E-com

Retail

EdTech 

FinTech 

Digital

Horeca

-12%

Снижение затрат на продукцию

2 минуты

Соблюдение KPI на приготовление заказа

100%

Прозрачное и точное планирование выручки

Наш клиент — ресторан "Узбечка" сталкивается с несколькими проблемами, затрудняющими точную оценку спроса и оптимизацию операционных процессов. Возникают сложности в расчете выручки на следующий период из-за изменяющихся внешних факторов, а также ошибки в оценке спроса приводят к излишним затратам на приготовление блюд, списанию продуктов и неэффективному использованию персонала. Кроме того, ресторан имеет внутренний KPI на приготовление заказа (2 минуты), который необходимо соблюдать.

Предсказание количества чеков в ресторане/Предсказание спроса (demand prediction, demand forecasting)

В качестве решения мы предложили ML-модель для прогнозирования спроса и оптимизации операционных процессов. Данная модель основана на анализе исторических данных о количестве заказов, интеграции внешних данных, таких как погодные условия, и создании обучающегося алгоритма для прогнозирования ожидаемого количества заказов на горизонте в две недели вперед.

итоги

HoReCa

Оптимизация продуктовых заготовок и повышение эффективности персонала в сети ресторанов "Узбечка" с помощью прогнозирования спроса

В результате мы смогли достичь всех поставленных бизнес-задач и добиться:

• Оптимизации ресурсов
Благодаря точному прогнозированию спроса, ресторан может рассчитывать оптимальное количество персонала на зале и кухне, чтобы обеспечить высокое качество обслуживания и соблюдение внутреннего KPI по времени приготовления заказа.

• Прозрачного планирования
Благодаря прогнозам спроса и ожидаемой выручке, ресторан может более точно оценить соответствие текущих показателей с плановыми и произвести расчет необходимого среднего чека

• Управления запасами
Прогнозы спроса помогают ресторану оптимизировать заготовки продуктов, избегая излишков или нехватки материалов производства и снижая связанные с этим затраты.

на 6 минут

увеличилось среднее время проведенное на сайте

EdTech

+7%

Рост конверсии

Персонализированные рекомендации видеоконтента на обучающей фитнес-платформе

Из-за большого выбора контента на фитнес-платформе fitstars пользователи не могут выбрать подходящий курс и быстро покидают сайт, не продевая подписку. На основе анализа исторических данных о паттернах поведения пользователей на платформе, была разработана разработана ML-модель, которая предоставляет персонализированные рекомендации видео-уроков, подходящих его уникальным потребностям и предпочтениям.

В текущем решении используются системы user based и item based, где подбор рекомендаций основан на анализе предыдущего поведения пользователей и сравнении их между собой или с аналогичными объектами. В user based подходе рекомендации подбираются на основе действий похожих пользователей (например, смотревших одинаковые уроки), а в item based - на основе анализа характеристик объектов (например, тренеров или типа спортивной нагрузки).

В данном случае, на фитнес-платформе fitstars используются и user based, и item based подходы для персонализации рекомендаций видео-уроков.Кроме того, система учитывает дополнительные данные, такие как наличие спортивного инвентаря, времени, которое человек может потратить на тренировку, его цели и уровень подготовки пользователя.

итоги

EdTech

Рекомендательные системы (recomendation systems)

FinTech

29%

экономия времени сотрудников службы поддержки

100%

Удовлетворение требований регулятора для работы компании в текущем регионе

AI-модель для определения тональности обращения и тегирования сообщений от пользователей

Для работы американской многонациональной финансовой технологической компании, управляющей системой онлайн-платежей на иностранном рынке требовалось обязательное выполнение требований регулятора, а именно — приоритетная и оперативная обработка претензий от пользователей.

Разработанная AI-модель автоматически распознает тему запроса в службу поддержки и контекст диалога с оператором по всем используемым каналам коммуникации, включая live-chat, email и звонки, и передает информацию о наличии претензии соответствующему сотруднику. Если решение вопроса затягивается, то система готовит короткое описание (summary) вопроса для передачи его другому специалисту.

