INDUSTRIAL
PROJECT
Previsione del Segno dello Sbilanciamento Aggregato Zonale
Il segno di sbilanciamento aggregato zonale come somma degli sbilanciamenti fisici effettivi delle unità di produzione e di consumo di energia elettrica. Tale indicatore è utilizzato nel Mercato del giorno prima; le zone di mercato sono aggregate in macro-zone: NORD e SUD. Per queste ci deve essere, ora per ora, un equilibrio tra l’energia prodotta e quella consumata.
Ad ogni utente del dispacciamento è richiesto di fornire una previsione del proprio profilo di immissione e prelievo. Risulta utile quindi uno strumento di supporto al business in grado di prevedere con il giusto anticipo il segno dello sbilanciamento di energia.
BENEFITS
- Download quotidiano dei dati di sbilanciamento aggiornati relativi al giorno precedente [t-1]
- Manipolazione dei dati e creazione delle finestre temporali di analisi da dare in input agli algoritmi
- Training giornaliero di algoritmi di regressione [t]
- Predizione quotidiana in quarti d’ora dello sbilanciamento al tempo [t+2]
GOALS
L’algoritmo creato è in grado di prevedere il segno dello sbilanciamento aggregato zonale.
I NOSTRI CLIENTI
© 2022 MIDAS - Master in AI & DATA SCIENCE. All rights reserved
Data-Driven Analysis for Consumption Optimization
Completare l'internalizzazione di soluzioni algoritmiche volte ad analizzare i consumi degli utenti e promuovere la loro ottimizzazione (SmartEnergy). Approfondire e perfezionare un modello esistente per prevedere il tasso di Churn, al fine di individuare le motivazioni alla base dell'abbandono degli utenti ed intervenire anticipatamente. Fornire supporto al team data sui diversi use case, secondo necessità.
NEEDS
Grazie all’analisi dei dati si migliora la profilazione degli utenti, deducendo informazioni d’interesse riguardo le loro abitudini comportamentali. Lo sviluppo di algoritmi dinamici basati sui dati porta all’offerta di servizi altamente personalizzati, così da avere un’importante vantaggio competitivo.
BENEFITS
GOALS
- Elaborazione di nuovi suggerimenti personalizzati per l’ottimizzazione dei consumi, sulla base della loro analisi
- Sviluppo del processo di industrializzazione del progetto SmartEnergy al fine di completare l’internalizzazione del servizio di analisi dei consumi
- Miglioramento del modello del Churn con analisi preliminari su un gruppo di utenti ritenuto critico e successiva estensione a tutta la customer base
- Aumento customer engagement & incremento propensione all’acquisto (up-selling/cross-selling)
- Riduzione del churn
- Incremento utilizzo canali digitali
- Miglioramento customer experience
- Perfezionamento profilazione degli utenti
Data-Driven Analysis for Consumption Optimization
ACEA ha intrapreso un processo di trasformazione in ottica «Data Driven Company», in modo da sfruttare al meglio il valore delle informazioni recepite dai clienti.
NEEDS
Supporto al processo decisionale operativo e strategico attraverso la realizzazione di una Dashboard in grado di visualizzare KPI e Grafici che offrono una visione dei processi «core» del Gruppo. Nasce «Forecasting Energy» per integrare nella dashboard funzionalità di forecasting e prevedere l’andamento della potenza immessa in rete evidenziando le principali variabili che la influenzano
BENEFITS
GOALS
Algoritmo in grado di stimare l’immesso in rete di energia per il giorno successivo attraverso reti neurali feed forward, con un'affidabilità del 95% e ha un errore inferiore e uguale al 5%.
Realizzazione di un modello di forecasting in grado di prevedere l’andamento futuro della potenza immessa in rete, attraverso algoritmi di machine learning.
- Raccolta e preparazione dei dati;
- Implementazione algoritmi (univariati e multivariati);
- Ottimizzazione modelli;
- Validazione del modello finale.
