top of page
stat.jpeg
Projektowanie
Komunikacja
moduł 06_edited.png

Klienci &
studia przypadku

01_Projektowanie

#01

Bulldogjob

Warsztaty data science: od portalu z ofertami pracy do cyfrowego konsultanta kariery opartego na danych

Problem biznesowy

 

Bulldogjob jest portalem z ponad 10 tys. ofertami pracy w branży IT na polskim rynku i 160 tys. aktywnymi użytkownikami. Ze względu na rosnącą konkurencję obecny model biznesowy nie spełnia potrzeb użytkowników. Firma zdecydowała się na zmianę kierunku biznesowego w oparciu o wypracowane rozwiązania data science bazujące na zgromadzonych, ale niewykorzystanych danych.

Rozwiązanie

Podczas serii warsztatów nasz zespół skupił się na:

  • definiowaniu celu biznesowego i wartości dodanej wynikającej z wykorzystania danych;

  • ocenie dostępności i jakości zgromadzonych danych poprzez inwentaryzację danych oraz analizę procesów biznesowych w postaci przepływu danych.

Zaprojektowaliśmy potok projektów data science w oparciu o rozwiązania uczenia maszynowego, NLP oraz modeli ekonometrycznych.

Efekt

 

Bulldogjob buduje nową przewagę konkurencyjną na rynku IT. W oparciu o ustrukturyzawaną bazę danych, wsparliśmy przekształcenie prostego portalu pracy w doradcę zawodowego w branży IT opartego na danych.

#02

Resi4Rent

Ścieżka decyzyjna oparta na danych

Problem biznesowy

 

Resi4Rent to projekt współtworzony przez doświadczonych przedstawicieli polskiego rynku nieruchomości. R4R posiada obecnie 

2,3 tys. mieszkań, a w ciągu najbliższych trzech lat powiększy swoje portfolio do 10 tys. apartamentów. Ze względu na szybki rozwój, firma stanęła przed wyzwaniem ogromnego przepływu nowych, nieustrukturyzowanych danych, które muszą być odpowiednio przechowywane i przetwarzane, aby zapewnić lepszą obsługę klienta i efektywność procesów wewnętrznych.

Rozwiązanie

  • Zbudowaliśmy hurtownię danych i system raportowania BI w oparciu o platformę AWS.

  • Obecnie system jest podstawą do budowy modeli uczenia maszynowego do analizy profili klientów (grupowanie i segmentacja danych), utylizacji (inżynieria danych) oraz predykcji cen nieruchomości (modele prognostyczne i klasyfikacyjne).

Efekt

Z naszego rozwiązania korzystają na co dzień osoby decyzyjne. Platforma sprawozdawczo-analityczna umożliwia dalszy rozwój cyfrowy R4R i zapewnia najwyższy standard usług.

02_Wyjaśnienie

#03

Kross SA

Digital Twin: optymalizacja produkcji i alokacji przy ograniczonej dostępności części

Problem biznesowy

Kross SA jest jednym z największych producentów rowerów w Europie. Z powodu pandemii COVID-19 firma stanęła w obliczu wyzwań związanych z zarządzaniem globalnym łańcuchem dostaw. Największą barierą okazał się brak wielu niezbędnych komponentów rowerowych do utrzymania ciągłości produkcji. Celem było opracowanie planu produkcji i dystrybucji rowerów tak, aby zwiększyć poziom satysfakcji klientów i optymalnie wykorzystywać zasoby firmy.

Rozwiązanie

  • Zbudowaliśmy Digital Twin zakładu produkcyjnego w formie modelu programowania liniowo-całkowitoliczbowego. Model optymalizacyjny zawierał 4 mln zmiennych decyzyjnych i ponad 100 mln ograniczeń biznesowych.

  • Został on zaimplementowany w języku programowania Julia przy użyciu pakietu JuMP z wykorzystaniem funkcji algebry liniowej Julii oraz heurystyk i przekształceń algebraicznych

  • Środowisko przetwarzania danych zostało uruchomione na instancjach EC2 w Amazon Web Services. Platforma przetwarzania danych została zaimplementowana w języku Python. Proces wymiany danych z klientem został zbudowany w oparciu o pliki CSV oraz MS Excel.

Efekt

 

Zwiększenie wolumenu produkowanych rowerów o 20 proc. i rentowności sprzedaży o 10 proc. w porównaniu do rozwiązań z systemu ERP. Na co dzień Kross SA wykorzystuje rekomendacje modelu Digital Twin do planowania produkcji i dystrybucji. Model jest na bieżąco dostosowywany do zmieniającego się otoczenia biznesowego i zmian w łańcuchu dostaw produkcji rowerów.

03_Prognozowanie

#04

Confidential

Obniżenie kosztów utrzymania zapasów 

Problem biznesowy

 

Gospodarka magazynowa w branży maszyn przemysłowych to proces generujący ogromne koszty kapitałowe, które wynikają z wysokiego poziomu zapasów. Zapotrzebowanie na części zamienne i wyroby gotowe w firmie silnie się wahało, powodując konieczność posiadania na stanie kilku tysięcy typów części m.in. do serwisowania lub produkcji większych urządzeń. Problemem stał się rosnący poziom kapitału pracującego dedykowanego finansowaniu koniecznych zapasów.

Rozwiązanie

  • Opracowaliśmy szereg modeli predykcyjnych, które miały oszacować przyszłe zapotrzebowanie dla poszczególnych typów wyrobów w magazynie.

  • Zbudowaliśmy model symulacyjny, który pokazał, jak różne poziomy zapasów w połączeniu i zmienność popytu wpływa na koszty magazynowe.

  • Stworzyliśmy rozwiązanie do wyszukiwania i identyfikacji optymalnych strategii zarządzania zapasami.

Efekt

Modele optymalizacyjne obniżyły koszty magazynowe o blisko 12 proc. Wpłynęło to również na poziom jakości świadczonych usług (SLA) w przypadku dostaw części, który wzrósł o 7 proc.

04_Optymalizacja

#05

Confidential

Modelowanie matematyczne i optymalizacja procesów logistycznych

Problem biznesowy

 

W realiach pracy zdalnej, co szczególnie odczuły duże organizacje, pojawił się problem podziału zadań pomiędzy techników pracujących w jednoosobowych firmach wykonawczych. Każdy z nich znajdował się w innej lokalizacji, a także dysponował innym zestawem umiejętności i dostępnych narzędzi. Celem projektu była optymalizacja procesów logistycznych i przydział obowiązków poszczególnym technikom przy uwzględnieniu stałego napływu kolejnych zadań.

Rozwiązanie

Opracowaliśmy autorski model heurystyki optymalizacyjnej, który pozwolił zredukować szacowany czas wykonywania obliczeń z lat do nawet kilku minut. Model matematyczny wykorzystano do opracowania harmonogramu dnia pracy zespołów technicznych.

Efekt

 

Optymalizacja procesów logistycznych przez model pozwoliła zredukować o 90 proc. wysiłek związany z planowaniem pracy techników (początkowo wykonywany przez 4 osoby). W rezultacie flota techników została zmniejszona o 6 proc., a ogólna redukcja kosztów wyniosła około 9 proc.

Wyjaśnienie
Prognozowanie
Optymalizacj
bottom of page