Кейсы DATA4
Статьи
Примеры кейсов
Кейс №1
Co-Magic лидер рынка коллтрекинга
Компания Co-Magic является лидером на Российском рынке в области коллтрекинга. Ежемесячно компания осуществляет аналитику по миллионам звонков, позволяя своим клиентам проанализировать эффективность рекламных каналов. При применении динамических номеров возникает проблема не целевых звонков, существенно ограничивающая возможности применения коллтрекинга.
Задача: Определять целевые и не целевые звонки, и темы целевых звонков.
Основная идея:
Применение системы распознавания речи и методик «тематического моделирования» для работы с текстами.
Нетривиальность решения:
1) Каждый клиент заказчика уникален, для каждого необходимо автоматически строить модель, устойчиво работающую при обучающей выборке всего в 1000 текстов.
2) Естественная речь вариативна.
3) Система распознавания речи вносит существенную погрешность.
Решение:
Для решения задачи была разработана система автоматической классификации и кластеризации текстов.
Результат:
Точность классификации составила 94,5%.
Задача: Определять целевые и не целевые звонки, и темы целевых звонков.
Основная идея:
Применение системы распознавания речи и методик «тематического моделирования» для работы с текстами.
Нетривиальность решения:
1) Каждый клиент заказчика уникален, для каждого необходимо автоматически строить модель, устойчиво работающую при обучающей выборке всего в 1000 текстов.
2) Естественная речь вариативна.
3) Система распознавания речи вносит существенную погрешность.
Решение:
Для решения задачи была разработана система автоматической классификации и кластеризации текстов.
Результат:
Точность классификации составила 94,5%.
Пример кейса 2
IKEA лидер рынка мебельного ритейла
Компания IKEA тратит сотни миллионов рублей в год на доставку товаров от магазина до конечного клиента. Оптимизация затрат на логистику используется заказчиком для снижения стоимости товаров и повышение прибыльности бизнеса.
Задача: Оптимизировать затраты IKEA на доставку за счёт снижения общей длинны маршрутов, путём разработки системы оптимального разбиения карты доставки на зоны.
Основная идея:
Для простоты понимания, представим идею на примере задачи.
Пусть у нас есть 2 машины и 10 грузов, которые нужно доставить в пункт А и пункт В.
До пункта А 10 км., до Б 40км.
Если мы пустим обе машины до пункта А и Б, и затем в обратном направлении, то их маршрут в сумме составит 160 км.
А если одну машину пустить только до пункта А, а другую только до пункта Б, то маршрут составит 100 км.
Таким образом, экономия на маршруте 160-100=60км.
Основной идеей было оптимально кластеризовать карту доставки.
Сложностью решения, являлось необходимость попадания во временные промежутки доставки, решение задачи оптимальной загрузки машины и расчёт оптимально маршрута доставки c учётом особенностей логистики города и объёмов доставки в несколько сотен заказов ежедневно.
Решение:
Для решения задачи была разработана система на основе решения задач коммивояжера, упаковки в контейнер и кластеризации.
Результат:
Достигнуто сокращение длинны маршрутов доставки на 15,7%.
Задача: Оптимизировать затраты IKEA на доставку за счёт снижения общей длинны маршрутов, путём разработки системы оптимального разбиения карты доставки на зоны.
Основная идея:
Для простоты понимания, представим идею на примере задачи.
Пусть у нас есть 2 машины и 10 грузов, которые нужно доставить в пункт А и пункт В.
До пункта А 10 км., до Б 40км.
Если мы пустим обе машины до пункта А и Б, и затем в обратном направлении, то их маршрут в сумме составит 160 км.
А если одну машину пустить только до пункта А, а другую только до пункта Б, то маршрут составит 100 км.
Таким образом, экономия на маршруте 160-100=60км.
Основной идеей было оптимально кластеризовать карту доставки.
Сложностью решения, являлось необходимость попадания во временные промежутки доставки, решение задачи оптимальной загрузки машины и расчёт оптимально маршрута доставки c учётом особенностей логистики города и объёмов доставки в несколько сотен заказов ежедневно.
Решение:
Для решения задачи была разработана система на основе решения задач коммивояжера, упаковки в контейнер и кластеризации.
Результат:
Достигнуто сокращение длинны маршрутов доставки на 15,7%.
Пример кейса 3
KupiVip один из лидеров фэшн ритейла
KupiVip - интернет магазин, специализируйщийся на торговле одеждой. Более 1 000 000 клиентов совершают каждый год покупки на сумму боле 6.5 млрд. руб.
Задача: Разработать решение персонализированных продуктовых рекомендаций и поднять конверсию продаж.
Сложность: Работа с BigData (десятки гигабайт данных), и учет отраслевой специфики.
Решение:
Для решения задачи была разработана система на основе принципа коллаборативной фильтрации. Коллаборативная фильтрация реализована с применением алгоритма факторизационных машин.
Результат:
Повышение конверсии для постоянных клиентов на 4,9%
Задача: Разработать решение персонализированных продуктовых рекомендаций и поднять конверсию продаж.
Сложность: Работа с BigData (десятки гигабайт данных), и учет отраслевой специфики.
Решение:
Для решения задачи была разработана система на основе принципа коллаборативной фильтрации. Коллаборативная фильтрация реализована с применением алгоритма факторизационных машин.
Результат:
Повышение конверсии для постоянных клиентов на 4,9%
Связаться с нами
Напишите контактные данные, чтобы наш менеджер связался с вами.