Supporto per la gestione e l’analisi dei dati di un sistema IoT
Ricercare una correlazione tra i dati presenti in diversi sistemi utilizzati per la manutenzione di linee e stazioni elettriche. Queste correlazioni verranno poi utilizzate per predire eventuali guasti e monitorare andamenti anomali in diversi periodi su molti impianti.
NEEDS
Valorizzazione ed integrazione dei Big Data presenti all’interno dell’azienda provenienti da differenti sistemi: sistema di controllo delle stazioni, sistema di gestione dei guasti e sistema per la gestione della manutenzione.
BENEFITS
GOALS
Realizzazione di un sistema che permetta la visualizzazione e l’analisi dei dati di manutenzione permettendo di anticipare eventuali anomalie o guasti sui componenti delle stazioni e l’identificazione di correlazioni integrando dati provenienti da differenti sistemi e processi.
Possibilità di visionare le stazioni e le linee più critiche, scendendo più a fondo nei vari componenti di cui sono composte. Manutenzione predittiva sui montanti, permettendo così di intervenire tempestivamente prima che si verifichi il guasto.
TIM TV & Intrattenimento– Digital Support
Attualmente la dashboard di monitoraggio di tale Piattaforma non consente di individuare agevolmente le cause che generano disservizi andando ad impattare sulla qualità percepita dal cliente.
NEEDS
Migliorare il monitoraggio dei dati provenienti dalla piattaforma al fine di individuare e prevedere i disservizi lato cliente, attraverso il miglioramento della dashboard.
Passare da una logica descrittiva ad una predittiva, andando a prevenire eventuali disservizi utilizzando algoritmi predittivi di Machine Learning. Le principali sfide tecnologiche sono:
- Manipolare i dati provenienti da Digital Support Decoder
- Creare un modello che riesca ad identificare i fenomeni che generano disservizi intercettandoli preventivamente
BENEFITS
GOALS
- Ridisegnare la dashboard che monitora la Piattaforma Digital Support
- Creare un modello predittivo che permetta di minimizzare i disservizi
- Rapida ed efficace identificazione dei disservizi e delle loro cause
- Aumento della qualità percepita dal cliente
TIM TV & Intrattenimento– Customer Analytics
Attualmente l’azienda non conosce la modalità con cui il cliente interagisce con la propria piattaforma e il suo grado di soddisfazione.
NEEDS
Sfruttare strumenti di advanced analytics, per identificare statistiche che descrivano come i clienti si interfacciano ai servizi di intrattenimento digitale offerti da Tim (Customer Behaviour Analysis) lungo tutto il ciclo di vita del cliente, avendo così la possibilità di sapere di sapere come il cliente interagisce con il servizio.
Dall'analisi sarà possibile applicare azioni di Churn prediction con l’obiettivo di predire il cluster di clienti con un rischio di abbandono più alto ed ottenere quindi una Churn prevention più efficace.
BENEFITS
GOALS
- Descrivere le abitudini di utilizzo dei servizi TIM da parte dei clienti, attraverso statistiche descrittive ed algoritmi di clustering.
- Sviluppare un algoritmo che permetta di identificare i clienti caratterizzati da un’alta probabilità di abbandono del servizio (churn prevention).
- Customer Behaviour: Attraverso strumenti di feature engineering è stato possibile capire come il cliente sfrutta i servizi a sua disposizione, individuando dei KPI che potessero descrivere l’attività del cliente.
- Churn Prediction: Creazione di un algoritmo che permetta di agire in anticipo ed evitare l’abbandono dei clienti
Pattern Discovery for Car Insurance Services
Il progetto mira ad individuare informazioni utili all’ottimizzazione dei processi aziendali attraverso attività di pattern discovery e realizzazione di report relativi a:
- la visualizzazione di statistiche descrittive
- la geo-localizzazione degli incidenti
- la visualizzazione dei comportamenti dei propri clienti.
