Prediktív analitika kkv-knak

Röviden: A prediktív analitika a múltbeli adatokból becsli meg, mi várható: mennyit rendelnek jövő hónapban, mikor fizet egy vevő, melyik ügyfél készül elpártolni, vagy mikor hibásodhat meg egy gép. Egy kkv-nak ehhez nem kell adattudós-csapat vagy drága rendszer: a számlázó, az ERP és a CRM adataiból egy néhány hetes pilot projektből is kiderül, mennyit ér – ha a projekt egy konkrét üzleti döntésből indul ki.

Mi az a prediktív analitika?

A prediktív (előrejelző) analitika statisztikai és gépi tanulási módszerekkel, a múltbeli adatok mintázataiból becsli meg a jövőbeli események valószínűségét vagy értékét. Nem jóslás: minden előrejelzés egy becslés és egy bizonytalansági sáv együtt – például „a következő hónapban 1150–1300 rendelés várható, 80%-os valószínűséggel”.

Az adatelemzésnek négy szintjét érdemes megkülönböztetni:

Szint	Kérdés	Példa
Leíró	Mi történt?	Havi árbevétel-riport, dashboard
Diagnosztikai	Miért történt?	Melyik termék vagy régió okozta a visszaesést?
Prediktív	Mi fog történni?	A jövő negyedéves kereslet, a fizetési késedelem valószínűsége
Előíró (preskriptív)	Mit tegyünk?	Optimális rendelési mennyiség, árazás, beosztás

A legtöbb cég az első szinten áll: van riportja, de az a visszapillantó tükörbe néz. A prediktív szinten kezd az adat előre dolgozni.

Miért most érdemes foglalkozni vele?

Az Eurostat adatai szerint 2025-ben a legalább 10 főt foglalkoztató uniós vállalkozások 20,0%-a használt valamilyen mesterségesintelligencia-technológiát – egy év alatt 13,5%-ról. A különbségek azonban nagyok: a nagyvállalatok 55,0%-a és a középvállalatok 30,4%-a él vele, a kisvállalkozásoknak viszont csak mintegy 17%-a. Az élen Dánia (42,0%), Finnország (37,8%) és Svédország (35,0%) áll. Magyarországon 2023-ban a vállalkozások mindössze 3,7%-a használt AI-t, miközben az uniós átlag akkor 8,0% volt.

A leggyakoribb felhasználás ma a szövegelemzés, a kép-, videó- és hangkészítés, valamint a szöveggenerálás – vagyis nagyrészt a generatív AI. Az előrejelzés kevésbé látványos, de a megtérülése jellemzően könnyebben mérhető: ha pontosabb a kereslet-előrejelzés, kevesebb pénz áll a raktárban; ha előre látszik a késedelmes fizetés, időben lehet lépni.

Hol hoz gyors eredményt egy kkv-nál?

Kereslet- és értékesítés-előrejelzés

A múltbeli értékesítésből, a szezonalitásból, az akciókból és külső tényezőkből (ünnepnapok, időjárás, árfolyamok) megbecsülhető, mennyi fogy az egyes termékekből a következő hetekben. Ebből jobb beszerzési döntések, kevesebb készlethiány és kevesebb lekötött forgótőke lesz.

Cash-flow- és fizetési előrejelzés

A vevők fizetési szokásaiból – átlagos késés, szezonális minták, számlaösszeg – megbecsülhető, mikor érkezik a pénz, és melyik számla csúszik el valószínűleg. Ez a pénzügyi tervezés egyik legértékesebb eszköze; részletesebben a pénzügyi elemzésről szóló szolgáltatásunknál írunk róla.

Ügyfél-lemorzsolódás előrejelzése

Előfizetéses, szerződéses vagy visszatérő vásárlói körrel dolgozó cégeknél a vásárlási gyakoriság, a panaszok vagy a használat csökkenése előre jelzi, ki készül elpártolni (angolul churn). Az ügyfél megtartása általában olcsóbb, mint egy új megszerzése.

Prediktív karbantartás

A gépek üzemidő-, hiba- és szenzoradataiból becsülhető, mikor várható meghibásodás. A karbantartás így nem a naptár vagy a leállás szerint, hanem a gép tényleges állapota szerint történik.

Kapacitás- és munkaerő-tervezés

Hány emberre lesz szükség a műszakokban, az ügyfélszolgálaton vagy a raktárban a jövő héten? A beérkező rendelések és megkeresések előrejelzéséből pontosabb beosztás készíthető.

Milyen adatokra van szükség?

A jó hír: a legtöbb cég már most rendelkezik a kiinduláshoz szükséges adatokkal.

Számlázó és könyvelő program: értékesítés, vevők, fizetési dátumok. A NAV Online Számla rendszeréből a saját kiállított és befogadott számlák adatai is lekérdezhetők.
ERP vagy készletnyilvántartás: készletek, beszerzések, átfutási idők.
CRM és webshop: érdeklődők, ajánlatok, rendelések, elhagyott kosarak.
Gép- és gyártási adatok: üzemórák, hibák, karbantartások.
Külső adatok: ünnepnapok, időjárás, árfolyamok, iparági indexek.

Hüvelykujjszabályként a szezonális mintázatok felismeréséhez legalább két-három év heti vagy havi adat kell. Ennél is fontosabb az adatok minősége: egységes cikkszámok, hiánytalan dátumok, következetes vevőazonosítók. Egy adatstratégiai felmérés gyorsan megmutatja, hol tart a cég.

