Rezultaty projektu IREG

W ramach wystąpienia zaprezentowano w jak sposób transformacja do modelu biznesu omnichannel wpływa na optymalizację łańcucha wartości. Model omnichannel jest kluczowy dla sukcesu przedsiębiorstw, ponieważ klienci oczekują spójnych doświadczeń zakupowych niezależnie od wybranego kanału sprzedaży, a ich integracja staje się nieodzowna. Tymczasem nowe technologie, takie jak sztuczna inteligencja, Internet Rzeczy (IoT) i Big Data, przekształcają modele biznesowe i łańcuchy wartości, wpływając na niemal wszystkie aspekty działalności firm. Badania nad transformacją modelu biznesowego detalistów pokazują, że strategie dotarcia do klienta ewoluują w zależności od zdolności sklepów i specyficznych układów łańcucha wartości w różnych branżach. Implementacja Przemysłu 4.0 wymaga innowacji w modelach biznesowych, w tym implementacji, a w dalszej kolejności również integracji technologii cyfrowych.

Dotychczasowe badania wokół modelu omnichannel skupiają się głównie na perspektywie klienta, co ogranicza pełne spojrzenie na łańcuch wartości. W związku z powyższym główne pytanie badawcze brzmiało: jak transformacja do modelu biznesu omnichannel wpływa na optymalizację łańcucha wartości w przedsiębiorstwach handlowych? Celem badania była ocena wpływu tej transformacji na dynamiczne zmiany w zarządzaniu kluczowymi ogniwami łańcucha wartości.

Metodyka badań opierała się na analizie case study, w tym desk research oraz pogłębionych wywiadach z menedżerami zarządzającymi przedsiębiorstwami handlowymi z silnym udziałem e-commerce. Analiza jakościowa obejmowała transkrypcję wywiadów, kodowanie danych oraz analizę treści, a następnie integrację wyników poprzez analizę porównawczą. Przedsiębiorstwa objęte badaniem reprezentowały branże takie jak zabawki, architektura ogrodowa, elektronika użytkowa i odzież, działające na rynkach B2C i B2B, z różnym udziałem kanałów sprzedaży i technologiami takimi jak ERP, CRM i WMS.
Wyniki badań wskazują, że transformacja do modelu omnichannel umożliwia lepszą integrację procesów biznesowych i operacyjnych, wzmacnia wizerunek firmy oraz poprawia pozycję negocjacyjną. Wymusza jednocześnie poniekąd wprowadzenie systemów magazynowych i ERP, zatrudnienie specjalistów i podpisanie umów z większą liczbą dostawców zaawansowanych usług zewnętrznych. Kluczowym aspektem sprzedaży w modelu omnichannel jest jednak możliwie pełna integracja danych.

Na konferencji EATSA 2024 przedstawiłam wyniki przeglądu literatury przeprowadzonego w ramach mojego doktoratu, zatytułowanego „Wpływ wdrożenia technologii na proces sukcesji międzypokoleniowej w małych i średnich przedsiębiorstwach turystycznych”.

W mojej prezentacji skupiłam się na roli technologii informacyjno-komunikacyjnych (ICT) w przedsiębiorstwach turystycznych prowadzonych przez rodziny. ICT odgrywa kluczową rolę w poprawie efektywności operacyjnej, komunikacji oraz zarządzania danymi, co może znacząco zwiększyć konkurencyjność i zdolność do adaptacji w dynamicznie zmieniającym się rynku turystycznym.

Jednym z głównych zagadnień poruszonych w mojej pracy było planowanie sukcesji w rodzinnych małych i średnich przedsiębiorstwach turystycznych (SMFTEs). Proces ten jest niezwykle istotny dla zachowania ciągłości i stabilności takich firm. Bez odpowiedniego planowania sukcesji, firmy te ryzykują utratę cennej wiedzy i doświadczenia, co może prowadzić do poważnych zakłóceń w ich funkcjonowaniu.

Moje badanie miało na celu zbadanie, jak przyjęcie technologii ICT wpływa na proces sukcesji międzypokoleniowej. Postawiłam sobie pytanie: jak technologia może wspierać strategie sukcesji w branży turystycznej? Wykorzystałam koncepcję dynamicznych zdolności, która podkreśla znaczenie zdolności organizacji do adaptacji i innowacji.

Podczas prezentacji omówiłam kluczowe technologie wykorzystywane w turystyce, takie jak wirtualna rzeczywistość, platformy rezerwacyjne online oraz media społecznościowe, które rewolucjonizują planowanie i doświadczenia turystyczne. Przedstawiłam również najlepsze praktyki w planowaniu sukcesji, takie jak wczesne zaangażowanie potencjalnych następców, transparentna komunikacja oraz korzystanie z zewnętrznych doradców.

