ATM-сервис
Прогнозирование поломок банкоматов (изменить ситуацию: реакция на поломку АТМ осуществляется по факту возникновения сбоя, превентивная реакция отсутствует)

Задача
Банкоматная сеть требует постоянного управления: наличные надо вовремя пополнять, инкассацию планировать, а заморозку денег в устройствах держать минимальной. Без единой системы это превращается в ручное планирование, где банкомат либо простаивает пустым, либо держит лишние наличные без движения. Банку нужна система управления банкоматной сетью, опирающаяся на прогноз спроса.
Решение
Мы создали ATM Сервис: систему управления банкоматной сетью на основе прогнозирования спроса на наличные. В основе временные ряды ARIMA, которые прогнозируют спрос по каждому банкомату и определяют оптимальный график загрузки. Система рассчитывает, сколько наличных и когда завозить в каждое устройство, чтобы оно не оставалось без денег и при этом не держало излишки. Управление наличностью в сети ведётся из единого инструмента на основе прогноза, а не вручную.
Технологии
Модели временных рядов ARIMA для прогнозирования спроса на наличные. Оптимизация графика загрузки и объёмов инкассации по каждому банкомату. Пайплайн обработки истории выдачи наличных, построение прогнозов и регулярное обновление по мере поступления данных по сети.
Результат
Банк управляет банкоматной сетью из единой системы, которая опирается на прогноз спроса. Снижается объём замороженных в устройствах наличных и затраты на инкассацию за счёт сокращения лишних выездов. Одновременно падает риск опустошения банкомата. Планирование загрузки переходит от ручного режима к расчёту на основе прогноза. Система масштабируется на всю сеть и обновляется на свежих данных.
Похожие кейсы
Анализ данных
Контроль состава шлака на металлургическом заводе: реакция на отклонение за минуту
Партнёрский проект в металлургии на базе Z-brain: система сверяет телеметрию датчиков с моделью, обученной на истории выплавок завода, находит причину отклонения и сразу выдаёт оператору действие. Время реакции сократилось с десятков минут до одной.
Анализ данных
Модель предсказания поломки оборудования
Сибур: предиктивная модель для экструдера полимеров. Раннее обнаружение признаков засора по данным датчиков. Доля предугаданных неполадок ~80%, переход от аварийного ремонта к плановому обслуживанию.
Анализ данных
Построение цифровой модели фабрики
Моделирование бизнес и производственных процессов действующего производства, поиск "узких мест" в производстве для их устранения, поиск параметров, влияющих на выход годной продукции