Poslovna inteligencija (BI): zašto je 61% pouzdanog podatka bolje od 100% pogrešnog
Izveštaj nije koristan ako deo podataka samo izgleda pouzdano.
U praksi se često pojavljuje situacija u kojoj ERP zna šta je prodato, gde i po kojoj ceni, ali ne sadrži dovoljno podataka da pouzdano odgovori na dodatno pitanje — na primer, od kog dobavljača potiče konkretan prodati komad.
U ovom tekstu objašnjavamo kako poslovna inteligencija (BI) može da radi sa nepotpunim podacima bez izmišljanja odgovora i zašto je pravilno prikazana neizvesnost važan deo pouzdanog BI sistema.
Šta je poslovna inteligencija (BI)
Poslovna inteligencija (BI) povezuje podatke iz ERP-a i drugih sistema, primenjuje definisana poslovna pravila i pretvara ih u informacije koje mogu da se koriste za odlučivanje.
Važan deo dobrog BI sistema nije samo računanje rezultata.
Sistem mora da zna i kada podatak nije dovoljno pouzdan da bi rezultat uopšte trebalo izračunati.
U praksi, poslovna inteligencija znači:
– povezivanje prodaje, nabavke, artikala i lokacija
– definisanje jasnih pravila pripisivanja podataka
– razlikovanje poznatih od procenjenih vrednosti
– merenje koliko podataka model može pouzdano da obradi
– ostavljanje podatka nepripisanim kada nema dovoljno dokaza
Drugim rečima: dobar BI sistem ne pokušava da odgovori na svako pitanje. Odgovara samo tamo gde podaci podržavaju odgovor.
Problem koji rešava poslovna inteligencija (BI)
Uzmimo konkretan slučaj.
Potrebno je analizirati prodaju po dobavljaču.
ERP zna:
– koji artikal je prodat
– u kom objektu
– koliko komada
– po kojoj ceni
– od kojih dobavljača se taj artikal nabavljao
Ali postoji problem.
Isti artikal može da stigne od više dobavljača.
ERP ne beleži pouzdanu vezu: prodati komad → konkretan dobavljač
Najjednostavnije tehničko rešenje bilo bi da se poslednji poznati dobavljač pripiše kompletnoj prodaji.
Izveštaj bi tada izgledao odlično.
Popunjenost dobavljača: 100%
Ali rezultat bi vrlo verovatno bio pogrešan.
Glavni problem nije u Power BI-ju, ERP-u ili nedostatku grafikona.
Problem je što izvorni podaci ne podržavaju toliko precizan zaključak.
100% popunjen izveštaj nije isto što i 100% pouzdan izveštaj.
Zašto dolazi do ovog problema
Razlog je u razlici između podataka koje sistem poseduje i zaključka koji želimo da izvedemo.
Za jedan artikal možemo znati:
Ulaz od dobavljača A: 600 komada
Ulaz od dobavljača B: 400 komada
Znamo, dakle, da je miks snabdevanja:
A → 60%
B → 40%
Ali ako je kasnije prodato 800 komada, možda ne možemo fizički dokazati koji pojedinačni komad potiče od kog dobavljača.
To ne znači da analiza mora da stane.
Znači da model mora jasno da razlikuje:
– ono što znamo direktno
– ono što možemo razumno proceniti
– ono za šta nemamo dovoljno podataka
Ovde lako nastaje opasna greška.
Sistem može da popuni prazno polje i korisniku predstavi odgovor kao činjenicu.
A kada je informacija prikazana uredno, sa nazivom dobavljača i preciznom brojkom, ona deluje uverljivo čak i kada je pravilo iza nje slabo.
Zato je važno da BI izveštaj bude jednostavan i jasan:
Pouzdano pripisano: 61%
Nepripisano: 39%
To korisniku daje tačniju sliku nego prividnih 100%.
Kako rešiti ovaj problem
Rešenje nije u tome da se prazne vrednosti popune po svaku cenu.
Potrebno je napraviti model pripisivanja sa jasnim pravilima.
To podrazumeva:
- Definisati nivo analize
Miks dobavljača treba računati u dovoljno konkretnom kontekstu, na primer:
artikal + prodajni objekat + vremenski period
Nije dobro automatski koristiti globalni procenat ako se struktura snabdevanja razlikuje po objektima.
- Izračunati stvarni miks ulaza
Ako je u relevantnom periodu:
– A isporučio 60% količine
– B isporučio 40%
onda se raspoloživa prodaja može proporcionalno raspodeliti istim odnosom.
