Slide Dir

loading, please wait for a moment...

NOTE: You must enable JavaScript in your browser to view this page.

Анализ данных, разработка математических моделей и решений на их базе

Вы приобретаете высокотехнологичный, конкурентный IT-продукт за меньшие деньги

Вы приобретаете высокотехнологичный, конкурентный IT-продукт за меньшие деньги

О нашей компании

GENES1S intellectual solutions

 

Мы сочетаем в своей работе большой опыт разработки программных продуктов и использование современных технологий проектирования.

  

В нашем штате работают признанные специалисты в области теории алгоритмов, архитектуры и разработки программного обеспечения, статистического анализа данных, а также дизайна интерфейсов.

Информация и принятие решений

Базы данных современной компании содержат в себе большие объёмы информации о бизнес-процессах и их участниках: о клиентах, о сотрудниках компании, о финансовых транзакциях, логистике, документообороте. Вся эта информация необходима компании в её повседневной работе, её обработка — одна из важнейших частей деятельности фирмы.

Поскольку на сбор, хранение и обработку информации затрачиваются существенные средства, необходимо с максимальной выгодой использовать имеющиеся данные.

Грамотный анализ информации и построение на его основе интеллектуальных систем для поддержки управленческих решений — один из важных ресурсов для повышения эффективности работы компании в целом.

Использование разработанных профессионалами математических моделей позволяет оптимизировать бизнес-процессы и найти новые ресурсы развития.

Сферы применения математических моделей

Математические модели и системы на их основе могут применяться в различных областях деятельности фирмы. К наиболее распространенным сферам их применения относятся:

— управление рисками вообще и кредитный скоринг в частности;

— рыночное прогнозирование (расчёт ценовых ожиданий и объёмов сбыта);

— нахождение оптимальной маркетинговой стратегии;

— оптимизация использования ресурсов;

— адаптивное управление производственным процессом;

— оценка активов;

— оценка эффективности процессов;

— оценка объемов необходимых резервов;

— управление информационными потоками.

Наши услуги

Наша компания готова предложить Вам широкий спектр аналитических инструментов и решений на их основе — начиная от типовых для отрасли и заканчивая уникальными решениями, учитывающими всю специфику деятельности Вашей компании.

Мы осуществляем полный цикл работ в области data mining, в который входят: предварительный анализ Ваших массивов данных и оценка потенциала его применения, подготовка предложений по внедрению новых аналитических систем и совершенствованию уже существующих, разработка математических моделей с использованием современного инструментария, валидация моделей, разработка программных продуктов, реализующих в своей работе разработанные модели, внедрение и сопровождение разработанных продуктов, а также сопутствующие консалтинговые услуги.

Сферы применения математических моделей

Многие компании используют в своей практике такой инструмент, как массовая рассылка уведомлений или рекламных материалов.

Несмотря на то, что себестоимость отправки отдельного  уведомления обычно невелика, при больших объёмах отправлений расходы могут составлять значительную долю в общих операционных расходах компании.

Предположим, что на основе длительной практики компании была выявлена экономическая целесообразность рассылки. Но значит ли это, что этот инструмент используется оптимальным образом?

На основе данные о клиенте, содержащихся в корпоративной базе данных или в доступных сторонних источниках информации, можно создать математическую модель, позволяющую с высокой степенью достоверности прогнозировать финансовую отдачу от отправки отдельного уведомления. Если ожидаемый доход от отправки уведомления конкретному адресату ниже, чем затраты на его отправку, это уведомление не должно отправляться.

Сферы применения математических моделей

Конечно, на практике менеджмент компании и при отсутствие специальных аналитических инструментов старается избежать отправки заведомо невыгодных уведомлений. Для этого используются такие инструменты, как ручная сегментация адресатов на основе кажущихся очевидными факторов (размер задолженности в случае уведомлений о задолженности, регион адресата и т.п.). Эти инструменты даже могут показывать определенную эффективность, однако они в большинстве случаев не в полной мере используют потенциал, предоставляемый имеющимися в распоряжении данными.

Поиск скрытых закономерностей, более точная оценка влияния факторов и их комбинаций, использование современных методов и алгоритмов, в большинстве случаев позволяют существенно повысить экономический эффект массовых рассылок.

Пример использования data mining в практике компании

Рассмотрим конкретный пример.

Предположим, что в распоряжении коллекторского агентства оказался пакет из 5000 дел. Средний долг по одному делу составляет 200 рублей, вероятность взыскания долга 10%, вознаграждение агентства — 50% от взысканной суммы. Себестоимость отправки уведомления: 14 руб. 50 коп.

Затраты на рассылку уведомлений составят, таким образом, 5000 × 14,50 = 72500 руб.

Ожидаемая выручка: 5000 × 200 × 0,10 × 0,50 = 50000 руб.

Таким образом, ожидаемый убыток компании от рассылки данного уведомления составит 50000 – 72500 = 22500 руб.

