Высокие технологии проникают во все отрасли бизнеса и промышленности, не исключая, конечно же, металлургию. Благодаря разным технологиям металлургические предприятия более эффективно используют ресурсы, мониторят качество продукции, улучшают показатели непрерывности процесса производства. Но нет предела совершенству! И поэтому мы в ПАО «Северсталь» совместно с McKinsey и при поддержке Russian Hackers решили провести онлайн-хакатон для аналитиков и разработчиков в сфере поиска и анализа данных. Может быть, это как раз вы или ваши друзья? Кто может участвовать Для участия в нашем хакатоне есть всего три условия: Во-первых, анализ данных или разработка – это ваша профессия или хобби. Во-вторых, участвовать можно как одному человеку, так и команде до 5 человек. В-третьих, для получения приза в команде должен быть хотя бы один гражданин РФ старше 18 лет. Если у вас ещё нет тиммейтов, но вы хотели бы с кем-то объединиться, можно поискать их в чате хакатона в Telegram или в разделе « Поиск команды » на платформе регистрации. Кроме того, помочь могут и организаторы. Важный момент – для работы не нужен мощный ноутбук или ПК. Вполне достаточно рабочего ПК и выхода в интернет. Участвовать можно из любой точки мира. Задачи для участников Мы подготовили четыре задачи для участников хакатона. Задача 1. Управление ликвидностью Суть задачи: Провести исследование данных по затратам на энергоресурсы за несколько лет, проанализировать возможности обогащения внешними данными, определить значимые факторы влияния, построить прогнозную модель с пошаговым разъяснением принципов построения. На выходе – понятный как для аналитика, так и для бизнес-пользователя Jupyter Notebook с подробным Exploratory Data Analysis (EDA). Ключевые вопросы участникам: Какие закономерности движения денежных потоков в разрезе балансовых единиц удалось выделить в результате EDA? Какие связи были найдены при исследовании? Можно ли предположить, в какие дни будут происходить транзакции в будущем? Проверьте свои результаты на имеющихся данных, какой МАРЕ у вас получился? Попробуйте составить график движения денежных средств на основе выявленных закономерностей на 1-2 квартал 2021 года (будет предложен пример). Какие данные могли бы, на ваш взгляд, помочь построить более точный прогноз? Предложите схему сбора новых данных: частота, гранулярность и другие необходимые параметры. Отразите в презентации, как вы предполагаете использовать эти данные для решения задачи. Почему это важно: «Северсталь» непрерывно улучшает качество планирования, что дает возможности более эффективно распределять финансовые ресурсы и экономить на финансовых затратах. Наша задача на этом хакатоне – найти инсайты для увеличения точности прогноза доходов и расходов по статьям ликвидности. Задача 2. Мониторинг цен Суть задачи: Разработать инструмент, помогающий специалисту планировать цену на закупку запасных частей к спец. технике. Подойти к задаче творчески: создать инструмент прогнозирования в будущем либо "сервис-шпаргалку" пользователю с анализом конкретных товаров и вариантов определения цен (should cost model). В задаче предстоит разработать принципы алгоритмического мэппинга имён и характеристик товаров, исследовать зависимости между данными. На выходе – воспроизводимый код и презентация сервиса. Ключевые вопросы участникам: Вы разработали инструмент, который позволит специалисту на основе внутренних и внешних факторов планировать цену на закупку. Расскажите, какие внешние данные вам удалось собрать? Как на ваш взгляд эти данные могут повлиять на планирование и мониторинг цен на товары? Как будет выглядеть процесс использования инструмента для специалиста по планированию? Опишите бизнес-процесс с иллюстрациями. Разработанный инструмент должен позволять как визуализировать данные по товарам, так и выгружать данные в Excel для «быстрого» построения отчета. Продемонстрируйте варианты информативной визуализации и подготовьте код для формирования отчета, а также пример отчета. Каких внутренних данных не хватает для улучшения качества планирования? Почему это важно: «Северсталь» массово