Predikce vývoje počtu licencí v RPA systémech a řízení rizika nepostačitelnosti

Ondrej Paralič

Master's thesis

Abstract:

Různé typy metod prediktivní analytiky jsou v oblasti byznysu využívány k odhalování klíčových informací, pomocí kterých podnik může provádět efektivní rozhodnutí pro vybrané typy problémů. Aplikace modelů na predikci časových řad jako jeden z přístupů prediktivní anlytiky, jsou pravidelně využívány k vytváření odhadů a prognóz vývoje různých ukazatelů a metrik důležitých pro fungování podniku. V této práci se zaměříme na aplikaci statistických metod a stromových modelů strojového učení k modelování vývoje nelineární časové řady. Využití takových modelů je určeno pro vybraný byznys problém, jehož cílem bude poskytnout informace o budoucím vývoji časové řady pro zefektivnění alokace dostupných prostředků a odstranění nadbytečných nákladů firmy při technologii RPA. Základní element modelované časové řady je počet simultánně běžících robotů na systémech firmy. Samotná bodová predikce ovšem nepřináší žádnou další informaci o pravděpodobnostním rozložení cílové proměnné. Pro adresování tohoto problému v práci budeme aplikovat různé metody tvoření predikčních intervalů, které pomohou firmě lépe řídit rizika nepostačitelnosti. Nabytá zjištění budou prezentována formou interaktivního dashboardu, kde budou znázorněny predikce doplněné o predikční intervaly i předpokládaný čas dosažení maximálních hodnot realizace cílové proměnné.

Abstract:

Various types of methods described in area of predictive analytics are frequently used for extraction of valuable information that can be applied on variety of business cases which can result in firm being able to create most effective decision possible. Application of time series forecasting models is one of the available methods that are part of predictive analytics. These kinds of models are often used for creating forecasts of KPIs and metrics that are important for business operations. In this work we will focus on creating a variety of statistical and tree-based machine learning models for forecasting a development in nonlinear series. These models will be subsequently utilized in certain business case, that will lead to better allocation of available resources and prevention of potential unnecessary costs in firm that is offering RPA technology to its customers. Basic element of modeled time series is amount of maximal concurrent usage of robots that are running on firms systems. To address issue of having insufficient number of licenses for all running robots, a creation of prediction interval is proposed to tackle potential issues of having insufficient number of available licenses. Outputs of this analysis will be provided in suitable visualizations that will be all together part of interactive dashboard. Visualizations will offer its users to see predicted development of time series together with prediction intervals associated with each forecast.

Abstract:

Rôzne typy metód prediktívnej analytiky sú v oblasti biznisu využívané na odhaľovanie kľúčových informácií, pomocou ktorých podnik môže vykonávať efektívne rozhodnutia pre vybrané typy problémov. Aplikácie modelov na predikciu časových rád ako jeden z prístupov prediktívnej anlytiky, sú pravidelne využívané na vytváranie odhadov a prognóz vývoja rôznych ukazateľov a metrík dôležitých pre fungovanie podniku. V tejto práci sa zameriame na aplikáciu štatistických metód a stromových modelov strojového učenia na modelovanie vývoja nelineárnej časovej rady. Využitie takýchto modelov je určené pre vybraný biznis problém, ktorého cieľom bude poskytnúť informácie o budúcom vývoji časovej rady pre zefektívnenie alokácie dostupných prostriedkov a odstránenie nadbytočných nákladov firmy pri technológii RPA. Základný element modelovanej časovej rady je počet simultánne bežiacich robotov na systémoch firmy. Samotná bodová predikcia avšak neprináša žiadnu ďalšiu informáciu o pravdepodobnostnom rozložení cieľovej premennej. Pre adresovanie tohto problému v práci budeme aplikovať rôzne metódy tvorenia predikčných intervalov, ktoré pomôžu firme lepšie riadiť riziká nepostačiteľnosti. Nadobudnuté zistenia budú prezentované formou interaktívneho dashboardu, kde budú znázornené predikcie doplnené o predikčné intervaly ako aj predpokladaný čas dosiahnutia maximálnych hodnôt realizácie cieľovej premennej.

Keywords

Predikční interval, RPA, Prediktivní analytika, Predikce časových řad, CRISP-DM, Analýza časových řad

Keywords

Time series forecasting, Prediction interval, RPA, CRISP-DM, Predictive analytics, Time series analysis

Keywords

CRISP-DM, Prediktívna analytika, Analýza časových rád, RPA, Predikcia časových rád, Predikčný interval

Language used: Slovak

Date on which the thesis was submitted / produced: 4. 5. 2022

Thesis defence

• Date of defence: 10. 6. 2022
• Supervisor: Pavel Zimmermann
• Reader: Tomáš Karel

Vysoká škola ekonomická v Praze

Master programme:
Data a analytika pro business