Aapoludnitsin в 11:43, 16 октября 2018

2018-10-16T11:43:22Z

← Предыдущая версия		Версия от 11:43, 16 октября 2018
Строка 3:		Строка 3:
	\|company=PwC		\|company=PwC
	\|semester=Осень 2018		\|semester=Осень 2018
	\|course=3		\|course=3-4
	\|number_of_students=3-5		\|number_of_students=3-5
	\|categorize=yes		\|categorize=yes

Aapoludnitsin в 08:18, 16 октября 2018

2018-10-16T08:18:38Z

← Предыдущая версия		Версия от 08:18, 16 октября 2018
Строка 77:		Строка 77:

	# Python/R или другие;		# Python/R или другие;
			# Реляционные базы данных (MySql, MS SQL etc.);
	# Реляционные базы данных (MySql, MS SQL etc.);

	===Какие начальные требования? ===		===Какие начальные требования? ===

Aapoludnitsin в 08:18, 16 октября 2018

2018-10-16T08:18:10Z

← Предыдущая версия		Версия от 08:18, 16 октября 2018
Строка 7:		Строка 7:
	\|categorize=yes		\|categorize=yes
	}}		}}

			===Что это за проект? ===

			Многие компании, в результате автоматизации бизнес-процессов, накапливают большой объём данных в ERP системах. Массивы информации, появляющейся в результате операционной деятельности компаний, могут быть использованы для многих целей, в том числе для анализа фактического состояния бизнес-процессов, а также разработки планов по их улучшению или изменению.
			<br/>Проект предполагает разработку аналитического инструмента, который направлен на:
			# автоматизированный анализ бизнес-процессов;
			# автоматизированная идентификация аномалий с использованием алгоритмов машинного обучения и методов Process Mining.
			<br/>
			На входе такой инструмент получает набор табличных данных в виде журнала событий ERP системы по бизнес-процессу. На выходе инструмент формирует отчёт по профилированию процесса, который отражает информацию о наиболее значимых KPI процесса, его узких местах и аномалиях. Так, например, такой инструмент может предоставлять информацию о наиболее часто встречающихся отклонениях от стандартного процесса и потенциальных причинах их появления, а также обнаруживать нетипичные и неоптимальные цепочки событий (например - риск мошенничества, области для оптимизации процесса и т.д.). Впоследствии, на базе данного прототипа планируется разработка инструмента вариативного прогнозирования (Data-driven decision making).

			===Чему научатся студенты? Что самое интересное в проекте? ===

			# Понимать логику и основы построения бизнес-процессов и оценивать риски возникающих отклонений;
			# Применять алгоритмы машинного обучения для статистической обработки системной информации;
			# Работать с данными из ERP систем, используемых во всех крупных компаниях (Oracle, SAP, MS Dynamics Axapta etc.);
			# Определять и формулировать задачи, организовывать время и работу (time- and project – management);
			# Познакомятся с принципом упорядочивания и очистки данных для анализа - “tidy data”;
			# Попрактиковаться в написании четкого и понятного кода;
			# Составления документации по использованию инструмента;
			# Работать в команде.

			===Организация работы (Как студенты будут работать в команде?) ===
			Проектная команда состоит из 3-5 человек. В рамках проектной команды предполагаются следующие роли участников (однако список этим не ограничивается):

			# Специалист по машинному обучению
			# Специалист по очистке данных
			# Бизнес-аналитик
			# Специалист по оценке и анализу рисков
			# Менеджер проекта
			# Разработчик
			# Тестировщик

			Каждый участник может попробовать себя в одной или более ролей, совместив, к примеру, роль менеджера проекта и тестировщика. На первоначальном этапе планируется совместная работа по определению масштаба работ и по постановке задач с последующим их распределением.



			Компоненты (Из каких частей состоит проект?)

