box - maximus

asw:maximus

asw:maximus je univerzalna platforma – sistem koji uči iz podataka i usko se naslanja na asw:sapiens (BI sistem) i asw:dominus (ERP) sistem.

Sistem analizira istoriske podatke sa visokim stepenom tačnosti i u tom podacima otkriva obrasce, asocijacije, regularnosti i trendove.

Primene asw:maximus sistema

Odlazeći klijenti

Modul za prevenciju odlaska klijenata prati ponašanje klijenata i uočava obrasce u ponašanju koji ukazuju na rizik od odlaska određenog klijenta, tj. rizik od prestanka kupovine u organizacionim jedinicama kompanije klijenta, s obzirom da je do deset puta skuplje dovesti novog klijenta nego zadržati postojećeg. Rezultati algoritma ukazuju šta su mogući faktori koji su uticali na nastanak rizika i na osnovu kupovnih navika algoritam samostalno predlaže promociju koja najbolje zadržava klijente. Neuronska mreža precizno predviđa koliki će prihod ti klijenti ili grupe klijenata doneti kada se zadrže, pa se  i to uzima u obzir pri kreiranju promocije – za lojalnije klijente se vredi više potruditi.

Rezultati koji se dobijaju na osnovu modela su:

  • Merenje uticaja različitih faktora na rizik odlaska kako bi se razumelo zašto klijenti odlaze, što omogućava započinjanje dugotrajnih inicijativa zadržavanja
  • Skoriranja klijenata po riziku odlaska i na osnovu toga kreirati kampanje za zadržavanje
  • Određivanje verovatnoće rizika odlaska i obeležavanje rizičnih klijenata za email kampanje
  • Integrisanje rezultata sa drugim odeljenjima, poput kol-centra za klijente, da bi se u trenutku dobavile relevantne informacije za radnika
  • Strategijski popusti u kampanjama i promocijama za one klijente kod kojih je rizik odlaska veliki

Model se odlično pokazuje u svim sektorima.

Prediktivno održavanje

Modul za Prediktivno održavanje predviđa greške u sistemima, a specifično u tehničkim sistemima. Najbolje vreme za rešavanje problema je vreme pre nego što se on dogodi. A to se postiže pomoću veštačke inteligencije. Modul asw:maximus sistema za prediktivno održavanje prati dotok podataka iz hiljada izvora bilo da su to tornjevi za telekomunikacione mreže ili podaci iz nekog skladišta, ili poslovanje jedne organizacione jedinice. Na osnovu istorijskih podataka modul uočava  obrasce koji su prethodili kvaru ili problemu u poslovnim procesima. Tako se može reagovati na izazov pre nego što se on dogodi, i u potpunosti poništiti posledice grešaka i problema.

Primenjuje se kako u infrastrukturi  (na primer SCADA sistemi za koji se uočava rizik kvara pre nego što se on dogodi), tako i u logistici i u drugim oblastima.

Model se odlično pokazuje u svim sektorima.

Praćenje kvaliteta radnika

Modul za Praćenje kvaliteta radnika u kompaniji nadgleda i ocenjuje kvalitet zaposlenih. Veštačka inteligencija prolazi kroz milione zabeleženih transakcija i događaja u potrazi za bilo kakvim anomalijama – odstupanjima od očekivanog poslovnog procesa. Te anomalije se potom prikazuju menadžmentu i gde je potrebno i odstranjuju se. Uočavaju se kako pozitivne anomalije, koje povećavaju profit, tako i negativne, koje smanjuju profit ili  ukazuju na postojanje zloupotreba ili loših radnika. Prevare koje je za čoveka zbog količine podataka nemoguće uočiti, ovaj alat rasvetljuje i prikazuje podatke koji ukazuju na to.

Ovaj alat se ne mora samo koristiti za detekciju prevara, već i za uspešnost radnika u prodaji. Postoje artikli koji se često prodaju zajedno, a često su i ti dodatni artikli poput aksesoara i najveći izvor profita. Sistem uviđa koji radnici prodaju, a koji ne prodaju te dodatke a trebalo bi, i na osnovu toga se dobija još jedna informacija o kvalitetu tih radnika. Ako jedna radnica u prodavnici odeće često nudi pa i prodaje kaiše, kravate i maramice uz odela, dok druga to retko ponudi, veštačka inteligencija ukazuje na njih obe, pa se prva može nagraditi a na drugu se može uticati da poboljša svoj angažman.

Model se odlično pokazuje u svim sektorima.

Optimizacija cena

Modul za Optimizaciju cena samostalno predviđa i formira cene artikala. U tradicionalnom poslovanju određivanje cena je zasnovano na intuicijii i iskustvu. To su dve osobine veoma važne za uspešnost odgovora na formiranje cena, ali su i nedovoljne – na to koja cena donosi najveći profit utiče previše faktora da bi čovek mogao da razume njihov uticaj, a posebno da matematički precizno odredi profit. Alat za optimizaciju cena omogućava čoveku da svoju intuiciju i iskustvo udruži sa uvidom koji daje velika količina podataka i da tako odredi idealnu cenu za svaki artikal.

Neuronska mreža koja u pozadini uči iz svake napravljene transakcije određuje za svaki artikal kako ide prodaja ukoliko se odredi određena cena i mogući popust. Mreža razume veze između ogromnog broja faktora koji mogu uticati na prodaju (od unutrašnjih poput prethodne prodaje do spoljašnjih poput ekonomske situacije u gradu i zemlji ili vremenske prognoze) i tako pokazuje koja cena i popust dovode do najvećeg profita.

