IFUA EV Módszertani Felkészítés 20171109

Esettanulmány-verseny 2017
Módszertani felkészítés
Horváth Renáta
Papp Zsófia
Székely László
Tanács Zoltán
2017. november 9.
© IFUA Horváth & Partners

Tartalom
 Bemutatkozás, esetoldásról általánosan 2

 Eset tartalmához kapcsolódó módszertanok 6
 Hogyan elemezzünk adatokat? 18
 Q&A 42
2 © IFUA Horváth & Partners

IFUA Horváth & Partners –
Steering Business Successfully
Tevékenységi kör Létszám

Vállalatirányítás és 800 fő felett (Budapest ~100 fő)
teljesítményoptimalizálás
Ügyfelek Irodák
Nagy- és középméretű vállalatok az Abu Dhabi, Berlin, Bécs, Budapest,
ipari, szolgáltatási és kereskedelmi Bukarest, Düsseldorf, Dzsidda, Frankfurt,
szektorokban, valamint közigazgatási Hamburg, München, Stuttgart, Zürich
szervezetek
Iparágak Globális jelenlét
Autó- és beszállítóipar, energiaszektor, Nemzetközi projektek megvalósítása
fogyasztási javak, gyógyszeripar, ipari a Cordence Worldwide szövetségben
javak, kereskedelem, közlekedés és
szállítás, közszolgálat, média, olajipar,
pénzügyi szolgáltatások, high-tech
iparágak, telekommunikáció, vegyipar
Az esetmegoldások elkészítésekor célszerű pár szempontot szem előtt tartani
Tartalom  Valós üzleti probléma értése és megválaszolása

 Releváns megoldások megfogalmazása
 Reális (megalapozott és megvalósítható) javaslatok
Kreativitás  Újszerűség
 Jelenlegi megközelítés felülvizsgálata
 Új nézőpontok behozása
Struktúra  Gondolatmenet felépítettsége

 Logika láthatósága, követhetősége
 Javaslatok és jelen helyzet összefüggése
Forma  Prezentáció átláthatósága

 Design
 Előadásmód

Egy prezentáció általában standard blokkokból épül fel
0. Borító
1. Tartalom / agenda / témalista

E sorrend / tématípusok
2. (Vezetői) Összefoglalás ismerete segíti a hatékony
prezentációkészítést,
3. Stratégiai elemzés (piac és versenytársak) használatuk pedig az
információ befogadását az
4. Stratégia kifejtése (data-driven javaslatok) olvasó számára
Megvalósítási terv
5.
(Ütemezés, költségterv, kockázatok)
6. (Vezetői) Összefoglalás

Tartalom

 Q&A 42

A GreenGo előtt álló legnagyobb kihívás megoldásához komplex stratégiai és
működési fejlesztések szükségesek
Stratégia
Célkitűzés
Premisszák
Differenciált
ügyfélkiszolgálás
Valós fogyasztói szükséglet  Szegmentálás
felismerése, kiaknázása
Profitabilitás növelése a  Árazás
flotta bővítése nélkül  Promóció
Külső szabályozási környezet
miatti üzleti kockázat Működés-
optimalizálás,
lokációk

A profitabilitás növekedéséhez a működésoptimalizálás, lokációk mellett a
differenciált ügyfélkiszolgálás elemei adhatnak választ
Differenciált ügyfélkiszolgálás elemei
Értékesítési Termék-
Szegmentálás Árazás Promóció
stratégia fejlesztés
• Szegmentálás
• Árképzési célok • Szegmensigények
ismérveinek
meghatározása felmérése
meghatározása
• Tipikus vásárlói
• Lehetséges
• Versenytársak utaknak megfelelő
szegmensek
árainak vizsgálata csatornák
azonosítása
kiválasztása
• A vizsgált
• Szegmensek üzleti szempontok és
• Igényekhez illeszkedő
potenciáljának költségek
értékesítési ajánlat
felmérése figyelembevételével
történő árdöntés

A szegmentálás ismérvét sokféleképpen definiálhatjuk

1
Szegmens Szegmensek
Szegmens 1 Szegmens 2 Szegmens 3 Szegmens 4 kijelölése piaci
2 Kritérium dimenziók szerint,
Szegmensek ami lehet pl:
értékelése a piaci Kritérium 1  Ügyfél
célcsoportok (fogyasztói
kijelöléséhez. Pl: szokások,
 életciklus,
demográfia,
Kritérium 2 jövedelmi szint
 jelenlegi méret, stb. alapján)
 növekedés /  Termék /
potenciál / Kritérium 3 4 termékcsoportok
trendek Célcsoport(ok) / technológiák /
kijelölése funkciók
 ügyféljellemzők,
 értékesítési
Kritérium 4  Földrajzi régiók
csatornák stb. / országok /
3 településméret
a) Szegmensek leírása (szöveges bemutatás) stb.
b) Szegmensek értékelése relatív skálán (rangsor, scoring) vagy harvey ball

