Az elmúlt években az informatikai illetve gazdaság-informatikai innováció által létrejövő, elsősorban a Big Data és a digitalizáció alkalmazásával olyan adatbázisok és információs lehetőségek állnak rendelkezésre a szervezetek számára, amelyek alapjában véve változtatják meg az ezidáig alkalmazott controlling rendszereket. A különböző riportok egy-egy mutatószámban képesek kifejezni akár egy teljes terület vagy gyáregység teljesítményét illetve eredményét. Ahhoz hogy ez létrejöjjön alapvető elvárás a megfelelő és hatékony infrastruktúra és a megfelelő szakmai és matematikai módszerek alkalmazása. A mutatószámok hatékony értelmezéséhez és az abból történő döntéshozáshoz különböző értékelési algoritmusok és standardizálási normák szükségesek. Kutatásunkban egy esettanulmányt felhasználva megalkottunk egy értékáramok lean eredményességét szemléltető modellt. A fuzzy logika alapján kiválasztottunk egy szakértői bemeneti függvényt, amely egy nemzetközi gépjárműgyártó szervezet egyik hazai leányvállalata volt. Az aggregált mutatószámokat pedig egy standardizált, az értékáramok összességének átlagos eredményéhez viszonyítottuk. Az általunk felvázolt modell segítségével lehetőség nyílik arra hogy a lean fuzzy modellek ne csak a vállalkozások lean indexét és pénzügyi adatait alapul véve határozzák meg a lean mértékét.
IX. ÉVF. 2021. 3. SZÁM 2-6
DOI: 10.24387/CI.2021.3.1
Felhasznált irodalom:
ANTHONY R. – GOVINDARAJAN V. Management Control Systems, (2006), McGraw Hill, McGraw-Hill Education; 12 edition ISBN: 0073100897
BABBIE, E. (2013). The practice of social research (13th. kiad.). USA Belmont: Wadsworth, Cengange Learning.
BARTA Á., MOLNÁR M. (2021) Forecasting oil price based on online occurence volume 2021 Modern Science no 1 pp. 5-11.
BAYOU M.E, KORVIN A. DE. (2008)Measuring the leanness of manufacturing systems—A case study of Ford Motor Company and General Motors Journal of Engineering and Technology Management Vol. 25. no 4 pp. 287-304
FANNING K., Big Data and KPIs: (2016) A Valuable Connection ., Corporate Accounting and FinanceVolume 27, Issue 3, pp. 17-19
GÁSPÁR S., VAJDA G., (2021) Lean KPI mutatószámok aggregációs lehetőségének vizsgálata Controller Infor vol1. no1. pp. 2-9
HAVASI I., BENŐ D., (2012) Hagyományos és Fuzzy nem Felügyelt osztályozás összeHasonlítása vegetációs index példáján Tájökológiai Lapok vol. 10 no. 1 pp. 115–123.
HAZEN, B. T., BOONE, C. A., EZEL, J. D. & JONES FARMER, L. A., (2014). Data quality for data science, predictive analytics, and big data in supply chain management: An introduction to the problem and suggestions for research and applications. International Journal of Production Economics, Issue 154, pp. 72-80.
OTLEY, D., (1999). Performance management: a framework for management control systems research. Management Accounting Research, vol. 10 no 4, pp. 363-382.
SCHNELLBACH, P. & REINHART, G., (2015). Evaluating the Effects of Energy Productivity Measures on Lean Production Key Performance Indicators. Procedia CIRP, Issue 26, pp. 492-497.
THALMEINER G. SUHAJDA Á. TÓTH M., (2019). Teoretikus kontrolling szemléletek. Controller Info issue 2, pp. 23-29
TABESH, P., MOUSHAVIDIM, E. & HASANI, S., (2019). Implementing big data strategies: A managerial perspective. Business Horizons, vol.3 no 62., pp. 347-358.
ZADEH, L.A. (1965) Fuzzy sets. Information and Control,vol. 8 no.3 pp. 338–353
ZÉMAN Z. (2020) FUTURE-PROOF TECHNOLOGY, Blockchain’s expected impact on accounting Economics & working capital : SI pp. 91-96.
