Darugyártó szervezet jelentési tevékenységének modellezése

Szerzők

  • Gergő Thalmeiner Hungarian University of Agriculture and Life Sciences, Gödöllő, Hungary
  • Sándor Gáspár Hungarian University of Agriculture and Life Sciences, Gödöllő, Hungary
  • Zoltán Zéman Hungarian University of Agriculture and Life Sciences, Gödöllő, Hungary

DOI:

https://doi.org/10.58423/2786-6742/2022-1-274-282

Kulcsszavak:

teljesítményértékelés, kontrolling, jelentéskészítés, KPI menedzsment, modellezés

Absztrakt

Az ipari feldolgozóipari tevékenység jelentősen megváltozott az elmúlt években. A szabványosított - tömeggyártási folyamatok mellett egyre inkább felerősödtek a vevőorientált egyedi termelési tevékenységek. Az ügyfélközpontú egyedi gyártás során a vevő nem csak passzív megfigyelője, hanem aktív résztvevője is a tervezési és gyártási folyamatoknak. Egyedi jellegükből adódóan a szervezetek teljesítményének értékelése számos kihívást jelenthet. A digitalizáció és a gazdasági informatikai innovációk fejlődésének köszönhetően kiterjedt eszközrendszer áll rendelkezésre és számos módszer alkalmazható a mért adatok elemzésére. Az elemzési módszertanok közül kiemelendő a kontrolling rendszerek alapját képező Key Performance Indicator (KPI) menedzsment. A változások miatt a szervezeti teljesítmény értékelése és kifejezése már nem a jelenlegi állapotok elemzésére, hanem a várható jövőbeni teljesítmény előrejelzésére irányul. Ennek elérése érdekében alapvető követelményként fogalmazódik meg a hatékony infrastruktúra, valamint a szakmai és statisztikai-matematikai módszerek alkalmazása. A prediktív KPI információtartalmának értelmezése és így a vezetői döntéstámogatás a különböző értékelésektől és szabványosítási normáktól függ. Napjainkban a szervezeti teljesítményértékelés alapvető kontrolling feladatnak tekinthető, melynek során a szervezeti teljesítmény széleskörű feltárása, értékelése a cél. A vezetés korlátozottan racionális a döntések meghozatalakor, ami azt jelenti, hogy csak a rendelkezésre álló információk alapján tud dönteni. A controlling célja, hogy a menedzsment számára olyan beszámolási tevékenységet biztosítson, amely alkalmas a folyamatok értékelésére és a jövőbe mutató döntések meghozatalára a kiterjedt információk feltárásával és az adatok kiterjedt módszertani elemzésével. Ezért kiemelten hangsúlyozzák, hogy a menedzsmentnek már nem reaktívnak, hanem proaktívnak kell lennie, ami a prediktív elemzések kiértékelésével és a prediktív értékelésekből származó információk alapján történő döntéshozatallal érhető el.

Szerző életrajzok

Gergő Thalmeiner, Hungarian University of Agriculture and Life Sciences, Gödöllő, Hungary

PhD. student Hungarian University of Agriculture and Life Sciences, Gödöllő, Hungary

Sándor Gáspár, Hungarian University of Agriculture and Life Sciences, Gödöllő, Hungary

PhD. student Hungarian University of Agriculture and Life Sciences, Gödöllő, Hungary

Zoltán Zéman, Hungarian University of Agriculture and Life Sciences, Gödöllő, Hungary

Full Professor Hungarian University of Agriculture and Life Sciences, Gödöllő, Hungary

Hivatkozások

Asih, I. - Purba, H. H. - Sitorus, T. M. (2020) Key Performance Indicators: A Systematic Literature Review. Journal of Strategy & Performance Management, Vol. 8, No. 4, pp. 142-155.

Babbie, E. (2012) The Practice of Social Research, 13th Edition, New York: Wadsworth Publishing. pp. 52-61. ISBN 978-1133049791

Barta, Á. - Molnár, M. (2021) Forecasting oil price based on online occurrence. Modern Science, Vol. 1, pp. 5-11.

Boda, B. (2015) A teljesítményértékelés szervezeti és egyéni dimenziói a köz- és a versenyszférában. Hadtudomány, 25 évf. pp. 91-101.