jelöléssel. Az összehasonlítás a szegmensek egymás közötti rangsorát vagy
a vállalat versenytársakhoz való helyzetét (versenyképességét) jelöli.
Ü1 Ü2 Ü3 Ü1 Ü2 Ü3 Ü1 Ü2 Ü3 Ü1 Ü2 Ü3
Szegmens T1 T1 T1 T1
alapstratégiák
T2 T2 T2 T2
T = termék
Ü = ügyfélcsoport T3 T3 T3 T3
9 Fókuszáló Termékközpontú Ügyfélközpontú Mindent lefedő © IFUA Horváth & Partners
Ennél az ügyfélnél az ügyféltípus és termék kombináció nyert
Közigazgatási cégek kivétel az

állami tulajdonban lévőek.
Minden olyan lakossági ügyfél
aki versenypiacon vételez és
Lakosság
nem vállalkozás.
Közigazgatás
Kisvállalat
Azon üzleti ügyfelek, amelyek

árbevétele 0-0,5 milliárd HUF
Nagyvállalat vagy a foglalkoztatottak száma
1-50 fő.

árbevétele meghaladja a 15 Középvállalat
milliárd HUF-ot vagy a
foglalkoztatottak száma 250 főt.
árbevétele 0,5-15 milliárd HUF
vagy a foglalkoztatottak száma
50-250 fő.

Az ár a leghatékonyabb eredményjavító tényező, így a profitabilitás

növelésének egyik legjobb módja
10%-os javulás a a következő eredményjavuláshoz

következő tényezőkben… vezethet:
Nyereséget befolyásoló Nyereség

tényezők
Eredeti érték Új érték Eredeti érték Új érték
Ár 100 € 110 € 10 M € 20 M € 100%
Fajlagos változó
60 € 54 € 10 M € 16 M € 60%
költség
Értékesített 1 M db 1,1 M db 10 M € 14 M € 40%

mennyiség
Fix költségek 30 M € 27 M € 10 M € 13 M € 30%
Forrás: Simon – Dolan: Árképzés okosan, 2000

Az árazási stratégia kialakításánál is hasonló elemzéseket kell elvégezni, mint

a vállalati stratégia esetében
Fogyasztói igények
Vállalati stratégia
elemzése
Fogyasztók szegmentálása
Üzletági (verseny-) stratégia
Árazási döntések Árrugalmasság
Marketing / értékesítési
stratégia Árképzési célok Szakértői vélemények
Árpolitika meghatározása Fogyasztói felmérések
Termékpolitika Termék/szolgáltatás Árkísérletek
Disztribúció pozícionálása Értékesítési adatok elemzése
Kommunikáció Termék teljesítménye

Árdöntés
Fogyasztó által észlelt érték
Árképzési alapelvek
Optimális árszerkezet
Termékköltség elemzése Versenyelemzés
Árszínvonal kialakítása
Költségszámítási elv kiv. Áradaptáció Az iparág elemzése
Alkalmazott költségtípus kiv. Versenytárselemzés
Többszintű termékfedezetek
Ártárgyalások

Érdemes a termékek / szolgáltatások esetében meghatározni, hogy milyen

fogyasztói igényekre adhatnak választ
Mi a USP? Mit érdemes kommunikálni?
Jó ár/érték arány, legjobb, legésszerűbb megoldás
Egyediség, egyedi testreszabás lehetősége, rugalmasság
A vállalat
üzenetei Kiváló kiszolgálás, szolgáltatás, tanácsadás, problémamegoldás
Széles termékpaletta
Magas minőség

Az egyes szegmens – csatorna relációkban a tipikus

ügyfélút és ügyféljellemzők alapján érdemes meghatározni az értékajánlatot
Csatornák
Off-line Digital
Külső
anyagok és
üzletben
Közvetlen található
kapcsolat információk Web Facebook Instagram YouTube App E-mail
Ár Ár
Szegmens 1
Szolgáltatás Választék Minőség Választék
Szegmens 2
Ár Ár Ár Ár Ár Ár
Szegmens 3
Szolgáltatás Minőség Minőség Minőség Minőség Rugalmasság

Ár
Szegmens 4
Az értékajánlatok mellett a szegmens-csatorna relációk számára értékesített konkrét termékek és üzenetek meghatározása is
szükséges!

