκλίσεων μεταξύ της προβλεπόμενης και της πραγματικής ζήτησης δεν δίνει όμως το πρόσημο τους. Όσο μεγαλύτερη είναι η τιμή αυτού του δείκτη τόσο μικρότερη είναι η ακρίβεια της πρόβλεψης. IV. Ρίζα του μέσου τετραγωνικού σφάλματος (Root Mean Squared Error - RMSE): Ο δείκτης αυτός είναι η ρίζα του μέσου τετραγωνικού σφάλματος όπως δείχνει και η παρακάτω σχέση: RMSE = = (3-27) Η ρίζα του μέσου τετραγωνικού σφάλματος έχει τις ίδιες ιδιότητες με το μέσο τετραγωνικό σφάλμα. Ο δείκτης αυτός είναι εκφρασμένος στις ίδιες μονάδες με την αρχική ζήτηση σε αντίθεση με το μέσο τετραγωνικό σφάλμα που είναι υψωμένο στο τετράγωνο. V. Mέσο απόλυτο ποσοστιαίο σφάλμα (Mean Absolute Percentage Error - MAPE): Το μέσο απόλυτο ποσοστιαίο σφάλμα υπολογίζεται επί τοις εκατό βάσει του λόγου του σφάλματος προς την πραγματική τιμή της ζήτησης σε απόλυτες τιμές όπως φαίνεται από τον παρακάτω τύπο: MAPE =. 100% (3-28) Ο δείκτης αυτός μετράει πόσο έχει αποκλίνει η πρόβλεψη ως ποσοστό της πραγματικής ζήτησης και όπως γίνεται φανερό από την παραπάνω σχέση (3-28) και δεν λαμβάνει ποτέ αρνητικές τιμές. Χρησιμοποιείται συνήθως όταν υπάρχουν μεγάλες θετικές τιμές στα δεδομένα μιας χρονοσειράς και δεν ενδείκνυται όταν η ζήτηση είναι διακοπτόμενη καθώς αντιμετωπίζει πρόβλημα απροσδιοριστίας. VI. Συμμετρικό μέσο απόλυτο ποσοστιαίο σφάλμα (Symmetric Mean Absolute Percentage Error - smape): Το συμμετρικό μέσο απόλυτο ποσοστιαίο σφάλμα υπολογίζεται από τον παρακάτω τύπο: smape =.100% (3-29) Ο δείκτης αυτός μαζί με τον προηγούμενο δείκτη, το μέσο απόλυτο ποσοστιαίο σφάλμα, χρησιμοποιούνται στην ανάλυση της ακρίβειας των προβλέψεων. Η διαφορά του δείκτη smape με τον δείκτη MAPE είναι ότι μπορεί να αντιμετωπίσει την απροσδιοριστία σε περιπτώσεις διακοπτόμενης ζήτησης. Επιπλέον ο smape αποφεύγει τα μεγάλα σφάλματα ό- ταν υπάρχει μεγάλη διαφορά μεταξύ προβλεπόμενης και πραγματικής ζήτησης. Όμως ο δείκτης αυτός αντιμετωπίζει διαφορετικά τις αισιόδοξες από τις απαισιόδοξες προβλέψεις επομένως δεν είναι και τόσο συμμετρικός. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 53

54 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης VII. Διάμεσος του απόλυτου ποσοστιαίου σφάλματος (Median Absolute Percentage Error - MdAPE): Ο δείκτης αυτός είναι η διάμεσος του απόλυτου ποσοστιαίου σφάλματος και υπολογίζεται ως εξής: MdAPE = median (APE) = median (.100%) (3-30) Ο δείκτης αυτός παρουσιάζει μεγαλύτερη σταθερότητα έναντι των σφαλμάτων της χρονοσειράς για αυτό και προτιμάται από το μέσο απόλυτο ποσοστιαίο σφάλμα (MAPE). VIII. Διάμεσος του συμμετρικού απόλυτου ποσοστιαίου σφάλματος (Symmetric Median Absolute Percentage Error - smdape): Ο δείκτης αυτός υπολογίζει τη διάμεσο του συμμετρικού απόλυτου ποσοστιαίου όπως φαίνεται από την παρακάτω σχέση: SMdAPE = median (. 100%) (3-31) Ο δείκτης αυτός είναι κατάλληλος για χρονοσειρές με πολύ μικρές τιμές παρατηρήσεων. Ο smdape δίνει μεγαλύτερη βαρύτητα στα θετικά από τα αρνητικά σφάλματα επομένως δεν δικαιολογεί απόλυτα το συμμετρικό του χαρακτήρα ωστόσο σε μικρότερο βαθμό σε σχέση με τον smape που έχει το ίδιο μειονέκτημα. 3.9 Τεχνητά Νευρωνικά Δίκτυα Οι παραδοσιακές τεχνικές αντιμετωπίζουν κάποια σημαντικά προβλήματα και περιορισμούς που επηρεάζουν την ακρίβεια των προβλέψεων, μερικά από τα οποία είναι τα εξής: Η έλλειψη εμπειρίας μπορεί να έχει ως αποτέλεσμα τον καθορισμό λανθασμένων προδιαγραφών για την σύνδεση μεταξύ ανεξάρτητων και εξαρτημένων μεταβλητών στις μεθόδους παλινδρόμησης γεγονός που θα οδηγήσει σε κακή παλινδρόμηση και ανακριβή πρόβλεψη ζήτησης. Μια πρόβλεψη είναι ακριβής μόνο όταν υπάρχει μεγάλος διαθέσιμος όγκος δεδομένων. Οι παραδοσιακές μέθοδοι δεν είναι κατάλληλες για μη-γραμμικά μοτίβα. Ακραίες τιμές στις παρατηρήσεις μπορεί να δημιουργήσουν προκατάληψη στην εκτίμηση των παραμέτρων ενός μοντέλου. Λάθη στην πρόβλεψη ζήτησης εντείνουν σημαντικά το φαινόμενο του μαστιγίου, το οποίο αναλύσαμε παραπάνω και ταλανίζει όλες τις εφοδιαστικές αλυσίδες. Πολλοί από τους ανωτέρω περιορισμούς και προβλήματα αντιμετωπίζονται με την χρήση των Τεχνητών Νευρωνικών Δικτύων (Artificial Neural Networks) Δομή Τεχνητών Νευρωνικών Δικτύων Τα Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) είναι μαθηματικά ή υπολογιστικά μοντέλα που προσομοιώνουν την λειτουργία των βιολογικών νευρώνων του ανθρώπινου εγκεφάλου ώστε να μαθαίνει να αναγνωρίζει μαθηματικά πρότυπα σε συγκεκριμένα δεδομένα. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 54

