Новости

Gloria Jeans – одна из крупнейших отечественных торговых сетей в сегменте fast fashion, в управлении которой находится более 550 магазинов в России и СНГ. Управление такой распределенной структурой и обширным товарным ассортиментом, который обновляется и дополняется каждую неделю, требует максимально точного анализа финансовых данных и постоянного планирования с определенным временным горизонтом. Именно это стало причиной внедрения системы для автоматизации процессов сбора и обработки финансовых данных, моделирования и формирования P&L-отчетности. Обновление методологии прогнозирования P&L и автоматизация подходов на платформе Anaplan повысило прозрачность и целостность формирования отчетов по всей торговой сети. Проект выполнила команда «Корус Консалтинг».

Благодаря интеграции с Excel и «1C» система выстраивает прогнозную модель отчета о прибылях и убытках на основе бюджетных данных, информации о себестоимости реализованной продукции и текущих расходах по всей сети магазинов. При этом пользователи могут создавать прогнозы любой детализации и разрезов: по выручке и марже, аренде, другим расходам. Кроме того, прогнозы можно формировать с учетом и без учета будущих открытий и закрытий магазинов. Это помогает оценить, как то или иное событие повлияет на бизнес, и выработать правильную тактику действий для достижения целевых значений продаж, расходов на аренду и, в итоге, прибыли сети.

До внедрения комплексной платформы у компании не было единого окна для приема заявок сотрудников и клиентов, учет и обработка поступающих запросов велась в разрозненных системах, не хватало инструментов для контроля качества поддержки клубов «Лиги Ставок».

За счет создания единой точки контакта (службы Service Desk) сотрудникам стала доступна возможность формировать заявки, связанные не только с ИТ, но и с АХО, сервисами секретариата и рядом других внутренних служб компании. Помимо почты, сотрудники могут отправить заявку через личный кабинет или специальное мобильное приложение. Согласно данным статистики, на настоящий момент через личный кабинет регистрируется более половины обращений, остальные заявки поступают через электронную почту и по телефону.

В рамках проекта были автоматизировали не только основные процессы, такие как управление инцидентами и запросами на обслуживание, но и более продвинутые процессы: управления уровнем услуг и конфигурациями (CMDB), задачами и проблемами.

Автоматизация на основе решения Naumen Service Desk значительно повысила эффективность работы службы поддержки букмекерской компании. Например, для ускорения обработки и исполнения запросов они стали доступны в одном интерфейсе в виде интерактивной доски для упрощения отслеживания состояния, очередности и приоритетов выполнения заявок. Для решения заявок, которые влекут за собой доработку программных продуктов компании, был разработан специальный интеграционный модуль с системой Jira, который позволяет обмениваться данными по заявкам и актуальным статусам их исполнения. Чтобы облегчить сбор данных об ИТ-оборудовании, была реализована интеграция с системой управления конечными устройствами Ivanti Endpoint Manager в части синхронизации данных по конфигурационным единицам.

Решение основано на комплексе предиктивных моделей UpLift и моделей, прогнозирующих средний чек в рамках акции для каждой кампании. Они учитывают более 200 атрибутов по клиенту и рассчитывают будущую доходность, поэтому прогнозный результат позволяет подобрать лучшее предложение на текущий момент и увеличить эффективность коммуникации с клиентом.

Внедрение, реализованное при поддержке GlowByte Consulting, проходило в два этапа: автоматизация запуска кампаний и реализация решения, которое отправляет клиенту наиболее ценное для него предложение. Модели, ранее запускаемые по отдельности, теперь загружены в единую систему, на выходе из которой формируется оптимальный список «один клиент – одно предложение». Основным критерием для сравнения двух сценариев была метрика прироста среднего оборота в период акции на участника.

Как комментирует Екатерина Михайлова, руководитель управления монетизации клиентской базы торговой сети «Перекресток», в этом году была поставлена амбициозная цель – автоматизировать до 80% целевых маркетинговых кампаний, а также запустить более пятидесяти регулярных кампаний, отбор которых осуществляется на основе предиктивных моделей. Ожидается, что SAS Marketing Optimization поможет автоматизировать процесс запуска и увеличить выручку от маркетинговых кампаний.

Цель «Перекрестка» - внедрение системы автоматического выбора предложений для каждого клиента к концу 2019 года и запуск SAS MO на большем объеме клиентов. Также торговая сеть планирует расширять список маркетинговых предложений для выбора в системе. Дальнейшими шагами станет добавление в систему новых типов коммуникаций.

Разработанная система представляет собой голографический макет на основе cтола NettleBox. Благодаря использованию технологии 3D-моделирования, анимации и инфографики с его помощью можно ознакомиться с проектом в деталях, узнать о ключевых преимуществах предлагаемого решения. Цифровая голограмма позволяет получить представление о технологических и клинических возможностях высокотехнологичного медицинского оборудования GE Healthcare.