Tipikus kihívások az ügyfélinterakciók során (a customer journey mentén)

Interakciók az ügyfelekkel
Off-line Digital
Külső
anyagok és
üzletben
Közvetlen található
kapcsolat információk Web Facebook Instagram YouTube App E-mail
Ismerettség
A termékek rendelésének és
megvásárlásának egyetlen
Elsődleges értéklánc
módja a közvetlen, személyes

kontakt. Nem gyakori tartalmak, nem
Megfontolás ismert jelenlét.
Rendelés
Az újdonságok nem
Az ügyfélkérdésekre történő
megfelelő kiemelése az Az értékelő kérdőív túl
válaszidő túl hosszú a
üzletben található hosszú.
Vásárlás social media platformokon.
kihelyezéseken.
Támogatás
Csak egy tableten lehet

Túlságosan tiszta, Nem illeszkedik a
Hiányos információk. visszajelezni, ami nehezen
cenzúrázott megjegyzések. brand-hez.
észrevehető.

Tartalom

 Q&A 42

Az adatelemzési projektek folyamata
1. Üzleti probléma
És hogy mi alapján haladunk?
megfogalmazása
 Cross Industry Standard Process –
Data Mining
2. Az adatok
 Az egyik legelterjedtebb és szakmailag
6. Implementáció legtámogatottabb adatelemzési
megértése
módszertan nem csak fejlett
statisztikai elemzésekhez
 Gyakorlati útmutatóként, sikeres
Adatok projektek százain keresztül alakult ki –
5. Értékelés
3. Az adatok  Hasznos videó:
előkészítése https://www.youtube.com/watch?v=z
8zSnSSUeNs&index=2&list=PLFYFij
AnO63JE7BfAakcsbEokfgKq6p8H
4. Elemzés, modellezés

Az adatelemzési projektek keretrendszere
Üzleti probléma / kérdésfelvetés

Üzleti célok Hipotézisek Piaci ismeretek
Elemzési
Vezetői Adatvagyon
szakértelem és
elvárások
folyamat
Eredmények

1. Üzleti probléma 1. Üzleti probléma megfogalmazása

megfogalmazása
 A projekt kezdetén fel kell mérni, milyen
ismeretek megszerzése, illetve milyen
összefüggések felismerése jelent
2. Az adatok üzleti előnyt.
6. Implementáció
megértése
 Ennek tágabb kontextusát már maga a
projekt terjedelme rögzíti, de a konkrét
operatív célok sokszor csak a projekt
során kerülnek rögzítésre.
Adatok
 Az adott üzlet terület szakértőinek
3. Az adatok
5. Értékelés segítségével az elemző csapat feladata
előkészítése
ezeknek az ismereteknek és
összefüggéseknek a meghatározása
és a célok kitűzése.

2. Az adatok megértése
megfogalmazása  Az adatok begyűjtésével indulhat el az
elemzési folyamat a teljes körűség és
az adatminőség értékelése mellett. Ez a
folyamat mindig jelentős humán
2. Az adatok interakcióval jár az elemző csapat és az
6. Implementáció
megértése ügyfél között.
 Az egyszerű statisztikai módszerek és
ábrák segítenek előzetes képet alkotni
Adatok
az adatok szerkezetéről és
tartalmáról, felismerhetők a jelentősen
3. Az adatok elkülönülő adathalmazok, elemi
5. Értékelés
előkészítése összefüggések fedezhetők fel.
 Üzleti szakértők bevonásával
biztosítható, hogy a különböző
adathibákra, illetve a speciális
adattárolási és kódolási
konvenciókra fény derüljön.

Egyszerű (primitív) adattípusok:
 Boolean: TRUE/FALSE
 Karakter (String): a-z A-Z
 Lebegőpontos szám (real, double, float): 3.1415
 Egész szám: 1,2,3
 Felsorolás (enumerátor): Piros, kék, sárga
Ezen kívül megkülönböztetünk 1) idősoros (time-series) és 2) keresztmetszeti (cross-sectional) adatokat.

A valóság és a statisztikai mérés kapcsolata
Következtetés
Minta
1000?
Sokaság
Mintavétel
A jó minta:
 Kulcsváltozókra reprezentatív, összetételében helyesen képviseli a sokaságot, amelyből vették,
 Véletlen, a mintaelemek egymástól függetlenül, egyenlő valószínűséggel kerülnek a mintába,
 Elégséges méretű, elég nagy ahhoz, hogy a minta alapján levont következtetések kellően valószínűek legyenek.

A valóság és a statisztikai mérés kapcsolata
Mintanagyság Mintanagyság
Mintavételi hiba A minta megbízhatósága
növekszik
csökken
Az adatok varianciája Az adatok varianciája
Mintavételi hiba A minta megbízhatósága
 A mintavételi hiba abból adódik, hogy sokszor a kapott adatok nem fedik le a teljes sokaságot. Mivel nem
minden adat kerül a mintába, így az sosem fogja tudni tökéletesen reprezentálni a teljes adathalmazt.
 Ha ilyen problémával találkozunk, akkor minél nagyobb mintára van szükségünk minél kisebb szórásnégyzettel,
hogy elemzésünk érvényes legyen.

