Если у вас есть вопрос по услуге или задача в рамках направления, напишите нам. Наши специалисты проведут консультацию, помогут найти оптимальное решение вашей проблемы.
Innostage имеет собственную Лабораторию анализа больших данных, применяющую современные технологии и продвинутые математических методы.
Лаборатория анализа больших данных способна решать самые различные задачи по сбору, хранению, обработке и анализу данных.
| Решения | Технологии | |
|---|---|---|
| Инструменты для обработки и анализа | Python, NumPy, Pandas, PyCharm, Pytorch, Featuretools + Dask, Sklearn, Numpy, XGBoost, LGBM, CatBoost, SQLite и др. | |
| Инструменты отчетности и визуализации данных | Plotly Dash, Grafana, PowerBI и др. | |
| Хранилища данных | Microsoft SQL, PostgreSQL, ClickHouse, ELK | |
| Интеграционные решения | Talend ESB | |
| Компьютерное зрение | OpenCV, Tensorflow, Keras |
Автоматическая классификация инцидентов
Высокая интенсивность поступающих сигналов с оборудования в диспетчерский центр при возникновении инцидентов требует большого штата сотрудников для их обработки. При этом, как правило, появляются ошибки человеческого фактора.
Задача - снизить нагрузку на операторов центра мониторинга путем автоматической фильтрации и ранжирования поступающих инцидентов.
Для решения данной задачи Innostage готова предложить решение по автоматической классификации инцидентов на основе машинного обучения. Разработанная модель интегрируется с системой Service Desk или другой системой для учета и управления инцидентами или обращениями, и позволяет:
- Автоматически определять класс инцидента по первично зарегистрированным признакам.
- Автоматически обновлять класс инцидента по мере поступления новых и обновления существующих признаков.
- Автоматически выполнять обновление модели классификации с учетом вновь поступающих данных.
Особенности:
- Учитывается жизненный цикл обращения;
- При классификации описательных текстов используются современные наработки по распознаванию естественного языка;
- Поддержка бинарной и множественной классификации;
- Поддержка плоских и иерархических типов справочников;
- Автоматическое дообучение модели по мере накопления новых данных;
- Широкие возможности по интеграции.
В условиях высокой конкуренции коммерческим предприятиям важно сохранять долгосрочные отношения с текущими клиентами – физическими и юридическими лицами.
Для достижения данной цели Innostage готова предложить Банковским структурам и ритейлу решение, которое поможет заранее выявлять Клиентов с высокой вероятностью перехода в статус «Не активен». В основе решения лежит прогностическая модель с использованием методов машинного обучения.
Задача модели: предсказать на основе имеющихся данных переход Клиентов из состояния активности в состояние неактивности с интересующим горизонтом предсказания.
Особенности:
- Учитывается жизненный цикл Клиента в системе;
- Учитывается изменение анкетных данных и транзакций клиента;
- Определяется перечень влияющих на отток факторов, при этом для анализа используются как существующие, так и автоматически рассчитываемые признаки;
- При классификации используются современные инструменты генерации признаков и методы машинного обучения;
- Поддержка плоских и иерархических типов справочников;
- Автоматическое дообучение модели по мере накопления новых данных;
- Широкие возможности по интеграции.
Промышленным предприятиям важно выявлять нарушения в работе технологического оборудования на ранней стадии и без остановки рабочего процесса.
Задачу диагностирования оборудования можно решить на основе анализа параметров, которые характеризуют технологический процесс и регистрируются штатными контрольно-измерительными приборам.
Innostage готова предложить решение для предиктивной диагностики оборудования, в котором применены современные нейросетевые модели, позволяющие анализировать телеметрию, учитывая временные взаимосвязи между компонентами.Решение позволяет:
- Собирать, хранить и обрабатывать эксплуатационные параметры объекта мониторинга в режиме реального времени;
- Детектировать нетипичное (аномальное) поведение объекта мониторинга;
- Локализовать выявленную аномалию – определять время начала и окончания, определять наиболее релевантные параметры, связанные с обнаруженным отклонением в работе оборудования (в том числе определять весовые коэффициенты параметров);
- Формировать отчеты об аномалиях в автоматическом режиме и отправлять их на электронную почту или в смежные производственные системы;
- Визуализировать информацию в виде интерактивных графиков для подробного изучения причинно-следственных связей;
- Сэкономленные средства от применения технологии предиктивной диагностики можно оценить, как сумму произведений стоимости ущерба, который возможно не допустить на вероятность возникновения данного ущерба.
Особенности:
- Интеграция с АСУ ТП для получения параметров, характеризующих объект мониторинга.
- Интеграция с внешними системами мониторинга и диспетчеризации для отправки информации об обнаруженных аномалиях.
- Использование современных методов на основе нейронных сетей.
- Работа в режиме реального времени.
- Автоматическое дообучение модели по мере накопления новых данных.
- Визуализация информации на интерактивных графиках.
- Возможность прогнозировать дефект/отказ (в случае возможности разметки соответствующей информации на исторических данных).
Любой банк является источником огромных массивов данных: информация о клиентах, совершенных операциях, сделках и многом другом. Для обеспечения конкурентоспособности в финансовом секторе необходимо не только собирать и обрабатывать данную информацию, но и выявлять закономерности, описывать новые связи между объектами, предсказывать значения одних признаков на основе других.
Построение системы визуального анализа данных для оптимизации банковских процессов позволит решить следующие проблемы:
- Оценить эффективность работы подразделения и отдельных сотрудников;
- Найти зоны для последующей оптимизации процесса, включая т.н. «бутылочные горлышки»;
- Сформировать базис для принятия корректирующих управленческих решений.
Результаты:
- Анализ и описание текущих банковских бизнес-процессов «как есть»;
- Формирование модели для последующего анализа данных;
- Создание аналитических дэшбордов по различным показателям процесса.
- В процессах корпоративного бизнеса: кредитование ЮЛ, расчётно-кассовое обслуживание ЮЛ, депозиты ЮЛ;
- В процессах розничного бизнеса: кредитование ФЛ, депозиты ФЛ, банковские карты;
- В процессах инвестиционного бизнеса и казначейства: работа на рынке ценных бумаг, управление ликвидностью и др.;
- В процессах управления просроченной задолженностью.
