20 People. 33 anni Età media 80% ISO 9001 Certificazione Sviluppo modelli predittivi. About Pangea Formazione

Transcript

1 Company Overview

2 About Pangea Formazione About Pangea Formazione 20 People 33 anni Età media 80% Ph.D. ISO 9001 Certificazione Sviluppo modelli predittivi Progettiamo modelli statistico-matematici a supporto delle imprese Applichiamo le più avanzate tecnologie della ricerca scientifica maturate su enormi moli di dati, in esperimenti di Cosmologia, Fisica Nucleare e della Materia Convenzioni scientifiche attivate con l Università di Roma Tre l Università di Napoli Federico II Sportello Matematico per l Industria del CNR 2

3 About Pangea Formazione Clienti e Partner Difesa Telco Energia Altro MBDA (partecipata Finmeccanica), Marina Militare, Segretariato Generale della Difesa Telecom Italia, Poste Italiane, PosteMobile, R1 Gala Ernst Young, H24 Esperienze Attività di data mining e data profiling: CRM, anti-frode, manutenzione predittiva di asset tecnologici, ottimizzazione dei sistemi di allarmistica, analisi di trend di interesse. Creazione di modelli previsionali: stime traffico telefonico, stime diffusione device, capacity planning, stime efficacia controlli auditing. 3

4 Metodologia Modelli Previsionali Le reti bayesiane (sistemi esperti che iterano il Teorema di Bayes) permettono di andare oltre rispetto ad una estrapolazione di dati o un report statistico, perché sono costruiti a partire dagli aspetti specifici del problema e consentono di tenere in conto l incertezza relativa ai risultati. Estrapolazione Dati Presenti Dati Futuri Parametri Modelli Inferenza Bayesiana Tutte le analisi sono realizzate su una piattaforma open source su cui è possibile implementare modelli parametrici customizzabili rispetto a prodotti standard presenti sul mercato, a seconda delle specifiche esigenze di ogni contesto

5 Aree di intervento Profiling anti-frode Failure Prediction Manutenzione predittiva Gestione allarmistica Capacity Planning Pianificazione risorse Ottimizzazione KPI qualità e processo Valorizzazione Dati Esterni 5

6 Area di intervento Profiling anti-frode 6

7 Area di intervento : Failure Prediction Profiling/ Fraud detection: Cos è Un algoritmo di intelligenza artificiale in grado di classificare gli eventi, imparando dallo storico le correlazioni tra le variabili. Individuare e costruire categorie (o cluster), segmentare ed etichettare dati, scovare pattern nascosti. Obiettivi Assegnare la probabilità che un determinato profilo abbia specifiche caratteristiche Definire in quali casi sia conveniente tentare azioni correttive

8 Area di intervento: Profiling Antifrode Esempio di Profiling: Antifrode Contesto I settori di Fraud Management (ad esempio delle aziende telefoniche) hanno il compito sia di gestire i numerosi allarmi che scattano per possibili frodi da alto traffico sia di decidere riguardo l erogazione o meno di servizi e/o prodotti a clienti a rischio. Problema Le indagini necessarie richiedono un notevole dispendio sia di tempo sia di risorse. E necessario trovare un buon compromesso tra il rischio frode e la possibilità di introiti mancati. Soluzione Sviluppo di un modello bayesiano in grado di calcolare la probabilità di frode a partire dalle diverse informazioni a disposizione: anagrafica, tipologia di contratto e servizio, modalità di pagamento e tipo di allarme scattato. Il modello è in grado di fornire un ranking dei casi ordinati per probabilità di frode, indirizzando nel modo migliore le indagini, diminuendone i costi e massimizzandone l efficacia.

9 Area di intervento Failure Prediction Manutenzione predittiva Gestione allarmistica 9

10 Area di intervento : Failure Prediction Failure Prediction: Manutenzione Predittiva e Gestione Allarmi Cos è È un tipo di manutenzione preventiva che permette di prevedere, tramite la misurazione di parametri, la probabilità di guasto o allarme in un determinato lasso di tempo Fornire delle indicazioni, mediante il calcolo delle probabilità, sulla necessità di effettuare un livello di manutenzione tale da razionalizzare i costi e garantire produttività e qualità Obiettivi Limitare l insorgere di guasti o allarmi ed i relativi impatti sulla continuità dei servizi Massimizzare il periodo di utilizzo degli asset con il minimo costo globale

11 Area di intervento: Failure Prediction- Manutenzione Predittiva Esempio di Manutenzione Predittiva: Gestione asset tecnologici Contesto Gli asset tecnologici sono soggetti a guasti e malfunzionamenti. In generale tali risorse sono coperte dalla garanzia fornita dal costruttore, alla scadenza della quale si deve decidere come gestirne la manutenzione. Problema Il costo del servizio erogato dai fornitori di manutenzione dipende solitamente dal numero di asset coperti e non dal numero di guasti effettivi. Sta all azienda scegliere quali asset inserire nei contratti di manutenzione. In mancanza di un criterio razionale, la scelta può rivelarsi non ottimale. Soluzione Conoscere la probabilità di guasto è essenziale per una corretta gestione della manutenzione. Tale probabilità può essere calcolata a partire dalle caratteristiche tecniche e dallo storico dei guasti di elementi simili attraverso una rete bayesiana. È quindi possibile identificare gli asset a basso rischio di guasto e decidere di rimuoverli dai contratti di manutenzione con conseguente cost saving. 11