Használjuk az adatok feltérképezésére az egyszerű statisztikákon kívül a
vizuális megjelenítési módokat is!
Struktúra Nagyságrend / Idősor Eloszlás/ Korreláció
rangsor gyakoriság
Alapforma
Sok elem
esetén
Új adatsor /
új dimenzió
Excelben nagy adatbázisok esetén a feltérképezést érdemes csoportosított Pivot táblákra

építeni, adatbányász eszközökben pedig a saját beépített feltérképező funkciókat használni

3. Az adatok előkészítése
megfogalmazása
 Ennek a szakasznak a modellhez
szükséges rekordok (sorok) és
változók (attribútumok) megválasztása
a célja. Az így létrehozott adatstruktúrát
6. Implementáció
2. Az adatok kell azután feltölteni a rendelkezésre
megértése álló adattömegekből.
 Ekkor kell az adatbázist megtisztítani a
hibás adatoktól, kitölteni egyes üresen
Adatok hagyott mezőket, illetve a modellek
alkalmazása esetén más-más
5. Értékelés
3. Az adatok átalakításokra, transzformációkra lehet
előkészítése szükség.
 A szakasz hosszát, bonyolultságát,
kockázatait nem szabad alábecsülni,
4. Elemzés, modellezés sokszor erre önmagában akkora idő
szükséges, mind az adatgyűjtésre és
elemzésre, modellezésre összesen!

Adatfeldolgozás
Alapszabály 1: Az a gyanús, ami nem gyanús! Nincs olyan nyersen kapott / szerzett adatbázis,
ami ne igényelne előzetes adatfeldolgozást az elemzések megkezdése előtt.
Az elvégzendő műveletek, vizsgálatok
Kiugró / nem vizsgált értékek

Hiányzó értékek kezelése Szezonalitás vizsgálata
szűrése / tudatos benntartása
Részleges és teljes duplikációk Adattranszformációk, számított

Hibás mezők javítása
kezelése, szűrése mezők felvétele (pl. grouping)
Változók kategorizálása
Változók skálatípusba sorolása Mintavételezés
(magyarázó, eredmény, segéd)
Alapszabály 2: Oszlopok, sorok, mezők törlése önkényesen, „fílingérzet” alapján nem jó ötlet. Minden
változtatásnak pontosan leírhatónak, algoritmizálhatónak kell lennie. Ez biztosítja a visszakövethetőséget és
az ügyfél felé való hitelesség megőrzését.
Alapszabály 3: Az adatforrásokat (legyenek azok mind az ügyféltől vagy külsőleg bevontak) minden esetben
precízen meg kell jelölni az előkészített adatbázisban. Ezt kell tenni az általunk felvett számított mezőknél is.
26 Prediktív modellezés esetén szükséges © IFUA Horváth & Partners

Milyen típusú adathibákkal számolhatunk?
Értékhiba Összefüggésekből eredő hiba

 Ránézésre is hibásak, könnyen kiszűrhetők  Önmagukban helyesnek látszanak, de
mezőszinten, de nehezen javíthatóak viszonyítási ponthoz képest hibát okoznak (pl.
rendszerszinten város nem konzisztens az irányítószámmal, vagy
az ügyélkor az igénybe vett terméktípussal)
 Nem tartanak be valamilyen formai
megkötést (pl. :adószámok rögzítési formája,  Rekordok közötti összefüggéshibák:
több adat rögzítése egy mezőbe) vagy elütés
 Technikai: Hibák, melyek tartalmi problémát
történik (Budapset)
nem okoznak, de az elemzési munkát gátolják
 Értékkészlete nem egyezik meg az elvárttal (pl. másik táblával való kulcsolást sértik)
(pl. város mezőbe írt információ nem szerepel
 Duplikációk: Amikor egy egyedi tétel (pl.
a magyarországi települések jegyzékében)
ügyfél) többször szerepel a rendszerünkben
 Valamilyen mezőszintű természetes vagy (lehet teljes egyezés, vagy részleges)
matematikai ellentmondást mutat (pl. 1900
 „Dummy” értékek: Olyan értékek, melyeknek
előtti születési év, 24. budapesti került stb.)
nincs valódi információ tartalma, csak azért
 Nincs kitöltés (üres mező) vagy érdemi lettek beírva, mert valamit kötelező volt
információ hiánya (pl. NA Anyja nevénél) rögzíteni (pl. irányítószám 9999)
Az adathibák javításához alapos feltárást kell végezni. Minden egyes attribútum értékkészletét, illetve
folytonos változók esetén eloszlását fel kell térképezni, majd pedig amennyire lehet formai, tartalmi és
matematikai ellenőrző és javító algoritmusokat létrehozni (pl. 0 árbevétel alatti cégek)

