Прогнозирование и бизнес-аналитика

Помогаем выбрать показатели для принятия решений

Анализируем, как менялись показатели, и строим прогнозы

Разрабатываем отчёты и наглядно представляем результаты

Посмотреть задачи

Какие задачи мы помогаем решать

Оценить эффективность маркетинговых кампаний

Выявить клиентов с риском оттока

Спрогнозировать потребительский спрос

Подобрать товары для персональных рекомендаций

Как мы работаем с вашей задачей

Предложим, какие процессы стоит перевести на работу с данными

Подготовим рекомендации по развитию продуктов

Оценим экономический эффект проектов

Определим, какие отчёты нужны и как часто их готовить

Разработаем отчёты по согласованным показателям

Что вы получите

План работы с данными

Рекомендации по продуктам

Оценку затрат и ожидаемого эффекта

График подготовки отчётов

Отчёты по вашим показателям

Результаты нашей работы

75% — среднее снижение товарных остатков в магазинах

Задача:

Сократить запасы в магазинах, сохранив наличие товаров на полках.

97% наблюдений: фактические продажи попали в прогнозный диапазон

Решение:

Для каждого товара в каждом магазине модель прогнозирует диапазон недельных продаж на год вперёд.

Инструменты: R, Python

Алгоритмы: XGBoost, CART, k-means

10% — максимальное отклонение от экспертного прогноза

Задача:

Автоматизировать прогноз расходов региональных отделений и помочь головному офису планировать финансирование.

более 120 выявленных случаев мошенничества в регионах

Решение:

Внедрили систему на базе KXEN и SAP BI. Она прогнозирует расходы по истории потребления и экономическим показателям регионов, выявляет мошенничество и учитывает его при расчёте бюджета.

Инструменты: R, KXEN, SAP BI

Алгоритмы: алгоритмы KXEN для анализа временных рядов

9 — минимальное число сегментов абонентов для целевых кампаний

Задача:

Выделить группы абонентов для маркетинговых кампаний и определить, кто также пользуется услугами других операторов.

86% — точность выявления абонентов, которые также пользуются услугами конкурентов

Решение:

Система группирует абонентов и описывает особенности каждого сегмента. Для каждого абонента она оценивает вероятность того, что он пользуется услугами другого оператора.

Инструменты: R, Python, Spark, Hadoop, Hive

Алгоритмы: XGBoost, CART, k-means, k-medoids, t-SNE

8 источников данных

Задача:

Выявлять и предотвращать потери нефтепродуктов и ухудшение их качества.

более 1000 выявленных инцидентов

Решение:

Подключили источники данных к платформе Hadoop и настроили загрузку и обработку данных. Разработали расчётные модули и веб-приложение для аналитиков.

Инструменты: Python, JavaScript, Shell, SQL, Hadoop, HDFS, Spark, Yarn, Hive, Tez, Hue, Zookeeper, Luigi, Kafka, NiFi, PostgreSQL, Microsoft SQL Server, Oracle, Pi System, Django, AngularJS, Bootstrap, CSS, Docker, CentOS/RHEL