Prediction of license utilitation development in RPA systems and managing risk of insufficientness

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.

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.