55 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Ένα τεχνητό νευρωνικό δίκτυο αποτελείται από ένα σύνολο κόμβων ή τεχνητών νευρώνων (neurons), τα οποία είναι οργανωμένα σε επάλληλα επίπεδα (layers). Η σύνδεση μεταξύ των νευρώνων γίνεται μέσω των συνάψεων (synapses). Τα ΤΝΔ αποτελούνται από τρία ή περισσότερα επίπεδα, το επίπεδο εισόδου (input layer), το επίπεδο εξόδου (output layer) και το κρυφό ή τα κρυφά επίπεδα (hidden layers). Στο ε- πίπεδο εισόδου εισάγεται το εκπαιδευτικό διάνυσμα ή το διάνυσμα ελέγχου, το οποίο επεξεργάζεται με μαθηματικές τεχνικές στο ένα ή στα περισσότερα κρυφά επίπεδα και τέλος τα αποτελέσματα της επεξεργασίας συγκεντρώνονται στο επίπεδο εξόδου για να μεταφερθούν στους ενδιαφερόμενους. Η δομή ενός ΤΝΔ φαίνεται στη παρακάτω εικόνα: Νευρωνικό Δίκτυο Νευρώνας Σύναψη Επίπεδο Εισόδου 1 ο Κρυφό Επίπεδο 2 ο Κρυφό Επίπεδο Επίπεδο Εξόδου Επίπεδο Εικόνα 3-7: Δομή Νευρωνικού Δικτύου (Πηγή: Κωνσταντίνος Διαμανταράς, 2007 ) Κάθε νευρώνας δέχεται μια σειρά τιμών εισόδου και αποδίδει μια τιμή εξόδου. Οι νευρώνες του πρώτου κρυφού επιπέδου λαμβάνουν ως τιμές εισόδου τις τιμές των νευρώνων του επιπέδου εισόδου με το οποίο είναι συνδεδεμένοι μέσω των συνάψεων. Όλα τα υπόλοιπα κρυφά επίπεδα λαμβάνουν ως τιμές εισόδου, τις τιμές εξόδου των νευρώνων των κρυφών επιπέδων με τα οποία είναι συνδεδεμένα. Η σύνδεση των νευρώνων υλοποιείται με βάρη. Η λειτουργία ενός τεχνητού νευρώνα δίνεται από την παρακάτω σχέση: O = f(net) = f( ) (3-32) Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 55

56 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης όπου, O: η έξοδος που δίνει το νευρωνικό δίκτυο x1 xn: οι τιμές εισόδου που δέχεται ο νευρώνας w1 wn: τα βάρη που έχει αντίστοιχα κάθε είσοδος f(net): η συνάρτηση μεταφοράς όπου η μεταβλητή net είναι το βαθμωτό γινόμενο των βαρών και των εισροών και υπολογίζεται από την σχέση net = = w1x1+ +wnxn Εικόνα 3-8: Δομή νευρώνα νευρωνικού δικτύου (Πηγή: Ashvin Kochak and Suman Sharma, 2015) Τα τεχνητά νευρωνικά δίκτυα στην πρόβλεψη ζήτησης Τα τεχνητά νευρωνικά δίκτυα είναι αρκετά δημοφιλή στην πρόβλεψη ζήτησης λόγω των ιδιαίτερων γνωρισμάτων και δυνατοτήτων τους που ξεπερνούν πολλές από τις αδυναμίες και τους περιορισμούς των κλασσικών μεθόδων ζήτησης που έχουμε μελετήσει προηγουμένως. Αρχικά η μη-γραμμικότητα τους επιτρέπει την πρόβλεψη και σε μη γραμμικά δεδομένα. Επίσης τα ΤΝΔ είναι πολύ καλά στην αναγνώριση προτύπων και στην ανίχνευση τάσεων στα διαθέσιμα δεδομένα. Οι προβλέψεις που δημιουργούνται είναι τις περισσότερες φορές άμεσες και ακριβείς καθώς ο υψηλός παραλληλισμός των ΤΝΔ έχει ως αποτέλεσμα η επεξεργασία των δεδομένων να πραγματοποιείται με ταχύτατους ρυθμούς. Ως αναφορά την ακρίβεια των προβλέψεων οφείλεται στο χαρακτηριστικό των τεχνητών νευρωνικών δικτύων να μην παρουσιάζουν ευαισθησία ως προς το «θόρυβο». Ένα από τα μεγαλύτερα πλεονεκτήματα τους είναι η ανοχή τους στο σφάλμα και την αποτυχία που σε συνδυασμό με την ευελιξία που παρουσιάζουν αλλά και την δυνατότητα της άμεσης εκμάθησης του συστήματος μπορούν άμεσα να ενημερώσουν και να τροποποιήσουν τα την εσωτερική δομή του συστήματος. Τα ΤΝΔ μπορούν να αντιλαμβάνονται λειτουργικές σχέσεις ακόμα και σε εμπειρικά δεδομένα, ακόμη και όταν οι σχέσεις είναι δύσκολο να περιγράφουν καθιστώντας δυνατή την πρόβλεψη ζήτησης σε αυτά τα δεδομένα Ευφυΐα Εφοδιαστικής Αλυσίδας Όπως έγινε αντιληπτό οι Εφοδιαστικές αλυσίδες είναι σύνθετα και περίπλοκα συστήματα, καθώς περιλαμβάνουν ένα σιλό πληροφοριών που είναι δύσκολο να αναλυθούν και να ε- νοποιηθούν. Επιπρόσθετα οι απαιτήσεις των καταναλωτών για υψηλής ποιότητας προϊόντα και υπηρεσίες ολοένα και αυξάνονται. Η ανάλυση της εφοδιαστικής αλυσίδας και η ικανοποίηση των πελατών μπορεί να επιτευχθεί με τη χρήση της Επιχειρηματικής Ευφυΐα εφόσον εξ ορισμού έχει την ικανότητα να λαμβάνει και να επεξεργάζεται την σωστή απόφαση, τη σωστή στιγμή και να συνεργάζεται με τους κατάλληλους εταίρους. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 56

