Тот, кто владеет данными, владеет клиентом
Наш мир все больше становится цифровым. Объемы данных о клиенте растут в геометрической прогрессии. Появляются новые источники, которые помогают лучше понять не только клиента, но и его окружение, стиль жизни и психологический профиль.
Просто собирать данные уже недостаточно!
Важно сформировать уникальное предложение не только быстрее конкурентов, но и в рамках соответствующего контекста, который порой длится не более нескольких часов.
Просто собирать данные уже недостаточно!
Важно сформировать уникальное предложение не только быстрее конкурентов, но и в рамках соответствующего контекста, который порой длится не более нескольких часов.
Возвращать инвестиции в проектах с данными все сложнее
Нам потребовалось более 100 проблемных интервью и 100.000 часов в проектах построения аналитических решений, чтобы понять:
Одни и те же проблемы в каждом проекте, связанном с анализом бизнес-процессов, клиентскими данными или тестированием гипотез:
Одни и те же проблемы в каждом проекте, связанном с анализом бизнес-процессов, клиентскими данными или тестированием гипотез:
Долго
Сложная многоуровневая архитектура. Запутанные процессы планирования.
Бизнес не может быстро получить данные из источников для анализа
Бизнес не может быстро получить данные из источников для анализа
Дорого
Высокая стоимость услуг интеграторов. Рост капитальных и операционных расходов с ростом объема данных на фоне деградации производительности.
Многие идеи так и остаются без реализации
Многие идеи так и остаются без реализации
Сложно
Задачи загрузки и обработки данных требуют высококвалифицированных специалистов, которых не хватает.
9 из 10 проектов, связанных с большими данными, проваливаются
9 из 10 проектов, связанных с большими данными, проваливаются
Поздно
Время актуализации данных отстает на дни и недели от фактических изменений в профиле клиента и бизнес-процессах.
Низкая эффективность маркетинговых компаний и принятия решений на устаревших данных
Низкая эффективность маркетинговых компаний и принятия решений на устаревших данных
Технологии in-memory data computing и in-memory data grid
Первая real-time аналитическая платформа
Gridfore Intelligent Analytical Platform (GRIP) – аналитическая платформа для работы с большими данными в реальном времени, содержащая все необходимые компоненты и обеспечивающая поддержку полного цикла внедрения без использования дополнительных инструментов
Большие возможности для большого бизнеса
GRIP позволяет быстро собирать необходимые данные, тестировать гипотезы, реализовать онлайн сценарии для маркетинга, принятия решений в режиме онлайн, мониторинга бизнес-процессов или выявления фрода
БАНКИ
Скоринг для оценки кредитоспособности физических лиц и МСБ
Оперативная отчетность для внутренних подразделений и клиентов с онлайн-кассами
Маркетинг с использованием «горячего» профиль клиента и контроля смены сегмента
Антифрод в реальном времени и с использованием предиктивных моделей
Оперативная отчетность для внутренних подразделений и клиентов с онлайн-кассами
Маркетинг с использованием «горячего» профиль клиента и контроля смены сегмента
Антифрод в реальном времени и с использованием предиктивных моделей
РОЗНИЧНЫЕ СЕТИ
Оценка снижения денежного потока на основе анализа эффективности бизнес-процессов в кассовых логах
Опережающее выявление массовых сбоев в реальном времени с прогнозированием развития и оценкой денежных потерь
Внутренний фрод. Выявление нецелевого использования карт лояльности, денежного ящика и сторнирования чеков
Опережающее выявление массовых сбоев в реальном времени с прогнозированием развития и оценкой денежных потерь
Внутренний фрод. Выявление нецелевого использования карт лояльности, денежного ящика и сторнирования чеков
ТЕЛЕКОМ
Биллинг и процессы. Сбор данных и подготовка аналитики по трафику и звонкам (CDR) и логам сотовых вышек (XDR)
Противодействие оттоку за счет анализа поведения клиентов и использования прогностических моделей
Повышения лояльности с использованием упреждающих отчетов о поведении клиента при звонке в call-центр
Противодействие оттоку за счет анализа поведения клиентов и использования прогностических моделей
Повышения лояльности с использованием упреждающих отчетов о поведении клиента при звонке в call-центр
BDaaS. Монетизация данных
GRIP помогает трансформировать данные в BigData-As-a-Service и превращать их в дополнительные источники дохода, не раскрывая при этом персональных данных клиентов
Скоринговые сервисы
На основе собственных данных о клиентах можно формировать скоринговые оценки, помогающие, например, оценить его уровень дохода, количество членов в семье и кредитоспособность
Пропагирование запросов
С использованием REST-сервисов доступы предоставляются к бизнес-модели без раскрытия исходных данных и персональных данных клиентов
Защита клиентских данных
За счет передачи только расчетных метрик ваши данные и данные ваших клиентов защищены на 100% и не будут переданы третьей стороне
6 преимуществ вместо 4 недостатков
Создавая GRIP, мы думали в первую очередь о задачах бизнеса
БыстрееПрикладной язык, работа со всеми инструментами в одном окне. Объем кода и погружения в технические нюансы меньше. Внимания самой задаче – больше.