NEEDS
Cattolica Assicurazioni ha la necessità di estrarre conoscenza dai dati in suo possesso relativamente ai sinistri stradali, arricchendoli con informazioni relative al meteo, alle condizioni del manto stradale e al traffico e con altri open data.
BENEFITS
GOALS
- Identificare le fonti dati, strutturate e non strutturate, ed arricchirle con open data e fonti esterne;
- definire i data mart per gli scopi previsti di advanced data analytics;
- applicare algoritmi di pattern discovery, valutandoli con opportune tecniche di comparazione, per individuare il modello analitico più opportuno ai fini del processo di estrazione della conoscenza.
Si stima che le correlazioni tra sinistri e open data identificate saranno di potenziale interesse per:
- introdurre un ulteriore grado di personalizzazione delle soluzioni assicurative offerte;
- promuovere lo sviluppo di un sistema esperto di supporto alle decisioni che consenta a Cattolica Assicurazioni di migliorare la customer experience.
Data driven for service assurance
Il progetto è indirizzato alla ricerca di possibili correlazioni tra la riapertura di ticket e i parametri QoS della rete fissa. Il lavoro prevede un Benchmark tra il modello di gestione dei ticket attualmente in uso in Vodafone e quello di altre aziende considerate top in class e l’analisi dati dalla quale ricavare indicazioni per migliorare il processo AS IS.
NEEDS
Identificare possibili correlazioni tra la riapertura di un ticket e i parametri Quality of Service della rete fissa.
Creazione ed implementazione di un algoritmo al fine di stimare la probabilità che un cliente contatti nuovamente il servizio di assistenza dopo che il suo ticket sia già stato lavorato e chiuso una prima volta.
BENEFITS
GOALS
- Identificazione delle variabili principali di QoS
- Identificazione delle correlazioni tra parametri di QoS e caratteristiche dei ticket tramite tecniche di clustering gerarchico
- Creazione di un modello per stimare la percentuale di riapertura dei ticket in base alle variazioni dei parametri di QoS identificati
- Ottimizzare l’effort di lavorazione dei ticket ad alta probabilità di riapertura
- Minimizzare il numero di ticket riaperti tramite strategie di business basate su evidenze analitiche
Enhancing advanced analytics capabilities
Definire un modello di organizzazione dei dati legati alla vendita dei prodotti da correlare con dati esterni (eventi metereologici, sociali, politici, etc.) per ottenere insight utili a predire le vendite in modo più accurato.
NEEDS
Monitorare congiuntamente l’andamento delle vendite per permettere al Top Management di valutare e prendere decisioni per allineare l’operato agli obiettivi definiti in sede di pianificazione strategica. A tale scopo risulta fondamentale possedere informazioni affidabili, sintetiche e disponibili in modo integrato e soprattutto integrarle con altre fonti dati.
BENEFITS
GOALS
- Identificazione con tecniche di clustering gerarchico di potenziali nuovi POS profittevoli
- Stima dell’elasticità della domanda per ottimizzare gli sconti aziendali
- Sentiment analysis & natural languages analysis
- Identificazione di correlazioni tra dati esterni e vendite
- Creazione di KPI per misurare e prevenire il tasso di abbandono
- Miglioramento del sistema di relazione con cliente
- Destagionalizzazione delle campagne pubblicitarie
- Migliore selezione degli esercenti clienti
Measuring and Quantifying QoS of VTV Platform
Il progetto è indirizzato alla misura e alla quantificazione della Quality of Service (QoS) associata all’utilizzo della piattaforma Vodafone TV. Per offrire una gestione ottimale dei servizi di streaming video, il progetto prevede l’analisi congiunta dei dati acquisiti dai robot e dalla Content Delivery Network (CDN) e del palinsesto televisivo, allo scopo di generare un modello di previsione dei picchi di traffico e dei disservizi/malfunzionamenti dell’infrastruttura.
NEEDS
Vodafone desidera migliorare i servizi offerti ai clienti ottimizzando le proprie infrastrutture e garantendo in particolare una gestione ottimale dello streaming di servizi video.
