Создайте проект на платформе, если у вас его еще нет, чтобы записаться на консультацию
69189 проектов
Сортировать по
Экспертные заключения: 0
Консультации: 0

«30 дней после стационара» — цифровой навигатор пациента после выписки

Проект участника акселерационной программы HealthPRO+. Цифровой сервис структурирует первые недели после выписки из терапевтического или кардиологического стационара: контрольные посещения, выполнение назначений, перечень вопросов врачу и изучение образовательных материалов. На первом этапе разрабатывается один типовой маршрут. Сервис не изменяет выписанные назначения и не принимает врачебных решений.

Ссылка

На страницу проекта

Направление

IT, Здравоохранение, медицина, фармацевтика

Рынки

HealthNet

Сквозные технологии

Искусственный интеллект, Персонифицированная медицина
Экспертные заключения: 0
Консультации: 0

АгроОт-Помощник

Цифровой чат‑ассистент на основе технологий ИИ, который помогает специалистам по охране труда и линейному персоналу сельхозпредприятий выполнять регламентные задачи и принимать правильные решения в области безопасности.

Ссылка

На страницу проекта

Направление

Сельское хозяйство

Рынки

TechNet, SafeNet

Сквозные технологии

Искусственный интеллект, Технологии хранения и анализа больших данных
Экспертные заключения: 0
Консультации: 0

КутюрID

Цифровой паспорт изделия. Поĸупателю достаточно приложить смартфон ĸ чипу, чтобы отĸрыть информацию о подлинности, происхождении, хараĸтеристиĸах и доĸументах изделия. Защищённый ĸриптографичесĸий отĸлиĸ при проверĸе затрудняет ĸопирование метĸи.

Ссылка

На страницу проекта

Направление

Креативные технологии и индустрия развлечений, Торговля и ритейл

Рынки

WearNet

Сквозные технологии

Технологии хранения и анализа больших данных, Технологии информационной безопасности, Технологии беспроводной связи и «интернета вещей»
Экспертные заключения: 0
Консультации: 0

Автоматическое формирование отчёта о выполненной миссии Курбонов Руслан Шавкатович Сычева Екатерина Сергеевна TechNet

Система автоматической генерации структурированного отчета о выполнении миссии БВС

Ссылка

На страницу проекта

Направление

Беспилотные авиационные системы

Рынки

TechNet

Сквозные технологии

Новые производственные технологии
Экспертные заключения: 0
Консультации: 0

LookLab

виртуальная примерная нового поколения

Ссылка

На страницу проекта

Направление

Другое

Рынки

WearNet

Сквозные технологии

Искусственный интеллект
Экспертные заключения: 0
Консультации: 0

Производство закуски из адыгейского сыра по оригинальной рецептуре

производство закуски из адыгейского сыра по оригинальной рецептуре

Ссылка

На страницу проекта

Направление

Производство продуктов питания

Рынки

FoodNet

Сквозные технологии

Новые производственные технологии
Экспертные заключения: 0
Консультации: 0

Создание сервиса установки автозвука на основе цифровых технологий и искусственного интеллекта «ЦИКАДА МАКЪЭ»

Разработка и внедрение ИИ в систему работы с клиентами в сфере автозвука на стадии консультации, сборки и дальнейшего обслуживания. А также внедрения коммуникации клиента, сервиса и простого обывателя

Ссылка

На страницу проекта

Направление

IT, Торговля и ритейл

Рынки

TechNet

Сквозные технологии

Искусственный интеллект
Экспертные заключения: 0
Консультации: 0

Система прогнозирования сроков и распределения ресурсов на основе методов машинного обучения и линейного программирования

Система прогнозирования сроков и распределения ресурсов на основе методов машинного обучения и линейного программирования. Модуль ПО для управления тайм менеджментом и ресурсами компании.

