Analityka predyktywna w podróżach służbowych

Pomimo szybkiego rozwoju rozwiązań umożliwiających pracę zdalną, podróże służbowe nadal są ważnym źródłem kosztów dla większości firm. Przez jakiś czas zapewne też jeszcze nim pozostaną. Co więc, z perspektywy konsultanta, można z nimi zrobić, aby maksymalnie je usprawnić i zredukować koszty?

Naszą odpowiedzią jest analityka predyktywna na podstawie AI – czyli po polsku przepowiadanie przyszłości. Nie zamierzamy jednak wróżyć z fusów herbaty i szklanych kul. Chodzi nam o gromadzenie obiektywnych danych i właściwą ich analizę przez zaawansowane algorytmy sztucznej inteligencji.

Czym są, jak działają i jakie korzyści firmie przynoszą takie rozwiązania? Tymi kwestiami zajmujemy się w poniższej publikacji.

Czym jest analityka predyktywna

Analityka predyktywna w podróżach firmowych opiera się, oczywiście, na szeregu algorytmów połączonych w jedno rozbudowane rozwiązanie. Podzielić je można na trzy kategorie pod względem zadań, jakie wykonują:

  • zbieranie informacji spoza firmy;
  • zbieranie informacji z firmy;
  • analiza, wyciąganie wniosków, przedstawianie prognoz i wskazówek.

Tylko właściwe zestrojenie tych trzech elementów umożliwi efektywną optymalizację kosztów i efektywności podróży służbowych. Dlatego każdemu z nich warto przyjrzeć się bliżej z osobna.

Dane spoza firmy

Informacje zbierane z rynku odpowiedzą systemowi opartemu o AI na podstawowe pytanie, bez którego kolejne kroki nie miałyby żadnego sensu. Co, gdzie, kiedy i ile kosztuje. Co konkretnie przez to rozumiemy?

Jako przykład, którym będziemy się posługiwać przez całość tej publikacji, weźmy kilkudniową służbową podróż samolotem z Warszawy do Londynu i z powrotem. Liczyć się musimy z kilkoma różnymi kosztami: jako minimum dojazdu na lotnisko, przelotu, zakwaterowania, wyżywienia i podróży w Londynie. Każdy z nich wynika z szeregu zmiennych, które można na bieżąco monitorować i wyciągać odpowiednie wnioski.

Ile kosztuje i będzie kosztował bilet

Pod lupę weźmy koszt przelotu. Od czego zależy końcowa kwota? Najważniejszą zmienną jest oczywiście cena paliwa, która z kolei zależy od kolejnego poziomu zmiennych (wszystkie z nich można tak samo monitorować). Następnie zauważymy, że ceny biletów zmieniają się także w zależności od sezonu, godziny odlotu, czy wyprzedzenia, z jakim zarezerwuje się bilet. Znów można z tego wyciągnąć wnioski odnośnie tego, jakie zmiany mają jaki wpływ na końcową cenę. Należy tylko nauczyć tego nasz AI, czyli napisać odpowiedni algorytm.

Różnice znajdziemy też oczywiście pomiędzy poszczególnymi liniami. W tym przypadku nieco trudniej jest rozbić ja na poszczególne części składowe do monitorowania, bo przecież żadna firma nie upublicznia szczegółowego podziału swoich kosztów. Część z nich można jednak wydedukować. Hipotetycznie: dwie linie obsługują identyczną trasę, latają dokładnie tym samym modelem samolotu i z takim samym składem załogi, zabierają tylu samych pasażerów. Jedyną różnicą jest to, że jedna z nich serwuje do poczęstunku podczas lotu markowe orzeszki i liczy za bilet kilkanaście złotych więcej. Łatwo więc zgadnąć, że różnica w cenie pomiędzy tymi dwiema liniami sprowadza się do ceny tych orzeszków. Tym samym mamy kolejne, co możemy monitorować. Trudno liczyć, że w rzeczywistości spotkamy tak banalne przykłady – ale to AI, nie my, będzie musiało je rozgryzać.

Co z tego wszystkiego wynika? Potencjalnie ogromna ilość wiedzy, jaką stosunkowo niewielkim kosztem może posiąść firma. System na początek trzeba będzie oczywiście zasilić danymi historycznymi, aby miał punkty odniesienia i nauczył się mechanizmów rynkowych. Po tej fazie będzie mógł natomiast zacząć wybiegać w przyszłość. Będzie zbierać świeże dane, zestawiać je z algorytmami, i wreszcie podsuwać bardzo dokładne prognozy tego, jakich cen można spodziewać się w przyszłości. CWT Solutions Group, na przykład, chwali się że w perspektywie rocznej odchylenie prognoz ich systemu od rzeczywistych cen wyniosło tylko 2% dla popularnej trasy, o której można zbierać bardzo dużo danych (Londyn-Nowy Jork). Wynik już na tę chwilę jest imponujący – a AI z biegiem czasu stanie się jeszcze bardziej dokładne.

Dane firmowe

Informacje zbierane z rynku to jednak tylko pierwsza część układanki.  Jeśli chcemy wykorzystać pełny potencjał analityki predyktywnej w służbowych podróżach, konieczne będzie uzupełnienie ich o to, co wiemy o naszej firmie.

Potrzebne więc będą dane historyczne o tym gdzie, jak i kiedy podróżowali nasi pracownicy, aby nauczyć AI jak funkcjonuje ta konkretna firma. Im więcej danych – zweryfikowanych i wysokiej jakości – będziemy w stanie dostarczyć, tym lepiej system będzie nam służył. Analizując podróże historyczne zauważy nawyki i logikę, jaką kieruje się firma przy wysyłaniu swoich ludzi w podróż.

