(истории клиентов)
(решения)
Москва, Проспект мира 102 с31, офис 405
AI-аналитика, которая доходит до решений, а не до слайдов
Собираем данные из полей, касс, камер и разговоров, строим модели и отдаём бизнесу ответы: где теряете продажи, что менять первым и сколько это принесёт.
Работаем с данными ритейла, FMCG, фармы и сервиса: продажи, полка, цены, речь, видео. Не «дашборд ради дашборда», а конкретные метрики с владельцем и планом действий.
Модели разворачиваем в вашем контуре или в российском облаке. Данные остаются у вас, результат измеряем на контрольных группах, а не на презентациях.
Когда это нужно
(01)
Отчёты есть, решений нет
Данные собираются неделями, презентация готова, а что делать в понедельник — непонятно. Цифры не привязаны к действиям и владельцам.
(02)
Полка и поле — слепая зона
Продажи из касс видны, а что происходит на полке, в разговоре с покупателем и у конкурента — нет. Решения принимаются по ощущениям.
(03)
Модели не доживают до продакшена
Пилот с data-science показал красивый результат, но встроить его в процессы и поддерживать некому — через полгода всё вернулось к Excel.
Что вы получаете
01
Аудит данных
Что есть, чего не хватает, какие источники подключить первыми и как быстро получить первый результат.
02
Метрики с владельцами
Набор показателей, по каждому — кто отвечает, как считаем, какое действие запускает отклонение.
03
Модели под задачу
Распознавание полки, прогноз спроса, эластичность, оценка диалогов — то, что нужно именно вам, а не универсальный набор.
04
Дашборды для ролей
Директор видит одно, категорийный менеджер — другое, супервайзер — третье. Никаких экранов с сорока графиками.
05
Встраивание в процессы
Алерты, задания и отчёты приходят туда, где люди работают: SFA, CRM, мессенджеры.
06
Измеримый эффект
Контрольные группы, до/после, экономика проекта — вы понимаете, окупилось или нет.
400+
проектов в аналитике, разработке и интеграции за 10 лет
до 95%
точность распознавания SKU на полке после дообучения
4–6 недель
до первого измеримого результата в пилоте
Как мы работаем
(01)
Диагностика
Интервью с бизнесом, аудит данных и систем, гипотезы с оценкой эффекта.
1–2 недели
(02)
Пилот
Одна гипотеза, реальные данные, контрольная группа. Считаем эффект в деньгах.
4–6 недель
(03)
Внедрение
Модели, интеграции, дашборды, обучение команды.
2–3 месяца
(04)
Масштабирование
Все точки, регионы, категории. Автоматизация сбора и отчётности.
по плану
(05)
Сопровождение
Дообучение моделей, новые гипотезы, развитие метрик. SLA на инфраструктуру.
постоянно
Форматы сотрудничества
Пилот
Проверка гипотезы
- 4–6 недель, фиксированная стоимость
- Реальные данные и контрольная группа
- Решение о масштабировании на цифрах
Проект
Внедрение под ключ
- ТЗ, этапы, приёмка
- Модели, интеграции, дашборды
- Обучение и передача команде
Аналитика как сервис
Команда на постоянной основе
- Data-инженер + аналитик + ML-инженер
- Ежемесячный план гипотез
- Развитие моделей и отчётов
Данные, с которыми мы уже работали
Принципы и подход
к разработке
Выделенные проектные группы
На проекте работает постоянная команда: тимлид, аналитик, разработчики, тестировщик. Люди не «дёргаются» между пятью клиентами, знания не теряются при смене состава. Вы знаете каждого по имени и можете писать напрямую.
Гибкая разработка
Спринты по две недели, демо в конце каждого, доступ заказчика к трекеру задач и коду с первого дня. Требования могут меняться — мы перепланируем, а не выставляем счёт за «изменение ТЗ». Фиксируем только то, что действительно должно быть зафиксировано: бюджет этапа и критерии приёмки.
Управление проектами в разрезе бизнес-целей
Каждый проект начинается с вопроса «зачем»: какую метрику бизнеса он должен сдвинуть и как мы это измерим. Задачи в бэклоге привязаны к целям, приоритеты меняются вместе с бизнесом, а не по расписанию. Раз в две недели показываем не отчёт о часах, а работающую версию и прогресс по целям.
Решения, основанные на данных
Спорные вопросы решаем не мнением, а данными: аналитика поведения, A/B-тесты, контрольные группы, нагрузочные тесты. Если гипотеза не подтвердилась — говорим об этом честно и предлагаем следующую.
Проекты, где аналитика дала результат
AI-аналитика обслуживания для Dior (LVMH)
Заменили mystery shopping на AI-анализ клиентских взаимодействий — и в A/B-тесте получили +17% к продажам и +24% к кросс-продажам
Для аптечной сети РИГЛА мы создали enterprise-решение для операционного контроля выкладки: мобильное приложение для фото-аудита прикассовых зон и точек выкладки с заданиями сотрудникам, инструкциями, контролем качества и статусами выполнения.
технологии, которые
мы используем
Computer Vision
речевая аналитика
прогнозирование спроса
эластичность цен
Python / PyTorch
PostgreSQL / ClickHouse
BI-дашборды
MLOps
A/B-тесты
on-premise