Data science
a pokročilá analytika

Algoritmy pro machine learning umí detekovat slabá místa ve výrobním procesu i nekalé jednání klientů. Vy tak získáte až desetkrát úspěšnější kampaně a rozšíříte svou cílovou skupinu.

Mám zájem

Důvěřují nám ti nejlepší

Vodafone_logo_colour

Vaše data jsou klíčem k dalšímu rozvoji firmy v digitální éře

Pokročilá analytika vám pomůže získat např. informace, s jakou pravděpodobností budou vaši klienti ochotni kupovat další produkty a služby, o jaké služby by mohli mít zájem či jak se pohybují na webových stránkách a mobilních aplikacích. Algoritmy pro machine learning pak umí detekovat slabá místa ve výrobním procesu či nekalé jednání klientů.

Díky integraci a zpracování různých zdrojů dat umíme připravit bohatší modely predikce či výstižnější segmentace. Zaměřujeme se na aktuální obchodní problémy, potřeby a výzvy.

Sledujeme současné trendy a hledáme způsoby, jak je využít pro lepší znalost zákazníka, pro personalizované interakce na základě detekce zákaznických potřeb (a tím i lepší reakce pro udržení zákazníka, budování jeho loajality, poskytování servisu), pro efektivnější procesy uvnitř organizace apod.

Naše analýzy musí mít smysl a poslání! Velká data vyhodnocujeme nejen osvědčenými tradičními přístupy (matematicko-statistické modely), ale i moderními technikami strojového učení (machine learning), hlubokého učení (deep learning) a textové analytiky (NLP).

10x

úspěšnější cílená kampaň, než při použití standardních postupů bez využití textové analytiky

10x

se zvětšila cílová skupina oslovovaná správnou reklamou v online médiích

Proměňte data na byznysovou hodnotu

Podívejte se, co vám umíme připravit na míru.

ikona_red_outline1-61

Predikční modely z historických dat

ikona_red_outline2-53

Návrh využití dat generovaných v reálném čase

ikona_red_outline3-31

Najít přidanou hodnotu v dosud nevyužívaných datech aj.

Typy úloh v data science

Poznání zákazníka

  • popíšeme vlastnosti a chování zákazníků
  • identifikujeme jejich potřeby
  • odvodíme nové informace
  • rozpoznáme typické vzory
  • vytvoříme spouštěče událostí

Predikce

  • predikujeme, s jakou pravděpodobností dojde k nějaké události, např.
  • zákazník klikne na vaši reklamu
  • jaký bude počet poruch na výrobní lince

Segmentace cílových skupin

Vytváříme skupiny – segmenty s podobnými zákazníky tak, aby se zároveň tyto segmenty od sebe významně odlišovaly

Analýza textu

  • z různých textových zdrojů:
  • plateb – kategorizace bankovních transakcí
  • e-mailů – jejich rozdělení do skupin
  • poznámek – identifikace hlavního obsahu

Analýza semi a nestrukturovaných dat

  • zpracováváme a analyzujeme logy, senzorická, telemetrická a lokační data
  • umíme obohatit vaše data a analýzy o externí zdroje a open data

Analýza geolokačních dat

  • analýzy obohacujeme o další lokační údaje pro výpočet:
  • dojezdové vzdálenosti
  • nejbližší prodejny
  • optimálního rozmístění poboček
  • dostupnosti komunikačních sítí

Doporučení produktu – rekomendace

Z dat o zákaznickém chování, aktivitách, preferencích odvozujeme, co by si vybraný zákazník mohl přát na bázi podobnosti s jinými zákazníky (pattern analysis)

Webová analytika

  • vytěžíme vaše data z webu a digitálních kanálů
  • vyhodnotíme jejich přínost pro prodej
  • zapojíme je do 360° pohledu na zákazníka a dalších analýz

Inspirujte se našimi use cases

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​.

  • Díky DAP jsou data zpracována během několika minut do přehledné podoby.
  • Analýzy a manažerské reporty si manažeři upravují sami​.

Míru odchodovosti zákazníků po skončení záruční lhůty se snížila o 33 %

Automotive společnost chtěla udržet si zákazníky a poskytovat jim další servisní a prodejní služby​.

  • Prediktivní analytika za pomoci strojového učení pomohla odhalit pravděpodobnost, s jakou zákazník autorizovaný servis opustí​.
  • Přesně zacílená kampaň byla ve výsledku 3x úspěšnější než kampaň v předchozím roce
  • Třetina oslovených zákazníků využila nabízené akce na doplňkové služby (o rok dříve nabídku využilo pouze 10 % plošně oslovených zákazníků).

Zákaznická 360 získala 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​.

Predikce zůstatků na účtech klientů zvýšila loajalitu a snížila zadluženost

Velká česká banka si přála predikovat budoucí zůstatek na běžném účtu klienta​.

  • Na základě historických dat jsme identifikovali vzory transakčního chování a sestavili přehled budoucích výdajů​.
  • Klient nyní vždy ví, kolik peněz mu na účtu zbývá do dalšího příjmu (např. do výplaty) po zaplacení všech obvyklých/plánovaných plateb​.

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.

Odhad příjmů klientů v důsledku zvýšil počet žádostí o úvěr

Velká česká banka si přála efektivně zavést digitalizační/on-line procesy v covidové době​, zrychlit proces úvěrování​ a nabídnout relevantní indikativní úvěr klientům.

  • Pomocí dvoufázového modelu využívajícího externí a veřejně dostupné zdroje dat​, kombinace prvků statistiky a machine learningu​ jsme zjistili významné rozdíly mezi nízko a středně příjmovými klienty​.
  • Nejprve jsme odhadli příslušnost do příjmové skupiny​, následně spočítali pravděpodobný příjem​.
  • Indikativní úvěr nyní odpovídá představám klientů – vzrostl počet žádostí o úvěr​.
  • Projekt byl dokončen za 6 měsíců a proběhl celý online, včetně všech schůzek i předávání projektu zákazníkovi​.

