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

1 Возможность первая

Использовать приложения искусственного интеллекта для прогнозной аналитики по заданным сценариям.

2 Возможность вторая

Использовать готовый набор математических моделей для прогнозирования ключевых метрик бизнеса.

3 Возможность третья

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

4 Возможность четвертая

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

5 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