Ciò è possibile attraverso l’utilizzo di tecniche di data analytics sui dati corrispondenti all’utilizzo di tali servizi da parte degli utenti. Tali dati sono raccolti mediante i meccanismi di misura dei parametri tecnici dell’infrastruttura, i log di sistema, robot, sonde e il palinsesto televisivo stesso.
BENEFITS
GOALS
- identificazione di correlazioni tra i dati raccolti dai robot, i dati della CDN ed il palinsesto televisivo, per caratterizzare il comportamento del sistema;
- dashboard che fornisca statistiche descrittive in termini di QoS in base alle correlazioni identificate
- previsioni dei picchi di traffico nello streaming e di eventuali disservizi/malfunzionamenti dell’infrastruttura.
Si stima che le correlazioni identificate e le previsioni generate saranno di potenziale interesse per promuovere lo sviluppo di un sistema esperto che consenta a Vodafone di:
- aggiornare dinamicamente l’allocazione delle risorse di rete per massimizzare la QoS
- migliorare la customer experience.
A Model for Quality of Experience Analysis in Wi-Fi Networks
Il progetto mira alla creazione e al test di un modello di valutazione della Quality of Experience (QoE) percepita dagli utenti durante l’utilizzo di una rete Wi-Fi. Tale modello definirà una correlazione tra la QoE suddetta e la Quality of Service (QoS) relativa al servizio offerto, a seguito di un’estesa analisi dei dati condotta allo scopo di identificare problemi nella connessione Wi-Fi e malfunzionamenti nell’infrastruttura.
NEEDS
Gli utenti di connessioni Wi-Fi hanno una necessità sempre crescente di navigare su Internet, scaricare dati e utilizzare risorse multimediali con garanzie di prestazioni elevatissime. In tale contesto, la misura dei classici parametri di rete non è sufficiente per valutare la QoE percepita dall’utente. Pertanto, si pone la necessità di raccogliere e analizzare ulteriori dati provenienti da varie fonti (Vodafone Net Perform su smartphone, sonde installate su router, e feedback degli utenti stessi) per identificare nuovi KPI funzionali a misurare correttamente la QoE.
BENEFITS
GOALS
- Effettuare un’analisi approfondita sui dataset raccolti e sui risultati di una survey condotta su un campione di utenti statisticamente valido, per identificare i KPI più rilevanti;
- Aggiornare conseguentemente le regole di calcolo dell’indicatore che rappresenta attualmente lo stato dell’arte nella misurazione della QoE percepita dall’utente.
Il beneficio atteso consiste nell’impiego da parte di Vodafone del suddetto modello di valutazione della QoE per perfezionare l’offerta dei propri servizi soddisfacendo le esigenze personali dei singoli utenti.
Il ricorso alla QoE in luogo della QoS per la gestione delle risorse di rete favorirà infatti la personalizzazione dei servizi prevista dalla Next Generation Internet.
Vodafone Digital Experience 2020
Vodafone mette a disposizione per i propri utenti business un totale mensile di traffico dati. Attualmente, Vodafone non è in grado di soddisfare ogni richiesta aggiuntiva di traffico dati anche se tale risorsa è disponibile.
NEEDS
Migliorare l’allocazione delle risorse di traffico tra gli utenti tramite strumenti avanzati di Ottimizzazione Matematica (Ricerca Operativa) e di Statistica
BENEFITS
GOALS
- L’obiettivo del progetto è di ottimizzare l’allocazione delle risorse di traffico dati tra gli utenti.
- In dettaglio, l’obiettivo è quello di minimizzare gli sprechi in modo da evitare che gli utenti chiedano una nuova risorsa anche se non necessaria.
- Minimizzare gli sprechi di risorse per utente attraverso l’utilizzo di risorse ottimizzate per cluster di utenti.
- Migliorare il grado di soddisfazione del cliente.