Дело может принести выгоду компании, если соблюдается следующее условие:

 

V × p × R > E,

где V    сумма долга,

p    вероятность его взыскания,

R  — %  вознаграждения агентства,

E   и здержки по взысканию.

Пример использования data mining в практике компании

Самым основным вопросом в данной модели является то, какова же вероятность взыскания долга для каждого дела?

Какие факторы влияют на нее и какие из этих факторов поддаются оценке?

Если можно с достаточной точностью оценить эту вероятность, то можно на ее основе принять решение о том, выгодно или невыгодно отправлять должнику письмо.

В процессе аналитической работы на основе обработки сведений о 200 000 уже закрытых дел, был изучен ряд факторов, предположительно оказывающих влияние на вероятность возврата долга. К таким факторам были отнесены: «возраст долга», возраст и пол должника, регион проживания, проживание в городской или сельской местности, размер долга, наличие в деле контактного телефона, совершенных входящих и исходящих звонков, средняя эффективность для данного пакета дел от начала работы с ним, обещание должника выплатить или не выплатить задолженность или обратиться в суд и другие. Всего аналитиками нашей компании было выявлено 22 фактора, оказывающих существенное влияние на вероятность взыскания долга. Некоторые факторы, даже взятые в отдельности, позволяли разделить долги на группы с сильно разнящейся средней собираемостью долга. Например, средняя собираемость долга при наличии входящего звонка по делу составила 43,31%, а при отсутствии — всего 4,44%.

Пример использования data mining в практике компании

brain1.jpgbrain2.jpg brain4.jpg

Мозг

Нейроны и связи

Перцептрон

Многослойный перцептрон  — математическая

модель, построенная на основе изучения работы мозга. Способна обучаться и строить прогнозы на основе анализа множества факторов.

brain5.png

Пример использования data mining в практике компании

Относительная погрешность прогноза полученной модели составляет порядка 0,412.

Приведем простой пример. В базе данных агентства содержалось 56010 закрытых дел, в которых оплата была получена не после первого же уведомления или вообще не была получена. Если бы модель, обученная на 70% этих дел, применялась для принятия решения об отправке 2-го письма для оставшихся 30% дел (общая сумма долга 58591010,66 руб.), то это за счет экономии средств принесло бы компании дополнительно 281521 руб. (при этом средняя собираемость снизилась бы с 9,63% всего лишь до 9,56%).

На основе разработанной модели был разработан программный инструмент, интегрированный затем в информационную систему компании.

Другие решения нашей компании

Наша компания также предлагает вашему вниманию следующие решения и услуги в сфере IT:

  пакет компонентов для автоматического поиска контактных телефонов физических лиц при помощи большого набора в online и offline телефонных баз;

— услуги по разработке программного обеспечения с применением широкого спектра программных инструментов; в том числе с передачей исходных текстов и исключительных прав;

— решения для обработки клиентских данных на основе пакета CLEANUPDATA  (разбор и очистка адресов, телефонов и т.д., импорт реестров клиентских данных в информационную систему компании);

— верстка и дизайн корпоративных сайтов, в т.ч. реализующих сложные сервисы для их посетителей;

— комплекс IT-решений для букмекерского бизнеса; 

— консалтинг в области IT на единовременной или регулярной основе, в т.ч. помощь в организации подбора кадров, создании IT-инфраструктуры компании.

О нашей компании

Основными направлениями деятельности компании ООО «Генезис» являются:

Разработка IT-решений для автоматизированной интеллектуальной обработки данных, data mining, а также консалтинг в сфере IT.  

Мы сочетаем в своей работе большой опыт разработки программных продуктов и использование современных технологий проектирования, практикуя гибкий и рациональный подход при взаимодействии с нашими клиентами, направленный на достижение максимального удобства для конечного пользователя. Мы готовы взяться за решение самых сложных задач и создать для вас простой и практичный программный инструмент.

Наш сайт: http://genes1s.net

Вы приобретаете высокотехнологичный, конкурентный IT-продукт за
                         меньшие деньги

Вы приобретаете высокотехнологичный, конкурентный IT-продукт за меньшие деньги

Пример использования data mining в практике компании

Одним из современных способов прогнозирования значения какой-либо величины в зависимости от набора факторов, является использование искусственной нейронной сети. Нейронная сеть способна обнаруживать скрытые закономерности в массивах данных, а также оценивать совокупное влияние множества факторов.

Нейронные сети активно используются для прогнозов в современном банковском деле, медицине, социологии, в игорном бизнесе и других областях.

Наиболее распространенной моделью нейронной сети является так называемый многослойный перцептрон.

В арсенале современной математической статистики и теории машинного обучения имеется множество методов для решения подобных задач: классические методы нелинейной регрессии, метод ближайших соседей,  адаптивный бустинг и др. В нашем примере мы остановимся на применении именно нейронной сети, как одного из наиболее простых в использовании инструментов.

Help Prev Slide Prev Step Next Step Next Slide Auto Play Log