На его примере наглядно продемонстрированы результаты внедрения подобных подходов в практику на уровне регионов: повышение точности диагностики и экономия времени пациента при прохождении исследований.  С помощью голографического макета можно увидеть, как диагностическое оборудование интегрируется в процесс обследований на уровне разных медицинских учреждений в регионах России.

Инструмент используется на специализированных мероприятиях (выставках, конференциях, выездных встречах) в рамках проведения презентаций для представителей сферы здравоохранения. Голографический макет демонстрирует два варианта пациентопотока в медицинских учреждениях: существующий на сегодняшний день и оптимизированный за счет применения цифровых решений.

Созданный макет был использован на нескольких деловых форумах в рамках презентации комплексных решений GE Healthcare для ранней диагностики онкологических заболеваний в регионах РФ. Он стал эффективным инструментом продаж и продвижения, который отличает компанию от конкурентов, а также демонстрирует конечную пользу продукта для пациентов.

Исследование Accenture Next Generation Customer Services говорит о том, что 73% потребителей предпочтут решить свой вопрос, зайдя на сайт компании. Около 70% респондентов во время общения с клиентской поддержкой готовы отправлять аудиосообщения, а 66% опрошенных постараются найти ответ на свой вопрос в Google.

При этом покупатели хотят, чтобы предоставляемая онлайн-поддержка была максимально оперативной и персонифицированной, с учетом их конкретных потребностей. Важность этого для клиентов подтверждают цифры исследования: 47% потребителей перестали взаимодействовать с компаниями из-за некачественного клиентского сервиса или службы поддержки.

Эра «цифровых потребителей» выявила организационные проблемы у многих брендов, работающих в секторах финансов, FMCG, ретейла, телекоммуникаций, медиа и развлечений. Ключевыми факторами успеха в этих отраслях стали автоматизация и готовность компании всесторонне подходить к решению проблем покупателей.

По итогам исследования эксперты Accenture выделили шесть компонентов, которые помогут построить современную и эффективную службу клиентской поддержки:

1. Умные системы самообслуживания

Сегодня компании устраняют проблему или поломку в тот момент, когда она случилась. Следующий уровень клиентского обслуживания – предотвращение проблемы: интернет вещей, искусственный интеллект и применения сторонних данных помогают построить проактивный сервис. Кроме того, важно предоставить клиентам возможность самостоятельно решить проблему, разработав для них необходимые системы самообслуживания.

2. Персонализированный опыт для клиентов

Ведущие компании будут собирать данные, чтобы создать цельный клиентский профиль. Это поможет представителям бизнеса общаться с покупателями, более глубоко понимая их потребности.

3. Применение цифровых агентов

Часто для решения проблемы информацию приходится собирать «по крупицам» из разных каналов. С этим помогут цифровые помощники с элементами искусственного интеллекта, которые соберут массив данных и позволят удаленно решать проблемы клиента.

4. Клиентский сервис, основанный на ценностях

Обращение в службу поддержки будет расцениваться как возможность лучше понять клиента и более эффективно выстраивать с ним коммуникацию — в том числе, откроет возможность для дополнительных продаж и кросс-продаж в будущем.

5. Оптимизация полевых сотрудников

Крупные компании организуют в контакт-центрах возможность ситуативной поддержки в тех случаях, когда клиенту особенно важно быстрое решение вопроса. Планирование работы полевых сотрудников (например, мастеров по ремонту и обслуживанию) на базе алгоритмов позволит повысить прозрачность и эффективность сервиса.

6. Искусственный интеллект в управлении

Использование искусственного интеллекта может помочь с более качественным распределением задач и ресурсов и «подсказывать» необходимость дополнительных рабочих навыков для каждого сотрудника.

Ключевой целью внедрения решения стало обеспечение учета выручки по договорам с покупателями и расходов по дилерской комиссии в соответствии с положениями МСФО 15. Это позволило Tele2 исключить риски претензий со стороны внешних и внутренних контролирующих подразделений. Также планировалось обеспечить оперативную настройку расчетов выручки по новым стандартам.

В рамках проекта был выполнен ряд сложных методологических задач по согласованию подходов учета выручки компании в различных разрезах. Также была решена задача по сбору и приведению к единому формату большого количества данных по всей абонентской базе из различных систем.

Благодаря внедрению SAP RAR информация о выручке с учетом всех корректировок доступна на четвертый день быстрого закрытия отчетного периода. В системе реализуется расчёт всей информации: от филиала до портфеля продуктов. Помимо этого, доступен широкий пул отчетов для анализа, а процедура отражения операций от загрузки данных из источника в хранилище до формирования проводок полностью автоматизирована.

В настоящее время внедренная система контролирует работу 37 единиц оборудования на заводе в Калуге и еще 30 — в Обнинске. Это дает объективную оценку эффективности использования рабочего времени и производственных потерь, позволяет своевременно корректировать график работы оборудования и персонала, оптимизировать технологические процессы и устранять «заторы» в технологической цепочке.

