Выделенная команда Data Science

Наши специалисты Data Science обладают многолетним опытом работы и глубокой экспертизой в решении задач углубленной аналитики, применения методов машинного обучения, работы с большими данными, включая облачные технологии, а также использования open source ресурсов для разработки собственных моделей и решений в разных областях: ритейла, промышленности, медицины, государственного управления, финансовом секторе, телеком, страховании и др.

За плечами наших экспертов большое количество проектов в крупнейших российских и международных компаниях. Нашим неоспоримым преимуществом является то, что компания Softline обладает поддержкой мировых вендоров, и тем самым готова предоставить любой инструментарий для выполнения комплексных проектов. Помимо этого, мы сотрудничаем с ведущими техническими вузами страны, где мы открываем совместные лаборатории, что позволяет нам привлекать дополнительные ресурсы научно-исследовательских команд для реализации глобальных проектов. Наши эксперты выступают в роли лекторов по обучению методам машинного обучения, работе с большими данными, а также разрабатывают индивидуальные программы для заказчиков совместно с учебным центром Softline.

В арсенале нашей команды уже имеются собственные разработки, которые предназначены как для решения внешних, так и внутренних задач, которые высоко оценены ведущими экспертами рынка. Одна их наших последних разработок для государственного сектора была отмечена Председателем Счетной палаты Алексеем Кудриным.

Этапы работы

Оценка

Исследование трендов отрасли и выявление ключевых возможностей для развития.

Анализ

Изучение данных, углубленная аналитика с использованием статистических показателей, консалтинг.

Стратегия

Поиск драйверов для трансформации бизнес-процессов, организационных структур и культуры, обновление стратегии.

Подбор

Определение подходящего решения, выбор партнера или поставщика услуг, проверка гипотез.

Внедрение

Разработка и внедрение технологических решений, необходимых для цифровой трансформации.

Направления деятельности

R&D реализация Data Science проектов.

Разработки методик по автоматизации процесса анализа данных.

Внедрение и настройка AI инструментов.

Обучение Data Science.

Наши отраслевые решения:

Retail

Задачи:

• Цифровые помощники.
• Оптимизация документооборота с помощью технологий NLP.
• Решение задачи по сегментации товаров.
• Предпочтения (корзины) потребителей.
• Анализ связей. Матрица продуктовых ассоциаций.
• Драйверы продаж.
• Оценка факторов, влияющих на повышение уровня лояльности покупателей.
• Разработка моделей для сегментации клиентов, формирование портрета клиентов.
• Разработка ML-моделей на основе сегментации клиентов с целью увеличения LTV и реализации маркетинговых механик: Up-sell, Cross-sell.
• Сегментация клиентов, портрет клиентов.
• Построение скоринговой модели.
• Предпочтения потребителей, индивидуальные предложения и повышение лояльности.
• Прогнозирование оттока.
• Прогнозирование спроса, прогнозирование цен.
• Анализ и прогнозирование финансовых показателей компании.
• Оценка промо-акций.
• Построение модели выбора оптимальных каналов коммуникаций.
• Анализ и прогнозирование финансовых показателей компании.
• Мониторинг и аналитика по отзывам о компании и продукции на интернет-ресурсах.
• Мониторинг и контроль качества услуг и др.

Банки/Страхование

Задачи:

Маркетинговый конвейер. Цифровой образ клиента

• Сегментация.
• Отток клиентов.
• Лучший канал коммуникаций.
• Лучшее следующее предложение.
• Кросс- и ап-продажи.
• Фабрика данных.

Скоринг (интерпретируемые модели), в том числе с использованием графов связей.

Инкассация и логистика

• Прогноз кэш-флоу.
• Оптимальный маршрут и сроки.

Автоматизация 1-й линии Service Desk

• Маршрутизация и приоритезация.

Ответно-вопросные системы для порталов (регламенты/документация/…)

Помощник рекрутера

• Подбор релевантных вакансий и резюме.

Анти-фрод.

Оценка рисков и резервных фондов.

Голосовые роботы и чат боты.

OCR + ML

• Автоматизированное пред-заполнение форм и документов.

Страхование

• Построение тарифов.