57 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Η Ευφυΐα της Εφοδιαστικής Αλυσίδας (Supply Chain Intelligence - SCI) είναι μια νέα πρωτοβουλία που παρέχει την δυνατότητα να αποκαλύπτει ευκαιρίες για την μείωση τους κόστους, την τόνωση των εσόδων, την αύξηση ικανοποίησης των πελατών και την αξιοποίηση της συλλογικής λήψης απόφασης. Λαμβάνει μια πολυδιάστατη άποψη της Αλυσίδας Εφοδιασμού χρησιμοποιώντας πρότυπα και κανόνες για χρήσιμες και ουσιαστικές πληροφορίες που μπορούν να ανακαλυφθούν από τα δεδομένα [6]. Η Ευφυΐα της Εφοδιαστικής Αλυσίδας είναι ένα στρατηγικό εργαλείο για την απόκτηση ανταγωνιστικού πλεονεκτήματος, προσφέρει ένα νέο τρόπο για το σχεδιασμό, την οργάνωση, την διαχείριση, την παράδοση και την διάθεση προϊόντων ή υπηρεσιών στην αγορά. Το SCI έχει την ικανότητα να δημιουργεί, να συσσωρεύει και να διαδίδει πληροφορίες που είναι απαραίτητες για τις επιδόσεις των επιχειρήσεων και την οικονομική τους ανάπτυξη. Στις σημερινές δυναμικές αγορές η Ευφυΐα της Εφοδιαστικής Αλυσίδας γίνεται ολοένα και περισσότερο αναγκαία και ζωτικής σημασίας για την επιβίωση μιας επιχείρησης. Οι τεχνολογίες που σχετίζονται με την Διαχείριση της Εφοδιαστικής Αλυσίδας αποσκοπούν στην παροχή αποτελεσματικότητας στις λειτουργικές και συναλλακτικές διαδικασίες της επιχείρησης στην προμήθεια, στην κατασκευή και διανομή των προϊόντων στο εσωτερικό της αλυσίδας εφοδιασμού. Τα δεδομένα που παράγονται και συλλέγονται από τα συστήματα του SCM αποτελούν την πηγή για τις τεχνολογίες του SCI ώστε να εξάγουν ουσιαστική πληροφόρηση που είναι χρήσιμη στα στελέχη για την λήψη στρατηγικών αποφάσεων. Οι κατηγορίες των πληροφοριών κυμαίνονται από what-if σενάρια για αναδιαμόρφωση των βασικών λειτουργιών στην προμήθεια, παράγωγη και διανομή, για τη μέτρηση της ικανότητας μιας αλυσίδας εφοδιασμού για να παράγει οικονομικά και αποδοτικά προϊόντα. Η πρωταρχική πηγή για το BI είναι τα εσωτερικά λειτουργικά συστήματα, ενώ το SCI ενσωματώνει δεδομένα από τα συστήματα πληροφοριών σε εταίρο και προμηθευτή. Τα δεδομένα στη συνέχεια αναλύονται και τα αποτελέσματα διανέμονται σε όλα τα εμπλεκόμενα μέρη κατά μήκος ότι αλυσίδας. Οι οργανισµοί µπορούν να εφαρµόσουν την Επιχειρηματική Ευφυΐα στους ακόλουθους τοµείς της εφοδιαστικής αλυσίδας [7] : Εξισορρόπηση πόρων εφοδιαστικής αλυσίδας (Plan Analytics). Βελτίωση εισερχόμενης (inbound) ενοποίησης εφοδιαστικής αλυσίδας και βελτιστοποίηση (Source Analytics). Παροχή ενόρασης στην παραγωγική διαδικασία (Make Analytics). Βελτίωση εξερχόμενης (outbound) εφοδιαστικής αποτελεσματικότητας και αποδοτικότητας (Deliver Analytics). Διαχείριση των επιστροφών των προϊόντων αποτελεσματικά και αποδοτικά (Return Analytics). Η χρήση BI εργαλείων στην εφοδιαστική αλυσίδα εξυπηρετεί όλες τις διαδικασίες της και στοχεύει [7]: Στη βελτίωση της καθαρότητας των δεδομένων, έτσι ώστε να μειωθεί η απογραφή. Στην ανάλυση του επιπέδου εξυπηρέτησης των πελατών για να προσδιορίσει συγκεκριμένες προβληματικές περιοχές. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 57

58 3ο Κεφάλαιο: Διαχείριση Εφοδιαστικής Αλυσίδας και Πρόβλεψη Ζήτησης Στην καλύτερη κατανόηση των πηγών της μεταβλητότητας της ζήτησης ώστε να βελτιωθεί η ακρίβεια της πρόβλεψης. Στην ανάλυση της μεταβλητότητας της παραγωγής για την λήψη διορθωτικών μέτρων όπου είναι απαραίτητο. Στην ανάλυση των επιδόσεων των μεταφορών, ώστε να μειωθεί το κόστος μεταφορών με την χρήση του καταλληλότερου παρόχου. Η πρόβλεψη της ζήτησης αποτελεί την βάση για την λήψη πολλών αποφάσεων μέσα στην επιχείρηση και είναι μία από τις βασικές εφαρμογές της εξόρυξης δεδομένων. Απλά μοντέλα πρόβλεψης αλλά και προηγμένες τεχνικές πρόβλεψης ζήτησης, που έχουν εξεταστεί στο κεφάλαιο αυτό μπορούν να δημιουργηθούν χρησιμοποιώντας μια σειρά από παράγοντες, όπως στοιχεία πωλήσεων, βασικούς οικονομικούς δείκτες και άλλα δεδομένα που διαθέτει η επιχείρηση ώστε να πετύχει την ακριβέστερη μελλοντική ζήτηση. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 58

59 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας 4ο ΚΕΦΑΛΑΙΟ: ΛΟΓΙΣΜΙΚΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΗΣ ΕΥΦΥΪΑΣ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΕΦΟΔΙΑΣΤΙΚΗΣ ΑΛΥΣΙΔΑΣ Η διαχείριση της Εφοδιαστικής Αλυσίδας έχει ως στόχο την ολοκλήρωση των εσωτερικών και εξωτερικών διεργασιών της επιχείρησης, καθώς και το συντονισμό των μελών που συμμετέχουν και αλληλεπιδρούν σε αυτή. Η διάχυση των πληροφοριών σε όλο το μήκος της εφοδιαστικής αλυσίδας είναι απαραίτητη ώστε τα μέλη της να μπορέσουν να συντονίσουν τις δικές τους δραστηριότητες με εκείνες των υπολοίπων και να χειριστούν τις σχέσεις αλληλεξάρτησης που έχουν δημιουργηθεί μεταξύ τους. Επιπρόσθετα τα τελευταία χρόνια οι επιχειρήσεις έχουν κατανοήσει την αναγκαιότητα της επεξεργασίας και ανάλυσης των δεδομένων που διαθέτουν και την μετατροπή τους σε χρήσιμες πληροφορίες, ώστε να παρθούν οι σωστές αποφάσεις γρήγορα και αποτελεσματικά σε όλα τα επίπεδα του οργανισμού ενώ έχουν στραφεί σε συστήματα ενδοεπιχειρησιακού σχεδιασμού που περιλαμβάνουν εργαλεία Επιχειρηματικής Ευφυΐας, προσθέτοντας με τον τρόπο αυτό ευφυΐα στην Ευφυΐα στην εφοδιαστική τους αλυσίδα. Όπως είναι αναμενόμενο η αγορά της πληροφορικής έχει ανταπεξέλθει στην επιθυμία αυτή των επιχειρήσεων δημιουργώντας ένα πλήθος τεχνολογικών προϊόντων. Στο παρών κεφάλαιο θα παρουσιαστούν κάποια από τα πιο διαδεδομένα λογισμικά κλειστού κώδικα αλλά και ελεύθερου λογισμικού. 4.1 Λογισμικά Κλειστού Κώδικα Στην αγορά επιχειρησιακών συστημάτων και συστημάτων Επιχειρηματικής Ευφυΐας δραστηριοποιούνται οι παρακάτω εταιρείες: SAS Η SAS (Statistical Analysis System) είναι μια εταιρεία που από το 1976 προσφέρει τεχνολογικές λύσεις και υπηρεσίες Business Intelligence και Business Analytics. Οι λύσεις της χρησιμοποιούνται σε πάνω από εγκαταστάσεις πελατών σε 148 χώρες, συμπεριλαμβανομένης και της Ελλάδας, ενώ μεταξύ των εταιρειών που τις χρησιμοποιούν περιλαμβάνονται 91 από τις 100 κορυφαίες εταιρείες του FORTUNE Global 500. Η SAS προσφέρει λογισμικό που εξυπηρετεί τις ανάγκες μεγάλων αλλά και μικρομεσαίων επιχειρήσεων όλων των επιχειρηματικών κλάδων. Οι λύσεις της SAS επιτρέπουν την ταχύτατη ανάλυση τεράστιων όγκων διάσπαρτων επιχειρησιακών δεδομένων, παρέχοντας σε μεγάλους οργανισμούς την δυνατότητα να επιλύουν σύνθετα επιχειρησιακά προβλήματα. Οι λύσεις που προσφέρει είναι οι παρακάτω [5] Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 59

