Monitoring Almaz

Продукт
Разработчики: Инлексис (Inleksys)
Технологии: Data Quality - Качество данных,  MDM - Master Data Management - Управление основными мастер-данными

Содержание

Основные статьи:


Самообучающийся адаптивный мониторинг качества сервисов и отчетности «Алмаз»

Задачи

  • Требуются постоянно качественные данные в финансовой и оперативной отчетности, промышленных агрегатах и представлениях
  • Требуется real-time мониторинг технологических, экономических и операционных KPI в больших потоковых данных
  • Требуется своевременная реакция на любые нештатные ситуации до того как они окажут существенное влияние

Функции решения

  • Непрерывный автономный мониторинг качества отчетности и потоковых данных
  • Незамедлительная нотификация в случае обнаружения статистически значимых отклонений. Уведомления в мобильном приложении.
  • Самообучающая на имеющихся данных и подстраивающаяся под действия пользователя система, не требующая экспертных знаний

Самообучающийся контроль качества данных

Мгновенное выявление атипичных

  • Сезонности
  • Выходных и праздничных дней
  • Временных суточных интервалов
  • Статических выборов
  • Специфики типовых отклонений

Непрерывное автоматизированное машинное обучение

  • Скользящее среднее
  • Доверительные долевые интервалы
  • Автокорреляция
  • Регрессия
  • Набор специализированных типовых
  • проверок
  • Алгоритмы CUSUM и Shewhart
  • Исторические и потоковые данные

Промышленный непрерывный мониторинг качества поступающих данных

  • Регулярная BI отчетность
  • Аналитические агрегаты
  • Потоковые данные реального времени
  • Операционная отчетность
  • Высоконагруженные технологические процессы
  • Большие данные

Схема решения Monitoring Almaz

Схема решения Monitoring Almaz
Библиотека объектов мониторинга Almaz
Создание нового мониторинга Almaz
  • Система позволяет задать поля и группировки мониторинга
  • Система сканирует данные и определяет их тип и особенности (дискретные, строковые, непрерывные, справочные / категориально-долевые и т.п.) для выбора оптимальных моделей

Визуализация отклонений Almaz
Управление инцидентами в Trello
Архитектура решения Almaz

На примере данных сетевых проб можно видеть, что машинное обучение системы «Алмаз» качественным образом описывает поведение потока, не смотря на сильные всплески в течение дня и значительные суточные колебания

Пример доверительного интервала

Похожие продукты

Состав классического Data Quality продукта

  • Средство анализа/визуализации данных для исследователей
  • Библиотека правил. Эксперты создают правила валидации, эксперты периодически обновляют правила валидации
  • Проверка качества вводимых данных по шаблонам (адреса, e-mails и т.п.)
  • Мониторинг и нотификации

(данные актуальны на 2017г.)



ПРОЕКТЫ (1) ИНТЕГРАТОРЫ (2) СМ. ТАКЖЕ (1)


Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров

За всю историю
2021 год
2022 год
2023 год
Текущий год

  Datareon (Датареон) (1, 54)
  АйТи Про (IT Pro) (1, 4)
  ЮниДата (UniData) (1, 3)
  Modus BI (БиАЙ Про) (1, 3)
  Informatica (2, 1)
  Другие (5, 5)


Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров

За всю историю
2021 год
2022 год
2023 год
Текущий год

  Datareon (Датареон) (2, 366)
  Цифра (2, 35)
  Axelot (Акселот) (1, 28)
  HFLabs (ХФ Лабс), ранее HumanFactorLabs (5, 25)
  Informatica (14, 21)
  Другие (276, 207)

  Datareon (Датареон) (1, 54)
  Commvault (2, 5)
  АйТи Про (IT Pro) (1, 4)
  ЮниДата (UniData) (1, 3)
  Цифра (1, 2)
  Другие (25, 25)

  Datareon (Датареон) (1, 67)
  Цифра (1, 7)
  HFLabs (ХФ Лабс), ранее HumanFactorLabs (3, 5)
  Axelot (Акселот) (1, 5)
  АСКОН (1, 2)
  Другие (14, 15)

Распределение систем по количеству проектов, не включая партнерские решения

За всю историю
2021 год
2022 год
2023 год
Текущий год