обрабатывает десятки товарных групп при планировании бюджетов на закупку. Для увеличения скорости и точности обработки рассматривается альтернативный сценарий планирования цен на закупку по наиболее популярным категориям товаров с использованием алгоритмов, основанных на поиске данных. Задача 3. Автоматический поиск поставщиков Суть задачи: Задача состоит из нескольких блоков: разработка алгоритма для парсинга товаров исследование возможных данных во внешних источниках разработка программы подготовки информации в требуемом разрезе (товар vs поставщик vs рейтинг поставщика) На выходе – воспроизводимый код и презентация сервиса. Ключевые вопросы участникам: Опишите ваше решение в таком разрезе: список найденных факторов, алгоритм поиска этих факторов во внешней среде, критерии ранжирования по ним контрагентов в связке с каждым товаром (возможно, не все факторы релевантны всем товарам). Опишите бизнес-процесс с иллюстрациями. В рамках вашего решения должна быть дополнена информация о контрагенте, принадлежащем к номенклатуре. В частности, это могут быть ИНН/КПП, юр. адрес, статус, фин. показатели, отзывы о компании и др. Какие инсайты по поиску информации о поставщиках и подходы для проведения ранжирования вы нашли? Разработанный инструмент должен позволять визуализировать данные по поставщикам с привязкой (с учетом ранжирования) к товарам. Почему это важно: Автоматизация процесса поиска, первичной проверки и базового ранжирования поставщиков в разрезе каждой товарной группы – задел в сторону дополнительной прозрачности в принятии решений по закупкам и упрощения бизнес-процесса. Задача 4. Анализ контрагентов Суть задачи: Провести исследование имеющихся данных и попробовать спрогнозировать просрочку по контрагенту, предложить, как обогатить модель иными данными. На выходе – понятный как для аналитика, так и для бизнес-пользователя Jupyter Notebook с подробным Exploratory Data Analysis (EDA) и воспроизводимым кодом решения, предобработки, моделирования, а также выводами. С нас — данные по контрагентам за 2 года, список показателей для анализа, выборка для обучения модели. Ключевые вопросы участникам: Вам представлены данные за разные годы с различным набором информации. Проведите EDA, постарайтесь определить и визуализировать взаимосвязи и выделите самые значимые факторы, опишите свои выводы. Возможно ли на данных за предыдущие годы спрогнозировать по контрагенту на следующий год: a) факт просрочки; б) просрочку более 30 дней; с) просрочку в диапазоне от 60 до 90 дней? Какие дополнительные данные можно было бы добавить для повышения точности прогноза? Почему это важно: Повышение точности прогнозирования просрочек позволяет более точно планировать доходность и возможные риски. Когда можно приступать? Подать заявку можно по этой ссылке до 8 марта . Нужно заполнить анкету, создать команду и пригласить единомышленников или же участвовать самостоятельно. С 22 февраля по 8 марта пройдёт отборочный этап, нужно будет отправить решение одной из четырёх предложенных задач. 14 марта мы объявим итоги отбора. Финальный этап хакатона пройдёт 18-20 марта . Финалисты смогут доработать свои решения бок о бок с бизнесом. В течение этого этапа команды участвуют в онлайн чек-поинтах с экспертами и загружают итоговое решение на платформу регистрации. 20 марта все финалисты приглашаются на питчи своих решений в офис. Можно будет выступить онлайн. После оглашения результатов планируется награждение, афтерпати и нетворкинг в офисе при участии экспертов «Северстали» и McKinsey. Что получают участники? Призовой фонд включает как денежные призы, так и мерч: 700 000 рублей – общий призовой фонд хакатона. 4 приза по 100 тыс. рублей за лучшее решение каждого трека 200 тыс. рублей получит лучшее решение всего хакатона, а 100 тыс. рублей – лучшее решение по версии участников. 160 наборов мерча получат участники по итогам отборочного этапа. 5 плюшевых маскотов уйдут победителям конкурса. Призы ждут победителей! Осталось только зарегистрироваться по ссылке и принять участие. Дополнительную информацию можно получить на сайте хакатона или в Telegram-чате .)