60 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας Λογισμικό αναλυτικής των επιχειρήσεων (Business Intelligence and Analytics) με τη χρήση εργαλείων οπτικοποίησης, εύκολων αναλύσεων, συνεργασίας, διαδραστικής πληροφόρησης και πινάκων καθώς και τη χρήση κινητών συσκευών. Λογισμικό διαχείρισης των πελατών και του μάρκετινγκ (Customer Intelligence) για την ανάλυση της καταναλωτικής συμπεριφοράς, την κατανόηση της αλληλεπίδραση της ε- πιχείρησης με τους πελάτες της καθώς και τον βαθμό ικανοποίηση τους. Λογισμικό ασφάλειας και αντιμετώπισης απάτης (Fraud and Security Intelligence) για την ανίχνευση δόλιων πληρωμών με χρήση κανόνων, μεθόδων εντοπισμού ανωμαλιών και προγνωστικής ανάλυσης και διασφάλιση της συμμόρφωσης με κανονιστικές διατάξεις, ελέγχοντας συναλλαγές για παράνομες δραστηριότητες. Λογισμικό για τη διαχείριση του ρίσκου (Risk Management), ασχολείται με θέματα διαχείρισης κινδύνων όπως με τη διαχείριση του πιστωτικού κινδύνου, κινδύνου ασφάλισης και με δοκιμές αντοχής πιστωτικών ιδρυμάτων. Λογισμικό για την διαχείριση των αποφάσεων (Decision Management) ώστε να αυτοματοποιηθούν οι αποφασίσεις που βασίζονται σε αναλυτικά στοιχεία για την αύξηση της αποδοτικότητας της επιχείρησης και την λήψη αποφάσεων για έξυπνες επιχειρηματικές κινήσεις. Λογισμικό για την διαχείριση της Εφοδιαστικής Αλυσίδας (Supply Chain Intelligence) με τη χρήση εργαλείων για την πρόβλεψη της ζήτησης, την καλύτερη ποιότητα των προϊόντων και των επιχειρηματικών διαδικασιών και την μείωση του κόστους. Λογισμικό για τη διαχείριση των δεδομένων (Data Management) πρόκειται για μία πλατφόρμα για την ενσωμάτωση, προετοιμασία, την επεξεργασία και την ποιότητα των δεδομένων. Ανάλυση δεδομένων μεγάλου όγκου (Big Data). Λειτουργία σε περιβάλλον υπολογιστικού νέφους (SAS Cloud Analytics) που προσφέρεται ως υπηρεσία από την SAS. Η εταιρεία προσφέρει ένα μεγάλο αριθμό προϊόντων για την εξυπηρέτηση των αναγκών κάθε επιχείρησης καθώς δυνατότητα εκπαίδευσης και τεχνική υποστήριξη. Θα πρέπει να αναφέρουμε ότι σε παγκόσμια κλίμακα αποτελεί έναν από τους σημαντικότερους παρόχους συστημάτων Επιχειρηματικής Ευφυΐας. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 60

61 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας Εικόνα 4-1: Οι λύσεις που προσφέρει η SAS (Πηγή: ORACLE Η εταιρεία ORACLE είναι μια αμερικανική πολυεθνική με έδρα την Καλιφόρνια που ιδρύθηκε το 1977, ενώ από το 1988 δραστηριοποιείται και στην ελληνική αγορά από την θυγατρική της εταιρεία Oracle Ελλάς Α.Ε.Ε. Η εταιρεία ειδικεύεται κυρίως στην ανάπτυξη και εμπορία λογισμικού βάσεων δεδομένων και υπολογιστών, συστημάτων σε σύννεφο και λογισμικού επιχειρησιακών συστημάτων, προσφέροντας λύσεις σχεδιασμού επιχειρησιακών πόρων (ERP), διαχείρισης εφοδιαστικής αλυσίδας (SCM) και διαχείρισης σχέσεων πελατών (CRM). Η ORACLE εξυπηρετεί πάνω από πελάτες σε 145 χώρες καθώς διαθέτει προϊόντα και λύσεις για όλους τους επιχειρηματικούς κλάδους, ακόμη και για δημόσιους φορείς ενδεικτικά οι λύσεις που προσφέρει για τις επιχειρήσεις είναι οι παρακάτω: Εφαρμογές Business Analytics Υπηρεσίες Επιχειρηματικών Διαδικασιών (Business Process Services) Διαχείριση Περιεχομένου και Εμπειρία (Content and Experience Management) Εμπειρία πελάτη Διαχείριση Πελατειακών Σχέσεων (Customer Relationship Management) Διαχείριση περιεχομένου επιχειρήσεων Διαχείριση Επιχειρηματικών Πόρων (Enterprise Resource Planning) Διαχείριση επιχειρήσεων Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 61

62 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας Οικονομική διαχείριση Διαχείριση κινδύνου και κανονιστική συμμόρφωση (Governance, Risk, and Compliance) Διαχείριση Ανθρώπινου Δυναμικού (Human Capital Management) Μάρκετινγκ σε περιβάλλον υπολογιστικού σύννεφου(marketing Cloud) Διαχείριση Δεδομένων (Master Data Management) Υποδομή βάσεων δεδομένων και πληροφορικής για SAP Εφαρμογές για μικρομεσαίες Επιχειρήσεις (Oracle for Midsize Companies) Προμήθειες Διαχείριση του κύκλου ζωής των προϊόντων (Product Lifecycle Management) Διαχείριση χαρτοφυλακίων έργων Διαχείριση Κοινωνικών Σχέσεων (Social Relationship Management) Διαχείριση Εφοδιαστικής Αλυσίδας (Supply Chain Management) Βιωσιμότητα Η Oracle διαθέτει λύσεις Επιχειρηματικής Ευφυΐας μέσω της πλατφόρμας της Enterprise Business Intelligence, η οποία παρέχει μια κοινή υποδομή για την παραγωγή και την υποβολή εκθέσεων, scorecards, πινάκων, αναλύσεων ad-hoc και ανάλυση OLAP. Ακόμη περιλαμβάνει πληθώρα εργαλείων οπτικοποίησης, διαδραστικά ταμπλό και ένα ευρύ φάσμα γραφημάτων. Τα χαρακτηριστικά μιας λύσης Επιχειρηματικής Ευφυίας φαίνονται στην παρακάτω εικόνα (Εικόνα 4-2). Εικόνα 4-2: Χαρακτηριστικά μιας πλατφόρμας Επιχειρηματικής Ευφυίας (Πηγή: ) Επιπρόσθετα η Oracle διαθέτει εξαιρετική τεχνογνωσία σε ζητήματα διαχείρισης δεδομένων, τεχνογνωσία την οποία αξιοποιεί και στον νέο χώρο του Big Data. Μια σειρά από εργαλεία και εφαρμογές δίνουν προωθημένες λύσεις σε ζητήματα Big Data[5]. Ακόμη, η εταιρεία προσφέρει την δυνατότητα στους χρήστες να εργάζονται οπουδήποτε και οποτεδήποτε μέσω κινητών συσκευών, καθώς οι εφαρμογές της προσφέροντα και σε κινητές συσκευές (Mobile Platforms). Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 62