Промышленность

Задачи:

• Статистическое управление качеством.
• Статистическое управление производительностью.
• Карты контроля качества.
• Виртуальные датчики.
• Оценка влияния параметров технологического процесса на характеристики качества выпускаемой продукции.
• Построение предиктивных моделей для расчета характеристик качества.
• Автоматизация управления технологическим процессом на основе предиктивных моделей для достижения заданных характеристик качества.
• Оптимизация количественных характеристик компонентов в составе изготавливаемой продукции.
• Планирование и проведение экспериментов, обработка экспериментальных результатов с помощью различных методов, включая нейросетевые технологии.
• Построение моделей зависимости качества выпускаемой продукции от состава.
• Оптимизация состава продукции на основе полученной модели для достижения заданных параметров качества.
• Выявление причин возникновения дефектов продукции.
• Организация сбора данных в единое хранилище.
• Углубленный анализ данных с целью выявления факторов, влияющих на появление дефектов.
• Разработка методики выявления причин возникновения дефектов с целью предотвращения потери качества продукции.
• Предиктивное обнаружение дефектов / оперативная диагностика.
• Построение системы предиктивного мониторинга процессов и оповещения.
• Построение предиктивных моделей для различных параметров технологического процесса и качества продукции.
• Автоматизация оповещения о возможных нежелательных событиях с целью своевременной корректировки параметров процесса на основе полученных предиктивных моделей.
• Создание визуальных информационных панелей для разных категорий пользователей.
• Создание новых видов продукции.
• Планирование экспериментов.
• Оптимизация технологических процессов.
• Оптимизация ТОиР.
• Оптимизация планирования загрузки оборудования, складов, ресурсов и сырья.
• Анализ надежности оборудования.
• Автоматизация рутинных задач управления и обработки данных, отчетности, мониторинга.

Нефтегазовый сектор

Задачи:

• Статистическое управление качеством.
• Статистическое управление производительностью.
• Карты контроля качества.
• Виртуальные датчики.
• Оценка влияния параметров технологического процесса на характеристики качества выпускаемой продукции.
• Построение предиктивных моделей для расчета характеристик качества.
• Автоматизация управления технологическим процессом на основе предиктивных моделей для достижения заданных характеристик качества.
• Оптимизация количественных характеристик компонентов в составе изготавливаемой продукции.
• Планирование и проведение экспериментов, обработка экспериментальных результатов с помощью различных методов, включая нейросетевые технологии.
• Построение моделей зависимости качества выпускаемой продукции от состава.
• Оптимизация состава продукции на основе полученной модели для достижения заданных параметров качества.
• Выявление причин возникновения дефектов продукции.
• Организация сбора данных в единое хранилище.
• Углубленный анализ данных с целью выявления факторов, влияющих на появление дефектов.
• Разработка методики выявления причин возникновения дефектов с целью предотвращения потери качества продукции.
• Предиктивное обнаружение дефектов / оперативная диагностика.
• Построение системы предиктивного мониторинга процессов и оповещения.
• Построение предиктивных моделей для различных параметров технологического процесса и качества продукции.
• Автоматизация оповещения о возможных нежелательных событиях с целью своевременной корректировки параметров процесса на основе полученных предиктивных моделей.
• Создание визуальных информационных панелей для разных категорий пользователей.
• Создание новых видов продукции.
• Планирование экспериментов.
• Оптимизация технологических процессов.
• Оптимизация ТОиР.
• Оптимизация планирования загрузки оборудования, складов, ресурсов и сырья.
• Анализ надежности оборудования.
• Автоматизация рутинных задач управления и обработки данных, отчетности, мониторинга.
• Оценка надежности насосного оборудования нефтяных скважин и сокращение времени межремонтных периодов оборудования.
• Прогнозирование наличия нефти в скважине по результатам спектрального анализа.
• Анализ результатов опробования месторождения.
• Классификация проб по содержанию различных веществ.
• Выделение групп проб с однородными свойствами.
• Определение контуров кластеров.
• Кригинг.
• Прогнозирование значения характеристики в заданной точке или сетке точек.
• Построение прогнозной модели классификации проб на основе размеченных экспертом данных, например: нефтеносный / не нефтеносный.
• Понижение размерности: отбор значимых предикторов.
• Определение внутренней структуры месторождений.
• Оценка запасов полезных ископаемых.
• Каротажное зондирование.
• Прогнозирование риска осложнений при гидроразрыве пластов (ГРП).
• Определение оптимальных технологий проведения ГРП.
• Предсказательные модели возникновения осложнений при гидроразрыве пласта.
• Для Энергетики также актуальны и основная часть задач промышленности, но есть и специальные типы задач (которые, кстати, часто актуальны и для промышленных предприятий, например, прогнозирование потребления электроэнергии).
• Построения прогноза потребления электроэнергии.
• Прогнозирование цен на электроэнергию.
• Расчет оптимальных тарифов.
• Диагностирование энергетических объектов.
• Сегментация энергетических объектов.

Телеком

Задачи:

• Сегментация клиентов.
• Построение скоринговой модели.
• Индивидуальные предложения и повышение лояльности.
• Прогнозирование оттока.
• Прогнозирование спроса.
• Оценка промо-акций.
• Робоэдвайзинг.
• Антифрод.
• Операционная эффективность.
• Мониторинг и контроль качества услуг.

Собрать команду