- Primeniti raspodelu samo kada postoji dovoljno istorije
Ako je prodato 800 komada:
A → 480
B → 320
Ali samo ako ulazni podaci zaista podržavaju taj odnos.
- Uvesti kategoriju „nepripisano“
Ako nema dovoljno podataka o snabdevanju, prodaja ne dobija proizvoljnog dobavljača.
Ostaje nepripisana.
- Meriti coverage modela
BI sistem treba da pokaže koliko ukupne prodaje može pouzdano da pripiše.
Na konkretnom preseku iz primera:
Ukupna prodaja: 84.644 komada
Pripisano: 51.622
Nepripisano: 33.022
To znači da je model mogao da podrži približno 61% prodaje.
- Odvojiti činjenicu od procene
Ako je dobavljač direktno poznat, to je činjenica.
Ako je prodaja raspodeljena na osnovu istorijskog miksa, to treba označiti kao modelsku alokaciju.
Na ovaj način poslovna inteligencija (BI) ne sakriva ograničenja podataka.
Pretvara ih u merljivu karakteristiku sistema.
Kako to izgleda u praksi
U konkretnom primeru analizirana je prodaja koju je trebalo povezati sa dobavljačima.
Direktna veza između prodaje i dobavljača nije postojala.
Umesto pravila: „uzmi poslednjeg dobavljača“
korišćen je istorijski miks snabdevanja.
Za kombinaciju artikla, objekta i perioda sistem izračunava koliko je robe stiglo od svakog dobavljača.
Ako je odnos:
Dobavljač A → 60%
Dobavljač B → 40%
onda se 800 prodatih komada raspodeljuje:
A → 480 komada
B → 320 komada
Ali samo tamo gde takva istorija postoji.
U analiziranom preseku ukupna prodaja bila je 84.644 komada.
Od toga je 51.622 komada moglo da se pripiše dobavljačima na osnovu dostupnih podataka.
Preostalih 33.022 komada ostalo je nepripisano.
Sistem nije pokušao da „popravi“ tih 39%.
Prikazao ih je kao ono što jesu:
prodaja za koju nema dovoljno podataka za pouzdano pripisivanje dobavljaču.
Najveća vrednost modela zato nije bila 100% popunjenost.
Bila je mogućnost da se jasno razdvoje pouzdan rezultat i nepoznat deo.
Najčešće greške
Najčešće greške kod ovakvih BI modela su:
– pripisivanje poslednjeg dobavljača celoj prodaji
– popunjavanje nepoznatih vrednosti samo da izveštaj nema prazna polja
– korišćenje jednog procenta za sve objekte i periode
– mešanje direktno poznatih i procenjenih podataka
– nepostojanje metrike koliko podataka model stvarno pokriva
– prikazivanje procene korisniku kao činjenice
Posebno je opasna želja da dashboard izgleda „čisto“.
Prazno polje može izgledati kao nedostatak.
Ali u kvalitetnom data sistemu ono ponekad nosi važnu informaciju:
„Ne znamo dovoljno da bismo ovo pouzdano tvrdili.“
To je bolje nego precizno prikazana pogrešna brojka.
Zaključak
Pouzdana poslovna inteligencija (BI) nije sistem koji uvek ima odgovor.
To je sistem koji zna koliko svom odgovoru može da veruje.
Dobar BI model omogućava firmi da:
– koristi dostupne ERP podatke bez izmišljanja veza koje ne postoje
– primenjuje jasna pravila raspodele
– meri pokrivenost modela
– razlikuje činjenicu od procene
– zadrži nepripisane podatke kada nema dovoljno dokaza
– donosi odluke sa poznatim nivoom pouzdanosti
U ovom primeru 61% nije znak lošeg izveštaja.
To je iskreno prikazana granica podataka koje sistem poseduje.
Bolje je imati 61% rezultata koji podaci podržavaju nego 100% rezultata kojem se ne može verovati.
Ako BI model mora da poveže podatke koje ERP ne povezuje direktno, pravilo pripisivanja treba da bude tehnički proverljivo i jasno vidljivo.
Možemo analizirati postojeći data model, izvore i pravila transformacije kako bismo utvrdili gde postoji direktna činjenica, gde opravdana procena, a gde podatak treba ostaviti nepripisanim.
Prvi razgovor je tehnički i bez obaveza.