Hogyan készül egy előrejelző modell?

Üzleti kérdés: nem az, hogy „csináljunk AI-t”, hanem például az, hogy „mennyit rendeljünk az A termékcsoportból a következő nyolc hétre”.
Adatgyűjtés és -tisztítás: a projekt idejének gyakran ez a nagyobb része.
Kiinduló, naiv előrejelzés: például „a jövő hónap olyan lesz, mint tavaly ugyanez a hónap”. Minden modellnek ezt kell legyőznie – ha nem sikerül, nem érdemes bonyolítani.
Modellezés: idősormodellek (például exponenciális simítás vagy ARIMA), gradient boosting módszerek, szükség esetén külső változókkal.
Visszamérés (backtesting): a modellt a múlt egy olyan időszakán teszteljük, amelyet a tanítás során nem látott, például az átlagos abszolút vagy százalékos hibával (MAE, MAPE).
Beépítés a döntésbe: BI-dashboard, automatikus riasztás vagy közvetlen adatátadás a beszerzési rendszernek.
Figyelés és újratanítás: a piac változik, a modellnek is követnie kell.

Egy szemléltető számítás

Tegyük fel, hogy egy nagykereskedés átlagosan 200 millió forint értékű készletet tart, hogy ne fogyjon ki a keresett termékekből. Ha egy pontosabb kereslet-előrejelzés mellett ugyanazzal a kiszolgálási szinttel 10%-kal kisebb készlet is elég, az 20 millió forint felszabaduló forgótőke. Évi 10%-os finanszírozási és tárolási költséggel számolva ez évente körülbelül 2 millió forint megtakarítás – mielőtt a kevesebb selejtet és a kevesebb elmaradt eladást beszámítanánk.

A számok cégenként nagyon eltérnek, ezért minden projektet a várható haszon becslésével kezdünk, és csak akkor javasoljuk, ha a számítás reális megtérülést mutat.

Gyakori buktatók

Nincs mögötte döntés. A legszebb előrejelzés is felesleges, ha senki nem módosít miatta rendelést, árat vagy beosztást.
Túl nagy kezdés. A „mindent előre akarunk jelezni” helyett egy termékcsoporttal vagy egy régióval érdemes kezdeni.
Rossz adatminőség. Hiányzó vagy következetlen adatokon a legjobb algoritmus is téved.
Túltanulás. A modell a múltat tökéletesen „megtanulja”, a jövőt viszont rosszul becsli – ezért kell a visszamérés.
Fekete doboz. Ha a felhasználók nem értik, miért mond valamit a modell, nem fognak bízni benne. Magyarázható modellek és egyszerű vizualizáció itt sokat segít.
Elavulás. Egy válság, egy új versenytárs vagy egy árváltozás után a modellt újra kell tanítani.

Generatív AI vagy prediktív analitika?

A kettő nem versenytárs. A generatív AI – például a ChatGPT – szöveget, képet, kódot készít; a prediktív modell számokat becsül. Egyre gyakoribb, hogy együtt dolgoznak: az előrejelző modell kiszámolja a várható keresletet, a nyelvi modell pedig közérthető összefoglalót ír belőle a vezetőknek. Ha az AI-bevezetés tágabb kérdései is érdeklik, nézze meg AI-megoldásainkat.

Hogyan kezdjen hozzá?

Válasszon ki egy döntést, amely sok pénzt mozgat: beszerzés, készlet vagy kintlévőség.
Nézze meg, milyen adat áll rendelkezésre róla az elmúlt két-három évből.
Számolja ki, mit érne pénzben egy pontosabb előrejelzés.
Indítson egy néhány hetes pilotot egy termékcsoporton vagy régión.
Ha beválik, építse be a napi működésbe, és bővítse lépésről lépésre.

Data science szolgáltatásunk a teljes folyamatot lefedi az adatok felmérésétől az előrejelző modelleken át a döntéstámogató dashboardokig. Ha kíváncsi, mit mondanak az Ön adatai, kérjen ingyenes konzultációt.

Gyakori kérdések

Mennyi adat kell egy előrejelző modellhez?

Szezonális mintázatokhoz jellemzően legalább két-három év heti vagy havi adat; gyakori eseményeknél, például napi rendeléseknél kevesebb is elég lehet. Legalább ilyen fontos az adatok minősége és következetessége.

Mennyibe kerül egy prediktív analitikai projekt?

A költség a feladat méretétől és az adatok állapotától függ. Egy fókuszált pilot a teljes rendszer töredékébe kerül, és már az elején kiderül belőle, megéri-e továbblépni. Az ingyenes első konzultáció után tételes ajánlatot adunk.

Kell saját adattudós a cégnél?

Nem feltétlenül. A modellek fejlesztését és karbantartását külső partner is végezheti; a cégen belül inkább egy „adatgazdára” van szükség, aki ismeri az üzleti folyamatokat és az adatokat.

Mennyire pontos egy előrejelzés?

Soha nem tökéletes, de mérhető. A jó modell a saját bizonytalanságát is megmutatja, és jobban teljesít egy egyszerű, naiv előrejelzésnél. A pontosságot a projekt elején rögzített mutatókkal, például az átlagos százalékos hibával mérjük.

Prediktív analitika kkv-knak: így lesz az adatokból előrejelzés