			{\| class="wikitable"
			\|-
			! № !! Этапы проекта!! Этапы разработки!! Результаты по данному этапу
			\|-
			\| 1 \|\| Инициализация \|\| Постановка задачи \|\| Проектное задание
			\|-
			\| 2 \|\|rowspan="3"\| Проектирование \|\| Анализ задачи и моделирование \|\| rowspan = "2"\| Список допущений, ограничений и рисков реализации проекта
			\|-
			\| 3 \|\| Разработка или выбор алгоритма решения задачи \|\|
			\|-
			\| 4\|\| Проектирование общей структуры инструмента \|\| Структура функциональных модулей

			Модель спецификаций и уровней разработки (основа, по которой будет писаться Руководство пользователя)
			\|-
			\| 5\|\| Планирование \|\| Планирование основных этапов работ \|\| Диаграмма Ганта проекта,

			Дорожная карта проекта
			\|-
			\| 6\|\|rowspan = "2"\| Реализация\|\| Написание кода \|\| Четкий, понятный код
			\|-
			\| 7\|\| Отладка и тестирование программы \|\| Рабочий прототип инструмента
			\|-
			\| 8\|\|rowspan = "2" \| Анализ и работа над полученными результатами \|\| Анализ результатов \|\| Анализ результатов
			\|-
			\| 9\|\| Документация \|\| Руководство пользователя
			\|-
			\| 10\|\| Результат \|\| Презентация \|\| Презентация разработанного инструмента, оформленная в .ppt и интерактивное демо
			\|}

			===Какие будут использоваться технологии? ===

			# Python/R или другие;

			# Реляционные базы данных (MySql, MS SQL etc.);

			===Какие начальные требования? ===

			# Знания одного из языков программирования (Python, R etc.);
			# Знания теории вероятности и математической статистики;
			# Знания в области машинного обучения;
			# Умение работать в Git.

			===Темы вводных занятий ===

			# Process Mining: основные концепции и понятия;
			# Бизнес аналитика. Виды рисков. Возможные аномалии бизнес-процессов;
			# Основы управления проектами: методы приоритизации, организации времени и разработки рабочего плана;
			# Риск-менеджмент в организации;
			# Принципы работы с очисткой и упорядочивания данных – “tidy data”;
			# Презентация: структура и навыки.



			===Критерии оценки ===

			8 – 10: разработан инструмент с функционалом для автоматического формирования аналитического отчета, включающий ключевые показатели эффективности (KPI), информацию об аномалиях и узких местах процесса. Инструмент должен предусматривать возможность добавления новых аналитических блоков.

			6 – 7: разработан инструмент с функционалом для автоматического формирования аналитического отчета, включающий показатели эффективности (KPI), информацию об аномалиях и узких местах процесса.

			4– 5: разработан инструмент с функционалом для автоматического формирования аналитического отчета, включающий показатели эффективности (KPI).

			===Контактная информация ===

			<br/>Yulia Wasserman
			<br/>PwC, Consultant, Risk Assurance
			<br/>Office: +79168366786
			<br/>Email: yulia.wasserman@pwc.com

Aapoludnitsin: Новая страница: «{{Карточка_командного_проекта |name=Автоматизированная идентификация аномалий методами Pro…»

2018-10-15T20:57:19Z

Новая страница: «{{Карточка_командного_проекта |name=Автоматизированная идентификация аномалий методами Pro…»

Новая страница

{{Карточка_командного_проекта
|name=Автоматизированная идентификация аномалий методами Process Mining
|company=PwC
|semester=Осень 2018
|course=3
|number_of_students=3-5
|categorize=yes
}}

Автоматизированная идентификация аномалий методами Process Mining - История изменений

Aapoludnitsin в 11:43, 16 октября 2018

Aapoludnitsin в 08:18, 16 октября 2018

Aapoludnitsin в 08:18, 16 октября 2018

Aapoludnitsin: Новая страница: «{{Карточка_командного_проекта |name=Автоматизированная идентификация аномалий методами Pro…»