ÖSSZEFOGLALÁS
Ebben a tanulmányban egy olyan lean controlling modellt mutatunk be, amely kifejezetten tejelő tehenészetek működésére lett specializálva. A modell a fuzzy logika módszertanát alkalmazza, hogy rugalmasan kezelje a komplex és bizonytalan rendszerekkel kapcsolatos kihívásokat. A modell alapját három korábban végzett esettanulmány szintetizált eredményei képezik. A modell matematikai alapokra épül, és a lean menedzsmenttel kapcsolódó széleskörű teljesítménymutatókat használja, figyelembe véve a terv-tény elemzési módszertant és a szélsőséges értékek kezelését is. A tanulmány bemutatja a modell alkalmazását, annak előnyeit és korlátait, és felvázolja a modell továbbfejlesztésére vonatkozó lehetőségeket. A tejelő tehenészetek operációs modelljeinek komplexitása, valamint az iparág sajátosságai miatt fokozott szükség van hatékony és rugalmas teljesítménymenedzsment eszközökre. A lean menedzsment megközelítése ilyen eszköztárként jelenik meg, azonban a specifikus mérési és értékelési technikák hiányában gyakran nehezen adaptálható ezekben a rendszerekben. Korábban végzett három esettanulmányunkban a tejelő tehenészetekben való lean menedzsment alkalmazását vizsgáltuk, kiemelt figyelmet fordítva a teljesítménymutatókra és azok komplex összefüggéseire. A tanulmányok során feltártunk néhány kulcsfontosságú kérdést, beleértve a standardizált normák használhatóságát, a lean teljesítmény mérésének módszertanát, valamint a hierarchikus és horizontális szinteken való értékelés kihívásait. Jelen cikkben ezen esettanulmányok eredményeit szintetizáljuk, és létrehozunk egy modellt, mely a lean menedzsmenttel kapcsolatos döntéshozatali folyamatokat támogatja, kifejezetten a tejelő tehenészetek kontextusában. Ennek során fuzzy logikai módszert alkalmazunk, amely rugalmas eszközt biztosít a komplex és gyakran bizonytalan rendszerek modellezésére. A fuzzy logika előnye, hogy képes kezelni a pontatlanságokat és a bizonytalanságokat, amelyek számos esetben előfordulnak a gyakorlatban, például a teljesítménymutatók mérésében és értékelésében. A modellünk matematikai alapokra épül, és a lean menedzsmenttel kapcsolódó széleskörű teljesítménymutatókat használja. Ezen mutatók elemzése során a modell a terv-tény elemzési módszertant veszi figyelembe, és bizonyos feltételek mellett képes kezelni a szélsőséges értékeket is. Ugyanakkor tudatában vagyunk annak, hogy a modell nem képes minden aspektust tökéletesen lefedni, ezért további kutatásokra és fejlesztésekre van szükség a modell pontosságának és hatékonyságának további növelése érdekében.
XI. ÉVF. 2023. 3. SZÁM 12-18
DOI: 10.24387/CI.2023.3.3
Cikk megtekintése http://controllerinfo.hu/wp-content/uploads/2023/12/ContrInf_beliv_2023-03_negyedev_3.pdf
„A Kulturális és Innovációs Minisztérium ÚNKP-22-4-I kódszámú Új Nemzeti Kiválóság Programjának a Nemzeti Kutatási, Fejlesztési és Innovációs Alapból finanszírozott szakmai támogatásával készült.”
IRODALMI FELDOLGOZÁS
BARBIERATO, E. – GRIBAUDO, M. – IACONO, M. (2014): Performance evaluation of NoSQL big-data applications using multi-formalism models. Future Generation Computer Systems, 37, 345–353. p.
BARRETO, L. – AMARAL, A. – PEREIRA, T. (2017): Industry 4.0 implications in logistics: an overview. Procedia Manufacturing, 13, 1245–1252. p.
BERRY, A. J. – COAD, A. F. – HARRIS, E. P. – OTLEY, D. T. – STRINGER, C. (2009): Emerging themes in control: A review of recent literature. The British Accounting Review, 41(1), 2–20. p.
CRAVERO, A., – SEPÚLVEDA, S. (2021): Use and Adaptations of Machine Learning in Big Data—Applications in Real Cases in Agriculture. Electronics, 10(5), 552.
FÜLÖP, K. (2018): A szervezeti teljesítmény értékelése. Budapest: Nemzeti Közszolgálati Egyetem.
KAMBLE, S. S. – GUNASEKARAN, A. – GHADGE, A. – RAUT, R. (2020): A performance measurement system for industry 4.0 enabled smart manufacturing system in SMMEs- A review and empirical investigation. International Journal of Production Economics, 107853.
KAMILARIS, A. – KARTAKOULLIS, A. – PRENAFETA-BOLDÚ, F. X. (2017): A review on the practice of big data analysis in agriculture. Computers and Electronics in Agriculture, 143, 23–37. p.
NIVEN, P. R. (2008): Balanced scorecard step-by-step for government and nonprofit agencies. New Jersey: John Wiley & Sons Inc. Hoboken.
GÁSPÁR, G. – CZIKKELY, M. – THALMEINER, G. (2020): Improvement of the BSC model with KPI-tree method through a dairy farm case study. Hungarian Agricultural Engineering, 38, 5-14. p.
VATS, S. – SAGAR, B. B. – SINGH, K. – AHMADIAN, A. – PANSERA, B. A. (2020): Performance Evaluation of an Independent Time Optimized Infrastructure for Big Data Analytics that Maintains Symmetry. Symmetry, 12(8), 1274.
WOLFERT, S. – GE, L. – VERDOUW, C. – BOGAARDT, M.-J. (2017): Big Data in Smart Farming – A review. Agricultural Systems, 153, 69–80. p.
ZÉMAN, Z. (2016): A kontrolling fejlődésének főbb irányzatai. Társadalom és Gazdaság, 2 (1) 77-92. p.
ZÉMAN, Z. (2020): Future-proof technology. Blockchain’s expected impact on accounting. Economics & working capital, SI 91-96. p.
ZÉMAN, Z. – BÉHM, I. (2019): Módszertan vállalkozások pénzügyi teljesítményének mérésére. Budapest: Akadémiai Kiadó Zrt.
ZÉMAN, Z. – TÓTH, A. (2018): Stratégiai pénzügyi controlling és menedzsment. Budapest: Akadémiai Kiadó.
ZADEH, L. A. (1965): Fuzzy sets. Information and Control, 8 (3) 338–353. p.
ZADEH, L. A. (1978): PRUF—a meaning representation language for natural languages. In: International Journal of Man-Machine Studies, 10 (4) 395-460. p.
BAYOU, M. E. – KORVIN A. (2008): Measuring the leanness of manufacturing systems—A case study of Ford Motor Company and General Motors. J. Eng. Technol. Manage., 25 287–304. p.
HAVASI, I. – BENŐ, D. (2012): Hagyományos és Fuzzy nem Felügyelt osztályozás összehasonlítása vegetációs index példáján. Tájökológiai Lapok, 10 (1) 115–123. p.
GIANGIACOMO, G. (2017): Vagueness and formal fuzzy logic: Some criticisms. Logic and Logical Philosophy, 26 (4) 431–460. p.
