Beltel Datanomics

В 2017 году Белтел, опираясь на существующие экспертизы и собрав дополнительную команду специалистов, включая Data Scientists, аналитиков, программистов и разработчиков, расширил сферу деятельности и предложил рынку решения на базе Интернета вещей (IoT), Big Data и Предиктивной аналитики (Predictive Analytics) средствами Машинного обучения (Machine Learning). Мы изучаем, дополняем и применяем лучшие современные практики, технологии и достижения, чтобы решать Ваши задачи.

Что нового?

Новейшие решения на базе Интернета вещей (IoT), Big Data, Machine Learning, Predictive Analytics.

Мы помогаем сокращать возвраты продукции и снижать убытки, оптимизировать производство и автоматизировать заказы, прогнозировать время поломки оборудования, сокращая время простоя производства, выбирать оптимальную цену гостиничного номера, исходя из различных факторов и так далее.

Узнайте какую информацию для Вашего бизнеса поможет получить обработка данных!

Как это работает?

Каждая компания в процессе своей деятельности накапливает различные данные, на ее работу оказывают влияние всевозможные внешние факторы. Современные технологии позволяют обрабатывать большие объемы данных, учитывать внешние факторы и делать на их основе прогнозы, помогающие решать те или иные задачи. Развитие технологий и конкуренция между производителями сделали эти решения доступными для заказчиков самых разных отраслей и масштаба. Beltel Datanomics тесно сотрудничает с корпорацией Microsoft и предлагает решения на базе облака Microsoft Azure, в котором есть множество готовых сервисов для трансформации данных в интеллектуальное действие. Продукт поставляется в формате сервиса на абонентской основе, что избавляет наших заказчиков от необходимости приобретать, устанавливать и обслуживать какое-либо оборудование или программное обеспечение.

Основные этапы реализации решения

1

Анализ текущей ситуации. Понимание того, как мы можем помочь

2

Подготовка к пилоту: получение исходных данных и разработка модели

3

Запуск пилота, интеграция с системами предприятия, создание удобного веб-интерфейса, обучение пользователей

4

Промышленная эксплуатация. Получение максимальной отдачи от решения

5

Масштабирование решения с ростом бизнеса

Часто задаваемые вопросы (FAQ)

Легко прогнозируются повторяющиеся операции (которых много). Казалось бы, курс доллара – это гора операций, именно так! Поэтому систем прогнозов курсов валют очень много. И они существуют уже очень давно. Проблема только в том, что качество прогноза курса валют во многом зависит от факторов, носящих случайный и однократно повторяющийся характер. И к тому же, прогнозирование курса валют – это прогноз, основанный на прогнозе прогноза какого-то фактора, поэтому ошибка накапливается. А системы такие есть, да. И аналитики тоже есть. Их море этих аналитиков. Только точности прогноза у всех разные. Иногда – это гадание на кофейной гуще – слишком много влияния внешней среды.
Полный список факторов и требуемых данных появляется только в самый последний момент. А их подбор и корректная обработка — это процесс, в котором участвуют как наши математики-аналитики (data scientist, как говорят «у них»), так и специалисты заказчика. При этом сам процесс итерационный – сначала собираются и подгружаются очевидные факторы, которые могут влиять на прогнозируемую величину, анализируется полученная точность и влияние факторов как по отдельности, так и их связки. Дальше анализируются ошибки, собираются дополнительные уже менее очевидные факторы, которые могли оказать влияние на тот или иной участок прогноза. Аналогично – подгружаются, оценивается точность и влияние новых факторов (или изменение влияния старых факторов). Именно этот процесс и занимает до 80% времени на построение модели. Кстати, итоговые результаты такой работы бывают весьма неожиданными – часто оказывается, что часть «очевидных» факторов не оказывает никакого влияния на прогноз, но удается выявить новые факторы, которые были ни разу не очевидны, но тем не менее сказываются значительно.
Период требуемых данных очень сильно зависит от задачи. Если это прогнозирование спроса, где есть ярко выраженная сезонность, то нам нужна информация минимум о двух сезонных повторениях, т.е. больше двух лет. Если это прогнозирование технологического процесса, то требуемые данные измеряются количествами завершенных процессов и их разнообразием, а не календарным периодом. Хотя если на технологический процесс влияет, например, температура и влажность окружающей среды, то привязка к календарю тоже будет.
Начать можно. Для некоторых задач и этих данных может быть достаточно. Однако если в данных есть какая-либо сезонность или «праздничные» пики, то с их прогнозированием могут возникнуть сложности. Другими словами – количество данных прямо пропорционально качеству (точности) прогноза.
Построение любого качественного решения для бизнеса требует набор тестовых данных для запуска пилота. Если служба безопасности не готова к передаче данных даже после подписания NDA, в котором будет отдельно указаны пункты по форме предоставления чувствительной информации, тогда решений может быть несколько. Это обезличивание данных на стороне заказчика перед предоставлением их для пилота. Простой пример: данные в графе «Цена» умножаем на какую-то величину, делим пополам и еще добавляем 5 там, где решил криптограф. Модель будет прогнозировать в этой зашифрованной среде, а на стороне заказчика данные будут опять превращаться из «лягушки в царевну». Можно предложить работать как консультант специалистов заказчика, тогда данные останутся на стороне клиента, но эффективность данного подхода сомнительна. Ресурс клиента будет не разгружаться, а наоборот загружаться дополнительной работой.
Как правило, современные ERP-системы обладают встроенным модулем прогнозов, или производитель предлагает отдельный легко интегрируемый с ERP-системой продукт для планирования и бюджетирования. Любой модуль не может работать сам по себе, он требует отдельной настройки, иногда расширение функционала силами разработчиков, чтобы система отвечала потребностям бизнеса. Для точности прогнозов недостаточно использования только внутренних данных компании, исторической информации, важно учитывать всевозможные внешние факторы, которые могут влиять, например, на спрос. Для этих целей используются модели, построенные методами машинного обучения. Они позволяют решать задачи планирования быстро и с минимальными затратами. В частности, решение прогнозирования спроса, построенное на платформе Microsoft Azure, можно развернуть за две недели при условии хорошего качества данных, а в дальнейшем значительно сократить расходы бизнеса за счет полной автоматизации процесса планирования – аналитические отделы просто станут не нужны, все будет делать математический аппарат, настроенный в облаке.
Сейчас у многих поставщиков активно развиваются платформы облачных вычислений. Самые мощные среды, это, конечно, Microsoft Azure, Amazon Web Services, Google Cloud Platform, SAP Cloud Platform, IBM Cloud. Наборами сервисов они похожи, как братья-близнецы (если, конечно, не пытаться искать совсем экзотику). Активные позиции на российском рынке, безусловно, занимает Microsoft, SAP и IBM. И тут у заказчиков есть выбор. Главное, принимать во внимание быстроту внедрения решения и его цену.

Как воспользоваться?

Закажите пилотный проект!

Это бесплатно до 31 декабря 2017 года.

Заполняя форму, Вы соглашаетесь с правилами обработки персональных данных.