imported>Aapoludnitsin: Migrated current public revision from wiki.cs.hse.ru

2018-10-16T11:43:22Z

Migrated current public revision from wiki.cs.hse.ru

Новая страница

{{Карточка_командного_проекта
|name=Автоматизированная идентификация аномалий методами Process Mining
|company=PwC
|semester=Осень 2018
|course=3-4
|number_of_students=3-5
|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.
 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?)

{| 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 ===

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

Автоматизированная идентификация аномалий методами Process Mining - История изменений

imported>Aapoludnitsin: Migrated current public revision from wiki.cs.hse.ru