Jet Galatea

Программное обеспечение для работы с потоками данных, создания цифровых двойников и управления моделями машинного обучения. Интегрируется с другими бизнес-системами (CRM, MES, АСТУП, ERP, SCE, WMS и др.) и позволяет оптимизировать бизнес-процессы: снижение издержек и повышение прибыли.

Jet Galatea

Платформа на базе искусственного интеллекта Jet Galatea включена в единый реестр российского ПО

Jet Galatea включена в Реестр Российского ПО под номером 168467 по Приказу Минкомсвязи РФ от 09.06.2020 №272

Универсальное программное обеспечение

Программное обеспечение могут использовать как бизнес-аналитики без знания языков программирования, так и дата-сайентисты, способные залезть в код на Python.

Программное обеспечение применяется в самых разных отраслях (банки, страховые, ритейл, промышленность, логистика) для решения целого спектра задач, связанных с принятием решений на основе данных:

  • ассортиментное планирование;
  • прогнозирование оттока клиентов;
  • выявление мошенничества;
  • повышение эффективности маркетинговых кампаний;
  • микросегментация клиентов и предсказание их покупок;
  • персонализированные рекомендации товаров / услуг;
  • кредитный скоринг для физ.лиц и СМБ;
  • снижение аварийности по автопарку лизинговых и транспортных компаний;
  • ускорение производства изделий и борьба с браком на конвейере;
  • уменьшение расхода ферросплавов при производстве стали;

Инструмент для трансформации процессов на основе данных

Jet Galatea с помощью своего функционала и интеграции с инструментами Big Data (Hadoop, Spark, NiFi, Kafka и др.) обеспечивает унифицированный процесс построения моделей машинного обучения и управления данными.

Jet Galatea

Возможности программного обеспечения

ETL


  • Получение/загрузка данных
  • Преобразование данных
  • Периодический запуск процедур преобразования

BUSINESS OBJECT MODEL


  • Каталог мета-данных
  • Единый бизнес-глоссарий всех данных
  • Хранение данных

WORKFLOW


  • Настройка бизнес-процессов
  • Инцидент-менеджмент
  • Ролевая модель

MACHINE LEARNING


  • Обучение моделей по выборкам
  • Настройка и управление моделями в интерфейсе
  • Моделирование

ML Executer


  • Анализ бизнес-данных
  • Сохранение результатов анализа
  • Тестирование моделей

Complex Event Processing


  • Настройка правил анализа данных
  • Настройка действий, выполняемых по результатам анализа

Преимущества Jet Galatea:

  1. Гибкая настройка модели данных анализируемых объектов, что позволяет расширять и изменять объекты без привлечения разработчиков.
  2. Отображение в интерфейсе процесса работы ETL-процессов для отслеживания загрузки данных в Jet Galatea.
  3. Встроенный механизм формирования отчетности без привлечения разработчиков. Доступные функции построения отчетности: выбор формата выгружаемого отчета (PDF, CSV, XLS, RTF, DOCX), формирование отчета по расписанию, автоматическая отправка отчетов по почте, автоматическое размещение отчета в папке.
  4. Гибкий инструмент настройки правил оценки, позволяющий устанавливать сложные схемы анализа.
  5. Механизм контроля работоспособности с помощью встроенных моделей.
  6. Ролевая модель с возможностью детальной настройки доступа вплоть до кнопок на интерфейсе. Настройка ролевой модели доступна напрямую из интерфейса Jet Galatea и не требует привлечения разработчиков.
  7. Графическое представление полученных прогнозных и фактических данных, что обеспечивает удобство обработки информации, полученной от математических моделей.