Hasznos képletek ha nem célszoftverben, hanem Excelben kell
Általános képletek adattisztításhoz és Kiugró értékek kezelésére és normalitás vizsgálatára
transzformációkhoz függvények
 HA (IF),  MAX (MAX),
 KIMETSZ (TRIM),  MIN (MIN),
 BAL (LEFT),  DARAB (COUNT),
 JOBB (RIGHT),  SZUM (SUM),
 DÁTUM (DATE),  ÁTLAG (AVG),
 FKERES (VLOOKUP), INDEX + HOL.VAN (MATCH),  SZÓRÁSP (STDEVP),
 ÉS (AND),  VAR.S (VAR.P),
 OR (VAGY),  KVARTILIS (QUARTILE),
 ÉRTÉK (VALUE),  PERCENTILIS (PERCENTILE),
 HELYETTE (SUBSTITUTE),  MEDIÁN (MEDIAN),
 HOSSZ (LEN),  …
 DARAB (COUNT),
 DARAB2 (COUNTA),
 DARABTELI (COUNTIF),
 …
Ezeken felül: Pivot tábla csoportosítás funkciója, keresés és csere, feltételes formázás, hisztogram

1. Üzleti probléma  Ebben a szakaszban kell alkalmazni a
megfogalmazása különböző elemzési / modellezési
technikákat, melyek lehetnek
deskriptívek (eloszlások, leíró
statisztikák, csoportképzések), vagy
2. Az adatok prediktívek (döntési fa, regressziók,
6. Implementáció neurális hálók, linkanalízis, stb.).
megértése
 Hogy milyen összetett prediktív
modellezés vagy egyszerű Exceles
kimutatások mellett döntünk-e az az
Adatok
egész projekt kulcskérdése, eldöntését
3. Az adatok projekt- és ügyfélelvárások egyaránt
5. Értékelés befolyásolják!
előkészítése
 A folyamat kreatív intellektuális
tevékenység, magában rejti azt is, hogy
4. Elemzés, egymás után több modellt is
modellezés kipróbálhatunk ugyanazon
problémára, és ezek közül a kiértékelési
fázisban választjuk ki a
legmegfelelőbbet.

A prediktív elemzés túlnyúlik a hagyományos leíró elemzéseken
 A hagyományos BI múlt, illetve jelen

fókuszú. Elsősorban arra ad válaszokat,
Mit kellene tenni? Optimalizálás
hogy mi és miért történt a múltban,
valamint, hogy mi az aktuális állapot.
Mi történhet? Predikció  A prediktív elemzés ezzel szemben a
múltra építkezve bár, de a jövőre
fókuszál. Arra ad válaszokat, hogy a
Üzleti érték
múltbeli történések alapján milyen jövőbeli
Business Intelligence
Mi történik? Monitoring
történések valószínűsíthetőek.
 A prediktív elemzés tehát hagyományos
Statisztikai
Miért ez történt? értelemben vett BI által előállított adatokra
elemzések
épít, azokat használja fel a jövőbeli
eseményekre való következtetések során.
Riporting Mi történt?
Komplexitás

Néhány Business Analytics szoftvereszköz
IBM SAS Microsoft
Azure Machine
IBM SPSS Modeler* SAS Enterprise Miner
Learning
RapidMiner KNIME SAP
KNIME Analytics SAP Predictive

RapidMiner
Platform Analytics
Tibco (acq. from Dell) Oracle Hitachi Data Systems
Oracle Data Pentaho Business

Statistica
Mining (ODM) Analytics
Dataiku, Angoss, Alteryx, Alpine Data

…
* Ezzel párhuzamosan: IBM SPSS Statistics

5. Értékelés
megfogalmazása
 Az eredmények véglegesítése, illetve a
legmegfelelőbb modell kiválasztása
különböző tesztekkel, vagy
egyszerűbb esetben ellenőrzésekkel
6. Implementáció
2. Az adatok történik.
megértése
 Számszerűsíteni kell az elérhető üzleti
előnyöket, valamint a bizonytalansági
tényezőket is. Az eredményeket az
Adatok ebből készült dokumentum foglalja
össze a megrendelő számára.
3. Az adatok
5. Értékelés  A végső értékelésnek ki kell terjednie a
előkészítése
folyamat minden lépésére annak
érdekében, hogy megállapítható legyen
a létrehozott modell hatékonysága és
4. Elemzés, modellezés az, hogy megvalósítja-e az elvárt üzleti
célokat.