63 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας IBM Η IBM (International Business Machines Corporation) είναι μια αμερικανική πολυεθνική εταιρία τεχνολογίας που εδρεύει στην Νέα Υόρκη των Ηνωμένων Πολιτειών της Αμερικής και δραστηριοποιείται σε περισσότερες από 170 χώρες, στην Ελλάδα είναι παρούσα από το Η IBM κατασκευάζει και εμπορεύεται υλικό (hardware) και λογισμικό (software) η- λεκτρονικών υπολογιστών, ακόμη προσφέρει φιλοξενία και συμβουλευτικές υπηρεσίες σε ότι αφορά κεντρικούς υπολογιστές με αντικείμενο τη νανοτεχνολογία. Η εταιρεία αυτή α- ποτελεί σταθμό στον χώρο της πληροφορικής και της τεχνολογίας καθώς εισήγαγε το περίφημο IBM Personal Computer, που αποτέλεσε πρότυπο για τους μεταγενέστερους προσωπικούς υπολογιστές. Όσον αναφορά τον τομέα της Επιχειρηματικής Ευφυΐας κατόπιν από μία σειρά εξαγορών εταιρειών με αντικείμενο τα συστήματα Επιχειρηματικής Ευφυΐας, σήμερα αποτελεί έναν από τους κορυφαίους παρόχους προϊόντων και λύσεων Επιχειρηματικής Ευφυΐας. Κάποια από τα πιο διαδεδομένα λογισμικά της είναι τα εξής: SPSS IBM, το οποίο χρησιμοποιείται για τη διαχείριση, τη στατιστική ανάλυση και την εξόρυξη δεδομένων και κειμένου ώστε να βελτιστοποιηθούν οι αποφάσεις και η συνεργασία. Cognos IBM, το λογισμικό αυτό προσφέρει dashboards, scorecards, what-if σενάρια, καθώς επίσης εργαλεία για σχεδιασμό, προϋπολογισμό και πρόβλεψη, διαχείριση επίδοσης, προχωρημένα εργαλεία οπτικοποίησης, αυτοματοποιημένα εργαλεία για σύνταξη χρηματοοικονομικών αναφορών (Εικόνα 4-3) Σύστημα Watson Analytics που προσφέρει εξελιγμένη ανάλυση των επιχειρηματικών δεδομένων για τον έλεγχο υποθέσεων και την απάντηση ερωτημάτων, καθώς επίσης διαθέτει και βελτιωμένα εργαλεία οπτικοποίησης. OpenPages λογισμικό, αντικείμενο του οποίου είναι η διαχείριση του ρίσκου, η συμμόρφωση με τις νέες κανονιστικές διατάξεις, η αυτοματοποίηση των διαδικασιών χρηματοοικονομικών ελέγχων και η διευκόλυνση των διαδικασιών εσωτερικού ελέγχου. Η IBM διαθέτει πληθώρα προϊόντων και λύσεων, που εξυπηρετούν τις ανάγκες των επιχειρήσεων, διαθέτει προϊόντα σε υπολογιστικό νέφος καθώς και εφαρμογές σε κινητές συσκευές για άμεση πληροφόρηση. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 63

64 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας Εικόνα 4-3: IBM Cognos (Πηγή: : Microsoft Η εταιρεία Microsoft ιδρύθηκε το 1975, είναι μια αμερικανική πολυεθνική εταιρεία λογισμικού με έδρα την Ουάσιγκτον των Ηνωμένων Πολιτειών της Αμερικής. Τα πιο γνωστά προϊόντα της είναι το λογισμικό υπολογιστών, το λειτουργικό σύστημα Microsoft Windows,το δημοφιλές σύνολο εφαρμογών γραφείου Microsoft Office, τις κονσόλες παιχνιδιών Xbox, το λογισμικό για κινητά τηλέφωνα (Windows Phone), υπηρεσίες και προϊόντα Windows Live, Bing καθώς επίσης παρέχει υπηρεσίες ηλεκτρονικού ταχυδρομείου, διαδικτυακής α- ποθήκευσης και κοινωνικής δικτύωσης. Η εταιρεία παράγει επίσης λογισμικά και εφαρμογές για επιχειρήσεις όπως συστήματα ενδοεπιχειρησιακού σχεδιασμού (ERP) και συστήματα Επιχειρηματικής Ευφυΐας. Η βάση δεδομένων SQL Server και η εφαρμογή φύλλων εργασίας Excel του Microsoft Office είναι δύο από τα βασικά προϊόντα της εταιρείας που την καθιέρωσαν στην αγορά λογισμικού Επιχειρηματικής Ευφυΐας. Ειδικότερα η βάση δεδομένων SQL Server με την έκδοση Business Intelligence, προσφέρει ένα περιβάλλον επιχειρηματικής Ευφυΐας που επιτρέπει την ταχεία και διαδραστική διερεύνηση και οπτικοποίηση των δεδομένων, τη συγχώνευση δομημένων και αδόμητων δεδομένων και την ταχεία ανάλυση τους με τη χρήση της εγκατεστημένης στη μνήμη αναλυτικής μηχανής (analytics engine). Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 64

