Datalytica для строительсва
и недвижимости

Решения DATALYTICA по отраслям

Big Data Решения Datalytica для строительства и недвижимости

Технологические решения DATALYICA для строительства и недвижимости основаны на методах математического моделирования и машинного обучения и направлены на 3 основные бизнес-стратегии: повышение продаж, снижение издержек, управление рисками.

Автоматизированное распознавание текста, изображений и видео (компьютерное зрение)

В сфере недвижимости и строительства компьютерное зрение применяют для решения нескольких задач:
- дополненная реальность (при организации развлекательных мероприятий) ;
- распознавание жестов;
- сегментация клиентской базы;
- контроль и выявление несанкционированного доступа (Face ID).

Кроме того, компьютерное зрение для распознавания текста и изображений в строительстве применяют с целью автоматизации бумажной работы - автоматическое распознавание чеков, банковских реквизитов, счетов, накладных, договоров и т.п., а также в сфере безопасности - для автоматизированного распознавания лиц и выявления мошенических действий.

Предсказание поломок строительного оборудования и техники

Своевременное прогнозирование неисправностей и поломок строительного оборудования и техники позволяет превентивно провести техническое обслуживание и ремонт, избежать полного отказа и простоев оборудования и техники, а также нежелательных затрат на ремонт и замену вышедших из строя сетей, узлов и агрегатов оборудования и машин. Массив данных, поступающих с датчиков и (или) накопленных техническим персоналом, позволяет в реальном времени произвести прогноз возникновения нештатных ситуаций (остановок, поломок) или оценить качество строительства. Финансовый эффект от внедрения предиктивной аналитики в технологический процесс может быть не только прямым, но и косвенным – способствует повышению лояльности клиентов и улучшению имиджа компании.

Превентивное сервисное обслуживание строительного оборудования и техники

Задача предсказания поломок является вспомогательной при определении временной точки проведения технического обслуживания строительного оборудования, техники и транспортных средств. Время проведения технического обслуживания рассчитывается на основании оптимизационной модели, которая учитывает текущую загрузку, график работы предприятия, график закупок нового оборудования и запчастей к нему, а также оценивает возможные риски от простоя или поломки оборудования. Прогноз отказа осуществляется как на основе накопленных исторических данных, так и данных, поступающих в режиме реального времени.

Оптимизация складских запасов

Управление складом на основе индивидуального подхода к корпоративным данным с применением технологий в сфере Data Science может привести к значительному повышению оборачиваемости склада, избавлению от неликвида, существенному сокращению числа "аварийных" закупок, повышению уровня сервиса и, как следствие, к повышению уровня удовлетворенности клиентов. Современные технологии и накопленные знания в сфере предиктивной аналитики позволяют более эффективно и качественно обрабатывать полный спектр уникальных корпоративных данных и строить прогнозы с учетом индивидуальных потребностей компании и особенностей строительной индустрии.

Обнаружение краж и мошенничества

Технологическое решение по обнаружению мошенничества (fraud detection) разрабатывается на базе искусственного интеллекта: глубокого обучения. Решение осуществляет мониторинг ИТ-инфраструктуры предприятия, и за счет непрервыного самообучения обеспечивает максимально надежную защиту бизнеса от несанкционированных действий как внешних, так и внутренних.

Прогнозирование спроса
и продаж

Предсказание спроса осуществляется методами линейной регрессии, градиентного бустинга на решающих деревьях или рекуррентными нейронными сетями на основе исторических данных о потреблении данного вида товаров, а также дополнительной информации об окружающей среде (погодные условия, рыночная ситуация, курс валют и тп.).

На этапе предобработки данных рассчитывается набор статистических метрик по историческим значениям спроса за определенное количество исторических периодов. Если спрос носит сезонный характер, то для получения качественного прогноза необходимо иметь данные за несколько последних сезонов. Например, в случае внутригодовой сезонности желательно иметь данные за 3 последних года.
Как мы работаем?
Разработанное нами программное обеспечение и математические модели могут быть переданы заказчику на условиях:
Исключительного права
Неисключительного права
Технологии