ปัญหา

การดำเนินการของระบบข้อมูลที่เป็นอัตโนมัติ ทำให้เกิด Data Silo ที่ไร้โครงสร้างและผิดแผกจากกัน ซึ่งมักสะสมอยู่ในระบบจัดเก็บข้อมูล และไม่สามารถประมวลผลได้อย่างรวดเร็วและแม่นยำเสมอไป

ในการดำเนินโครงการ Data Science พนักงานอาจต้องใช้เวลาถึง 70% ในการจัดการและเปลี่ยนแปลง, ตรวจสอบ, และ รวบรวมข้อมูล

เพื่อที่จะปรับปรุงคุณภาพของกระบวนการในการปฏิบัติการและการผลิต ธุรกิจจึงต้องการข้อมูลที่ทันสมัยและมีคุณภาพ รวมทั้ง การตอบสนองอย่างทันท่วงทีต่อความเบี่ยงเบนต่าง ๆ

โซลูชัน

ระบบชนิด self-learning สำหรับการติดตามคุณภาพของ Streaming Data อย่างต่อเนื่อง และ ตรวจหาความเบี่ยงเบนที่เกิดขึ้นกับกระบวนการในการปฏิบัติการและการผลิต โซลูชันนี้ สามารถรวบรวมและประมวลผลข้อมูล จากระบบข้อมูลและร้านค้าองค์กรต่าง ๆ ได้แบบ real-time อีกทั้ง สามารถตรวจจับความผิดปกติ และ แจ้งไปยังพนักงาน ให้สามารถป้องกันสถานการณ์ผิดปกติและข้อผิดพลาดได้อีกด้วย

ข้อดีของโซลูชันนี้ คือ สามารถปรับให้เข้ากับพฤติกรรมของผู้ใช้งาน, วิเคราะห์ข้อมูลได้โดยไม่ต้องได้รับความช่วยเหลือจากภายนอก, และติดตามดูแลคุณภาพ พร้อมทั้ง ฝึกอบรมโมเดลทางคณิตศาสตร์ จำนวนกว่าหลายแสนโมเดล เพื่อติดตามตัวบ่งชี้ประสิทธิภาพของแต่ละรายการ ในสภาพแวดล้อมที่แตกต่างกัน

ผลลัพธ์:

• เพิ่มความรวดเร็วให้กับเวลาในการตอบสนองต่อ Supplier ที่ไม่เป็นธรรม ซึ่งช่วยลดจำนวนคำร้องเรียนจากลูกค้า ได้มากถึง 40%
• การตรวจจับแบบอัตโนมัติ เพื่อหาข้อผิดพลาดในระบบโบนัสคงค้าง (โดยที่ไม่ต้องใช้ความช่วยเหลือจากมนุษย์) และเพิ่มความพึงพอใจของลูกค้า
• เพิ่มประสิทธิภาพในการสร้างโมเดล ได้ 15%
• ตรวจจับและป้องกันอุบัติเหตุล่วงหน้าได้ 30% สำหรับผู้ใช้งาน

ขั้นตอนดำเนินการ

PROJECT

ปรึกษาเรื่องวัตถุประสงค์, เป้าหมาย และ วิธีการดำเนินการทางเทคนิค (3-5 วัน)

SCENARIO

ศึกษาความเป็นไปได้ จากปัญหาที่พบของลูกค้า (1-3 วัน)

PILOT PROJECT

นำร่องการดำเนินการของโซลูชัน (3-5 เดือน)

Scaling

การปรับขนาดโซลูชัน