12 Area di intervento: Failure Prediction- Gestione Allarmi Esempio di Gestione Allarmi: Trouble-ticket management Contesto La risoluzione di problemi tecnici che impediscono la fruizione di un servizio erogato al cliente parte dall apertura di un trouble-ticket. Quando il problema del cliente sembra risolto, la compagnia chiude il ticket di assistenza. Problema A campione alcuni dei casi subiscono un collaudo : il cliente viene contattato e gli viene chiesto di verificare che il problema sia risolto. Alcune volte però il problema si ripresenta entro poco tempo, costringendo l'azienda a riaffrontare la lavorazione, con costi aggiuntivi. Soluzione Si individuano quali sono gli elementi che determinano più probabilmente la ripetitività di un ticket. Una rete bayesiana permette di valutare quantitativamente la probabilità che un ticket si ripeta, a partire dal suo profilo. Si può suggerire l'azione che risolve il problema del cliente con la più alta probabilità al minor costo possibile. 12

13 Area di intervento Capacity Planning Pianificazione risorse 13

14 Area di intervento: Capacity Planning Capacity Planning Cos è Un processo che supporta l azienda a determinare la capacità produttiva necessaria per rispondere in maniera efficace alla domanda e alle sue variazioni Fornire al management strumenti e stime a supporto delle scelte aziendali, per garantire il corretto dimensionamento delle risorse, l efficienza dei costi e il rispetto del livello di customer satisfaction Obiettivi Minimizzare la distanza tra capacità produttiva e domanda, identificando e riducendo le inefficienze e fornendo un supporto per la scelta della strategia di sourcing

15 Area di intervento: Capacity Planning Esempio di Capacity Planning: Cloud Computing Contesto La virtualizzazione consente di eseguire più sistemi operativi ed applicazioni sul medesimo server nello stesso momento. Il cloud consiste nell erogazione ondemand del servizio di software, dati o risorse condivise di elaborazione. Problema Organizzazione delle risorse: bilanciare numero di macchine per soddisfare le richieste dei clienti senza averne troppe inutilizzate da mantenere. L acquisto di nuove risorse deve essere pianificato in anticipo. Soluzione Sviluppo di un modello previsionale a partire dallo storico delle richieste. Il sistema fornisce la probabilità di arrivo delle richieste e risponde alle domande: Quante risorse saranno utilizzate da qui a x settimane?, Qual è la probabilità di non avere abbastanza macchine tra y mesi? Output Per ragioni di riservatezza sono stati riportati dati simulati 15

16 Area di intervento Ottimizzazione KPI qualità e processo 16

17 Area di intervento : Failure Prediction Ottimizzazione KPI qualità e processo Cos è È un tipo di ottimizzazione che permette di individuare e quantificare le fasi di un processo che più influenzano la qualità. Individuare i KPI in grado di quantificare il livello di qualità delle fasi processo Obiettivi Prevedere statisticamente l evoluzione dei valori di tali KPI, considerando come essi sono legati alle variabili di processo Classificare le variabili più influenti sui KPI al fine di indirizzare gli interventi per l ottimizzazione

18 Area di intervento Ottimizzazione Qualità dei processi Esempio di Ottimizzazione KPI qualità e processo: Qualità dell attività di Audit Contesto La qualità dell'intervento di audit dipende da vari fattori quali le caratteristiche del team di audit (numerosità del team, esperienza del capo del team) e dalle caratteristiche dell'ufficio oggetto di intervento (zona geografica, grandezza ecc). Problema Data la complessità del contesto risulta cruciale individuare un criterio di misurazione della qualità degli interventi di Audit e definire le azioni migliorative Soluzione Costruire una rete bayesiana in grado di definire del relazioni tra le variabili e definire dei KPI per poter misurare la qualità degli interventi di audit su territorio. Il sistema è in grado di stimare tali KPI, a partire dalle caratteristiche del singolo intervento di audit e prevedere i valori dei KPI di qualità attesi. 18

19 Area di intervento Valorizzazione Dati Esterni 19

20 Area di intervento: Valorizzazione dati esterni Valorizzazione dati esterni La quantità di dati prodotti dall inizio dell umanità al 2003 viene oggi prodotta in un giorno million 20

21 Area di intervento: Valorizzazione dati esterni Valorizzazione dati esterni Contesto In rete esistono banche dati con informazioni accessibili, gratis o a pagamento. Vista la flessibilità delle metodologie probabilistiche, questi dati possono essere incorporati facilmente nel modello. Queste informazioni danno spesso un vantaggio competitivo decisivo Esempi Meteo Distanze stradali (con e senza traffico) Orari arrivo effettivo mezzi di trasporto pubblico Dati censuari, popolazione residente, pendolari Georeferenziazione attività commerciali e negozi Dati social 21

22 Grazie per l attenzione Conclusione