КонтактыОтраслевые решения на основе данных
Примеры применения аналитики в рознице, банках, на транспорте и в производстве.
Какие задачи мы решаем
Розничная торговля
Планировать ассортимент
Подбирать персональные предложения
Планировать закупки и распределять запасы между складами и магазинами
Прогнозировать рыночные показатели новых товаров
Улучшать программы лояльности
Отслеживать восприятие бренда в СМИ и интернете
Выбирать места для новых магазинов
Контролировать и улучшать выкладку товаров
Выделять группы покупателей и анализировать их поведение по видео из магазинов
Планировать рабочие смены
Улучшать работу контактного центра
Настраивать голосовое меню
Автоматизировать ответы на частые вопросы
Банки
Оценивать ценность клиента за весь период обслуживания (LTV)
Выделять группы клиентов
Рекомендовать сопутствующие продукты
Прогнозировать спрос по банковским продуктам и клиентам
Выбирать следующее предложение для каждого клиента
Оценивать риск дефолта по кредитам физических и юридических лиц
Прогнозировать потребность в наличных для банкоматов, капитале и резервах
Выявлять аффилированных клиентов
Выбирать места для банкоматов и отделений
Выявлять клиентов с риском оттока
Моделировать влияние цен на спрос и прибыль
Выявлять мошеннические операции для автоматической блокировки карт
Планировать смены операторов по прогнозу обращений
Транспорт
Прогнозировать поломки и планировать обслуживание
Распределять ресурсы с учётом текущей нагрузки
Планировать маршруты и расписания
Подбирать транспорт для каждого маршрута
Замечать отклонения от маршрута и другие нештатные ситуации
Выявлять типичные причины поломок и задержек
Прогнозировать рыночные показатели новых продуктов и услуг
Подбирать персональные предложения для клиентов
Прогнозировать объёмы перевозок и планировать закупки
Менять цены с учётом спроса
Улучшать работу контактного центра
Производство
Сокращать расход дорогого сырья с сохранением качества продукции
Регулировать параметры производства, чтобы снизить расход энергии при том же объёме выпуска
Оценивать параметры, которые трудно или дорого измерить напрямую
Выявлять дефекты на ранних этапах и менять порядок обработки, чтобы сократить брак
Расскажите, какую задачу вы хотите решить
info@ajtechfingroup.comЧто даёт пилотный проект
Уточняем задачу для пилота
Оцениваем доступные данные
Согласуем критерии успеха
Проверяем модель по этим критериям
Готовим план внедрения и поддержки
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
более 80% случаев: подтверждённый диагноз вошёл в тройку наиболее вероятных по оценке модели
Задача:
Помочь врачам оценивать возможные диагнозы по показаниям приборов наблюдения за пациентом.
98% — вероятность отсутствия заболевания, которое модель сочла наименее вероятным в рассматриваемой группе
Решение:
Модель оценивает вероятность каждого заболевания из заданной группы и ранжирует возможные диагнозы для врача.
Инструменты: R
Алгоритмы: GBM, AdaBoost, k-means
Как мы работаем над моделью
1 Подготовка
Оцениваем доступные данные
Уточняем требования и согласуем критерии успеха
Выбираем способ проверки модели
Получаем данные для пилота
2 Пилот и оценка результатов
Строим модель
Проверяем её в согласованных условиях
Сравниваем результат с критериями успеха
3 Эксплуатация
Настраиваем передачу данных или развёртываем модель у заказчика
Сравниваем версии сервиса с помощью A/B-тестов
Проверяем качество прогнозов и обновляем модель
Технологии, с которыми мы работаем
