Проекты Аргентова Сергея Геннадьевича

За 7 лет автоматизации бизнес-процессов:

- разработаны: форматы регламентации и методика развития автоматизируемых процессов ритейла, по которым выполнялась регламентация бизнес-процессов и описание бизнес-требований на автоматизацию;

- разработаны: техническое задание, структура автоматизируемых бизнес-процессов, схема интеграции программного обеспечения в структуру процессов и механизмы индикации комплексной автоматизации бизнес-процессов

- разработаны механизмы индикации операционной эффективности элементов бизнес-процессов;

- регламентрован критический бизнес-процесс прекращения поставок товаров клинетам, нарушающим договорные обязательства;

- издержки компании на сожержание инфраструктуры обслуживания клиентов снижены на 25% относительно среднерыночных нормативов, время ожидания клиентами обслуживания снижено более чем в 8 раз, 88% контактов осуществляется через заочные каналы обслужвания клиентов, при этом ключевые показатели ритейла являются лидирующими в регионе присутствия компании.

Спроектиованное usability web-версии портала за первые полгода работы обеспечило 12 кратный рост количества клинетов, првлечённых в интрнет-сервис.

За 6 лет с момента выхода мобильного приложения и web-версии портала:
- интрнет сервис получил 10% рынка электронных платежей клиентов региона присутсвия компании владельца интернет-сервиса,
- количесвто плательщиков, ежемесячно использующих сервис, увеличилось в 39 раз и достигло 40+ тыс. клиентов.

Повышена доступность инфраструктуры обслуживания клиентов:
- количество контактов с клиентами увеличено в 8 раз (до 1,7 млн. контактов в год),
- 50% контактов осуществляется через интернет-серваисы компании и банков.

Снижено время ожидания обслуживания клиентов:
- в 8 раз в очных центрах обслуживания (с 40 мин. до 5 мин.),
- в 60 раз в коллцентре (с 2 часов до 3 мин.).

Проведён аудит схемы базы данных, по результатам которого:
 - выполена коррекция базы данных до третьей нормальной формы реляционных баз данных,
 - скорректированы отдельные кардинальности связей таблиц базы данных в соответсвие с бизнес-логикой сервиса,
- исключены дублирующие, избыточные и добавлены недостающие атрибуты отдельных таблиц базы данных,
- оптимизирован набор таблиц для обеспечения оптимальности работы базы данных с оперативной памятью,
- cкорректированы типы допустимых данных в атрибутах таблиц.

Для повышения эффективности будущих доработок базы данных - улучшено usability: как в названиях полей таблиц (для повышения удобства написания запросов) так и в оформлении документации струткуры базы данны (для повышения лёгкости чтения схем таблиц и связей между ними).

Сформулирована методология секционирования и индексироания полей таблиц с учётом частоты определённых типов запросов к талицам.

Развернут экземпляр база данных. Созданы пользователи, таблицы и связи между ними. Работоспособность таблиц базы данных проверена на тестовых данных.

Разработан интерфейс отдельных процедур для работы оператора сервиса Такси.

Сформирована структура сценариев интерфейса Telegram-bot при обработке запросов пользователей сервиса.

Спроектирована и настройка базы данных sqlite для хранения истории запросов пользователей сервиса.

Настроено взаимодействие интернет-сервиса со службой RapidAPI для получения актуальных данных по отелям.

Разработаны схемы метомодели и план обогощения данных о транзакциях, зарегистрированных на сайте СберАвтоподписка. Разработаны функции обогощения и статистического исследования 18 млн. транзакций.

Разработаны схемы и функции статистического сравнения множественных группировок трафика посещений сайта СберАвтоподписка.

Проверены гепотезы продуктовой команды сайта и рассчитаны обосновывающие данные для ответов на вопросы о направлениях продвижения товара сайта СберАвтоподписка.

Сбалансирован датасет денных для обеспечения эфективности обучения моделей машиннного обучения, которые участвуют в конкуренции за лучшую модель. Для конкуренции в обучении приняты: нейросеть "Перцептрон" ,  модель Случайного леса и модель логистической регресиии.

Закодированы и стандартизованы данные для обучения конкурирующих моделей, проведён тьюнинг их гиперпараметров на наиболее важных параметрах обучения.

Обучен алгоритмом машинного обучения (наилучший по метрике ROC-AUC) - модель "Случайного леса", для которого построен соответвующий паплайн воспроизведения предсказаний целевого действия пользователей на сайте. Настроена работа сервиса  предсказаний целевых действий пользователя  через web-сервис FastAPI.

Для оптимизации доступа к предобработанной исследовательской информации спроектировано, настроено и наполено данными хранилище (витрина) данных. Подобраны программные средства, оптимальные для последующей эксплуатации хранилища исследовательскими командами.

Предобработаны поля исследуемых данных, участвующих в AB-тестировании, с учётом обеспечения безопасности персональных данных. Отедельные этапы предобработки проведены с использованием компьютерного моделирования аномальности информации о страховых полисах.

Выбраны критерии интерпритации результатов AB-тестирования, позволяющие определить статистически-значимое различие бизнес-эффектов новой и предыдущей систем ценообразования страховых полисов.
Разработан модельный критерий интерпритации AB-теста - класторизация на двухмерном пространстве, преобразованном из n-мерного пространства характеристик страховых полисов.

Разработан python-пакет выбора статистического теста-сравнения  тестовой и контрольной выборок-группировок с учётом характеристик выборок (зависимость, параметричность, равность дисперсий).

Для повышения качества прогнозирования склонности клиентов к покупкам методами машинного обучения и алгоритмическим анализом предобработаны, восстановлены и размечены данные отдельных признаков транзакций покупателей.

Для определения эталонных характеристик рекламных кампаний рассчитаны метрики эффективности рекламных кампаний с определением статистической значимости их изменений. Для атоматизации расчётов статистической значимости разработан модуль выбора статистического теста в зависимсоти от характеристик сравниваемых выборок: зависимсоть выборок, параметричность выборок, равенство дисперсий выбороу.

Проведена кластеризация записей о покупках с выделением 4 кластеров. Для полученных кластеров методом классификации определены клиентские патерны, на которые необходимо делать акценты в рекламных кампаниях.

Выбрана и обучена оптимальная модель машинного обучения, прогнозирующая склонность клиентов к покупке товаров. В выборе модели конкурировали алгоритмы: Логистической регрессии, Случайного леса, нейросети "Перцептрон". Лучшим по точности в данной задаче показал себя алгоритм "Случайного леса". Точность прогнозирования достигла 96,5%.

Дополнительно сформированы рекомендации для компании, на основании данных которой разрабатывалась модель.

Проектирование и руководство автоматизацией бизнес-процессов компании ритейла, обслуживающей более 600 тыс. клиентов

Проектирование UI/UX-схем и Usability мобильного приложения и web-версии клиентского портала компании ритейла, обслуживающей более 600 тыс. клинетов

Проектирование схем оптимального распределения клиентопотока в каналах обслуживания, в т.ч. схем адаптивного управления их мощностью

Разработка и кодирование интернет-сервиса оперативного поиска отелей для сотрудников турагенства по заданным критериям с использованием интерфейса Telegram

Разработка блока искусственного интеллекта для предсказаний целевых действий посетителей сайта СберАвтоподписка

Разработка модели интерпритации AB-теста новой системы ценообразования страховых полисов

Разработка блока исусственного интеллекта для прогнозирования склонности клиентов к покупкам в международной сети продаж спортивных товаров

© Argentov Sergey