Схема работы Jet Galatea

Jet Galatea

Пользовательская документация Jet Galatea

Для получения дополнительной информации направьте запрос на JetGalatea@jet.su

Наши проекты

Промышленность
Борьба с браком
Проблема заказчика: в цехах на линиях происходит массовая отбраковка изделий из-за дефектов
Задача: научиться предсказывать брак и идентифицировать его причину (источник) на линии
Проект: считывание сотен производственных параметров (исторические и live-данных технического процесса, снимаемых с оборудования), их анализ с помощью технологий машинного обучения (ML)
Результаты:
  • 39% – обнаружение брака на этапе, когда его можно предотвратить
  • Упрощение, систематизация мониторинга и контроль технологии: автоматизированный анализ могут проводить специалисты без углубленных знаний математической статистики
  • Уход от рутинного анализа: исключение человеческого фактора.
Крупный ретейлер
УСКОРЕНИЕ ПРОГНОЗА ИТ-МОЩНОСТЕЙ
(искусственный интеллект/ машинное обучение)
Проблемы заказчика:
  1. Трудоемкий процесс правильного предсказания нагрузки, который может приводить к отказу систем, остановке бизнес-процессов и потере прибыли
  2. Долгий процесс прогнозирования закупки мощностей (>6 месяцев)
Задача: построить модель, выдающую точные рекомендации: сколько потребуется CPU / памяти / дисков в течение года для прохождения критической нагрузки («Черная пятница»)
Проект: ML-модель выдает прогноз, исходя из бизнес показателей и драйверов (количество визитов и просмотров страниц интернет-магазина, объема покупок, возвратов и т.д.)
Результаты:
  • С двух месяцев до двух дней – ускорение выдачи прогноза
  • Защита от отказов и сбоев в «черную пятницу», «киберпонедельник» и др.
Крупная сеть парфюмерии и косметики
СЕГМЕНТАЦИЯ КЛИЕНТСКОЙ БАЗЫ
(искусственный интеллект/ машинное обучение)
Задача заказчика: среди участников программы лояльности выявить «золотой сегмент» покупателей, которые покупают больше остальных
Проект: модель машинного обучения регулярно выделяет динамический «золотой сегмент», используя данные из Siebel Loyalty и маркетинговой системы компании
Результаты обработки:
  • 2,6 млн – общее количество держателей карт лояльности, включенных в расчет
  • 1% клиентской базы определяют 7% всей прибыли компании
  • 42% – превышение среднего чека сегмента
  • 47% – повторные обращения за покупками в выявленной группе (в среднем 22 % по клиентской базе)
Крупная сеть парфюмерии и косметики
ПРЕДСКАЗАНИЕ ПОКУПОК КЛИЕНТОВ
(искусственный интеллект/ машинное обучение)
Задача заказчика: предсказать покупки клиента в ближайшие две недели вплоть до артикула / товарной позиции
Проект: модель машинного обучения анализирует исторические данные покупок и для каждого клиента выявляет ТОП-2 вероятных покупок из более, чем 30 тысяч наименований
Результаты:
  • 1,5 месяца – срок реализации проекта
  • 33% – точность рекомендации вплоть до артикула товара
Крупная аптечная сеть
ТОВАРНЫЕ РЕКОМЕНДАЦИИ ПО АНАЛИЗУ ЧЕКА
(искусственный интеллект/ машинное обучение)
Задача заказчика: увеличить выручку компании путем точечных персональных рекомендаций в момент покупки
Проект: модель машинного обучения анализирует набор покупок клиента и выдает информацию о лекарственных препаратах, которые клиент при получении рекомендации приобретет с повышенной вероятностью
Результаты:
  • 2,5 месяца – срок реализации проекта
  • 27 000 наименований медикаментов и парафармацевтической продукции
  • С точностью до артикула – выдача рекомендаций о ТОП-3 товаров к набору, который выбрал покупатель
Лизинговая компания
Снижение аварийности в парке лизинговой компании
(искусственный интеллект/ машинное обучение)
Задача заказчика: снизить аварийность и расходы на страхование, вычисляя водителей с аномальным поведением на дороге
Проект: данные, получаемые телематическим оборудованием, анализируются ML-моделью; определяется опасное вождение, нарушение договора лизинга (смена водителя) и потенциальные угоны
Как заказчик использует аналитику:
  • регулярно взаимодействует с водителями через колл-центр, разбирает их поведение и стиль вождения;
  • передает информацию о водителях и стиле их вождения в страховую компанию для изменения стоимости страховок
Показатели:
  • 11 000 –количество транспортных средств
  • Снижение количества аварий

Назад