ST IT Cloud

Cases de Sucesso
ST IT Cloud

Projetos de Sucesso com Nossos Clientes

DESAFIOS E SOLUÇÕES

Setor de Tecnologia

Estruturação, Centralização e Desenvolvimento de Dashboards e Relatórios utilizando Amazon QuickSight

Tecnología

Data Analytics / Amazon QuickSight / Machine Learning

Desafío

Establecer un proceso centralizado y estandarizado para el desarrollo de dashboards e informes más complejos, con el objetivo de unificar las herramientas y plataformas utilizadas y proporcionar los resultados en tiempo real para su consumo

Solución

Implementamos novos processos, realizamos migração e centralização dos dashboards e relatórios, além de construir novos novos painéis usando algortimos de Machine Learning incorporados na ferramenta Amazon QuickSight.

Estas acciones contribuyeron significativamente a mejorar la calidad y la velocidad de la información disponible para las decisiones del área de negocios.

Setor Seguros e Educação

Desarrollo de Machine Learning para Análisis Automático de Documentos y Extracción de Datos

Tecnología

Machine Learning / Cloud / AWS / Amazon SageMaker / Amazon Textract / Amazon Rekognition / Amazon Comprehend

Desafío

Realizar mejoras en el proceso de análisis y hacer que los datos estén disponibles manualmente en el sistema. Optimice el tiempo de evaluación y validación de documentos de manera más eficiente

Solución

Hemos desarrollado un modelo altamente eficiente capaz de analizar, validar, clasificar, mejorar, recortar y extraer texto de imágenes de forma automática, lo que se traduce en una importante reducción del tiempo y esfuerzo necesarios para realizar estos análisis, además de mejorar la calidad de los resultados.

Setor Agrícola

Implementación de lago de datos sin servidor en AWS

Tecnología

Data Analytics / Cloud / AWS / Data Lake / AWS Glue / Amazon RedShift / Amazon Comprehend

Desafío

Reduzca los costos de la nube, cree un entorno de datos adecuado y escalable para satisfacer las necesidades comerciales, una gobernanza de datos más efectiva y centralice los datos de los socios.

Solución

Implementación de un Data Lake sin servidor en la plataforma en la nube de AWS, con integraciones simplificadas y centralización de datos de diversas fuentes y socios a través de API

Seguros e Educação

Setor Educação

Tecnología

Machine Learning / Cloud / AWS / Amazon SageMaker / AWS Glue / Step Functions / Amazon Neptune

Desafío

Desarrollar un motor de recomendación de cursos, a través del análisis de datos de la base de datos de estudiantes de la institución educativa.
Los datos necesarios para el desarrollo de este proyecto fueron proporcionados por la institución educativa, con el respaldo de datos públicos.

Solución

Desarrollo de un motor de recomendación de cursos, mediante análisis de datos. Se consideraron tablas de ciudades, municipios, IBGE, áreas de conocimiento, correspondencia entre áreas y carreras y tabla de año de finalización. Para facilitar la creación y ejecución de aplicaciones gráficas, utilizamos Neptune.

Setor Energia

Tecnología

Machine Learning / Cloud / AWS / Amazon SageMaker / AWS Data Migration Service (DMS) / AWS Glue / AWS Athena / Amazon QuickSight

Desafío

Identificar nuevos perfiles de variación de consumo, categorizar consumidores, automatizar análisis de riesgos y ampliar el portafolio de productos.

Solución

Desarrollamos modelos de Machine Learning para identificar nuevos perfiles de variación de consumo, categorizar consumidores, automatizar análisis de riesgos y ampliar el portafolio de productos. Utilizamos datos públicos de la CCEE (Cámara Comercializadora de Energía Eléctrica) para clasificar el perfil de variación del consumo de los consumidores utilizando el CNPJ. Luego aplicamos métricas proporcionadas por los clientes para establecer primas, descuentos o realizar acciones de marketing específicas para esos clientes.

Energia
Educação

Setor Educação

Tecnología

Machine Learning / Cloud / AWS / Amazon SageMaker / AWS Glue / Step Functions / Amazon Neptune

Desafío

El objetivo de este proyecto fue detectar la probabilidad de abandono estudiantil mediante el análisis de diversos datos disponibles.

Solución

Utilizamos técnicas de entrenamiento del modelo Machine Learning para asignar a cada estudiante una puntuación de probabilidad de abandono en función de su perfil. Los datos utilizados fueron proporcionados por la institución educativa e incluyeron información financiera, registros de asistencia (horarios de entrada y salida) y el historial académico del estudiante en la institución.

es_ESSpanish