Wyniki przeglądu literatury pokazują, że przyjęcie technologii ICT może znacznie usprawnić proces sukcesji, wspierając transfer wiedzy, rozwój umiejętności oraz dynamikę przywództwa. Technologie te mogą również pomóc przedsiębiorstwom turystycznym w dostosowywaniu się do szybkich zmian technologicznych i rynkowych.

Podsumowując, technologia nie jest już opcją, ale koniecznością dla małych i średnich przedsiębiorstw turystycznych. Przyjęcie nowoczesnych technologii jest kluczowe dla zapewnienia ich długoterminowej stabilności, efektywności operacyjnej i zdolności do strategicznego planowania.

Organizatorzy konferencji wyróżnili prezentację autorstwa Hanny Łobejko w kategorii „młodzi badacze”.

Systemy informatyczne wspomagające zarządzanie projektami (ang. Project Management Information System, PMIS) stały się nieodłącznym elementem współczesnego zarządzania projektami. Badania pokazują, że PMIS przyczyniają się do skuteczniejszego zarządzania informacją poprzez integrację danych i procesów, co z kolei prowadzi do bardziej skoordynowanych i przejrzystych działań. PMIS ułatwiają identyfikację i zarządzanie ryzykiem, poprawiają kontrolę nad kosztami i harmonogramem projektu. Wdrożenie zaawansowanych systemów informatycznych pozwala na zarządzanie danymi, lepszą komunikację w zespole projektowym, a także skuteczniejsze podejmowanie decyzji, co prowadzi do zwiększenia efektywności realizowanych przedsięwzięć. Kolejnym krokiem w rozwoju systemów jest wykorzystywanie sztucznej inteligencji (ang. Artificial intelligence, AI) w celu automatyzacji powtarzalnych lub żmudnych zadań, analizy danych w celu identyfikacji wzorców i spostrzeżeń czy usprawnienia procesu podejmowania decyzji. Współczesne systemy informatyczne coraz częściej integrują technologie sztucznej inteligencji w celu zwiększenia efektywności, dokładności i przewidywalności działań projektowych.

Celem przeprowadzonego badania było zdiagnozowanie zakresu wykorzystania sztucznej inteligencji w systemach informatycznych wspomagających zarządzanie projektami oraz korzyści i wyzwań jakie wynikają z jej implementacji. Przeprowadzono przegląd literatury na temat zastosowania AI w zarządzaniu projektami oraz omówiono przypadki wdrożeń AI w wybranych systemach informatycznych.

Analiza porównawcza wykazała, że badane systemy wykorzystują sztuczną inteligencję do automatyzacji i optymalizacji różnych aspektów zarządzania projektami. Kluczowe funkcje AI obejmują analizę danych, generowanie i analizę tekstu, prognozowanie ryzyk, zarządzanie zadaniami, wyszukiwanie oraz pomoc w czasie rzeczywistym. Pomimo pewnych różnic w implementacji i zakresie funkcjonalności, każda z analizowanych platform znacząco wspiera zarządzanie projektami poprzez wykorzystanie nowoczesnych technologii.

AI w zarządzaniu projektami nie tylko usprawnia codzienne operacje, ale również znacząco wpływa na realizację przedsięwzięć, wspierając kierowników projektów w podejmowaniu bardziej świadomych decyzji. W miarę dalszego rozwoju technologii, rola AI w PMIS będzie nadal rosła, przynosząc korzyści w postaci większej efektywności, precyzyjności i adaptacyjności do zmieniających się warunków projektowych

Podczas 30th ERES Annual Conference Sopot & Gdańsk 2024 zaprezentowałem artykuł pod tytułem “Are hedonic models really quality-adjusted? The role of apartment quality in hedonic models of housing rental market”. Artykuł został w tym roku wydany w czasopiśmie Real Estate Management and Valuation i podejmuje tematykę efektywności różnych sposobów uwzględniania jakości mieszkań w modelach hedonicznych. Głównym celem takich modeli jest uzyskanie indeksów cenowych odpornych na zmiany jakości mieszkań w czasie. Możemy bowiem zauważyć tendencję, że mieszkania oferowane na polskim rynku najmu są średnio coraz wyższej jakości. Sprawia to, że część wzrostu stawek najmu mierzonego prostymi miarami (np. średnią arytmetyczną) nie jest efektem rzeczywistego wzrostu cen, a powinna zostać przypisana do zmiany jakości obserwowanej próby. Z drugiej strony, podczas pandemii COVID-19, na rynek wróciło wiele mieszkań o relatywnie niższym standardzie, wcześniej najmowanych przez studentów, a także o wyższym standardzie – do tej pory wynajmowanych turystom na krótki termin. Z kolei podczas pierwszych miesięcy wojny w Ukrainie, uchodźcy wojenni przybywający do Polski znacznie podnieśli poziom popytu na mieszkania o najniższej jakości. W rezultacie zmian jakościowych zachodzących na rynku najmu wobec ostatnich szoków ekonomicznych, użycie metod odpornych na zmiany jakości ma kluczowe znaczenie.