Na przykład:

  • Jeden z pracowników odbywa tę samą podróż Warszawa-Londyn-Warszawa rutynowo, raz na kwartał.
  • Aby pozyskać nowego klienta, pomiędzy pierwszym wpisaniem go do systemu CRM, a podpisaniem umowy potrzeba średnio 3 spotkań, z którymi wiążą się podróże – zwykle do siedziby klienta.
  • Firma jest blisko związana z jednym czy kilkoma przewoźnikami i zwykle korzysta z ich usług (i równie istotne: czy dlatego, że wynegocjowane są korzystne stawki, czy po prostu z przyzwyczajenia i dobrych relacji).
  • Pracownicy biur w Warszawie i Londynie raz na jakiś czas organizują wspólne posiedzenia, których nie da się przenieść na wideokonferencje.

Co oznacza analityka predyktywna

Na tym etapie mamy już oba podstawowe składniki: system wie dużo o rynku, na jakim się obraca, a także o konkretniej firmie, dla której będzie predyktywnie optymalizował podróże. Wciąż jednak nie wiemy, co to właściwie ma oznaczać. Pozostając przy przykładach codziennej pracy firmy z poprzedniego akapitu – co konkretnie może w nich usprawnić system AI?

  • Rutynowe podróże Warszawa-Londyn-Warszawa

Zauważywszy powtarzalność czynności system będzie wiedział, kiedy należy się spodziewać następnej podróży tego typu. Jeśli nie jest to zawsze konkretny dzień miesiąca tylko nieco luźniejsze widełki (np. „drugie połowy 3. albo 4. tygodnia miesiąca”), to będzie miał duże pole do popisu. Będzie mógł zaproponować najkorzystniejszą datę pod względem kosztu czy komfortu podróży, stale analizując sytuację na rynku. Jeśli damy mu też dostęp do osobistego kalendarza, weźmie też pod uwagę plany tego pracownika i zaproponuje najbardziej korzystny termin i plan następnej podróży, zgodnie z priorytetami firmy.

  • Podróże związane z pozyskiwaniem klienta

W tym przypadku planowanie z dużym wyprzedzeniem będzie z wiadomych względów sporo trudniejsze – jednak nadal możliwe. Nic nie stoi na przeszkodzie, żeby algorytmowi AI dać też dostęp do firmowego systemu CRM. Z niego może nauczyć się że, na przykład, na spotkania umawiają się potencjalni klienci, którzy wcześniej długo rozmawiali z naszym przedstawicielem telefonicznie czy wymienili co najmniej kilka e-maili. Widząc wpis w CRM pasujący do tych kryteriów AI zauważy więc, że jest duże prawdopodobieństwo spotkania i związanej z nim podróży. Wie też, gdzie klient ma siedzibę, więc mniej-więcej wie ile taka podróż będzie kosztować. Nie może jeszcze rezerwować biletów, bo nic jeszcze nie zostało umówione. Natomiast jeśli zauważy więcej takich wpisów niż zwykle, może podsunąć sugestię zwiększenia budżetu na podróże czy limitów dla poszczególnych pracowników. W ten sposób unikniemy niemiłego zaskoczenia już po czasie.

  • Wybór przewoźnika

Monitorowanie tego, czy bliska współpraca z konkretnym przewoźnikiem jest zasadna będzie dla systemu bardzo prostym zadaniem. Na bieżąco zbiera przecież informacje o wszystkich przewoźnikach na rynku. Żadnym problemem nie będzie więc właściwe porównanie dostępnych możliwości. Pamiętać trzeba, że pod uwagę weźmie nie tylko to, co widzi w tej chwili, ale także to, co przewiduje na przyszłość – na przykład zmiany w cenach naszych przykładowych orzeszków. Okaże się więc jeszcze bardziej pomocny przy podpisywaniu długoterminowych zobowiązań. Dostarczy też bardzo mocnych argumentów do ewentualnych negocjacji, tak wewnątrz firmy, jak i z dostawcami.

  • Posiedzenie dwóch oddziałów

Jeśli dwa oddalone od siebie oddziały muszą spotkać się „na żywo”, niemal pewne jest, że pojawią się dyskusje. Żadna ze stron nie będzie chciała być tą, która musi odbyć podróż. System AI szybko rozwiąże takie problemy, odpowiadając na nie obiektywnymi argumentami. “Na chłopski rozum” trasa Warszawa-Londyn-Warszawa w ostateczności jest tym samym co Londyn-Warszawa-Londyn. Zwykle okazuje się jednak, że jedna z opcji jest zauważalnie droższa czy mniej komfortowa od drugiej. System policzy to w kilka sekund i zakończy dyskusję.

AI sposobem na oszczędności

Są to oczywiście tylko przykłady zastosowań analityki predyktywnej. Każda firma na pewno może dodać do nich kilka innych, specyficznych dla jej kultury organizacyjnej. Nie istnieje natomiast firma, która wcale nie skorzystałaby na implementacji takiej technologii. W grę wchodzą nie tylko usprawnienia procesowe i operacyjne, ale też, przede wszystkim, znaczne oszczędności w kosztach – według CWT, nawet 20 do 30% całości kosztów podróży. W skrócie: zdecydowanie jest to gra warta świeczki.



Dodaj komentarz

Ta strona internetowa wykorzystuje pliki cookie i prosi o podanie danych osobowych w celu zwiększenia wygody przeglądania.