6x lépe cílená nabídka kontokorentu firemní klientele

Marketingovému oddělení retailového bankovnictví významné české banky jsme dodali tvz. propensity-to-buy model, který rozpoznává vyšší zájem o vybraný produkt či službu.

  • S využitím machine learningu odhadujeme šance na zřízení kontokorentu k firemnímu účtu pro klienty ze segmentu malých a středních firem.
  • V modelem vybrané množině klientů je šance na prodej kontokorentu v cílené kampani téměř 6x vyšší než u plošné.
  • To vyhodnocujeme pomocí tzv. Liftu, což je oblíbená metrika v marketingu. Určuje, kolikrát větší je šance prodat produkt nebo službu vybraným osobám než náhodně oslovené skupině osob.

Určení nezkreslené bonity klienta

Velké české bance jsme pomohli lépe stanovit skutečnou bonitu klienta. Řada lidí dnes využívá služeb u více bank a naše banka nemusí být pro klienta bankou hlavní. Aby s klienty adekvátně komunikovala a nabízela jim relevantní produkty, potřebovala znát skutečnou bonitu svých klientů.

  • Bonita klientů umožní bance s klienty lépe komunikovat jak na pobočce, tak i v marketingových kampaních. Díky tomu může předvybrat a tudíž nabízet produkty a služby odpovídající skutečným potřebám a možnostem klienta.
  • Omezili jsme váhu prvoplánových ukazatelů jako jsou zůstatek na běžném účtu a objem příchozích transakcí. Bonitu počítáme na základě bohaté škály indikátorů (finančních, behaviorálních apod.).
  • Bereme do úvahy vlastnosti klienta vycházející z historických transakčních dat, používání běžného účtu a dalších produktů a služeb banky, kategorie plateb klienta atd.
  • Na první pohled nesourodou skupinu klientů jsme rozdělili do několika homogenních podskupin s podobnými vlastnostmi, s nimiž osobní bankéři snadněji „nacházejí společnou řeč“.

Nabídka úvěru just-in-time

S bankou jsme na základě dlouholetých popisků transakcí a celé řady identifikovaných transakcí specifického typu identifikovali rodinu s dětmi.

  • Analýzy vzorců jejich chování ukázaly, že zákazníci tohoto segmentu mají v září největší výdaje. Proto jim banka ve správný čas nabídla personalizovaný úvěrový produkt.
  • Akce byla 10krát úspěšnější než při použití standartních postupů bez využití Big Dat. Pro nabídku úvěrového produktu se obvykle hledají jednodušší pravidla (např. výše zůstatku a kreditní limit).

Vzděláváme studenty DS&BI Academy VŠE

DS&BI Academy vzdělává formou workshopů budoucí profesionály v oboru data science & business intelligence.

Adastra je jedním z partnerů projektu, který už několik let organizuje Fakulta informačních technologií Vysoké školy ekonomické (VŠE) v Praze.

Výuku maximálně zaměřujeme na praxi. Vše ukazujeme na praktických příkladech, podporujeme týmovou spolupráci a podporujeme studenty formou průběžných konzultací a doporučení.

Více informací

Naše případové studie v detailu

ŠKODA AUTO: datové přenosy na analytické platformě komplexně řídí a monitoruje nástroj Adoki od Adastry

Adastra ve ŠKODA AUTO vybudovala v letech 2018-19 on-premise Datovou analytickou platformu (DAP) pro vizualizaci dat a realizaci sofistikovaných úloh pokročilé analytiky a umělé inteligence, která pracuje s velkými datovými objemy.

serverů využívá řešení implementované Adastrou

TB činí celková kapacita datového úložiště

měsíce zabralo napojení nástroje Adoki na požadované datové zdroje

Číst více

Poskytovatel internetu – platformu pro big data s kapacitou 3 PB jsme vybudovali za 3 měsíce

Významnému českému poskytovateli internetu jsme postavili big data platformu na ukládání provozních síťových dat. Cílem bylo dodat řešení, které není vázáno na konkrétního výrobce...

Číst více

Bankovnictví – data na jediném místě, přenášíme 4 TB dat denně

V bance jsme vytvořili big data platformu, která byznys uživatelům poskytuje streamovaná a batchová data z různých bankovních aplikací. Aby byla dávková data na...

Číst více

Automatická kategorizace 98,5 % karetních bankovních transakcí

Banka s miliony klientů, kteří denně uskuteční několik milionů transakcí, potřebovala automaticky přiřadit každé bankovní transakci (karetní i nekaretní) unikátní kategorii. Proto jsme vyvinuli aplikaci,...

Číst více

Inspirujte se na našem blogu

Observability platforma vs. observability nástroje

Složité informační systémy selhávají neočekávanými způsoby. Proto IT týmy potřebují jak observability nástroje, tak observability platformu. Abychom pochopili rozdíl mezi nástroji a platformou, začněme...

Číst více

Co je to observabilita? Nejen logy, metriky a transakce

S rostoucí složitostí a škálovatelností dynamických systémových architektur roste tlak na IT týmy, které musí sledovat a vhodně reagovat na změny a problémy v...

Číst více

Adastra strategickým partnerem Škoda Auto Vysoké školy. Její specialisté budou vyučovat data management, data science i AI 

Adastra se stává dlouhodobým strategickým partnerem Škoda Auto Vysoké školy. Bude spolupracovat na výuce studentů v oblasti data management, data science a artificial intelligence...

Číst více

Rádi se s vámi nezávazně potkáme