Machine Learning

Azure Machine Learning (ML in Azure)– служба для выполнения задач прогнозной аналитики (predictive analytics), благодаря которой Вы сможете создавать приложения искусственного интеллекта, обучив компьютер решать чётко сформулированные задачи и работать без явного программирования.

 

Служба ML может быть развернута локально с использованием оборудования заказчика или в облаке.

Сценарии с использованием ML - Решаемые задачи

Продажи
и маркетинг

Финансы
и риск

Заказчики
и каналы сбыта

Операции
и управление

  • Какие заказчики могут уйти от вас и по каким причинам.
  • Кто являются вашими самыми ценными заказчиками и что именно они захотят купить.
  • Какая тактика продаж или маркетинга может увеличить ваш доход.
  • Какое подозрительное поведение требует контроля. 
  • Какие платежи нужно выплатить инкассатору.
  • Как повысить доходность при снижении размера страховой премии.
  • Какие демографические группы заказчиков являются наиболее ценными для вас.
  • Какой клиент захочет поговорить со специалистом по продажам.
  • Какой следующий продукт покупатель захочет приобрести.
  • Как повысить эффективность работы сотрудников. 
  • Как спрогнозировать нагрузку на энергосети.
  • Как исправить неполадки оборудования во избежание его выхода из строя.

Вы сможете

Возможность первая

Использовать приложения искусственного интеллекта для прогнозной аналитики по заданным сценариям.

Возможность вторая

Использовать готовый набор математических моделей для прогнозирования ключевых метрик бизнеса.

Возможность третья

Хранить результаты прогноз-ния в SQL Database, создавать интерактивные отчёты в Power BI и увеличивать скорость вычисления с помощью Apache Spark. 

Возможность четвертая

Самостоятельно выстраивать математические модели с помощью языков программирования R и Python.

Возможность пятая

Выстраивать прогнозные модели на основе Больших данных (Big Data).

Применение ML

  • Кейс 1
  • Кейс 2
  • Кейс 3

Прогнозирование суммы выставленных счетов

Прогнозирование суммы выставленных счетов

Задача:

  • прогноз суммы счётов за медицинские услуги;
  • снижение  затрат ручного труда;
  • повышение точности прогноза и снижение ошибок из-за некорректного прогноза.

Данные:  

  • БД колл-центра о зарегистрированных обращениях клиентов;
  • Информация полученная от медицинских учереждений;
  • Диагноз, виды предоставленных услуг;
  • Ранее выставленные счета (статистика).

Решение:  

  • создана система автоматизированного расчёта стоимости типовых услуг с учётом детальной информации;
  • прогнозирование суммы выставленных счетов на будущие периоды на основании зарегистрированных обращений (звонки в колл-центр, e-mail, через сайт).

Результат:  

  • ошибка прогноза снизилась с 30% (стандартная по индустрии) до 5%;
  • Резкое сокращение затрат ручного труда.

Планирование загрузки персонала

Планирование загрузки персонала

Задача:

  • прогноз оптимальной нагрузки на всех операторов колл-цетра;
  • снижение кол-ва пропущенных и повторных звонков;
  • повышение имиджа компании за счёт предоставления лучшего сервиса;
  • снижение финансовых затрат в связи с нерациональной нагрузкой на сотрудников. 
Решение:
  • создано решение для оценки качества расписания; 
  • прогнозирование количества звонков, которые смогут обработать операторы;
  • прогнозирование количества пропущенных звонков;
  • создана возможность оценки производительности операторов.

Прогнозирование наступления аварийных ситуаций

Прогнозирование наступления аварийных ситуаций

Задача:

  • создание модели вероятности наступления аварийных ситуаций, разработанной с использованием машинного обучения Machine Learning;
  • получение и обработка большого объёма накопленных статистических данных по аварийным отключениям и погодным условиям Big data;
  • визуализация аналитической информации на топографической подложке в существующей корпоративной геоинформационной системе (КГИС), разработка панелей мониторинга.

Данные:

  • Excel – статистика аварийных событий
  • «OpenweatherMap» – прогноз погоды, исторические данные по параметрам погоды

Решение: 

  • создано решение прогнозирования наступления аварийных событий с важнейшими показателями;
  • создано рабочее место сотрудника ситуационно-аналитического центра (САЦ);
  • появились интерактивные панели мониторинга руководителя.

Результат:

  • прогнозная модель наступления аварийных событий с важнейшими показателями;
  • автоматизация процессов получения оперативной информации из источников данных, передача данных по прогнозу аварийных отключений в КГИС;
  • рабочее место сотрудника ситуационно-аналитического центра (САЦ);
  • интерактивные панели мониторинга руководителя.

Оставьте заявку

Оставьте заявку и наш специалист ответит на интересующие Вас вопросы по применению Machine Learning для вашего бизнеса.

Оставить заявку

* — поля, обязательные для заполнения

Запросить консультацию

* — поля, обязательные для заполнения

Оставить заявку

* — поля, обязательные для заполнения