Решение комплексных бизнес-­задач
современными методами Data Science и Big Data

Когда мы можем помочь
Есть данные
У вас есть модели для решения бизнес-задач, а также данные для анализа
Нет команды
Есть понимание, что текущая реализация процесса не оптимальна, улучшить её с помощью внутренних специалистов невозможно
Нужен эффект
Потенциальный экономический эффект от улучшения настолько существенен, что привлечение внешней команды имеет смысл
Наше решение
Мы специализируемся на нетиповых решениях, учитывающих специфику вашего бизнеса и дающих результат, экономически оптимальный именно для вас
Напишите нам
Если у вас есть вопрос или предложение,
с нами можно связаться через форму обратной связи

Наш опыт
Виртуальная единая база клиентов
У заказчика есть несколько бизнес-подразделений со своими клиентскими базами, но нет возможности строить единую аналитику.
При этом заказчик хочет оставить ситуацию, когда каждое подразделение управляет своей базой.

  • Построен граф вероятностной взаимосвязи клиентских профилей как по анкетным данным, так и по истории поведения.
  • Проведено сопоставление профилей и выделение кластеров профилей, относящихся к одному физлицу (по согласованной с бизнесом вероятностной модели).
  • Оффлайн- и онлайн-данные объединяются в почти реальном времени (near real-time stream processing).
  • Аналитику доступна информация не по отдельным профилям, а по клиенту целиком, что позволяет существенно повысить точность моделей и качество анализа.
  • Есть возможность делать различные проекции графа связей для конкретных бизнес­-задач: реклама, маркетинговый анализ и др.
  • Новое хранилище позволило существенно увеличить скорость работы аналитиков, как за счёт адаптации логической модели, так и за счёт высокопроизводительного технического решения.
Рекомендации для маркетинговых коммуникаций
Неэффективные рассылки по email и sms (низкий отклик).

  • Построена модель, позволяющая определить для списка возможных коммуникаций вероятность отклика каждого клиента на каждую из коммуникаций (в том числе использована история коммуникаций из разных каналов).
  • В результате существенно увеличена конверсия рассылок (email и sms).
  • Использован подход, позволяющий быстро оценивать эффект от коммуникаций новых типов.
Идентификация анонимных клиентов
Большинство посетителей сайта анонимны. Поэтому нет возможности оценивать эффективность многих маркетинговых активностей, персонализировать предложения и прочее.

  • На сайты клиента внедрён код webtracker, отслеживающий поведение пользователей.
    По этим данным в почти реальном времени уточняется граф взаимосвязи пользовательских профилей online и профилей offline.
  • Результат позволил идентифицировать повторных анонимных посетителей (например, появилась возможность моделировать сценарии вида "посмотрел товары на сайте, а потом сделал покупку в розничном магазине").
  • Заметно уточнена модель оценки эффективности каналов привлечения трафика, эффективности рекламных проектов и оценки LTV.
Анализ эффективности продавцов
Планируется оптимизация системы мотивации продавцов, нужны инсайты для анализа.

  • Построена модель анализа зависимости эффективности продавцов от их характеристик, динамики поведения, обучения и влияния окружения.
  • Результаты позволили обнаружить несколько проблем и скорректировать политики найма, обучения и мотивации.
Скоринг по выкупу товаров
В услуге "закажи на сайте с самовывозом в магазине" был большой процент невыкупа.

  • Построена скоринговая модель оценивания вероятности выкупа и оптимизирован процесс коммуникации с группой риска.
Прогнозирование спроса (автозаказ)
Модели, прогнозирующей спрос, недостаточно. Нужен учёт особенностей товарной амортизации и логистических процессов. Ключевые моменты: определение страхового запаса из экономических соображений и эффективное распределение товара в условиях дефицита.

  • Построена математическая модель и реализована информационная система.
  • Внедрение системы дало дополнительную экономию в размере 25% от EBITDA.
Имитационная модель аэропорта
Аэропорту требовалась имитационная модель, позволяющая определять последствия изменения конфигурации наземной транспортной сети аэропорта и не зависеть исключительно от экспертного мнения.

  • Построена эффективная система имитационного моделирования и реализован визуальный инструмент What-­If анализа.
Прогнозирование загрузки банкоматов
Крупной сети банкоматов недостаточно экспертной модели для пополнения денежного запаса в банкоматах.

  • Построена модель определения экономически оптимального уровня запасов
    и планирования процедур пополнения.
Рекомендации образовательного контента
Компания имеет много обучающих курсов, которые неэффективно рекомендуются
и продвигаются пользователям. Предложение курсов имело низкую конверсию.

  • Разработаны алгоритмы персональных рекомендаций курсов, учитывающие профильные данные пользователей, историю их поведения, а также содержание самих курсов.
  • Конверсия обучения была значительно повышена.
Повышение конверсии баннерной таргетированной рекламы
Компания (top5 в рунет) реализовала свою систему баннерной таргетированной рекламы, которая давала достаточно низкую маржинальность открутки рекламных кампаний.

  • Проведены исследования особенностей рекламного трафика баннерной системы.
  • Разработаны математические модели оптимизации показов рекламы и ценообразования кампаний и ставок для RTB.
  • Реализованы новые высокопроизводительные алгоритмы, которые повысили маржинальность компании.
Повышение конверсии рекомендаций товаров для ремаркетинга
Компания имела B2B-сервис ремаркетинга товаров с достаточно низкой конверсией предложений (на пределе окупаемости)

  • Разработаны модели машинного обучения для группировки товаров с точки зрения их совместимости и др. на основе данных о товарах, консолидируемых из разных источников.
  • Разработаны обучаемые модели и алгоритмы персонализации предложений товаров на основе истории поведения пользователей, доступной на сайтах клиентов компании и её партнёров. Учтена платёжеспособность, LTV и другие интегрированные данные о клиентах.
  • Конверсия предложений была повышена на 34%.
Прогнозирование отказов серверов
Компания имеет датацентры с большим парком серверного оборудования (сотни единиц). Необходимо обеспечить экономически оптимальный SLA с учётом отказов, старения, сезонности нагрузки и особенностей балансировки нагрузки.

  • Разработана обучаемая и адаптируемая модель отказов серверного оборудования на основе анализа тенденций изменений его функциональных характеристик. После реализации модели, отказы серверов сократились на порядок.
  • Служба эксплуатации дата-центра получила сервис, который оптимизировал её работу и снизил пиковые нагрузки на персонал из-за массовых отказов и т.п., поддерживая уровень отклонений готовности в пределах 3σ.
  • Управление компании получила отчётность по отказам и обслуживанию серверного оборудования в зависимости от множества факторов, в том числе конструктивных особенностей компоновки и составляющих компонентов, временных факторов и др., что позволило принимать более эффективные решения о закупке и дизайне оборудования в долгосрочной перспективе.

Напишите нам
Если у вас есть вопрос или предложение,
с нами можно связаться через форму обратной связи
Made on
Tilda