65 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας Ο SQL Server Analysis Services δίνει τη δυνατότητα δημιουργίας πολυδιάστατων μοντέλων, και περιλαμβάνει εργαλεία οπτικοποίησης και σύνταξης αναφορών. Επίσης περιλαμβάνονται εργαλεία εξόρυξης δεδομένων για τη διεξαγωγή προγνωστικών αναλύσεων. Τα εργαλεία αυτά είναι διαθέσιμα ως add-ins του Excel αλλά και μέσω του SQL Server Development Tools για πιο περίτεχνες αναλύσεις. Η πλατφόρμα ανάπτυξης εφαρμογών Microsoft Azure προσφέρει λογισμικό μηχανικής μάθησης για την εξόρυξη δεδομένων και τη διατύπωση προβλέψεων, συνδυασμένο με μια φιλική προς τον χρήστη διεπαφή. To Azure υποστηρίζει και τη γλώσσα R. Μεγάλη βαρύτητα δίνει η Microsoft στο υπολογιστικό νέφος και τα Big Data. Όλες οι ιστοσελίδες της εταιρείας που αναφέρονται στα συστήματα Επιχειρηματικής Ευφυΐας, τονίζουν με έμφαση τις δυνατότητες αξιοποίησης του νέφους και της λειτουργίας του λογισμικού στα πλαίσια του. To Microsoft Data Warehouse επιτρέπει τη διαχείριση εξωτερικών δεδομένων μεγάλου όγκου. Τα δομημένα επιχειρηματικά δεδομένα μπορούν εύκολα να συνδυαστούν με αδόμητα δεδομένα από το Hadoop, ώστε να αποτελέσουν μια ολοκληρωμένη βάση πληροφόρησης. Το νέο Office 365, λογισμικό βασισμένο στο νέφος, περιλαμβάνει το Power BI, ένα εύχρηστο περιβάλλον κατάλληλο για εργασίες Επιχειρηματικής Ευφυΐας, προσαρμόσιμες στις μεταβαλλόμενες ανάγκες του χρήστη. Η Microsoft αξιοποιεί και τη βαθιά τεχνογνωσία της στον αυτοματισμό γραφείου. Το Share Point προσφέρει ένα ελκυστικό περιβάλλον για τη δημιουργία και διανομή αναφορών και dashboards. Το Excel, το οποίο στο παρελθόν χρησιμοποιήθηκε κατά κόρον από επιχειρηματικά στελέχη για τη διεξαγωγή αναλύσεων, ενισχύεται με δυνατότητες εξόρυξης δεδομένων. Το ευρύτατα διαδεδομένο Microsoft Office αποτελεί χρήσιμη πλατφόρμα για σύνταξη αναφορών. Ακόμα και τρίτοι κατασκευαστές συστημάτων Επιχειρηματικής Ευφυΐας, όπως η Oracle και η SAP, τονίζουν τη δυνατότητα του λογισμικού τους να συνδεθεί με τα προγράμματα του Office και να ενσωματώσει λειτουργικότητες και αποτελέσματα σε φύλλα εργασίας του Excel, σε παρουσιάσεις του Power Point και σε έγγραφα του Word.[5] SAP Η SAP είναι μια γερμανική εταιρεία λογισμικού που κατασκευάζει προϊόντα για την οργάνωση των επιχειρησιακών λειτουργιών, είναι η πρώτη στην Ευρώπη στον κλάδο της και η τρίτη στον κόσμο. Η εταιρεία προσφέρει λύσεις για την Διαχείριση των περιουσιακών στοιχείων της επιχείρησης, τα Χρηματοοικονομικά, τις Πωλήσεις, την Διαχείριση των Υλικών, το Σχεδιασμό και τον Προγραμματισμό των προϊόντων, την Διαχείριση της Εφοδιαστικής Αλυσίδας, την Διαχείριση του Ανθρώπινου Δυναμικού, την Διαχείριση των Πελατειακών Σχέσεων και των Σχέσεων με τους προμηθευτές καθώς και εργαλεία Επιχειρηματικής Ευφυΐας. Στον τομέα της Επιχειρηματικής Ευφυΐας η εταιρεία προσφέρει μια σειρά από σουίτες ε- φαρμογών, υπό τον τίτλο SAP Business Objects (Εικόνα 4-4) Το SAP Business Objects BI platform περιλαμβάνει εργαλεία για πρόσβαση σε δεδομένα διαφόρων κατασκευαστών Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 65

66 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας (IBM, Oracle, κλπ.), εργαλεία για την αποτελεσματική σύνταξη αναφορών με δυνατότητες επεξεργασίας Big Data και ενσωμάτωσης αναφορών σε εφαρμογές, εργαλεία για τη δημιουργία ισχυρών διαδραστικών dashboards, λογισμικό για την αποτελεσματική και γρήγορη απάντηση επιχειρηματικών ερωτήσεων καθώς και λύσεις κινητής υπολογιστικής που διανέμουν πληροφόρηση σε φορητές συσκευές. Η έκδοση Analytics Edition συνδυάζει την ο- λοκλήρωση και διαχείριση δεδομένων με εξελιγμένο λογισμικό Επιχειρηματικής Ευφυΐας. Κάνοντας χρήση προχωρημένων αναλυτικών μεθόδων επιτρέπει την αναγνώριση τάσεων και εξαιρέσεων, την αξιοποίηση επιχειρηματικών ευκαιριών και την έγκαιρη αντιμετώπιση κινδύνων. Εικόνα 4-4: SAP Business Objects (Πηγή: Η έκδοση OLAP edition προσφέρει εργαλεία πολυδιάστατης ανάλυσης. Το λογισμικό SAP Crystal Reports έχει αντικείμενο τη δημιουργία καλαίσθητων αναφορών με δυνατότητα ε- πεξεργασία δεδομένων από διάφορες πηγές, ενώ το SAP Lumira περιλαμβάνει εξελιγμένα εργαλεία οπτικοποίησης. Τα συστήματα Επιχειρηματικής Ευφυΐας της SAP δίνουν δυνατότητες προγνωστικής ανάλυσης και προσφέρουν λύσεις για τη διαχείριση και έλεγχο της ε- πίδοσης της επιχείρησης, καθώς και για τον έλεγχο του ρίσκου κα την κανονιστική συμμόρφωση. 4.2 Λογισμικά ανοικτού κώδικα / Ελεύθερα Λογισμικά Το Ελεύθερο Λογισμικό/ Λογισμικό Ανοικτού Κώδικα (ΕΛΛΑΚ) είναι το λογισμικό που ο καθένας μπορεί ελεύθερα να χρησιμοποιεί, να αντιγράφει, να διανέμει και να τροποποιεί α- νάλογα με τις ανάγκες του. Είναι ένα εναλλακτικό μοντέλο ανάπτυξης και χρήσης λογισμικού που βασίζεται στην ελεύθερη διάθεση του πηγαίου κώδικα, το οποίο παρέχει τη δυνατότητα αλλαγών ή βελτιώσεων ώστε να καλύπτονται οι ανάγκες αυτού που το χρησιμοποιεί. Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 66

