Проекты
Превращаем сложные данные и метрики в понятные бизнес-инсайты.
Внедряем цифровые технологии и проводим оценку бизнес-эффектов
(Big Data, AI/ML, БАС, GPT/LLM, GenAI, промышленные роботы, RPA, PM,
3D печать, CV, VR/AR, IoT)
в стадии активной разработки.
Нашими специалистами проводится оценка качества и предиктивных способностей построенных моделей,
их верификация и fine-tunning.
на персонал.
Программные продукты и решения
принимаемых управленческих решений.
Для нефтегазовой компании разработан и внедрен Дашборд Мониторинга утилизации и KPI Дирекции (Qlik Sense) на основе интеграции данных 1С УХ, 1С УПП, ИСУП 2.0 с возможностью формировать пользовательские визуализации и выборки в рамках self-service 24/7, 27 экранов,
29 показателей, 13 источников, 10 бизнес-единиц (экономия времени сотрудников до 352 чел./ч
в месяц, экономия трудозатрат персонала более 13,9 млн. руб. в год).
ПАО "Аэрофлот" в июне 2024 г.
Для нефтегазовой компании разработаны метрики (ARR, MRR, LTV, Margin, FTE на сервис) и
Дашборд управленческой отчетности IT-расходов (16 панелей Power BI), Анализа и визуализации портфеля цифровых проектов (сервисов) (996 шт. бюджет 35,6 млрд. руб. и бизнес-эффектом >
15,6 млрд. руб.), НИОКР и ключевых показателей деятельности ДЦИ, что позволило сократить
время на выгрузку и визуализацию отчетов до 3 мин. (экономия 395,2 чел-ч./год).
Для транспортной компании разработан и внедрен Дашборд Power BI по визуализации результатов оценки эффективности Программы обновления парка транспортных средств (покупка, лизинг)
на 2025-2029 гг.
Для транспортной компании разработан и внедрен Мониторинга маржинальности, состояния ремонта и утилизации транспортных средств (Power BI) на основе интеграции данных 1С АТП, 1С БУХ, 1С Бухгалтерия 8.3. в DWH, включающий анализ динамики Gross Bookings (Счетов на оплату), Margin, утилизации, затрат на 1 км. и машино-час в разрезе периодов, филиалов, автомобилей, Марок (Моделей), Заказчиков, Собственников, позволяющий проводить мониторинг выполнения
KPI филиалов (автомобилей) в режиме он-лайн.
проектов на основе государственно-частного партнерства в РФ 2020 г.
На основе анкетного опроса (период январь-март 2020 г.) и метода нечеткой логик и Zadeh L. (1965) проведена оценка интегрального уровня рисков в проектах государственно-частного партнерства (ГЧП), реализуемых в РФ, с учетом этапов реализации проектов.
По данным транспортной компании за 2015-2024 гг. и парку 25 103 автомобиля построены 3 Модели машинного обучения (ML) для оценки влияния характеристик автомобилей, режима работы и возраста транспортных средств на объем машино-часов, пробег, затраты и маржинальность ТС (алгоритмы DecisionTree, Random Forest, LGBM, XGBoost, Catboost R2= 0,87, точность модели = 81%, WAPE = 0,19). учитывающие Марку/Модель, Тип автомобиля (грузовой, легковой, специальный и т.д.), подтип автомобиля (трактор, кран, микроавтобус, бульдозер и т.д.), Год Выпуска, Полную массу, Мощность двигателя, период, регион, позволяющие в разрезе месяц на горизонте до 2032 г. планировать работу парка автомобилей и объема предъявленных услуг Заказчикам с учетом возраста парка и других факторов. |
в цифровые проекты
По данным транспортной компании за 2015-2024 гг. и парку 25 103 автомобиля построены 3 Модели машинного обучения (ML) для оценки влияния характеристик автомобилей, режима работы и возраста транспортных средств на объем машино-часов, пробег, затраты и маржинальность ТС (алгоритмы DecisionTree, Random Forest, LGBM, XGBoost, Catboost R2= 0,87, точность модели = 81%, WAPE = 0,19). учитывающие Марку/Модель, Тип автомобиля (грузовой, легковой, специальный и т.д.), подтип автомобиля (трактор, кран, микроавтобус, бульдозер и т.д.), Год Выпуска, Полную массу, Мощность двигателя, период, регион, позволяющие в разрезе месяц на горизонте до 2032 г. планировать работу парка автомобилей и объема предъявленных услуг Заказчикам с учетом возраста парка и других факторов. |
Для транспортной компании по данным за 2013-2022 гг. построены 3 предиктивные экономико-математические Модели, позволяющие осуществить прогноз и оценку влияния технической скорости на удельное потребление электрической энергии, оценку затрат на текущее содержание и капитальный ремонт объектов инфраструктуры в зависимости от увеличения плотности тоннажа и трафика, определить оптимальную техническую скорость в грузовом движении (предиктивная аналитика) и экономить ресурсы. Снижение средней технической скорости на 1,499 км/ч до оптимума позволит снизить удельный расход на 3,52%, сократить общий расход электрической энергии на 287,077 млн. кВт*ч. (3,75% от общего расхода) и получить экономию электроэнергии и топлива на тягу поездов в размере 102,733 млн. руб. Увеличение затрат на текущее содержание в предыдущем периоде на 1% приведет к снижению расходов на капитальный ремонт верхнего строения пути на 0,724%. |
Для транспортной компании по данным за 2013-2022 гг. построены 3 предиктивные экономико-математические Модели, позволяющие осуществить прогноз и оценку влияния технической скорости на удельное потребление электрической энергии, оценку затрат на текущее содержание и капитальный ремонт объектов инфраструктуры в зависимости от увеличения плотности тоннажа и трафика, определить оптимальную техническую скорость в грузовом движении (предиктивная аналитика) и экономить ресурсы. Снижение средней технической скорости на 1,499 км/ч до оптимума позволит снизить удельный расход на 3,52%, сократить общий расход электрической энергии на 287,077 млн. кВт*ч. (3,75% от общего расхода) и получить экономию электроэнергии и топлива на тягу поездов в размере 102,733 млн. руб. Увеличение затрат на текущее содержание в предыдущем периоде на 1% приведет к снижению расходов на капитальный ремонт верхнего строения пути на 0,724%. |
Для обоснования возможных эффектов и оптимального подхода поддержки ипотечных жилищных программ разработана и апробирована на материалах РФ за 2000-2010 гг. экономико-математическая Модель выбора вариантов государственной поддержки жилищных проектов. В качестве критерия оптимизации в модели используется показатель социально-экономического эффекта, т.е. максимум количества семей, улучшивших свои жилищные условия. На основе модели в 2016 году создана программа для ЭВМ, которая позволяет проводить оценку и визуализацию эффектов жилищных программ в зависимости от параметров (размер субсидирования первоначального взноса либо процентной ставки, доля государственной поддержки) и макроэкономических показателей.