Model je specifičan za Sektor prodaje.

Optimizacija zaliha

Modul za Optimizaciju zaliha predviđa kakvo će biti stanje zaliha. Neuronska mreža predviđa potražnju čak nekoliko meseci unapred sa izuzetnom preciznošću (+- jedan). Na osnovu toga se može definisati koliko koje robe je potrebno nabaviti i u kom vremenskom periodu.

Modul radi na sledeći način: na osnovu dobijenih rezultata inteligentni sistem prati kojih artikala nema dovoljno u zalihama (a očekuje se potražnja) i alarmira korisnika o tome, i tako se sprečava mogućnost nestanka zaliha potrebne robe.

Model je specifičan za Sektor prodaje.

Prodajne i pesonalizovane kampanje

Modul za Prodajne i personalizovane kampanje omogućava izgradnju prodajnih kampanja. Analiziranjem ogromne količine podataka, koje ljudsko biće ne bi moglo ni za nekoliko dana/meseci/godina da obradi, algoritmi mašinskog učenja uočavaju:

  • najčešće povezane kupovine
  • šta kupci kupuju i šta ne kupuju
  • propuštene prodaje kako na nivou kupaca, tako i na nivou radnika
  • anomalno ponašanje nekih grupa artikala u određenoj prodajnoj jedinici

Na osnovu pomenutog, modul pomaže menadžerima da efikasno i brzo odrede moguće prodajne kampanje kako po prodajnim jedinicama (prodajne kampanje), tako i po određenom lojalnom kupcu (personalizovane kampanje). Posebno se prati i ponašanje prodavaca i uočava kod koga se zaista često kupuju povezane kupovine, a kod kojih ne.

Efikasno praćenje kupovnih navika kupaca daje prednosti i beneficije nad tržištem i na osnovu toga radnja može ponuditi neki asortiman i pre nego što kupac sazna da to zaista želi da kupi. Sve ukupno rezultuje značajnom povećanju profita,  uz optimalnu raspodelu poslovnih procesa.

Model se odlično pokazuje Sektoru prodaje i Sektoru telekomunikacija.

Klasterovanje kupaca

Modul za Klasterovanje korisnika pomaže preciznom definsanju grupa kupaca i klasifikuje ih prema njihovom ponašanju, na koje utiču visina računa, dužina u mreži, artikli, brendovi i ostali faktori u kupovini. Klasteri su među sobom različiti, dok su kupci koji čine klaster slični. Model u sektoru prodaje daje najbolje rezultate kod lojalnih kupaca s obzirom da je za lojalne kupce baza podataka korektna, a da kod ostalih kupaca se ne mogu identifikovati parametri koji čine kupca. U ostalim sektorima, kao što su na primer telekomunikacije, model se odlično pokazuje kod svih vrsta korisnika, s obzirom da  su baze podataka date do sitne granulacije. Klasterovanje pomaže kreiranju kampanja, koje kod velikog broja korisnika postaje gotovo nemoguće na personalizovanom nivou.

Model se odlično pokazuje Sektoru prodaje i Sektoru telekomunikcija.

Predikcije i budžetiranje

asw:maximus poseduje modele mašinskog učenja i veštačke inteligencije koji se pokreću automatski i daju predikciju zadate metrike klijenta (na primer: promet, količina prodaje, razlika u ceni itd.). Rezultat je precizno predviđanje na sedmičnom ili mesečnom nivou za narednu godinu. Predikcije su od nivoa organizacione jedinice, brenda ili robne grupe, pa sve do nivoa pojedinačnog artikla u jednoj organizacionoj jedinici.

Ovi modeli koriste istorijske podatke o poslovanju, do nivoa pojedinačnog računa, učeći i uzimajući u obzir sve skrivene pravilnosti i trendove u njima, kako bi dali precizne predikcije. Zasnovani su na najnovijim tehnologijama veštačke inteligencije poput neuronskih mreža i boosting algoritama.

Optimizacija rasporeda u skladištu

Koristeći sposobnost predikcije potražnje pojedinačnog artikla na određenoj lokaciji koju asw:maximus poseduje, ovaj modul na sedmičnom ili mesečnom nivou predviđa koji će se artikli najviše a koji najmanje uzimati iz skladišta, pa tako kreira i optimalni raspored artikala unutar skladišta. Tako se procesi u skladištu optimizuju i vreme potrebno za njihovo izvršavanje se značajno smanjuje.

Prednosti primene

Odraz vitalne i fleksibilne kompanije je njena sposobnost da se prilagođava inovacijama na tržištu uključujući tehnologije koje znatno unapređuju poslovanje. Na taj način ona se lako može izdvojiti od konkurencije.

Kompanija mora dobro da poznaje svoje lojalne kupce i njihove navike u kupovini. Sve te informacije su sadržane u podacima, a mere se u broju kupljenih artikala, vrsti artikala, načinu plaćanja itd. Tumačeći te podatke dolazimo da tzv. personalizovanih prodaja gde su kompanije u stanju da upoznaju svakog od svojih kupaca i da budu proaktivni u zadovoljenju njihovih potreba.

Druga prednost je mogućnost povećanja profita bez povećanja obima posla. Postizanje efektivnosti i efikasnosti u poslovnim procesima dovodi do racionalizacije troškova što direktno utiče na poslovni rezulatat.

Za detaljnije informacije o implementaciji projekta ASW:MachineLearning i u vašoj kompaniji, kontaktirajte naš razvojni tim na e-mail:  filip.jekic@asw.eu ili  na kontakt telefon 011/2071-400.

Preuzmite brošuru