Az eredmények véglegesítése, illetve a legmegfelelőbb modell kiválasztása
különböző statisztikai tesztekkel történhet
Lift – Megadja, hogy egy mintából kiválasztott csoporton Statisztikai mutatók – Egy-egy mutatószámba sűrítve
belül hányszor nagyobb a célesemény bekövetkezésének értékelik a statisztikai modellt.
arány, mint a teljes mintában.
 Abszolút hiba
2,0 12  Relatív hiba
1,5  Reziduumok négyzetének átlagából vont gyök (R2)
51  Korreláció
1,0
37  Durbin-Watson teszt
0,5
 …
0,0
alapfokú középfokú felsőfokú
Klasszifikációs tábla* – Első és másodfajú hibák ROC Görbe* –

tesztelésére alkalmas. Az elsőfajú hiba azt jelenti, hogy a Megmutatja, hogy a
hipotézist elvetjük, pedig az igaz, míg a másodfajú hibánál modell alkalmazása
a hamis hipotézist igaznak fogadjuk el. mennyivel vezet jobb Area: 0,804
Valós pozitív
eredményre, mint a
Modell által becsült Modell által becsült véletlenszerű
Kimenet 0 Kimenet 1
találgatás.
Tény
Kime
net 0
2.012 649
Tény
Kime
net 1
671 1.517
Hamis pozitív
33 *Csak klasszifikációs problémák esetén alkalmazható (Receiver Operating Characteristic). © IFUA Horváth & Partners
1. Üzleti probléma 6. Implementáció

megfogalmazása
 Az esetek nagy részében az elemzés

megalkotása nem jelenti a projekt
végét, mert az önmagában kevés
6. 2. Az adatok ahhoz, hogy üzleti előnyt nyújtson.
Implementáció megértése
 A megrendelő igényeinek megfelelően
elkészült, megfelelően prezentált
jelentések, elemzések segítik az
Adatok ügyfelet abban, hogy meghozza a
vállalat számára legelőnyösebb
5. Értékelés
3. Az adatok döntéseket.
előkészítése
 Pozitív döntés esetén a modell
implementációra kerülhet az ügyfél
rendszereiben, hogy rendszeresen
4. Elemzés, modellezés támogassa az üzletmenetét.

Built on the results of the previous analysis we elaborated tailor-
made segment strategy for each segment
We collected the key strategic and

operational questions of each segment
We answered the questions by

considering the relevant alternatives
We elaborated the recommended

solutions in details

Vizuális adatelemzés

Tableau
https://public.tableau.com/profile/renata.horvath#!/vizhome/TheStoryofPokemonGo/StoryofPokemonGO (Pokemon GO)
https://public.tableau.com/en-us/s/gallery/clinton-vs-trump-battle-presidency (Trump választás)
https://public.tableau.com/en-us/s/gallery/complete-analysis-game-thrones?gallery=featured (Trónok harca elemzés)
https://public.tableau.com/profile/alex8425#!/vizhome/DonaldTrumpTweets/DonaldTrumpTweets (Trump tweetek)
https://public.tableau.com/en-us/s/gallery/what-emoji-say-about-music?gallery=featured (Celebek emoji használata)
https://public.tableau.com/en-us/s/gallery/unicef-every-child?gallery=featured (Infografika)
https://public.tableau.com/s/gallery (Tableau Public Gallery)
http://www.tableau.com/learn/training (Tableau oktató videók)
https://public.tableau.com/s/blog/2016/03/quick-tips-help-you-get-started-tableau (Hogyan kezdj neki?)
http://kb.tableau.com/ (Tableau tudásbázis)

Power BI
http://community.powerbi.com/t5/Data-Stories-Gallery/French-5th-Republic/m-p/121902 (Francia elnökválasztásról)
http://community.powerbi.com/t5/Data-Stories-Gallery/Starbucks-locations-around-the-world/m-p/217831 (Starbucks boltok eloszlása )
http://community.powerbi.com/t5/Data-Stories-Gallery/US-Department-of-Transportation-Traffic-accident-analysis-1990/m-p/152287
(USA közlekedési balesetek)
http://community.powerbi.com/t5/Data-Stories-Gallery/Finding-a-Puppy-using-Power-BI/m-p/257626 (UK kiskutya-kereső)
http://community.powerbi.com/t5/Data-Stories-Gallery/bd-p/DataStoriesGallery (PowerBI data stories)
https://www.youtube.com/user/mspowerbi (PowerBI oktató videók)

