Проведение предиктивной аналитики с использованием базовых и настроенных моделей на основании данных BPMSoft. 

 Базовые модели:

• Рекомендательные системы - модель машинного обучения, которая позволяет прогнозировать, какие записи системы будут наиболее интересны клиентам, какие продукты или сервисы следует рекомендовать клиенту, основываясь на его предыдущей активности. Есть возможность настройки модели рекомендаций любых других объектов для любых субъектов системы;
• Предиктивный скоринг - модель машинного обучения, является одним из инструментов предиктивного анализа данных, используется для формирования рейтинга записи на основании анализа исторических и современных данных. Возможность создавать модель, которая будет оценивать перспективность лидов на основании данных о бюджете и успешности перевода в продажу исторических записей;
• Прогнозирование справочного поля (классификация) - модель машинного обучения, позволяет настроить автозаполнение справочных полей, основываясь на данных системы. Например, настройка модели для предсказания наиболее вероятной категории контрагента;
• Прогнозирование числового поля (регрессия) - модель машинного обучения, позволяющая рассчитать значение числового поля. Например, спрогнозировать бюджет лида в зависимости от потребности клиента, размера его компании, страны проживания и отрасли;
• Поиск похожих текстов - модель машинного обучения, позволяет создавать подборки похожих записей на основании анализа неструктурированных текстовых данных. Например, настройка модели для подбора статьи базы знаний или ответов на основании текста обращения.

Настроенные модели, обучающиеся на данных модулей BPMSoft:

Модели для модуля "Управление сервисом":

• Прогнозирование приоритета обращения - модель машинного обучения, позволяющая прогнозировать вероятный приоритет обращения на основе имеющихся исторических данных по обращениям;
• Прогнозирование группы ответственных обращения – модель машинного обучения, позволяющая прогнозировать вероятную группу ответственных обращения на основе имеющихся исторических данных по обращениям;
• Прогнозирование сервиса обращения - модель машинного обучения, позволяющая прогнозировать вероятный сервис обращения на основе имеющихся исторических данных по обращениям;
• Поиск похожих обращений - процесс использования алгоритмов машинного обучения для анализа текстовых данных пользователей и поиска обращений, которые имеют схожую тематику или содержание.

Модели для модуля "Управление продажами":

• Предиктивный скоринг лидов (Управление продажами + Управление маркетингом) - модель машинного обучения, позволяет прогнозировать вероятность того, что потенциальный клиент (лид) станет конвертированным клиентом на основе данных по продажам и анализа поведения лидов в прошлом;
• Предиктивный скоринг продаж - модель машинного обучения, позволяет прогнозировать вероятность совершения покупки или заключения сделки клиентом на основе его истории взаимодействия с компанией, а также других характеристик и факторов;
• Рекомендация продуктов для контакта - процесс использования алгоритмов машинного обучения для анализа прошлых покупок и предоставления рекомендаций контактам о продуктах, которые могут заинтересовать их в будущем;
• Рекомендация продуктов для контрагента - процесс использования алгоритмов машинного обучения для анализа прошлых покупок и предоставления рекомендаций контрагентам о продуктах, которые могут заинтересовать их в будущем.

Основные преимущества:

• Гибкая настройка своих моделей под решения;
• Использование моделей в бизнес-процессе или конкретной бизнес-сущности (с учетом заданных правил и ограничений;
• Настройка механизмов обучения и переобучения моделей;
• Высокий уровень качества результатов работы моделей.

Техническая поддержка приложения осуществляется разработчиком приложения согласно Условиям (Регламенту) предоставления технической поддержки BPMSoft.

• ОС: Linux, Windows; 
• Инсталляции: .Net Framework и .Net Core;
• Поддерживаемые СУБД: Microsoft SQL Server 2016 и выше; PostgreSQL 12 и выше;
• Виртуальный процессор: количество ядер — 4 и более, частота 2.6 ГГц и более;
• Соотношение виртуальных и физических ядер: не более 2 виртуальных ядер на 1 физическое ядро;
• ОЗУ: 8 ГБ и более; 
• Дисковое пространство: 20 ГБ и более, 20 IOPS, задержка менее 20 мс; 
• Сетевой интерфейс: количество — 2, скорость 1 Гбит/с и более;
• Docker v.18.03.1 и выше; 
• Kubernetes v.1.25 и выше;
• Helm v.3.