Fallstudie
Fallstudie maschinelles Lernen für ein Versicherungsunternehmen, um Betrug aufzuspüren
Herausfoderung, Kontext, Probleme lösen
Betrugaufdeckung im kommerziellen Netzwerk
Mission, Tools und Methodik
Betrugaufdeckung: intern, von Kunden, von Anbietern, von verwandten Industriezweigen ...
Betrugsmuster wurden aufgespürt, was zur Kostenoptimierung des Einkommens für jede studierte Einheit führte.
Erzielte Ergebnisse
Weniger Kosten aufgrund von Betrug.
Fallstudie
Anwendungsfall maschinelles Lernen für eine KI-betriebene Schuldensammlungssoftware
Herausfoderung, Kontext, Probleme lösen
Ermittlung des Kundenverhaltens, um größeren Erlös zu erzielen.
Mission, Tools und Methodik
Optimierung der Sammlungen mit ML Python
Schlüsselvariabeln, um die Erlösquote der Kunden zu erhöhen, wurden ermittelt. Stärkung und Verbesserung dieser dank einer Strategie zur ständigen Verbesserung der Ergebnisse von Analyse-Engine.
Die Kunden wurden auch entsprechend ihres Verhaltens segmentiert. Eigene und Daten Dritter wurden integriert. Es wurde ein BI-Bericht erstellt mit Tableau, um das interne Wissen zu verbessern und dem Endverbraucher mehr Produktwert zu vermitteln.
Erzielte Ergebnisse
Erlös-KPI-Steigerung
Fallstudie
Anwendungsfall maschinelles Lernen für einen führenden Anbieter für Informationslösungen zum Nutzerverhalten
Herausfoderung, Kontext, Probleme lösen
Ermittlung von Kaufmustern und Empfehlungen.
Mission, Tools und Methodik
Kaufmuster bestimmter Bücher, Gruppen ... wurden ermittelt, um in allen Ländern durch das kommerzielle Netzwerk angewendet zu werden. Zusätzlich zu einem Assistenten für das kommerzielle Netzwerk, um zu verstehen, was die Kunden entsprechend ihrem Profil brauchen.
Erzielte Ergebnisse
Kunden verstehen, um anbieten zu können, was sie brauchen.
Fallstudie
Fallstudie maschinelles Lernen für ein AdTech-Unternehmen, um Betrug aufzuspüren
Herausfoderung, Kontext, Probleme lösen
Betrugaufdeckung in Online-Werbung
Mission, Tools und Methodik
Kunden nutzten Werbung arglistig, um Umsatz auf ihren Apps zu generieren.
Betriebliche und finanzielle Daten wurden überprüft, um schnell zu ermitteln, wer Betrug beging und welche Muster genutzt wurden. Redshift, Python & Knime benutzt.
Erzielte Ergebnisse
Weniger Kosten aufgrund von Betrug.
Fallstudie
Anwendungsfall maschinelles Lernen für eine Supermarktkette, um Kundenbindung zu steigern
Herausfoderung, Kontext, Probleme lösen
Kundenbindung steigern
Mission, Tools und Methodik
Dank der Kaufdaten wurden Muster aufgedeckt, um Angebote zu erstellen, die die Kundenbindung steigerten.
Erzielte Ergebnisse
Doppelter Vorteil: einerseits steigende Kundenbindungsquoten.
Und andererseits mehr Umsatz dank Käuferverständnis, Ermittlung von Verhaltensmustern und der Optimierung von Angeboten.
Fallstudie
Anwendungsfall maschinelles Lernen für ein Managementunternehmen für Sportzentren, um Churns zu reduzieren
Herausfoderung, Kontext, Probleme lösen
Die Anzahl der Menschen verringern, die ihre Mitgliedschaft kündigen
Mission, Tools und Methodik
Churn-Muster und Bereiche mit Churn-Erhöhungen ermitteln, Profiling, Kundenbewertung, Aktionen empfehlen
Erzielte Ergebnisse
Churns reduzieren.
Mehr Vorteile durch Kundenverständnis, das Angebot der Nachfrage anpassen, Verständnis des Lebenszyklus des Kunden, Preise/Angebote optimieren, Probleme ermitteln im Low/High.
Fallstudie
Anwendungsfall maschinelles Lernen für ein Luftfahrtunternehmen, um Umsätze mit Alteryx zu verwalten
Herausfoderung, Kontext, Probleme lösen
Umsätze verwalten und optimieren.
Mission, Tools und Methodik
Kosten optimieren und die Gewinne durch Überbuchung, Planung, Routen, etc erhöhen.
Erzielte Ergebnisse
Analysten wurden dabei unterstützt, Kosten zu optimieren die Gewinne durch Überbuchung, Planung, Routen, etc zu erhöhen.