Választási segédlet: Az egyes eszközök erősségei és gyengeségei, valamint,
hogy kinek ajánljuk őket
Dashboards Desktop / Public Power BI QlikView
- Piacvezető eszköz a
- Piacvezető eszköz a
Gartner szerint
- A haladó Excel Gartner szerint
- Nagyon könnyű - SAP-s környezet
felhasználóknak - Nagyon könnyű
használat, intuitív az elsőszámú elemző - Elemzési
könnyű használat használat, intuitív az
eszköz eszköze képességekben a
Miért érdemes választani ezt - Sok projekt az eszköz
- Intuitív elemzésben az - Intuitív elemzésekben legerősebb eszköz,
az eszközt? eszközben - Intuitív elemzésben az
egyik legerősebb erős eszköz minden
- Majdnem minden egyik legerősebb
eszköz - Könnyű használat, megvalósítható benne
megoldható az eszköz
- Kiemelkedő egyértelmű jelölések
eszközben - Kiemelkedő
Eszköz képességek
vizualizációs képesség
vizualizációs képesség
- Erős online közösség
- Nem támogatja a nagy

- Funkcionalitásbeli
adatbázisokkal való - Kis testreszabási
hiányosságok miatt a - Mélyebbre megy, mint
munkát - Viszonylag kis számú lehetőség (beépített
megvalósításban a legtöbb ilyen eszköz
- A legtöbb speciális projekt a Tableau komponensek,
hamar korlátokba a kialakításban
megoldás magas ára miatt módosítás Design
Miért nem érdemes ütközünk - A használata nem
többletmunkával - Magyarországon még Studio-ban)
választani ezt az eszközt? - Csak felhős megoldást intuitív, összetett
(workaround-dal) nem elterjedt eszköz - Kevésbé szofisztikált
kínál a szállító, - Korlátozottan
valósítható meg - Natív TM1 kapcsolat elemzések készíthetők
nagyvállalati használható intuitív
- Sokszor nem érhető el vele, mint a
környezetben nem elemzésekre
megbízhatatlan vastag versenytársaival
kiforrott a használat
kliens
Kedvcsináló videó

Tartalom

 Q&A 42

Q&A
Michaletzky Bálinttal
a GreenGo ügyvezető igazgatójával

Kérdések összegyűjtése (1/2)
1. A regisztrált felhasználók milyen gyakran használják az alkalmazást?
2. Egy nap átlagosan mennyit használják az autókat (időben és km-ben)?
3. Pontosan kik és mikor mozgatják az autókat és ez hogyan történik?
• Munkaidő és költség szempontjából mi a különbség az autómozgatók között? (teljes
munkaidő (5fő), diákmunkások, alvállalkozók)
• Hogyan történik pontosan az autók átallokálása? A GreenGo munkatársai
tömegközlekedéssel közelítik meg az elvinni kívánt autót, esetleg ők is autóval mennek?
4. A 4000 felhasználó közül mennyi aktív?
5. Lehet tudni az utazások végpontját? Esetleg meghatározható, hogy melyik autó, merre jár?
6. A jelenlegi regisztrációs folyamat változtatható-e, és ha igen, akkor milyen szinten?
• Van bővebb ok a regisztrációk félbehagyására?
7. A közvetlen konkurens szolgáltatásában mit tartanak a GreenGo számára legveszélyesebb
tényezőnek?
8. A vállalati profitból terveznek-e kutatás-fejlesztésbe invesztálni?
9. A cég lobbierejét mekkorának ítélik meg? Van kihatásuk a szabályozásra?

Kérdések összegyűjtése (2/2)
13. Milyen forrásokból jöttek a vásárlók? - a személyes meggyőzés, az internetes reklám, vagy más
médiumok bizonyulnak a hatékonynak a fogyasztók megszerzésénél, valamint melyek a legjobbak
a megtartásuknál?
• Van-e információ arra, hogy a vállalati/magán userek milyen arányt képviselnek
darabszámban és értékben, és milyen mértékben növekednek? Mi a vállalati árazási
struktúra?
• Szeretnénk információt kapni a céges díjcsomagok részleteiről: hány cég használja? Hol
találhatóak? Nagy vállalatok vagy inkább KKV-k?
• Hogyan néz ki a jelenlegi vállalati csomag?
• Mekkora a GreenGo jelenlegi vállalati ügyfélköre, és milyen jellegű szerződéseket köt a
GreenGo ezekkel a vállalatokkal? (árazás, időtáv, kocsiszám)
14. Mik a felhasználókat hátráltató legnagyobb tényezők abban, hogy adoptálják a terméket?
15. Mennyire használják gazdaságosan a felhasználók az autókat? = Tud-e kevesebbet fogyasztani az
autó annak érdekében, hogy kevesebbet kelljen tölteni?
16. Milyen arányban választják a felhasználók a havidíjas és a nem havidíjas csomagokat?
17. Az adattáblában a GreenGo-s utazások csak az allokációs személyzet munkáját jelzik, vagy az ő
mindennapi utazásaik az is?
A döntő menetrendje
DÉLELŐTTI ELŐDÖNTŐ
8:45 - 9:00 Érkezés

