Time Series Inventory Forecasting

0 avaliações

A previsão de inventário gera 30 meses de previsão futura do inventário usando dados históricos. Ela utiliza algoritmos de ML em conjunto com algoritmos de seleção automática de modelos. Esta solução fornece resultados consistentes e melhores devido à sua abordagem de aprendizado em conjunto. Esta solução realiza a seleção automática de modelos para aplicar o modelo certo com base nos dados de entrada.

InfraGraf Network Traffic Forecasting

0 avaliações

A previsão de tráfego de rede do InfraGraf ajuda as empresas a obter uma previsão futura do tráfego de rede com base em dados históricos. Os benefícios oferecidos por esta solução incluem previsão precisa do tráfego de rede, o que possibilita um melhor planejamento para a infraestrutura de rede, escalabilidade de aplicativos e autoescalonamento. Utiliza algoritmos de ML em conjunto com algoritmos de seleção automática de modelos. Esta solução fornece resultados consistentes e melhores devido à sua abordagem de aprendizado em conjunto. Esta solução realiza a seleção automática de modelos para aplicar o modelo certo com base nos dados de entrada.

Time Series Ticket Forecasting

0 avaliações

A previsão de tickets de séries temporais da Mphasis ajuda as empresas a prever o número de tickets de um tipo específico com base em dados históricos. Isso ajudará as empresas a avaliar o nível de automação, bem como a intervenção humana necessária para resolver os problemas e planejar de acordo. Ele utiliza algoritmos de ML em conjunto com algoritmos de seleção automática de modelos. Esta solução fornece resultados consistentes e melhores devido à sua abordagem de aprendizado em conjunto. Esta solução realiza a seleção automática de modelos para aplicar o modelo certo com base nos dados de entrada.

Mobile Customer Churn Prediction

0 avaliações

A rotatividade de clientes refere-se à perda de clientes ou consumidores existentes. Esta solução identifica assinantes de redes móveis que têm maior probabilidade de mudar de operadora. Durante a fase de treinamento, a solução realiza automaticamente a interação de características nos dados de treinamento e seleciona um subconjunto de características com base na importância das características. Em seguida, treina múltiplos modelos e identifica o modelo de melhor desempenho. Este modelo é então selecionado para previsão em novos dados.

E-commerce Customer Churn Prediction

0 avaliações

A rotatividade de clientes refere-se à perda de clientes ou consumidores existentes. Esta solução identifica clientes de E-commerce que são mais propensos a parar de usar o aplicativo ou o portal de E-commerce. Durante a fase de treinamento, a solução realiza automaticamente a interação de características nos dados de treinamento e seleciona um subconjunto de características com base na importância das características. Em seguida, treina múltiplos modelos e identifica o modelo de melhor desempenho. Este modelo é então selecionado para previsão em novos dados.

Service Desk Ticket Classification

0 avaliações

Uma alta frequência de problemas pode gerar um número esmagador de tickets de service desk e uma delegação incorreta para as equipes lidarem com eles. Isso leva a um aumento no MTTR (tempo médio para resolver) e uma queda no FCR (resolução na primeira chamada). A solução mitiga esses problemas treinando um modelo de ML multifatorial que considera fatores como impacto do ticket, urgência, prioridade, descrição do problema e outras características para prever o grupo mais relevante para resolver um ticket. Um conjunto de modelos é executado através dos dados para selecionar o modelo mais generalizável para a tarefa de classificação de tickets.