Fallstudie
Anwendungsfall maschinelles Lernen für ein Rundfunkmedium
Herausfoderung, Kontext, Probleme lösen
Konversationsermittlung
Mission, Tools und Methodik
Konversationen auf verschiedenen Plattformen und sozialen Netzwerken zu den Inhalten von CCMA, um Trends, Ideen und Neuigkeiten zu ermitteln ...
Erzielte Ergebnisse
Größeres Verständnis zum Publikum.
Fallstudie
Anwendungsfall maschinelles Lernen für Möbelhaus
Herausfoderung, Kontext, Probleme lösen
Optimierung der Marketingkampagne.
Mission, Tools und Methodik
Ermittlung der Kunden in den Läden und der Angebote, die mit bestimmten Kundentypen am erfolgreichsten waren.
Erzielte Ergebnisse
Höhere Rendite im Marketing.
Fallstudie
Anwendungsfall maschinelles Lernen für Finanzdienstleistungsunternehmen, um Nichtzahlung zu verringern
Herausfoderung, Kontext, Probleme lösen
Nichtzahlung verhindern und Defizite wiedererlangen.
Mission, Tools und Methodik
Verhaltensmuster analysiert, um zu ermitteln, wann Kunden in Verzug geraten. Ermitteln, welche Aktionen nötig sind, um die Nichtzahlung zu erlangen.
Erzielte Ergebnisse
Verbesserung der Nichtzahlungsquoten und besserer Kundenservice.
Unabdingbare Fähigkeiten eines Experten für maschinelles Lernen
Ingenieure des maschinellen Lernens müssen die folgenden Fähigkeiten und Erfahrungen haben:
- Data-Analytik & strategische Beratung zum maschinellen Lernen.
- Gute Geschäftsanalyseerfahrung
- Entwicklung, Management & Implementierung von Geschäftsanalyseprojekten.
- Fähigkeit, die Technologie, die genutzt werden soll und die zu implementierende Architektur auszuwählen.
- Innovation basierend auf Daten (Produkte, Services, etc).
- Mit breiter, funktionaler Ansicht und Anwendunsfallaufdeckung: das gewerbliche Angebot verbessern, Recruitment verbessern, Stornierungen der Kunden reduzieren, helfen, neue Läden zu finden, Cross-Selling, Up-Selling, Betrugsaufdeckung, etc.
Andere unabdingbare Fähigkeiten :
- Geschäftsintelligenz
- Geschäftsanalytik
- Sales
- Partnerbeziehungsmanagement
- Data Science & maschinelles Lernen
- Cloud- & Vertriebs-Computing
- Unternehmensentwicklung
- Beziehungsmanagement
- Data Engineering & DW
- Big Data
Das technische Wissen eines Data-Analysten sollte die Versiertheit in mehreren der folgenden Lösungen, Rahmen und Sprachen einschließen:
- Snowflake · AWS · Google Cloud/AI · MS Azure · IBM Watson · Oracle · Hadoop · SAS · Splunk · Kubernetes · SAP Hana · Elastic · Salesforce
- Qlikview · Tableau · Alteryx · Trifacta . Power BI · Google Analytics
- Python · Java · R · Spark · SQL · MQL
Verantwortung in dieser Rolle
Ende-zu-Ende-Verantwortung für die Implementierung des Data-Analytikprojekts.
Sehr vielseitiges Profil basierend auf echten Bedürfnissen in Data-Analytikprojekten, wo der Schlüssel ist, einen Einfluss auf das Unternehmen auszuüben, der mit den Zielen und seiner Strategie einhergeht. Dafür braucht es Verständnis der Bedürfnisse des Kunden (intern oder extern), wie die Daten-Analytik angewendet werden muss, um die definierten Ziele in kürzester Zeit und den geringsten Kosten und mit 100 % Garantie zu erreichen.
Herausforderungen und wichtige Themen für ML-Ingenieure
Die Hauptdisziplinübergreifenden Herausforderungen für alle Unternehmen:
- Kundenanalytik (Analyse von Kundeninformation): Marktanalyse, Vertriebsoptimierung, verbessertes Verständnis / Beziehung mit den Kunden und Vorhersagen des Kundenverhaltens (Zugänge / Löschungen / Veränderungen ...).
- Operationsanalytik: Analyse der Lieferkette (Angebot, Produktion, Lagermanagement, Transport und Vertrieb zur Zeit des Verkaufs) und neue Applikationen, die mit dem Internet der Dinge (IoT, Internet of Things) verbunden sind, und geographische Informationssysteme.
- Menschenanalytik (Talent innerhalb der Organisation): Analyse für ein effektives strategisches Personalmanagement, sodass die Unternehmensziele schnell und effizient erreicht werden können, indem das Personal optimal arbeitet.