Автоматизированная идентификация аномалий методами Process Mining: различия между версиями
Новая страница: «{{Карточка_командного_проекта |name=Автоматизированная идентификация аномалий методами Pro…» |
Нет описания правки |
||
| 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 | |||
Версия от 08:18, 16 октября 2018
| Компания | PwC |
| Учебный семестр | Осень 2018 |
| Учебный курс | 3-й курс |
| Максимальное количество студентов, выбравших проект: 3-5 | |
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.
Проект предполагает разработку аналитического инструмента, который направлен на:
- автоматизированный анализ бизнес-процессов;
- автоматизированная идентификация аномалий с использованием алгоритмов машинного обучения и методов Process Mining.
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?)
| № | Этапы проекта | Этапы разработки | Результаты по данному этапу |
|---|---|---|---|
| 1 | Инициализация | Постановка задачи | Проектное задание |
| 2 | Проектирование | Анализ задачи и моделирование | 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 | Реализация | Написание кода | Четкий, понятный код |
| 7 | Отладка и тестирование программы | Рабочий прототип инструмента | |
| 8 | 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
Yulia Wasserman
PwC, Consultant, Risk Assurance
Office: +79168366786
Email: yulia.wasserman@pwc.com