итоги

FinTech

Обработка текстов на естественном языке (text classification, test similarity, NLP)

Digital

146 000 руб

экономии на профессиональной съемке одной линейки товара

1 день

на подготовку сотни уникальных изображений

Подбор и замена фона rich-контента для производителей

Компании тратят миллионы на создание rich контента, изготовление дизайнерских фотографий товара в подходящей обстановке. Это всегда большие расходы на фотографов, аренду и логистику. Наше решение: нейронная сеть, подбирающая и генерирующая подходящее окружение (интерьер, пейзаж или модель человека) для любого товара, позволит существенно снизить себестоимость этого процесса без потери качества.
Используемые системы генеративных сетей и диффузионных моделей обладают способностью анализировать текстовую информацию и трансформировать ее в высококачественные изображения, соответствующие данному описанию.

Процесс состоит из нескольких этапов: ML-модель удаляет текущий фон, находит подходящий интерьер или изображение человека и генерирует финальное уникальное изображение. Процесс подбора фона или персонажа (модели человека) может быть дополнен дополнительными алгоритмами или методами, например, с использованием алгоритмов компьютерного зрения для более точной сегментации и интеграции изображений.

итоги

DIGITAL

Генерация изображений (image generation)

Retail

13%

снижение расходов на трудозатраты мерчандайзеров и аналитиков

Улучшение расстановки товаров и мониторинг цен конкурентов на полках с помощью AI

Для PepsiCo была интегрирована передовая AI-модель распознавания товаров и ценников на полках магазина, путем интеграции с мобильным приложением для аудиторов. В данном решении использовалась модель image detection, оптимизированная для работы в режиме реального времени на ресурсах мобильного телефона.

Технология распознавания изображений в оффлайн ритейле позволяет компьютерным системам анализировать и идентифицировать содержимое изображений: анализировать видеопотоки с видеокамер магазина и путем анализа потокового видео с девайсов и распознавать объекты, включая полки, ценники, товары и покупателей.

итоги

Retail

Распознавание и классификация изображений (image recognition / classification), real-time on device models

В данном случае система распознавания помогала быстро, непосредственно во время записи с видео на телефоне определить корректность расположения товаров на полках согласно планограмме, распознать товары и их цены, и предоставить анализ корректности оговоренных цен на товары производителя в данной точке продаж и сравнение с ценами на товары производителя и его конкурентов других точках продаж. По результатам данного анализа становится возможным выявить нарушения в работе персонала, обеспечивающего товарное расположение на полках магазинах, а также оперативно производить коррекцию ценовой политики, исходя из цен в различных точках и цен на товары конкурентов.

Как итог — улучшить мерчендайзинг и повысить эффективность продаж для PepsiCo и других компаний в сфере розничной торговли.

Отслеживание аномально-высоких нагрузок на сервера компании

Поиск аномалий (anomaly detection)

Ecommerce

 более 20

крупных ошибок было отслежено во время проведения крупнейшей распродажи (Black Friday)

Ecommerce

Падение серверов в результате ошибок или аномально высоких нагрузок для крупного e-commerce ведет к большим потерям — даже несколько секунд недоступности сайта может привести к потери миллионов долларов.

В случае с нашим клиентом, крупнейшей американской розничной сети универмагов в США системная архитектура огромна и нет возможности учитывать вручную отслеживать все параметры, влияющие на ее работоспособность.

Используя технический стек технологий big data стек клиента на основе технологий Apache, инфраструктуры GCP и дашборда Grafana мы интегрировали в него разработанную ML модель на основе Hierarchical Temporal Memory (HTM), способную отслеживать аномалии в работе серверов описывающая их причины. Именно это внедрение помогло избежать более 20 потенциально приводящих к падению серверов ошибок во время проведения Black Friday.

итоги