67 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας Το ΕΛΛΑΚ δεν είναι απαραίτητα ένα δωρεάν λογισμικό, η έννοια «ελεύθερο» σχετίζεται με την ελευθερία του κάθε χρήστη να εξετάσει και να χρησιμοποιήσει την γνώση και τις δυνατότητες που του προσφέρει ο κώδικας προγραμματισμού. Τα τελευταία χρόνια το ελεύθερο λογισμικό είναι πολύ δημοφιλές και έχει κερδίσει την προτίμηση ενός μεγάλου αριθμού χρηστών εξαιτίας των πλεονεκτημάτων που διαθέτει, τα οποία είναι τα εξής: Διαλειτουργικότητα, διαφορετικά συστήματα που εκτελούν διαφορικές εργασίες και προέρχονται από διαφορετικό κατασκευαστή μπορούν να επικοινωνήσουν μεταξύ τους για ανταλλαγή δεδομένων. Επεκτασιμότητα, ο κώδικας του λογισμικού μπορεί να επεκταθεί ώστε να καλύψει νέες ανάγκες της επιχείρησης ή του οργανισμού. Αξιοπιστία και Ασφάλεια. Εξοικονόμηση πόρων, το ΕΛΛΑΚ έχει μικρότερο κόστος απόκτησης, συντήρησης και α- ναβάθμισης σε σύγκριση με τα λογισμικά κλειστού κώδικα. Εκτός από τα παραπάνω σημαντικά πλεονεκτήματα το ΕΛΛΑΚ παρουσιάζει όπως είναι αναμενόμενο και μια σειρά από αδυναμίες, τις οποίες θα πρέπει οι μελλοντικές χρήστες να λάβουν υπόψιν τους πριν προβούν στην επιλογή ενός λογισμικού και αυτές είναι οι παρακάτω: Μη εξασφάλιση της συνέχισης της ανάπτυξης, αρκετές φορές όμως αυτό έχει συμβεί και με συμβατικά λογισμικά. Πιθανότητα πολλαπλών διακλαδώσεων (γνωστό με τον όρο «forking»), δηλαδή η κοινότητα να χωριστεί. Αδυναμία γνώσης ωριμότητας ενός συγκεκριμένου λογισμικού. Έλλειψη ευχρηστίας, τα τελευταία χρόνια έχει σημειωθεί σημαντική βελτίωση προς αυτή την κατεύθυνση. Πιθανή έλλειψη υποστήριξης, που αποτελεί το μεγαλύτερο μειονέκτημα του ελεύθερου λογισμικού. Στη συνέχεια έχουμε συγκεντρώσει τα δημοφιλεστέρα και πιο αξιόπιστα λογισμικά ανοιχτού κώδικα που καλύπτουν τις ανάγκες μιας επιχείρησης τόσο σε εργαλεία Επιχειρηματικής Ευφυΐας όσο και στην αποτελεσματική διαχείριση της Εφοδιαστικής Αλυσίδας. Αρχικά θα παρουσιάσουμε τα δύο δημοφιλέστερα εργαλεία Επιχειρηματικής Ευφυΐας και κατόπιν τα ελεύθερα λογισμικά που προσφέρουν λογισμικά πληροφοριακών συστημάτων και έχουν ενσωματώσει τα εργαλεία αυτά στην σουίτα εφαρμογών τους Pentaho Η εταιρεία Pentaho ιδρύθηκε το 2004, παρέχει λογισμικό Επιχειρηματικής Ευφυΐας ανοιχτού κώδικα που επιτρέπει στις επιχειρήσεις να αναλύουν και να απεικονίζουν τα δεδομένα τους σε πολλαπλές διαστάσεις, καθώς επίσης και να ανακαλύπτουν και να συνδυάζουν ό- λους τους τύπους δεδομένων που έχουν στη διάθεση τους διευκολύνοντας τα στελέχη των Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 67

68 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας επιχειρήσεων στην λήψη των σωστών αποφάσεων. Η Pentaho διαθέτει λύσεις για κάθε είδους επιχείρηση μέσα από μια μεγάλη γκάμα προϊόντων, ακόμη παρέχει συμβουλευτικές υπηρεσίες, υπηρεσίες εκπαίδευσης και πιστοποίησης, καθώς και τεχνική υποστήριξη στις επιχειρήσεις. Τα προϊόντα που παρέχει η εταιρεία είναι (Εικόνα 4-5): Η ενοποίησης δεδομένων. Η Ανακάλυψη και Ανάλυση Δεδομένων (υπηρεσίες OLAP) και σε περιβάλλον νέφους (cloud) Η δημιουργία Αναφορών. Η υποβολή εκθέσεων. Η απεικόνιση και η δημιουργία πινάκων. Η Εξόρυξης δεδομένων. Οι ETL δυνατότητες. Η διαχείριση μεγάλων δεδομένων (Big Data). Είναι σημαντικό να αναφέρουμε ότι τα προϊόντα της εταιρείας έχουν αντικαταστήσει πολλά από τα προϊόντα των μεγάλων εταιρειών που αναφέραμε παραπάνω. Εικόνα 4-5: Προϊόντα Επιχειρηματικής Ευφυΐας της εταιρείας Pentaho (Πηγή: Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 68

69 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας JasperReports Το JasperReports είναι ένα εργαλείο ανοιχτού λογισμικού που δημιουργεί εκθέσεις βασισμένες σε Java, µπορεί να δημιουργήσει αρχεία PDF, HTML, Microsoft Excel, RTF, ODT, ή XML αρχεία. Μπορεί να χρησιμοποιηθεί σε Java-enabled εφαρμογές, συμπεριλαμβανομένης της Java EE ή web εφαρμογές, να δημιουργήσει δυναμικό περιεχόμενο. Διαβάζει τις οδηγίες του από ένα XML ή.jasper αρχείο. Τα εργαλεία του JasperReports παρέχονται από την εταιρεία Jaspersoft από την σουίτα Jaspersoft BI, όπως φαίνεται στην Εικόνα 4-6. και περιλαμβάνουν την δημιουργία αναφορών, ETL εφαρμογές, λύσεις Επιχειρηματικής Ευφυΐας σε σύννεφο, διαχείριση και ανάλυση μεγάλων δεδομένων καθώς και εργαλεία BI για κινητές συσκευές. Εικόνα 4-6:Η σουίτα Επιχειρηματικής Ευφυΐας του JasperReports (Πηγή: OpenBravo Η OpenBravo είναι μια ισπανική εταιρεία λογισμικού ανοικτού κώδικα, πρόκειται για την πιο γνωστή εταιρεία στον κλάδο των ERP ανοικτού λογισμικού καθώς έχει κερδίσει έξι φορές το βραβείο Infoworld's Bossie Αward καλύτερου ERP ανοικτού κώδικα. Σήμερα μέσα από ένα ευρύ δίκτυο συνεργατών έχει παρουσία σε 60 χώρες σε όλο τον κόσμο. Η OpenBravo διαθέτει δύο προϊόντα, τα Openbravo Commerce Suite και Openbravo Business Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 69

