Команда департамента анализа данных Softline AI обладает 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 Softline AI

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 Softline AI
R&D реализация Data Science проектов.
Разработки методик по автоматизации процесса анализа данных.
Внедрение и настройка AI инструментов.
Наши отраслевые решения:
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.
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
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.
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.
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.