+7 (812) 677-56-90    +7 (495) 647-50-46

Microsoft

Microsoft Azure Machine Learning – облачный сервис прогнозной аналитики (predictive analytics), позволяющий прогнозировать различные события: спрос на продукцию и остатки на складах, привлечение и отток клиентов, успех запуска новых продуктов и направлений, выход оборудования из строя, возможные попытки мошенничества и т.д.

Компоненты ML in Azure

Сервис представлен двумя компонентами: Azure ML Studio – конструктор для разработки (workspace), представляющий собой визуальный веб-интерфейс для создания моделей прогнозирования с механизмом drag&drop, и веб-сервисы Azure ML.

Управляемый сервис для прогнозной аналитики

  • Создание и развертывание решений прогнозной аналитики с минимальным участием сотрудников
  • Готовый набор математических моделей для прогноза различных показателей бизнеса
  • Решение простых задач с помощью «мышки» без глубоких знаний математики и программирования
  • Поддержка принятия решений на основании максимально точных прогнозов

Прогнозы по данным c датчиков Интернета Вещей

Azure Machine Learning позволяет строить прогнозные модели на основе Big Data и данных с датчиков и контроллеров Интернета вещей (Internet of Things, IoT).

Совместная работа

Размещение результатов прогноза и предоставление общего доступа к ним.

Поддержка R и Python

Поддержка языков программирования R и Python​ для самостоятельного построения математических моделей.

Интеграция со всеми сервисами Azure

Power BI для создания интерактивных отчетов и отслеживания показателей в реальном времени, Apache Spark для увеличения скорости вычисления, SQL Database для хранения результатов прогнозирования и т.д.

Применение Azure Machine Learning:

Ритейл и eCommerce:

  • Предсказание продаж и спроса на продукцию;
  • Прогноз эффекта от маркетинговых кампаний;
  • Построение моделей предпочтений покупателей;
  • Персонифицированные рекомендации для клиентов.

Телеком:

  • Предсказание оттока абонентов;
  • Предсказание удовлетворенности клиентов;
  • Управление лояльностью;
  • Сегментация групп абонентов со схожими предпочтениями.

Энергетика и ЖКХ:

  • Прогнозирование нагрузки и потребления;
  • Предсказание отказов оборудования.

Финансовый сектор:

  • Скоринг заемщиков;
  • Выявление и предупреждение мошенничества;
  • Оценка страховых рисков и прибыли.

Логистика:

  • Оптимизация маршрутов и цепочки поставок;
  • Прогнозирование времени доставки и поломок;
  • Рациональное планирование расписания.

Промышленность:

  • Предсказание отказов оборудования;
  • Оптимизация технического обслуживания;
  • Прогнозирование качества продукции.

Преимущества платформы:

  • Не требует установки программного обеспечения и доступен через браузер с возможностью совместной работы;

  • Сервис подходит для задач, в которых необходимо задействовать большие вычислительные мощности: он не требует дополнительных серверов заказчика, так как все расчеты происходят в облаке;

  • Возможность одновременно использовать различные алгоритмы машинного обучения и стратегии моделирования;

  • Управление моделями: возврат изменений, поиск и повторное использование прогнозных моделей или их переобучение;

  • Автоматическое масштабирование в ответ на объемы использования, что позволяет экономить аппаратные ресурсы;

  • Возможность отслеживать изменения используемых моделей и качество работы используемых алгоритмов;

  • Автоматическое переобучение модели при появлении новых данных, что улучшает качество прогноза;

  • Не требует дорогостоящего внедрения и затрат на поддержку работоспособности системы.