За месяц работы «Диспетчер» (разработка компании «Цифра») помог выявить нерегламентированные простои, нарушения временных норм проведения технологических операций и их причины. Это послужило отправной точкой для целой серии управленческих решений по улучшению производственных показателей. Обеспечено заблаговременное снабжение расходными материалами и запасными частями, изменены регламенты работы смен и система мотивации работников, разработаны новые правила проведения ежедневного технического обслуживания. В результате этих действий коэффициент загрузки оборудования увеличился с 57% до 74%, что обеспечило заводу дополнительный доход.

Как отмечает Вахид Ходжаев, технический директор Grand Line, использование системы на производственных площадках позволяет значительно повышать фондоотдачу и уменьшать расходы. Теперь руководство компании видит всю картину производства в реальном времени и может оперативно реагировать на любые изменения или даже предугадывать их.

Одним из главных вызовов для целлюлозно-бумажного производства является обрыв движущегося по бумагоделательным машинам полотна. Это большая проблема как старых, так и новых бумажных фабрик. Даже минимальная остановка производственной линии один раз в день означает длительный простой оборудования, дополнительный расход сырья и значительные финансовые потери.

Для решения этой задачи были построены модели, которые анализируют данные с датчиков оборудования и показатели АСУ ТП, касающиеся обслуживания станка и замены материалов. Система определяет различные уровни тревоги и выдает показатель вероятности обрыва полотна или остановки станка, прогнозируя дату, время и возможную причину повреждения. Результаты анализа выводятся на мониторы оператора машины и дежурного технолога.

Алгоритмы машинного обучения выявляют показатели датчиков, которые могут стать причиной остановки оборудования и сложные зависимости, например, когда показания одних датчиков начинают влиять только при условии, что другие находятся вне заданного диапазона.

Как подчеркивает вице-президент по ИТ и автоматизации процессов Segezha Group Павел Вахнин, за последние несколько лет комбинат прошел несколько циклов модернизации, в результате увеличил свои производственные мощности до 360 тыс. тонн качественной крафт-бумаги ежегодно. А в начале 2019 года инвестиционный проект по реконструкции Сегежского ЦБК был включен Минпромторгом РФ в перечень приоритетных в области освоения лесов. На новом этапе обновления мощностей планируется увеличение производительности до 800 тыс. тонн продукции, включая новые продукты. Новая система предиктивной аналитики должна помочь достичь поставленных целей.

Внедрение системы диспетчеризации проводится с целью повышения производительности горнотранспортного комплекса, экономии ресурсов и повышению уровня промышленной безопасности. Всего в системе будет задействовано более 100 мобильных объектов, в том числе 40 карьерных самосвалов и девяти экскаваторов.

Система «КАРЬЕР» включает в себя, в том числе, систему контроля загрузки, которая обеспечивает равномерную и точную загрузку самосвалов без недогрузок и перегрузок. Это максимально повышает среднеэксплуатационную производительность самосвалов и обеспечивая им длительный срок службы, тем самым, снижая себестоимость вывозных работ.

Как отметил Антон Тимошенко, директор по производству компании «Ресурс», система позволяет добавиться роста производительности самосвалов примерно на 5%. Повышение производительности планируется достичь прежде всего за счет применения модуля оптимизации, позволяющего автоматически направлять самосвалы на оптимальные маршруты. Автоматизация позволит оперативно принимать решение в случае отклонения техники от нормального режима работы.

Эксперимент начался с того, что социального робота разместили в здании в центре бельгийского Гента рядом с входом в помещение, для доступа в которое требуется идентификация личности – человек должен приложить пропуск к считывающему устройству. По сценарию робот просил всех участников эксперимента пропустить его вслед за собой в это контролируемое помещение. Согласились это сделать в итоге 40% испытуемых. Однако когда робота замаскировали под доставщика пиццы от известного ресторана, люди с большей охотой пускали его в закрытое помещение и меньше задавались вопросом, зачем он хочет туда попасть.

Во второй части эксперимента робот вовлекал людей в дружескую беседу. Исследователи хотели понять, удастся ли ему выманить у участников эксперимента персональную информацию, зная которую можно менять пароли и настройки учетных записей (например, дату рождения, любимый цвет, марку первого автомобиля и т.п.). В результате в процессе разговора с роботом все испытуемые, кроме одного, выдавали те или иные личные данные с частотой раз в минуту.

Проведённый эксперимент подтверждает, что пренебрежение вопросами кибербезопасности роботов потенциально может оказать негативное влияние на людей. Исследователи надеются, что подобные опыты заставят общественность и ИТ-сообщество пересмотреть своё отношение к роботам и заблаговременно предусмотреть технические возможности для обеспечения их защищенности.