9:00 - 9:15 Megnyitó
Helyszín:
9:15 - 12:25 Elődöntők és az alábbi kerekasztalok:
 Tanácsadói karrier IFUA Horváth & Partners Kft.
 Consulting Taboo (1119 Budapest, Fehérvári út
 Mission: Possible
79.)
12:25 - 13:30 Ebéd

Megoldás beküldésének
13:30 - 14:00 Elődöntő eredményhirdetés
határideje:
DÉLUTÁNI DÖNTŐ
2017. November 15. Éjfél
14:00 - 16:35 Döntő
17:00 - 17:30 Eredményhirdetés
17:30 Állófogadás

IFUA EV Módszertani Felkészítés 20171109

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

IFUA EV Módszertani Felkészítés 20171109

Uploaded by

Copyright:

Available Formats

Esettanulmány-verseny 2017

© IFUA Horváth & Partners

 Bemutatkozás, esetoldásról általánosan 2

2 © IFUA Horváth & Partners

Tevékenységi kör Létszám

Tartalom  Valós üzleti probléma értése és megválaszolása

Struktúra  Gondolatmenet felépítettsége

Forma  Prezentáció átláthatósága

4 © IFUA Horváth & Partners

1. Tartalom / agenda / témalista

5 © IFUA Horváth & Partners

 Bemutatkozás, esetoldásról általánosan 2

6 © IFUA Horváth & Partners

7 © IFUA Horváth & Partners

Differenciált ügyfélkiszolgálás elemei

8 © IFUA Horváth & Partners

A szegmentálás ismérvét sokféleképpen definiálhatjuk

b) Szegmensek értékelése relatív skálán (rangsor, scoring) vagy harvey ball

Ennél az ügyfélnél az ügyféltípus és termék kombináció nyert

Közigazgatási cégek kivétel az

Azon üzleti ügyfelek, amelyek

Azon üzleti ügyfelek, amelyek

10 © IFUA Horváth & Partners

Az ár a leghatékonyabb eredményjavító tényező, így a profitabilitás

10%-os javulás a a következő eredményjavuláshoz

Nyereséget befolyásoló Nyereség

Eredeti érték Új érték Eredeti érték Új érték

Ár 100 € 110 € 10 M € 20 M € 100%

Értékesített 1 M db 1,1 M db 10 M € 14 M € 40%

Fix költségek 30 M € 27 M € 10 M € 13 M € 30%

Forrás: Simon – Dolan: Árképzés okosan, 2000

11 © IFUA Horváth & Partners

Az árazási stratégia kialakításánál is hasonló elemzéseket kell elvégezni, mint

Árpolitika meghatározása Fogyasztói felmérések

Termékpolitika Termék/szolgáltatás Árkísérletek

Disztribúció pozícionálása Értékesítési adatok elemzése

Kommunikáció Termék teljesítménye

12 © IFUA Horváth & Partners

Érdemes a termékek / szolgáltatások esetében meghatározni, hogy milyen

Mi a USP? Mit érdemes kommunikálni?

Jó ár/érték arány, legjobb, legésszerűbb megoldás

Egyediség, egyedi testreszabás lehetősége, rugalmasság

13 © IFUA Horváth & Partners

Az egyes szegmens – csatorna relációkban a tipikus

Szolgáltatás Választék Minőség Választék

Szolgáltatás Minőség Minőség Minőség Minőség Rugalmasság

14 © IFUA Horváth & Partners

Tipikus kihívások az ügyfélinterakciók során (a customer journey mentén)

módja a közvetlen, személyes

Csak egy tableten lehet

15 © IFUA Horváth & Partners

 Bemutatkozás, esetoldásról általánosan 2

16 © IFUA Horváth & Partners

17 © IFUA Horváth & Partners

Üzleti probléma / kérdésfelvetés

18 © IFUA Horváth & Partners

1. Üzleti probléma 1. Üzleti probléma megfogalmazása

19 © IFUA Horváth & Partners

20 © IFUA Horváth & Partners

 Karakter (String): a-z A-Z

 Lebegőpontos szám (real, double, float): 3.1415

 Egész szám: 1,2,3

 Felsorolás (enumerátor): Piros, kék, sárga

Ezen kívül megkülönböztetünk 1) idősoros (time-series) és 2) keresztmetszeti (cross-sectional) adatokat.