Жизнь коротка, и поэтому не следует терять времени, нужно внедрять предиктивный анализ в 1C
Китайская народная мудрость

– это название знает любой бухгалтер и/или финансист в России, и не только в России, но и за ее пределами. Спектр поставляемых типовых решений достаточно широк, существует достаточное количество отраслевых и узкоспециализированных решений. Можно встретить и в малом, и в среднем, и в крупном бизнесе.

При этом может быть в роли основной корпоративной учетной системы, и тогда первичные данные заводятся непосредственно пользователями баз 1С, в не менее распространенном варианте работы используется как вспомогательный инструмент для построения финансовой и/или управленческой отчетности.
 
В любом варианте использования содержит в себе значительный массив данных, отражающих хозяйственную деятельность предприятия. Механизмы анализа данных и построения отчетности в типовых продуктах , согласно распространенному среди пользователей мнению, далеки от идеальных и при этом не выходят далеко за рамки обычной статистики.

Эти данные способны на большее!

Мы готовы строить на них прогнозы с высокой точностью и более далеким горизонтом планирования. Наши компетенции в сфере анализа больших данных и построения эффективных моделей предиктивной аналитики позволят достичь большего, даже на типовых данных 1С.

Что мы предлагаем?

Мы предлагаем создать для вас модель предиктивной аналитики, разработанной с применением алгоритмов машинного обучения. Будучи построенной на основе анализа ваших данных и с учетом ваших пожеланий, система прогноза окажет эффективную помощь в решении ваших бизнес-задач и будет удобно интегрирована в информационное поле вашей компании.

Как это работает:

Сначала мы проведем анализ ваших данных на предмет их достаточности для построения эффективной ML модели;

По результатам предварительного аудита мы сформулируем свои предложения по очистке и обогащению данных;

Построим на них пилотную модель предиктивной аналитики;

На основе пилотной модели после уточнения всех требований и задач, сдадим в эксплуатацию готовое решение, способное сформировать для вас новые конкурентные преимущества, улучшить положение на рынке и сэкономить ресурсы.
   

Экономическая эффективность

По опыту предыдущих проектов, компании, использующие наши ML сервисы, добиваются существенного роста финансовых показателей. На выполненных нами проектах совокупный эффект от сокращения затрат и увеличения выручки выражается в росте чистой прибыли в среднем на ~30%.


Вот лишь несколько примеров итоговой эффективности наших готовых ML моделей:

Отрасль

Задача

Точность модели

Финансовый итог

Продуктовый ритейл

Прогноз спроса на 20000 розничных точек

~ 89%

Оптимизация издержек более чем на 100 млн. руб.

Ритейл в индустрии моды

Сегментация клиентов, оценка спроса и распределение SKU

~ 87%

Оптимизация оборотных средств более чем на 600 млн. руб. в год.

Интернет и телеком (топ3)

Прогноз по оттоку клиентов

~ 80%

Прирост прибыли более чем на 250 млн. руб. ежегодно

Каршеринг

Выявление аномального поведения

~ 91-95%

Сокращение рискованных операций на 46%

Страховые компании

Выявить ключевые категории по заявкам

~ 87%

Сокращение трудозатрат более чем на 30%

Наиболее востребованные сценарии

Предиктивная аналитика на основании анализа заказ-нарядов на обслуживание средств производства осуществит:

  • Расчет вероятности отказа в течение ближайшего времени;
  • Сегментирование техники по категориям отказоустойчивости;
  • Определение вероятной причины поломки;
  • Формирование рекомендаций по обслуживанию.

Согласно отчету MHI Annual Industry Report за 2016 год «На практике это помогает снизить затраты на ремонт в среднем на 30 %. Именно поэтому в течение ближайших шести лет прогнозную аналитику будут использовать 80 % промышленных компаний против сегодняшних 22%» 
Ожидаемый эффект:

  • Сокращение и планирование затрат на обслуживание
  • Повышение уровня безопасности проведения работ
  • Сокращение сроков простоя
  • Повышение КПД и сроков полезного использования производственной инфраструктуры

Определение целевого и страхового уровня запаса материалов и ГСМ можно построить на основе предиктивного анализа изменения объема потребностей, аналогично можно произвести расчет уровня достаточности запасов и вероятности возникновения простоя.

