Diskuze

Ano, je to přesně, jak uvádíte. Přesně to bylo vidět při prezentaci softwaru na praktickém workshopu při práci se dvěma soubory, kdy první prezentoval skutečný stav a druhý předpoklad zlepšení, kterého by měla firma dosáhnout. Umělá inteligence je výhodná v tom, že se se umí tzv. vytrénovat a naučit. Každý další rok jí nová data pomáhají ve zlepšení její predikce, jelikož se vylepšuje její neuronová síť. V případě, že nám software bude počítat např. po období 3-5 let zápornou ekonomickou přidanou hodnotu, je lepší činnosti podniku ukončit a alokovat prostředky efektivněji.

Pokud je hodnota EVA kladná, je výstup pro vlastníka přínosem, jelikož inkasuje více, než je míra rizika spojeného s danou investicí. V případě, že je hodnota EVA záporná a hospodářský výsledek je kladný, znamená to, že v nominálu je podnik pro vlastníka v zisku, ale současně to znamená, že vlastník podstupuje zbytečně větší riziko, než by měl. Na trhu existují jiné alternativy při stejné výši rizika, které jsou ziskovější. Záporná hodnota EVA při záporném hospodářském výsledku znamená jednoznačnou ztrátu. Bankrot je spíše otázka zákona a zákonem stanovené definice. Za nejhorší stav se dá považovat okamžik, kdy závazky podniku představují vyšší hodnotu, než je samotná hodnota majetku podniku.

Jedná se o rozhraní pro zadání dat do neuronové sítě, popř. jsou tam výpočty ukazatelů finanční analýzy. V mnoha případech byl využit určitý mezivýpočet a předpříprava dat pro neuronovou síť, ale celkový výsledek vycházel z údajů, které byly k vidění během prezentace. Nositelem externích údajů je neuronová síť. Co se týká přístupnosti softwaru pro podnikatele z hlediska druhů vkládaných dat, při tvorbě softwaru se vycházelo z toho, že řada podnikatelů zakládá podnik a jsou odborníci pouze na problematiku daného předmětu podnikání, např. truhlář při založení truhlářské dílny je stále primárně truhlářem a nemá takový vhled do ekonomiky a financí. Cílem tedy bylo informaci zprostředkovat i laikovi. Proto je k dispozici vysvětlení ekonomické přidané hodnoty a celková interpretace výsledku. Detailněji je to pak celé popsáno v manuálu „Řízení hodnoty podniku pro vlastníka jako základního cíle podnikání“, ale k pochopení by to mělo být i bez využití zmíněného manuálu.

Potřebujeme znát reálný vývoj trhu v daných odvětvích. Pro tyto účely pracujeme s účetními závěrkami (nepracujeme s agregovanými veličinami typu makroekonomických ukazatelů, ale pouze s daty na úrovni podniku). Neuronovou síť jsme vytvářeli na základě údajů o mnoha desítkách tisíc podniků v průběhu těch pěti let. Abychom precizovali predikční schopnost modelu, je potřeba nově vložená data opět natrénovat. Tato operace ve chvíli, kdy již existuje nějaká struktura, bude trvat např. jeden nebo dva dny. Lze nastavit, aby se to to provádělo automaticky, nicméně v tomto ohledu se nechceme vázat na software, v němž to bylo vytvořeno. Použili jsme statistiku, ale standardně pracujeme i s neuronovými sítěmi hlubokého učení v matematice, dále můžeme využít MATLAB apod. Z důvodu otevření open accessu pracujeme s tímto, navíc neuronovou síť chceme zveřejnit, jelikož je možné ji natrénovat pouze na jeden obor. Tzn. když trochu větší podnik bude mít zaměstnance, který bude schopen programovat v C++, může si tento podnik natrénovat síť například jenom na zpracovatelský průmysl nebo dokonce jenom na Jihočeský kraj a zpracovatelský průmysl. Pro podnik to nebude tolik náročné a může dosáhnout ještě přesnějšího výsledku, jelikož se sníží šumy. Pokud byste ale chtěl konkrétně popsat neuronovou síť, která stojí za tímto výpočtem, tak je to cca 120 až 150 stran textu. Nepřibližuje se to tedy například výpočtu rentability vlastního kapitálu, kde pro výsledek stačí podělit dvě čísla. Zde se jedná už o skutečně složitý výpočet, který mnohdy nespočítá ani odborník. Struktura neuronové sítě se pohybuje zpravidla v MB a méně v závislosti, jak je naprogramována, ale v případě sítě hlubokého učení se může jednat i o 350 MB, což odpovídá více než statisícům stran na popsání této sítě. Abychom i přesto mohli publikovat výsledky, vytvořili jsme za tímto účelem úložiště, aby tyto výsledky byly validovatelné a mohl je využít i někdo jiný. Celkově spatřujeme v nástrojích umělé inteligence obrovský potenciál.