W artykule wskazano, że w ofertach najmu (często używanych jako zamiennik danych transakcyjnych przy konstrukcji modeli hedonicznych) jakość może być sygnalizowana bezpośrednio — poprzez deklarację standardu mieszkania lub pośrednio — przy użyciu jego opisu lub zdjęć. Ponadto, do sygnalizowania standardu mogą zostać użyte “twarde” informacje związane z obiektywnymi cechami mieszkań (np. liczba pokoi lub dostępność balkonu) lub “miękkie”, bardziej subiektywne informacje związane np. z designem mieszkania lub jego stanem zużycia. W artykule sprawdzono, jak wybór podejścia do kwestii miękkiej jakości mieszkań wpływa na właściwości modeli hedonicznych i przebieg osiąganych na ich podstawie indeksów czynszów. Na przykładzie rynku najmu w Poznaniu zauważono, że modele hedoniczne uwzględniające miękką jakość mają lepsze właściwości statystyczne niż te bez zmiennych związanych z miękką jakością. Spośród nich najlepsze okazały się modele, które obejmują informacje o jakości pozyskane z opisów mieszkań. Nie wykryto jednak znacznych różnic w przebiegu osiągniętych hedonicznych indeksów czynszów. Tym niemniej zauważono, że wykorzystanie informacji o miękkiej jakości mieszkań może mieć kluczowe znaczenie dla zrozumienia procesu dostosowywania się rynku do szoków gospodarczych. Finalnie udowodniono, że reakcja cenowa poznańskiego rynku najmu na pandemię i wybuch wojny w Ukrainie była zróżnicowana w segmentach rynku związanych z jakością.

Wystąpienie i prezentacja artykułu pt. Inflation forecasting using high-frequency data with the application of the MIDAS model miał na celu zaprezentowanie wyników nowego rodzaju prognoz inflacji w Polsce. Narodowy Bank Polski, tworząc prognozy korzysta z zawansowanych modeli ekonometrycznych, które mimo swojego bardzo mocnego oparcia w teorii makroekonomii, używają danych kwartalnych. Oznacza to, iż pomija się znaczną ilość dostępnych informacji, za pomocą których można wyjaśniać takie zmienne jak na przykład inflacja. W związku z tym w badaniu, przyjęte zostało nowe podejście, polegające na użyciu danych dziennych. Zastosowano w tym celu model MIDAS (Mixed-data sampling) łączący zmienne objaśniające, które są w wysokiej częstotliwości (dzienne) z zmienną objaśnianą jaką jest inflacja, a będącą zmienną niższej częstotliwości (miesięczna). Oznacza to, że na  każdą jedną zmienną objaśnianą przypada wiele zmiennych objaśniających wysokiej częstotliwości. Taka forma badania ma na celu stworzenie modelu, który będzie przetwarzał więcej informacji, a przez to powinien osiągać lepsze wyniki predykcji.

W ramach badania użyto danych z lat 2008-2023. Zostały one podzielone na kilka pięcioletnich podokresów (np. 2008-2013, 2009-2014 itd.). W każdym z nich stawiano oddzielne prognozy. Miesięczne wyniki inflacji zostały zestawione z danymi dziennymi. Zbadano możliwość stawiania prognoz za pomocą takich zmiennych jak: stopy zwrotu z WIG oraz WIG20, ceny kontraktów terminowych na ropę naftową oraz pszenicę i w końcu kurs złotego do dolara oraz euro. Dla każdego z podokresów oddzielnie badane były możliwości predykcyjne par: wig/wig20, EUR/PLN USD/PLN, cen kontraktów terminowych.

Wyniki modeli okazały się następujące:

1. W każdym z badanych podokresów najmniejsze wskaźniki błędów (to jest różnica pomiędzy faktyczną zaobserwowaną inflacją, a inflacją postawioną w ramach prognozy) były osiągane przez modele, które używały cen kontraktów terminowych. 2.
2. Za najgorsze można natomiast uznać te, w których zmienne były związane z kursem walutowym.

Zaprezentowane modele pomimo obiecujących wyników wymagają dalszej pracy, zarówno pod względem ich technicznej specyfikacji jak i doboru nowych zmiennych, które lepiej mogą przewidywać proces kształtowania się inflacji.