Бизнес-модель

1. Проблема

Руководители ИТ-компаний, банков и других организаций с портфелем проектов принимают решения о распределении бюджета и ресурсов на основе разрозненных данных из Jira, Excel и интуиции. При запуске нескольких проектов параллельно возникает перегрузка команд, срывы сроков и неэффективное использование бюджета. Существующие инструменты (Jira, MS Project, ERP) не связывают бюджет с кадровым профилем и не позволяют оценить влияние нового проекта на портфель в целом. Руководитель не может ответить на вопросы: «Сколько специалистов нужно в каждом месяце?», «Где возникнет перегрузка?», «Что будет, если добавить ещё один проект?».

1a. Существующие альтернативы

На рынке представлены:

  • Jira + плагины (Tempo, BigPicture) — управление задачами и ресурсами, но без оптимизации бюджета и кадрового профиля.
  • MS Project / Primavera — календарно-сетевое планирование, но не адаптировано к специфике ИТ и банковских проектов (итеративность, регуляторные требования).
  • ERP-системы (SAP, Oracle) — фокус на финансах, но не на портфельном планировании ресурсов.
  • Excel-модели — гибкие, но ручные, не масштабируются, не учитывают взаимосвязи.

Отсутствует решение, которое объединяет оптимизацию бюджета, кадровый профиль и портфельное планирование в единой математической модели, калибруемой по реальным данным компании.

2. Потребительский сегмент

Первичный сегмент — ИТ-компании (B2B). Компании с портфелем из 2–10 проектов одновременно, штатом 100–1000 человек, бюджетом от 50 млн рублей на проект. В России — более 500 компаний такого масштаба (разработка ПО, системная интеграция, аутсорсинг).

Вторичный сегмент — банки и финансовые организации (B2B). Банки с портфелем ИТ-проектов (цифровизация, разработка мобильных приложений, внедрение CRM). В России — топ-50 банков с собственными ИТ-подразделениями.

Третичный сегмент — телеком-компании, ритейл, промышленные холдинги. Компании с крупными ИТ-портфелями.

Четвёртый сегмент — консалтинговые компании и системные интеграторы. Компании, управляющие портфелями проектов для клиентов.

3. Ценностное предложение

«Система, которая превращает бюджетную смету в инструмент стратегического управления портфелем: распределяет бюджет по этапам, вычисляет кадровый профиль по месяцам, выявляет перегрузки и оценивает влияние нового проекта на сроки текущих релизов — на основе реальных данных из Jira и отраслевых данных».

4. Решение

Комплексная система поддержки принятия решений на основе математической модели оптимизации. Функции:

  • Оптимизация бюджета — распределение ограниченного бюджета по этапам и категориям расходов с максимизацией полезной работы;
  • Кадровый профиль — автоматический расчёт потребности в специалистах каждого этапа по месяцам;
  • Портфельное планирование — наложение календарей нескольких проектов на общую шкалу времени;
  • Выявление перегрузок — определение моментов, когда команда перегружена;
  • Оценка влияния нового проекта — анализ того, как добавление проекта повлияет на сроки текущих релизов;
  • Калибровка по данным — адаптация модели по открытым отраслевым данным и факту из Jira.

5. Каналы распространения

Прямые продажи ИТ-компаниям и банкам — целевые контракты с руководителями проектных офисов и ИТ-директорами.
Партнёрство с интеграторами Jira — включение в экосистему Atlassian Marketplace.
Отраслевые конференции — по управлению проектами, ИТ-директорам, банковским технологиям.
Партнёрство с консалтинговыми компаниями — включение системы в рекомендации.

6. Потоки поступления доходов

Основной канал — годовая подписка (SaaS) для компании. Фиксированная стоимость в зависимости от числа проектов и пользователей.
Дополнительный канал — корпоративные лицензии для банков и холдингов. Пакетные предложения для портфельных компаний.
Третий канал — консалтинг и интеграция. Настройка калибровки по данным компании.
Четвёртый канал — обучение и сертификация. Курсы для руководителей проектов.

6a. Модель монетизации

Комбинированная модель: подписка (SaaS) + корпоративные лицензии + консалтинг + обучение.