Přesně tak, indikátorem srovnání je míra rizika, která se vždy počítá velmi složitě. Přesnost je dána výkonem neuronové sítě, kdy s každým dalším natrénováním se přesnost zvyšuje, ale nikdy nebude stoprocentní. Dle ekonomické teorie podnik dosahuje nejlepšího výsledku, když negeneruje žádné fixní náklady, má pouze náklady variabilní a tyto náklady vznikají přesně ve chvíli, kdy podnik generuje produkt a současně inkasuje peníze. V tuto chvíli bude mít podnik nekonečnou rentabilitu, maximální produktivitu atd. Jenže reálné prostředí samozřejmě tohoto stavu nikdy neumožní dosáhnout. U predikčních modelů je potřeba si uvědomit, že i sebelépe vypracovaný model nepřímo reprezentuje názory a postoje jeho tvůrce v závislosti na tom, jaká data či strukturu zvolí, jakým způsobem pracuje s výsledkem apod. Co se týká predikce jako takové, důležité je, že predikujeme finanční veličinu a ta je odvozena z chování člověka. Víme, jaký je ideální výsledek a při hodnocení podniku můžeme doporučit, jakého výsledku, za použití jakého nástroje, by měl podnik dosáhnout. Nicméně problém je v tom, že čistá ekonomická teorie pracuje s různými axiomy typu, že se spotřebitel za všech okolností chová racionálně, axiom tranzitivity apod. Realita ale přináší určitý šum, a proto se nezaměřujeme na optimální výsledek, ale míru šumu a schopnost dosáhnout ideálního výstupu při tomto šumu. Pokud bychom tedy chtěli říci, co je správné, tak vůbec data z trhu nepotřebujeme, jelikož to víme. Potřebu predikovat a odhadovat budoucí výsledek nám dává „nelogické“ chování firem a spotřebitelů, jelikož celá realita je postavená právě na „nedokonalosti“.

Data vložená do softwaru samotnými podniky nebudou ukládána. Důvodem je, že mnoho podniků může zkoušet funkčnost a nevkládat reálná data, a také například při provádění citlivostní analýzy, budou podniky pravděpodobně zkoušet nastavení generátorů hodnoty, a opět se tak nebude jednat o reálná data. Pokud bychom takovéto výsledky nechali, znepřesnili bychom neuronovou síť.

Ano, zatím se jedná o vyhodnocení na území kraje, do budoucna je možné oblast rozšířit, ale bude potřeba do databáze vložit více dat. Když jsme začali filtrovat data, řídili jsme se nejprve podle nadefinování venkovského prostoru v České republice, které provedla kolegyně (Ing. Petra Pártlová, Ph.D.?). Následně jsme řešili úplnost a neúplnost vstupních dat, kdy nám algoritmus rozlišující ne/hodnotná data zachoval z 250 000 dat subjektů pouhých 55 000. Pro rozšíření je tedy potřeba získat velké množství dalších dat.

Potenciál pro MSP ve venkovském prostoru jsme řešili pomocí klasterové analýzy pouze na území místních akčních skupin (dále jen MAS). Na začátku zkoumání jich bylo 17, v průběhu pak již jen 16. V Jižních Čechách se nachází obce 1., 2. a 3. stupně. Ve zkoumaných MAS jsou obce do 25 000 obyvatel, tedy vyjma Českých Budějovic, Českého Krumlova, který je v UNESCO, Písku, Tábora a Slavonic – ty nepatří do Jihočeského kraje v rámci MAS, jejíž jsou součástí. Všechny zkoumané obce uvedených MAS jsou obce 1. stupně. Metodika naší práce byla odstupňována následovně: Nejprve jsme analyzovali celý Jihočeský kraj, poté pouze území MAS. Následně jsme prováděli tzv. klastrování obcí, dále jsme si stanovili faktory podmíněnosti, regionální diverzifikaci (pomocí indexu entropie) a nakonec oblast komparace mezi podnikatelským potenciálem a reálným ekonomickým stavem podniku. Pro zjištění výsledků jsme zakoupili data daného území od společnosti EKOTOXA Opava, s. r. o. Získaná data jsme rozdělili do 4 ekonomických pilířů, na jejichž základě jsme identifikovali 29 indikátorů, s kterými jsme dále pracovali ve všech analýzách, a následně jsme vytvořili 4 modely, které byly ovlivněny zejména těmito hlavními indikátory: (1) rodáci, (2) trend nárůstu počtu obyvatel s VŠ vzděláním, (3) dopravní obslužnost hromadnou dopravou v pracovní dny, (4) vybavenost mateřskými školami, (5) dostupnost středních škol a (6) fragmentace krajiny.

Základním rozdílem je, že SAP se většinou využívá u sériové výroby. Princip obou systémů je stejný, liší se pouze postup v závislosti na jednotlivých oblastech. U systému SAP bývá řada členů hodnotového řetězce vynechána (u hodnotového řetězce je jich využíváno 7, u SAP často méně).

V případě odvětví strojírenství, na které jsem se během výzkumu zaměřovala, se inovace týkaly nejvíce zakázkových aktivit.

Napadá mě například plánování směn, které v případě jeho optimalizace může pomoci docílit vyšší spokojenosti velké míry zaměstnanců. Spoustu trendů přichází kupříkladu z Německa, kdy ve strojírenských podnicích často investují do různých masáží, tejpování apod. Podniky mají propočítáno, že když do podobné péče investují na jednoho pracovníka měsíčně např. 80 Kč, ušetří často měsíčně na pracovní neschopnosti několik tisíc korun. Tato investice je tedy velmi rentabilní, navíc pracovníci mají dobrý pocit, že je o ně postaráno.