Důvěřují nám





Využijte síly dat pro strategické rozhodování
Využijte zákaznicky i produktově orientovaných insightů a analýz
6 kroků k data science řešení na míru
V projektech na data science používáme metodologii CRISP-DM (Cross-Industry Standard Process for Data Mining), široce používaný, nepatentovaný model vyvinutý špičkami v oboru. Je nezávislý na odvětví a procházíme v něm šesti fázemi:
Automotive: Miliardy senzorických dat z nového elektromobilu zpracuje datová analytická platforma (DAP) do 5 minut
Každá vteřina jízdy automobilu generuje tisíce záznamů ze senzorů. Cílem projektu ve velké automobilce bylo záznamy efektivně zpracovávat a výsledky prezentovat v manažerských dashboardech.
5
na zpracování dat do přehledné podoby díky DAP
Samoobslužná analytika
manažeři si sami upravují analýzy a reporty
Automotive: Míra odchodovosti zákazníků po skončení záruční doby se snížila o 33 %
Automotive společnost si chtěla udržet zákazníky a poskytovat jim další servisní a prodejní služby.
S využitím prediktivní analytiky, za pomoci strojového učení, jsme zjistili míru fluktuace, pravděpodobnost, s jakou zákazník autorizovaný servis opustí. Poté jsme na základě chování zákazníků navrhli přesně cílenou kampaň, která vedla k:
33%
snížení počtu odchodů
3x
vyšší konverzi kampaní
Bankovnictví: Zákaznická 360 – bohatší pohled na chování klientů banky
Obohatit pohled na zákaznická data o lokační atributy a zároveň identifikovat pobočky vhodné ke zrušení, taková byla představa jedné velké banky v ČR.
Zapojili jsme machine learningové modely – clustering a prostorovou analýzu (spatial analysis). Díky analýze big dat jsme pomohli společnosti získat komplexnější zákaznickou 360 a dělat více analýz, které jí umožňují lepší strategické rozhodování na základě faktů. Datová vizualizace zároveň nabídla přehledné mapové výstupy pro byznysová oddělení a manažery.
Insighty
poznatky o chování zákazníků
Vizualizace dat
kterou mohou snadno využívat byznysová oddělení a manažeři
Informované rozhodování
na základě faktů a ne pocitů
Telekomunikace: Standardizace projektů a procesů sjednotila postup data science týmů
U významného telco operátora v ČR jsme standardizací zefektivnili způsob práce externích i interních data scientistů na společných projektech.
Vyšli jsme z osvědčeného modelu CRISP, rozšířili škálu používaných funkcionalit GITu a zavedli 4 nové technologie (GIT, MLflow, Papermill, PySpark). Vznikl ukázkový projekt včetně vzorů/templatů zastřešující komplexní data science proces. Eliminovali jsme specifika postupu jednotlivých data scientistů.
Všichni respektují standardizované postupy v produkčním i vývojovém prostředí. Oddělení Data Engineeringu může data science modely rychleji nasazovat do produkce. Data scientisti si mohou snáze předávat a kooperovat práci díky jasně definované struktuře skriptů a Jupyter Notebooků.
1
model CRISP
4
nové technologie – GIT, MLflow, Papermill, PySpark
15
data scientistů
KB: “Bankovní poradci potřebují data, aby mohli s klienty v reálném čase řešit přesně to, co potřebují”
Poslechněte si rozhovor s product ownerem a data sicentist KB Vandou Gomolčákovou o tom, jak aplikace Trench využívá data science k předpovědi finančních pohybů na účtu klientů Komerční banky. Dozvíte se
- Jak bude díky AI a možnostem machine learningu v budoucnu vypadat bankovnictví
- Proč můžou technologie nahradit osobní setkávání s bankéři jen částečně
- S čím vším mohou bankám pomoci dobře strukturovaná a analyzovaná data
- A jak vypadá přechod na digitální banku