Brown, M. G. (1996) Keeping Score: Using the Right Metrics to Drive World-class Performance. New York: Quality Resources. 12-17. p. ISBN 978-0814403273

Brundage, M. P. - Bernstein, W. Z. - Morris, K. C. - Horst, J. A. (2017) Using Graphbased Visualizations to Explore Key Performance Indicator Relationships for Manufacturing Production Systems. Procedia CIRP, Vol. 61, pp. 451– 456. DOI: https://doi.org/10.1016/j.procir.2016.11.176

Chege, S. M. - Wang, D. (2020) The impact of entrepreneurs’ environmental analysis strategy on organizational performance. Journal of Rural Studies, Vol. 77, pp. 113-125. DOI: https://doi.org/10.1016/j.jrurstud.2020.04.008

Domínguez, E. - Pére, B. - Rubio, Á. L. - Zapata, M. A. (2019) A taxonomy for key performance indicators management. Computer Standards & Interfaces, Vol. 64 pp. 24-40. DOI: https://doi.org/10.1016/j.csi.2018.12.001

Duru, O. - Bulut, E. - Huang, S. - Yoshida, S. (2013) Shipping Performance Assessment and the Role of Key Performance Indicators (KPIs): 'Quality Function Deployment' for Transforming Shipowner's Expectation. SSRN Electronic Journal, pp. 1-18. DOI: https://doi.org/10.2139/ssrn.2195984

Fanning, K. (2016) Big Data and KPIs: A Valuable Connection. Corporate Accounting and Finance, Vol. 27, No. 3, pp 17-19. DOI: https://doi.org/10.1002/jcaf.22137

Kang, N. – Zhao, C. – Li, J. – Horst, J. A. (2016) A Hierarchical structure of key performance indicators for operation management and continuous improvement in production systems. International Journal of Production Research, 5421, pp. 6333–6350. DOI: https://doi.org/10.1080/00207543.2015.1136082

Liebrecht, C. – Jacob, A. – Kuhnle, A. – Lanza, G. (2017) Multi-criteria Evaluation of Manufacturing Systems 4.0 under Uncertainty. Procedia CIRP, Vol. 63, pp. 224–229. DOI: https://doi.org/10.1016/j.procir.2017.03.147

Malaga, A. - Vinodh, S. (2021) "Evaluation of smart manufacturing performance using a grey theory-based approach: a case study", (2021) Evaluation of smart manufacturing performance using a grey theory-based approach: a case study, Grey Systems: Theory and Application, Vol. 12 No. 3, pp. 522-550. DOI: https://doi.org/10.1108/GS-04-2021-0049

Parmenter, D. (2007) Key performance indicators (KPI): Developing, implementing, and using winning KPIs. Hoboken: J. Wiley. pp. 384. ISBN13 (EAN): 9781119620778

Peral, J. - Maté, A. - Marco, M. (2016) Application of data mining techniques to identify relevant key performance indicators. Computer Standards & Interfaces, Vol. 54, Issue 2, pp. 76-85. DOI: https://doi.org/10.1016/j.csi.2016.11.006

Schnellbach, P. - Reinhart, G. (2015) Evaluating the effects of energy productivity measures on lean production key performance indicators. Procedia CIRP, Vol. 25, pp. 492-497. DOI: https://doi.org/10.1016/j.procir.2014.07.094

Simons, R. (2000) Performance Measurement and Control Systems for Implementing Strategy. New Jersey: Prentice Hall. 17-18. p. ISBN 978-0132340069

Xu, L. D. - Xu, E. L. - Li, L. (2018) Industry 4.0: State of the art and future trends. International Journal of Production Research, Vol. 56, Issue 8, pp. 2941–2962. DOI: https://doi.org/10.1080/00207543.2018.1444806

Yu, S. - Lee, J. (2019) The effects of consumers’ perceived values on intention to purchase upcycled products. Sustainability, Vol. 11, pp. 1034. DOI: https://doi.org/10.3390/su11041034

Zéman, Z. - Béhm, I. (2019) Módszertan vállalkozások pénzügyi teljesítményének mérésére. Budapest: Akadémiai Kiadó Zrt. pp. 260 ISBN: 9789634543558 DOI: https://doi.org/10.1556/9789634543558

Zéman, Z. - Mallinguh, E. B. (2020) An evaluation of the Fintech companies and the financial sector in Hungary. Economics & Working Capital, Vol. 1, No. 2, pp. 2-9.

##submission.downloads##

Megjelent

2022-10-04

Folyóirat szám

Rovat

Számvitel és adóügy