Таблица 1. Пример прогнозирования спроса на основе первичных данных
Легенда:

- значительное отклонение от прогнозируемых данных
- умеренное отклонение от прогнозируемых данных
- незначительное отклонение от прогнозируемых данных


При прогнозе модели машинного обучения опираются на исторические (фактические) данные и решения для дальнейших самостоятельных действий.
Прогнозирование целевого и страхового запаса в первую очередь основывается на анализе спроса для конкретного SKU  или для категории товаров. После этапа предварительной оценки данных и подбора первичных алгоритмов машинного обучения производится углубленный анализ и поиск закономерностей между продажами в конкретный период времени и текущим остатком на складе.

Рис. 1. Анализ и коррекция поставок материалов с учетом задачи оптимизации запаса на складе

Путем итерационного подбора модель сокращает количество планируемых поставок без влияния на исходный спрос, сохраняя необходимый ассортимент SKU и учитывая резерв на случай незапланированных пиковых активностей. 


Рис. 2. Оценка результатов финальной модели

В конечном результате при помощи прогнозов машинного обучения появляется возможность сократить текущий складской остаток более чем на 35% при полном покрытии спроса.

Ожидаемый эффект для типового проекта:

  • Сокращение излишков складского запаса
  • Высвобождение собственного капитала
  • Повышение оборачиваемости складского остатка
  • Снижение простоев

Предлагаем провести сегментирование клиентской базы по категориям риска возникновения просрочки дебиторской задолженности с использованием машинного обучения. На основе сегментирования формировать прогноз возникновения просроченной задолженности.

Таблица 2. Оценка клиентов с т.з. ликвидности  


Посредством анализа текущих платежей алгоритмы машинного обучения позволяют проактивно оценивать контрагентов и проводить скоринг.

Рис. 3. Пример формирования отчетности online
После разработки алгоритма, полученные данные можно формировать в дашборды с целью не только оперативной, но и стратегической оценки ситуации.

Ожидаемый эффект:

  • Снижение рисков возникновения просроченной и безнадежной задолженности
  • Рост оборачиваемости дебиторской задолженности
  • Сокращение объема резервов по сомнительным долгам
  • Повышение уровня управления дебиторской задолженностью

Для повышения уровня управления рисками при работе с поставщиками предлагаем создать предиктивную модель, основанную на статистике взаимодействия по таким критериям как количество возвратов, нарушение сроков поставки, пересорт, и тд. В модель возможно ввести категории закупаемых материалов, категории объектов и средств производства, категории надежности поставщика.
Ожидаемый эффект:

  • Сокращение затрат на рекламации
  • Повышение качества готовой продукции
  • Сокращение простоев при недопоставке или ненадлежащем качестве материалов.

Использование модели машинного обучения позволит выявить устойчивый тренд в каких-либо аналитических срезах – неявный спад или рост. Модель даст возможность оперативно отреагировать на изменение рыночной ситуации и позволит спрогнозировать наиболее вероятный драйвер этого процесса.
Ожидаемый эффект:

  • Рост выручки / снижение потерь
  • Конкурентное преимущество по времени реагирования на изменения.

На основе анализа статистических данных изменения цен на продукцию (услуги) в привязке к соответствующему объему продаж предлагаем создать предиктивную модель оптимального уровня цен (размера скидок от базовых цен).
Модель позволит формировать прогноз спроса при внесении изменении в ценовую политику, либо формировать оптимальную цену для реализации заданного объема.
Ожидаемый эффект:

  • Увеличение выручки
  • Возможность повысить оборачиваемость целевых товарных групп
  • Повышение эластичности управления денежными потоками
  • Выполнение коммерческих таргетов.

Состав сервиса


Наш сервис является многоступенчатым и состоит из нескольких этапов, каждый из которых является логическим продолжением предыдущего. Такой гибкий подход позволяет оперативно вносить коррективы на всех этапах работы и дает в итоге результат, максимально удовлетворяющий вашим бизнес-требованиям.
По окончании каждого этапа мы формулируем в письменной форме отчет о составе проведенных работ и аналитическую справку по проекту.

На начальном этапе мы проведем мини-аудит текущих задач и проектов с целью определения областей бизнеса, где могут быть применимы технологии машинного обучения. В рамках данного аудита определяются представители бизнес-заказчика на выбранных участках, обсуждаются потенциальные результаты.
Проводится ряд встреч, интервью и совещаний с бизнес-заказчиками для формулирования и утверждения заинтересовавших их сценариев предиктивной аналитики, а также для определения дальнейшего плана действий.
Далее на этом этапе мы сформулируем и утвердим формат визуализации проектного решения. Нами будет предложен и вами утвержден формат вывода информации из множества вариантов:

  • Возможности по интеграции результатов в оперативную работу пользователей 1С
  • Формирование отчетных форм в виде электронных таблиц
  • Визуализация в формате Dashboard и т.д.