Progettazione e prototipazione Dashboard Executive
L’obiettivo di progetto è sviluppare una Dashboard Executive che permetta di avere una panoramica delle performance della Bolton Food da presentare al Top Management in modo da facilitare eventuali azioni correttive mirate al raggiungimento degli obiettivi strategici.
NEEDS
Nel contesto attuale è sempre più necessario monitorare congiuntamente l’andamento delle performance di ogni funzione aziendale per permettere al Top Management di valutare e prendere decisioni per allineare l’operato agli obiettivi definiti in sede di pianificazione strategica. A tale scopo risulta fondamentale possedere informazioni affidabili, sintetiche e disponibili in modo integrato.
BENEFITS
GOALS
- Creazione della KPI List tramite scheda di raccolta dati.
- Identificazione dei KPI e delle Viste di interesse tramite interviste.
- Assessment degli strumenti BI utilizzati in Bolton.
- Validazione dei Draft Viste e dei KPI.
- Realizzazione Documento KPI & Documento Viste.
- Prototipo delle Viste Selezionate per strategia aziendale.
- Migliorare la visibilità dei risultati aziendali.
- Aumentare la flessibilità decisionale.
- Ridurre costi e tempi di raccolta ed elaborazione delle informazioni.
- Migliorare il monitoraggio delle performance.
- Fornire una migliore visione generale del business.
Anonymization for Car Images
Il potenziale dell’image analytics sta trasformando l’industria assicurativa e Assicurazioni Generali intende sfruttarlo nei suoi processi di business. Quando si ha a che fare con dati sensibili, l’allineamento con le più recenti normative europee in tema di privacy è una priorità. Assicurazioni Generali sta cercando di adottare soluzioni di computer vision per risolvere questo problema.
NEEDS
Assicurazioni Generali vuole rimuovere dal materiale fotografico qualunque elemento che possa ricondurre all’identità dei propri clienti, sviluppando quindi una procedura di anonimizzazione automatica. Per ottenere l’anonimizzazione dei materiali utilizzati nei processi assicurativi, la rimozione di targhe e volti dalle immagini è pertanto necessaria.
BENEFITS
GOALS
- Effettuare una valutazione dei dati preliminare, con l’obiettivo di raccogliere i dati necessari per l’identificazione di targhe e persone;
- Addestrare e validare un algoritmo di object detection;
- Rimuovere/oscurare targhe e volti dalle immagini.
- Allineamento con l’attuale normativa europea sulla privacy;
- Aumento dell’efficienza dei processi di categorizzazione;
- Automazione dei processi di gestione dei dati sensibili.
Manipulation Detection over Tampered Car Images
La manipolazione illecita di immagini, al fine di accrescere i risarcimenti assicurativi, è una pratica resa sempre più facile grazie alla semplificazione delle moderne applicazioni di grafica. L’Image Analytics può rappresentare uno strumento fondamentale per riconoscere e contrastare tali illeciti. Assicurazioni Generali sta sviluppando soluzioni di Computer Vision basate sul Deep Learning per risolvere questo problema.
NEEDS
Assicurazioni Generali vuole riconoscere dal materiale fotografico relativo ai sinistri stradali qualunque tentativo di tampering (manipolazione) illecito atto a modificare e/o amplificare eventuali danni al veicolo, sviluppando quindi una procedura di rilevazione automatica che permetta di riconoscere le immagini manipolate.
BENEFITS
GOALS
- Effettuare una valutazione dei dati preliminare, con l’obiettivo di raccogliere i dati necessari per la rilevazione delle varie tipologie di tampering.
- Addestrare e validare un algoritmo di manipulation detection che riconosca le aree manomesse dell’immagine.
- Rilevazione dei tentativi di frode assicurativa.
