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.
Důvěřují nám ti nejlepší
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.
Predikční modely z historických dat
Návrh využití dat generovaných v reálném čase
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.
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.
Naše případové studie v detailu
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 hardwaru či typ serveru a zároveň bylo vynikajícím základem pro návazné aktivity a rozvoj. Tzn. nad uloženými daty lze efektivně vybudovat kompletní reportingovou vrstvu a informace zpřístupnit a vizualizovat koncovým uživatelům.
Počáteční kapacita platformy 3 PB, 300 výpočetních vláken, 2,5 TB operační paměti
Za 3 měsíce jsme postavili a předali do provozu big data řešení, které umožňuje škálování výpočetního výkonu a snadné rozšiřování diskové kapacity dle budoucích potřeb zákazníka. Počáteční úložná kapacita platformy se blíží 1 PB, zpracovává 300 výpočetních vláken a disponuje 2,5 TB operační paměti. Reálné průtoky dat se pohybují v desítkách miliard denně.
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...
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,...
Nárůst impresí u požadovaných cílových skupin: 10x větší cílové publikum
Zadavatelé on-line reklamy požadují přesné cílení svých kampaní a oslovení správných cílových skupin. Proto se provozovatelé online médií obrátili na Adastru, aby jim pomohla...
Inspirujte se na našem blogu
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...
Dobrý data management a propast mezi IT a byznysem nejvíce pálí velké české firmy
Za největší výzvu v příštích třech letech považují velké české společnosti dobrý data management a neschopnost využití dat ze strany byznysu. S tím souvisejí...
Rozhovor: Datová gramotnost roste, ale pořád je co zlepšovat, inovovat, automatizovat. V budoucnu zvítězí jednoduchost, intuitivnost a rychlost, shodují se Bínová s Bergnerem z ADASTRY
Adastra se datům, jejich ukládání, zpracování, čištění, analýzám a byznysovému využití věnuje už víc než čtvrtstoletí. Našich kolegů – Dagmar Bínové, která vede v...
Rádi se s vámi nezávazně potkáme