70 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας Suite, τα οποία είναι κατάλληλα για την εξυπηρέτηση των αναγκών τόσο των μικρομεσαίων όσο και των μεγάλων επιχειρήσεων. Το Openbravo αποτελεί ένα ευέλικτο ERP (agile ERP) που δίνει τη δυνατότητα σε επιχειρήσεις να βελτιώσουν τις επιδόσεις στον εργασιακό τομέα μέσω της αύξησης της παραγωγικότητας και της ευελιξία των εργασιών. Το OpenBravo διαθέτει την Business Suite (Εικόνα 4-7), που υποστηρίζει μεταξύ άλλων τις πωλήσεις, την διαχείριση της Εφοδιαστικής Αλυσίδας, την ανάπτυξη,την συνεργασία, την τεχνολογία και την ανάλυση. Εικόνα 4-7: Η Business Suite του OpenBravo (Πηγή: Το OpenBravo διαθέτει τεχνολογίες που υποστηρίζουν την Επιχειρηματική Ευφυΐα σε μια επιχείρηση, μερικές από τις δυνατότητες τους είναι οι εξής: Η δημιουργία κύβων OLAP (από την βάση δεδομένων Mondrian) μέσω της Εφαρμογής Λεξικό και η δημιουργία αναλυτικών αναφορών. Η διαχείριση των διαστάσεων τους, οι πολλαπλές αναπαραστάσεις γραφημάτων και η εύκολη εξαγωγή δεδομένων. Η δημιουργία Αναφορών, μέσα από μια υπάρχουσα λίστα αναφορών που είναι διαθέσιμες για όλους τους τομείς. Οι αναφορές αυτές μπορούν εύκολα να επεκταθούν και να προσαρμοστούν στις απαιτήσεις κάθε επιχείρησης για την υποβολή εκθέσεων και την δημιουργία εξατομικευμένων αναφορών (με τη βοήθεια του Jaspersoft Studio). Η δημιουργία ερωτημάτων Widgets, τα widgets διαβάζουν πληροφορίες από την βάση δεδομένων και εμφανίζουν στον χρήστη το αποτέλεσμα. Ένα widget μπορεί να συμπεριληφθεί στο χώρο εργασίας του χρήστη ή σε οποιαδήποτε μορφή ως πεδίο. Επίσης, επιτρέπει την ενσωμάτωση εξωτερικών λύσεων Επιχειρηματικής Ευφυΐας με μια πλατφόρμα, η οποία είναι εύκολο να ενσωματωθεί με τη λύση επιχειρηματικής ευφυΐας της επιλογής της επιχείρησης, για παράδειγμα με το Pentaho ή το Zoho Reports. Η εταιρεία διαθέτει επίσης την υπηρεσία OpenBravo Cloud που την δυνατότητα στις επιχειρήσεις να έχουν το δικό τους ενδοεπιχειρησιακό σύστημα χωρίς όμως να είναι αναγκασμένοι να επενδύσουν σε υλικό πληροφορικής. Επιπρόσθετα διαθέτει και μια πλήρης γκάμα λύσεων διαδικτύου κινητών συσκευών (Web Mobile Solutions). Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 70

71 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας Odoo Το Odoo (πρώην OpenERP και πρώην Tiny ERP) είναι ένα σύστημα διαχείρισης των πελατειακών σχέσεων (CRM) και προγραμματισμού των επιχειρησιακών πόρων (ERP) ανοικτού κώδικα το οποίο ξεφεύγει όμως από την κλασική προσέγγιση αντίστοιχων συστημάτων καθώς ενοποιεί στοιχεία εταιρικής πληροφόρησης που δεν είναι διαθέσιμα στα παραδοσιακά συστήματα ERP/CRM. Το Odoo έχει παραπάνω από 500 συνεργάτες σε 60 χώρες σε όλο τον κόσμο και διατίθεται σε 20 γλώσσες, μεταξύ των οποίων και η ελληνική γλώσσα. Σημαντικό είναι να τονίσουμε ότι έχει προσαρμοστεί σε σημαντικό βαθμό στις ανάγκες της ελληνικής επιχείρησης. Εικόνα 4-8: Η σουίτα Εφαρμογών του Odoo (Πηγή: Η σουίτα εφαρμογών του Odoo (Εικόνα 4-7) περιλαμβάνει ενότητες(modules) για την τιμολόγηση, τη λογιστική, την κατασκευή, την αγορά, την διαχείριση της αποθήκης, καθώς και τη διαχείριση του έργου. Ακόμη το λογισμικό αυτό διαθέτει εφαρμογές που δίνουν την δυνατότητα σε μια επιχείρηση για την δημιουργία λεπτομερών αναφορών και γραφημάτων (ραβδογράμματα, διαγράμματα πίτας και γραμμής) χωρίς την ανάγκη ενός εξωτερικού προγράμματος, την ομαδοποίηση και το φιλτράρισμα των πληροφοριών που είναι χρήσιμα για την επιχείρηση, με την βοήθεια ενσωματωμένων φίλτρων που διατίθενται στο Odoo, αλλά και την δυνατότητα δημιουργίας και αποθήκευσης νέων φίλτρων. Επιπρόσθετα το Odoo επιτρέπει την δημιουργία ειδικών εκθέσεων και αναλύσεων με ελάχιστα βήματα, με βάση τα υπάρχοντα πρότυπα ή τα εξατομικευμένα κριτήρια που έχει επιλέξει ο χρήστης xtuple Η xtuple είναι μια εταιρεία ανάπτυξης και παροχής επιχειρηματικού λογισμικού ανοικτού κώδικα, ιδρύθηκε το 2001 αρχικά με την επωνυμία OpenMFG, ενώ το 2007 μετονομάστηκε Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 71

72 4ο Κεφάλαιο: Λογισμικά Επιχειρηματικής Ευφυίας και Διαχείρισης Εφοδιαστικής Αλυσίδας σε xtuple. To λογισμικό διαχείρισης των επιχειρήσεων της xtuple είναι κατάλληλο για μικρές και μεσαίες επιχειρήσεις, δίνοντας την δυνατότητα στις επιχειρήσεις να έχουν τον έλεγχο των εργασιών και της κερδοφορίας τους. Το ERP της xtuple περιλαμβάνει ενότητες που περιλαμβάνουν όλες τις κρίσιμες επιχειρηματικές λειτουργίες όπως πωλήσεις, διαχείριση πελατών και προμηθευτών, έλεγχο της απογραφής, παραγωγή και διανομή. Η xtuple για την κάλυψη των αναγκών των πελατών της σε εργαλεία Επιχειρηματικής Ευφυΐας έχει ενσωματώσει τις τεχνολογίες ανοιχτού κώδικα που βασίζονται στις τεχνολογίες της οικογένειας Pentaho, οι οποίες παρέχονται από τις εφαρμογές xtuple Open BI και xtuple Open BI Extension. H εταιρεία διαθέτει τα προϊόντα της σε εφαρμογή για κινητές συσκευές που είναι πλήρως ενσωματωμένη με την επιφάνεια εργασίας ενός υπολογιστή, για την διαχείριση των επιχειρησιακών διεργασιών από το tablet ή το smartphone, στην μπορούμε να δούμε στην Εικόνα 4-9. Ακόμη προσφέρει και την υπηρεσία φιλοξενίας σε σύννεφο. Εικόνα 4-9: Τα εργαλεία Επιχειρηματικής Ευφυΐας της xtuple σε Mobile περιβάλλον (Πηγή: Επιχειρηματική Ευφυΐα και ΔιαχείρισηΕφοδιαστικής Αλυσίδας 72