Узнать больше можно по ссылке Автореферат диссертации
Проблемы инвесторов:
- Выбор акций и формирование портфеля требует усилий и времени.
- Выбор аллокации активов требует сложных вычислений.
- Анализ и оценка параметров портфеля требует глубоких знаний и времени.
- Необходимы навыки программирования и анализа Big Data.
- У инвесторов различные горизонт инвестиций и склонность к риску.
- Цели, сроки инвестиций и готовность к риску отличаются.
Решение:
Для выбора оптимального набора и доли ценных бумаг в портфеле, прогноза доходности и риска разработана Модель оценки параметров и оптимального портфеля ценных бумаг, учитывающая исторические данные, включающая расчет доходности, риска, Альфа, Бета, коэффициент Шарпа, стоимости под риском (VaR и CVaR) с различными доверительными интервалами, максимального риска портфеля (возможного убытка), вероятность и ожидаемый срок начала прибыльности портфеля.
Практическое использование результатов Модели позволяет сократить время на моделирование и оптимизацию 10 тыс. портфелей < 3,5 минут, а также выбрать наиболее оптимальный портфель
с точки зрения риск/доходность инвесторам с различной склонностью к риску и
повысить доходность инвестиций.
На Рисунке 1 представлены результаты моделирования 10 тыс. портфелей из 5 активов, цветом отмечены портфель с максимальным соотношением доходность/риск (красным цветом),
портфель с минимальным уровнем риска или волатильностью (синим цветом) и
портфель с максимальной доходностью (зеленым цветом).
На Рисунке 2 представлены результаты оценки максимального возможного убытка портфеля.
С вероятностью 95% и 99% убыток портфеля не превысит 5,32% и 9,77% соответственно.
в г. Москва на 2022-2032 гг.
По данным за 2005-2021 гг. построена эконометрическая модель и сделан прогноз объемов ипотечного кредитования и стоимости жилья в Москве на 2022-2032 гг. (прогноз стоимости жилья +19,43% к 2021 г., факт +15,44%, ошибка прогноза < 5%). |
Разработка архитектуры и создание корпоративного хранилища данных (DWH) транспортное компании
Создано "с нуля" высоконагруженное, отказоустройчивое корпоративное хранилище данных DWH (Clikchouse, 300+ таблиц, 100+ витрин, 250+ ТБ информации) на основе интеграции данных 30 филиалов (1С АТП, 1С БУХ, 1С Бухгалтерия 8.3., 1С КИБ 8.2.), используемое для BI аналитики (Power BI), разработана Стратегия управления данными и их интеграции в бизнес-процессы компании. |
Для транспортной компании построена модель оценки эффективности вариантов приобретения автомобилей (покупка, аренда, лизинг), учитывающая тарифы по Маркам (Моделям) и регионам, стоимость аренды, CAPEX, OPEX, СПИ, тип и график амортизации, условия лизинга (ставка, срок), возмещение НДС, индексацию тарифов и динамику инфляции, позволяющая проводить автоматическую оценку неограниченного количества проектов по Gross Bookings, NPV, IRR, MIRR, DPP, FCF, Margin, Утилизации, Эффективной ставке аренды и лизинга.
На основе исторических и оперативных данных DWH по геолокации ТС (GPS) в Python создано
веб-приложение онлайн мониторинга местонахождения и маршрута парка ТС (карта маршрута, тепловая карта времени и трафика), которая позволяет осуществлять контроль выполнения маршрута в любой момент времени (Timeline), автоматическую оценку времени и пробега ТС по заказу, планировать время и дистанцию маршрута по координатам заказчика, проводить корректную оценку затрат на выполнение заказа, определять оптимальные локации СТО, снизить операционные и логистические расходы (экономия времени и топлива) и повысить рентабельность бизнеса (сокращение времени на формирование отчетов на 80%).