Вы предоставляете данные из своей учетной и при необходимости архивных баз 1С.
Производится анализ предоставленных данных, очистка от статистических шумов, выявление ключевых признаков для решения конкретного сценария.

Выполняется деление и обогащение данных, уточняются пожелания по сценариям и параметрам модели, производится первичная оценка точности модели.
После финального формулирования и утверждения всех сценариев предиктивной аналитики, применяемых в модели, дается предварительная оценка экономической эффективности внедрения Machine Learning.

Мы строим модели, осуществляем поиск явных и неявных связей, подбираем алгоритм, производим обучение модели на выборке данных.
Далее происходит доработка модели и поиск решений, позволяющих достичь целевых показателей.
По окончании данного этапа уже возможно получить точную оценку эффективности решения для бизнеса и определить дальнейшие точки роста.

На этом этапе производится оптимизация модели и балансировка ее показателей, подтверждение эффективности модели на новых данных. Достигается требуемая степень визуализации и проработки проектного решения.
Мы составляем подробный план развития по накоплению и обогащению данных, осуществляем расчет финансовых показателей эффективности проекта, таких как ROI.

Мы передаем окончательную модель в промышленную эксплуатацию, подтверждаем заявленные характеристики и фиксируем достигнутые показатели модели.
По окончании этапа мы отдаем вам в качестве НМА исходники, исполнительную документацию по проекту и далее осуществляем поддержку готового решения.

Специальное предложение


На сегодня у нас действует несколько специальных предложений:

  • До 30 сентября 2019 года первые 3 этапа проекта мы делаем для вас бесплатно
  • При заключении договора на несколько сценариев сразу мы предлагаем вам специальные сниженные ставки
  • При оплате полного проекта до 30 сентября 2019 года мы передаём вам модель с исходными кодами и соответствующей документацией 

О компании


Компания SoftwareONE (ранее COMPAREX) — мировой лидер в области управления программным обеспечением и облачными сервисами, модернизирует процесс бюджетирования и оптимизации расходов на ИТ, от локального ПО до облачных сервисов. SoftwareONE обладает большим опытом в предоставлении своим клиентам рекомендаций по построению облачной инфраструктуры и оптимизации бизнес-результатов в облачной среде. Платформа PyraCloud, в которой применяется машинное обучение, обеспечивает прозрачность, понимание, автоматизацию и контроль спроса клиентов на программное обеспечение, чтобы максимизировать инвестиции в него. Совместно с Software Lifecycle Management (SLM) сервисы компании предоставляют структуру и методологию для оптимизации базовой ИТ-инфраструктуры, ускорения внедрения облачных технологий и минимизации рисков, связанных с комплаенс.
Компания является частной с 1985 года и имеет в своем штабе более чем 5000 специалистов, расположенных в более чем 80 странах. SoftwareONE является одним из самых быстрорастущих ИТ-поставщиков в мире и имеет эксклюзивные партнёрские отношения со всеми основными производителями, такими как Microsoft, AWS, Adobe, IBM, VMware, Oracle, Citrix, Red Hat, Trend Micro и многими другими.
SoftwareONE прошла сертификацию системы менеджмента качества по международным стандартам ISO 9001:2008 и ISO/IEC 27001:2013 для следующих видов деятельности:

  • Лицензирование и закупка программного обеспечения
  • Продажа ИТ-решений
  • Разработка и предоставление профессиональных услуг (консалтинг; сервисы и поддержка; управление программными активами, бизнес-решения и разработка приложений; программы обучения и развития)
  • Реализация ИТ-проектов
  • Обеспечение внутренней поддержки для всех представительств SoftwareONE и ее дочерних компаний

SoftwareONE внедрила и применяет систему управления информационной безопасностью в соответствии с «Положением о применимости" на поставку IT-услуг клиентам SoftwareONE в соответствии с действующим каталогом услуг. Аудит доказал, что требования к ISO / IEC 27001:2013 выполнены.

Получить больше информации

 

 

На сегодня у нас действует несколько специальных предложений:

  • До 30 сентября 2019 года первые 3 этапа проекта мы делаем для вас бесплатно;
  • При заключении договора на несколько сценариев сразу мы предлагаем вам специальные сниженные ставки;
  • При оплате полного проекта до 30 сентября 2019 года мы передаём вам модель с исходными кодами и соответствующей документацией.

Заполните форму обратной связи, чтобы получить:

  • Презентацию
  • Демонстрацию
  • Консультацию эксперта
  • Предварительную оценку ваших данных
  • Коммерческое предложение :)