- Automazione dei processi di riconoscimento delle manomissioni
NEEDS
Ad ogni utente del dispacciamento quotidianamente è richiesto di fornire una previsione del proprio profilo di immissione e prelievo. Misurando lo scostamento tra la previsione fornita e la misura effettiva contabilizzata da Terna, ogni utente del dispacciamento si vede corrispondere un premio o una penale, nella misura in cui riduce o favorisce lo sbilanciamento macro-zonale.
Risulta utile quindi uno strumento di supporto al business in grado di prevedere con il giusto anticipo il segno dello sbilanciamento di energia.
Al giorno d’oggi la quantità di informazioni digitali che si genera quotidianamente è notevole. Tali informazioni rappresentano un importantissimo patrimonio organizzativo.
Grazie all’analisi dei dati degli utenti è infatti possibile migliorare la profilazione degli stessi, dedurre informazioni d’interesse riguardo le loro abitudini comportamentali e prevedere scenari.
Lo sviluppo di algoritmi dinamici basati sui dati porta all’offerta di servizi altamente personalizzati, che nel contesto odierno, può rappresentare un’importante fonte di vantaggio competitivo.
Al giorno d’oggi la quantità di informazioni digitali che si genera quotidianamente è notevole. Tali informazioni rappresentano un importantissimo patrimonio organizzativo.
Grazie all’analisi dei dati degli utenti è infatti possibile migliorare la profilazione degli stessi, dedurre informazioni d’interesse riguardo le loro abitudini comportamentali e prevedere scenari.
Lo sviluppo di algoritmi dinamici basati sui dati porta all’offerta di servizi altamente personalizzati, che nel contesto odierno, può rappresentare un’importante fonte di vantaggio competitivo.
Valorizzazione ed integrazione dei Big Data presenti all’interno dell’azienda provenienti da differenti sistemi: sistema di controllo delle stazioni, sistema di gestione dei guasti e sistema per la gestione della manutenzione.
L’azienda ha la necessità di migliorare il monitoraggio dei dati provenienti dalla piattaforma al fine di individuare e prevedere i disservizi lato cliente, attraverso il miglioramento della dashboard. Successivamente, passare da una logica descrittiva ad una predittiva, andando a prevenire eventuali disservizi utilizzando algoritmi predittivi di Machine Learning. Le principali sfide tecnologiche sono:
Manipolare i dati provenienti da Digital Support Decoder.
Creare un modello che riesca ad identificare i fenomeni che generano disservizi intercettandoli preventivamente.
L’azienda vuole sfruttare strumenti di advanced analytics, in modo da identificare statistiche che descrivano come i clienti si interfacciano ai servizi di intrattenimento digitale offerti da Tim (Customer Behaviour Analysis) lungo tutto il ciclo di vita del cliente, avendo così la possibilità di sapere di sapere come il cliente interagisce con il servizio.
Sulla base di questa analisi sarà possibile applicare azioni di Churn prediction con l’obiettivo di predire il cluster di clienti con un rischio di abbandono più alto ed ottenere quindi una Churn prevention più efficace.
L’obiettivo è quello di creare una robusta base per le successive analisi, al fine di sfruttare le potenzialità degli algoritmi di churn prediction.
Definire un modello di organizzazione dei dati legati alla vendita dei prodotti da correlare con dati esterni (eventi metereologici, sociali, politici, etc.) per ottenere insight utili a predire le vendite in modo più accurato.
Enhancing advanced analytics capabilities
Monitorare congiuntamente l’andamento delle vendite per permettere al Top Management di valutare e prendere decisioni per allineare l’operato agli obiettivi definiti in sede di pianificazione strategica. A tale scopo risulta fondamentale possedere informazioni affidabili, sintetiche e disponibili in modo integrato e soprattutto integrarle con altre fonti dati.
Monitorare congiuntamente l’andamento delle vendite per permettere al Top Management di valutare e prendere decisioni per allineare l’operato agli obiettivi definiti in sede di pianificazione strategica. A tale scopo risulta fondamentale possedere informazioni affidabili, sintetiche e disponibili in modo integrato e soprattutto integrarle con altre fonti dati.