7. Структура расходов

Разработка и поддержка ПО — математическая модель, интеграция с Jira, интерфейс.
Калибровка модели — сбор отраслевых данных, верификация.
Маркетинг и продажи — работа с компаниями, участие в конференциях.
Консалтинг — адаптация под конкретную компанию.

8. Ключевые метрики

Точность прогноза кадрового профиля — сравнение с фактическими данными.
Снижение перегрузок — доля выявленных и предотвращённых перегрузок.
Число активных подписок — масштабирование.
Годовое удержание клиентов — повторные контракты.
Экономия бюджета — оптимизация распределения.

9. Скрытое преимущество

накопленная база данных о калибровке модели по реальным данным компаний.

Ссылка

На страницу проекта

Направление

IT

Рынки

FoodNet

Сквозные технологии

Новые производственные технологии, Технологии машинного обучения и когнитивные технологии
Экспертные заключения: 0
Консультации: 0

Технология производства биосовместимого биопластика из водорослей

Проект направлен на создание и коммерциализацию готовой технологии производства биосовместимого биопластика из биомассы микроводорослей. Стартап не производит и не продаёт биопластик как материал — он предлагает лицензиатам технологическую документацию, пилотную установку и услуги по масштабированию. Технология может быть адаптирована под нужды фармацевтики, ветеринарии, упаковки, косметики, сельского хозяйства и других отраслей. Ключевые преимущества: возобновляемое сырьё, биоразлагаемость, биосовместимость, антиоксидантные свойства, локальность и импортозамещение. Целевые потребители — B2B-компании, желающие запустить собственное производство биопластика.

Ссылка

На страницу проекта

Направление

Биотехнологии

Рынки

TechNet, EcoNet

Сквозные технологии

Новые производственные технологии, Возобновляемые материалы и переработка отходов
Экспертные заключения: 0
Консультации: 0

TechGuard

Что именно мы создаем?
TechGuard — это SaaS-платформа для мониторинга промышленного оборудования и прогнозирования сбоев, которая в реальном времени анализирует данные с датчиков с помощью машинного обучения. Решение предоставляется через веб-интерфейс с возможностью интеграции с существующими промышленными системами.

Какую проблему решаем?
Мы решаем проблему незапланированных простоев промышленного оборудования, которые ежегодно обходятся российским предприятиям в миллиарды рублей из-за потери производительности, экстренного ремонта и нарушений производственных графиков. Существующие системы мониторинга часто ограничиваются сбором данных без интеллектуального анализа, что не позволяет прогнозировать сбои заранее.

Для кого мы это делаем?
Наши клиенты — малые и средние промышленные предприятия России в отраслях машиностроения, металлообработки, химического производства и энергетики, где надежность оборудования критически важна для непрерывности технологических процессов.

Техническая реализация:
Платформа состоит из следующих ключевых модулей:

  • IoT-шлюз для сбора данных с промышленных датчиков
  • ML-модуль анализа телеметрии и прогнозирования аномалий
  • Система генерации предиктивных уведомлений
  • Веб-панель управления с визуализацией данных в реальном времени
  • Модуль формирования отчетов и аналитики

Команда проекта:

  • Ефимов Даниил Михайлович — Наставник проекта
  • Иванова Анна — Лидер
  • Ланге Тимофей — Интегратор, спикер
  • Семенихин Даниил — Предприниматель, разработчик
  • Лащенко Степан — IoT-инженер (интеграция с промышленным оборудованием)
  • Степанищев Андрей — Frontend-разработчик (веб-интерфейс)

Ожидаемые результаты:

  • Прототип системы мониторинга с базовым функционалом
  • Алгоритмы прогнозирования износа критических компонентов оборудования
  • Визуализация показателей оборудования и предиктивных уведомлений в веб-интерфейсе

Ссылка

На страницу проекта

Направление

IT, Другое

Рынки

TechNet

Сквозные технологии

Искусственный интеллект, Технологии хранения и анализа больших данных, Технологии беспроводной связи и «интернета вещей», Технологии сенсорики
Расскажите друзьям о проекте «Витрина проектов»
Отправить письмом