ПрощеПрикладной язык DSL не сложнее обычного SQL. Вашим аналитикам, работающим с данными, и системным администраторам потребуется не более 3-4 дней для изучения
ДешевлеНе требует Hi-End оборудования. Работает с x86 и RISC-архитектурой. Ниже стоимость оборудования при более высокой производительности
АктуальнееРасчеты в оперативной памяти позволяют в реальном времени использовать предиктивные модели, обновлять витрины данных любой сложности и объема и отслеживать события
МощнееХранение данных в оперативной памяти ускоряет их обработку в 1000 раз. Вычислительные мощности не ограничены за счет горизонтального масштабирования
НадежнееМногократное резервирование данных осуществляется автоматически в узлах кластера. Восстановление после сбоя занимает всего несколько минут
In-memory processing (IMCG)
Наиболее эффективная на сегодняшний день технология, предназначенная для распределенной обработки данных. Обеспечивает процессы развертывания, управления ресурсами, работы со службами и исполнения. Работает в GRIP в тесной связке с IMDG и гарантирует обработку данных в месте их хранения, исключая перемещение между узлами кластера, тем самым повышая общую производительность
In-memory data storage (IMDG)
Технология распределенного хранения данных в оперативной памяти. Обеспечивает целостность данных на высоком уровне. Повышает степень параллелизма (concurrency), минимизирует сетевой обмен и снижает число блокировок, за счет чего совместно с IMCG скорость обработки повышается в 1000 раз. Хорошо выдерживает OLTP-нагрузку, в отличие от BigData-решений на базе стека Hadoop.
Scale-out
Настоящее горячее горизонтальное масштабирование с резервированием. Вместе с IMDG позволяет использовать по-настоящему масштабируемое секционирование данных (Data Partitioning) в кластере. Пределом вычислительных мощностей и объемов для хранения являются только финансовые возможности клиента.
Gridfore Orchestrator
Domain-Specific Language
Предметно-ориентированный язык программирования, разработанный на базе Groovy для решения конкретных прикладных задач. В отличие от языка общего назначения, позволяет сократить цикл разработки и объем кода. Используя DSL, аналитик или разработчик могут сосредоточиться непосредственно на решении конкретной задачи, меньше отвлекаясь на технические аспекты.
Extract-Transform-Load
ETL машина, обеспечивающая одновременное подключение к любому количеству источников: базы данных через JDBC, локальные или удаленные (FTP/SFTP) файлы (в том числе в архивах), Kafka, Hive. Поддерживает различные стратегии загрузки и перегрузки данных с учетом бизнес-периодов: инкрементальная и полная. Поддерживает работу с транзакциями и построение витрин данных в реальном времени.
Complex Event Processing
Обработка тригерных событий любой сложности: от простых условий до моделей предсказания. Встраивается в уже написанные ETL-сценарии с помощью компонента GO. Поддерживает асинхронное (отложенное) выполнение. После срабатывания события может отправлять сообщения другим ETL-процессам или во внешние сервисы (Kafka, REST, SOAP).
beta
Data Quality
Поддерживает проверку качества данных в пределах одной строки или множества данных. Могут быть использованы простые логические проверки, проверки по сложным бизнес-правилам и на основе предиктивных моделей (контроль трендов). По результатам проверки составляется отчет об ошибках по настраиваемому шаблону, после чего отправляется по электронной почте.
beta
Machine Learning
Компонент машинного обучения, предназначенный для решения задач Data Science: использование и обучение моделей в режиме реального времени. Упрощает процесс обучения и развертывания моделей в промышленной среде. Через поддержку формата PMML позволяет использовать модели из сторонних систем. Разработанные модели могут быть использованы совместно с компонентами CEP и DQ.
Максимально упрощенный процесс business delivery
Большой опыт выстраивания DevOps-подходов в сотне проектов помог нам найти удобное и понятное решение для бизнеса, не требующее сильного вовлечения IT. Работа со всеми компонентами происходит в одном окне
Удобная среда для разработки
Наше решение использует JetBrains IntelliJ IDEA – самую функциональную и удобную интегрированную среду разработки (IDE) на рынке. JetBrains поддерживает все известные репозитории (GitHub, CVN, BitBucket, Beanstalk), а это значит, что ваш код будет в полной безопасности
Быстрый вынос кода в продуктив
Процесс переноса кода на другие среды, в том числе на промышленные, уже автоматизирован с помощью системы сборки проектов Gradle и репозитория артифактов JFrog Artifactory. Все, что вам потребуется сделать – это запустить соответствующую задачу
Автоматизация типовых задач
Gradle позволяет также автоматизировать типовые пользовательские задачи: запуск процессов расчетов, тестов, публикации моделей и прочее
Автотестирование
Код будет автоматически проверяться перед публикацией на другие среды. А после публикации тестирование функциональности будет запускаться автоматически. Все это вместе существенно снижает процент различных ошибок
Действительно реактивное внедрение
Преимущества нашей платформы – это и наши преимущества
4 недели
От старта работ до первого MVP
3 месяца
Для запуска полноценного промышленного прототипа на реальных кейсах
Отзывы о нашей работе
Клиенты
