Большие данные в телекоме

Телеком обладает всеми возможностями для эффективного использования методов обработки и анализа больших данных — от терабайтов разнообразной информации о клиентах до инфраструктуры и квалифицированных кадров. Как эти возможности реализованы сегодня?

В области работы с клиентами…

1. Они анализируют наше недовольство

Прогнозирование оттока абонентов является классической задачей для телекома, так как обычно абоненты довольно легко переходят от одного оператора к другому, при этом сохраняя номер.

Анализ поведения уже отключившихся клиентов позволяет:

  • Выявить типичные для таких людей признаки и среди общей массы абонентов выделять тех, которые с большей долей вероятности в скором времени перестанут пользоваться услугами компании.
  • Предложить им персонализированные тарифные планы и специальные предложения, чтобы предотвратить их уход, о котором они еще даже не задумывались.

Ярким примером использования комплексного big data подхода к прогнозированию оттока клиентов является американская T-Mobile, которой удалось уменьшить отток клиентов на 50%.

Для оценки вероятности отключения того или иного абонента компания использовала огромное количество метрик: как часто и кому человек звонит, как долго длятся звонки, количество потребленного трафика в месяц, продолжительность нахождения в зоне покрытия сети и так далее.

К примеру, если клиент все больше звонит на номера других операторов, все чаще оказывается вне досягаемости сети или выражает свое недовольство в социальных сетях, то, скорее всего, он намерен отказаться от услуг компании.

Также компания использует так называемый племенной подход к клиентам, который основан на том, что есть люди, которые имеют обширную сеть контактов и оказывают большое влияние на свое окружение. Если один из таких абонентов переходит на другого оператора, возникает эффект домино и остальные могут поступить так же. Чтобы выделить таких клиентов, в T-Mobile рассчитывают показатель Customer Lifetime Value (CLV) — ценность каждого абонента за весь период использования.

Кейс

В качестве примера построения подобных моделей на отечественном рынке можно привести компанию «Билайн», которая в 2015 году договорилась о стратегическом сотрудничестве с Yandex Data Factory. YDF разработает для компании предсказательные модели и сервисы, повышающие эффективность работы call-центров, выявляющие потребность людей в мобильном интернете и отток клиентов.

2. Они смотрят со всех сторон

Наличие огромного количества статистической информации о клиентах как из внутренних, так из внешних (социальные сети) источников позволяет операторам реализовывать концепцию Customer 360.

Речь про взгляд со всех сторон на жизнь клиента и его взаимоотношения с оператором, чтобы с помощью рекомендательных систем предлагать клиентам персонализированные тарифы и опции, соответствующие их потребностям здесь и сейчас. В результате операторам не приходится тратить огромные средства на масштабные рекламные кампании, снижаются маркетинговые расходы.

Кейсы

Лидеры российского телеком-рынка уже начали применять этот подход. «МегаФон» с четвертого квартала 2016 года использует Customer Lifetime Value для оценки прибыльности каждого абонента и создания индивидуальных тарифов для клиентов с наибольшим CLV. В процессе анализа компанией используются как собственные, так и данные Mail.ru по профилям россиян в социальных сетях. Билайн и МТС также анализируют профили клиентов на основе нескольких сотен метрик, предлагая индивидуальные сервисы.


В области оптимизации бизнес-процессов…

1. Они выбирают оптимальное расположение салонов связи

Определить наиболее выгодное место для салона связи является нетривиальной задачей, поскольку необходимо учесть огромное количество факторов: проходимость, потребности местных жителей, загруженность сети. С развитием big data аналитики у телеком-операторов появилась возможность использовать оптимизационные модели для решения этой задачи. В результате снижаются затраты на строительство сети, снижается доля неудовлетворенного спроса и растет выручка.

Кейсы

Осенью 2016 года компания МТС запустила в Москве пилотный проект по использованию технологий big data в развитии розничной сети. Обезличено анализируя пешеходный трафик в районе, где потенциально может быть построен салон связи, оператор принимает решение о постройке салона, его площади, ассортименте и количестве сотрудников.

По словам аналитиков компании, первоначальные рекомендации системы оказались неожиданными, поскольку предлагалось построить салоны связи в местах, о которых они даже не задумывались.

Также был пересмотрен подход к расписанию сотрудников: путем анализа информации по транзакциям клиентов (время и место транзакции) была построена прогностическая модель визитов клиентов в те или иные салоны. Затем они смогли подстроить расписание своих сотрудников под визиты клиентов, сократив при этом фонд рабочего времени на 15%.

Другие члены «большой четверки» также занимаются оптимизацией розничной сети. «МегаФон» и «Билайн» применяют big data для открытия салонов там, где они больше всего нужны, а также управления ассортиментом с учетом потребностей жителей района. А Tele2 при открытии новых салонов связи учитывает стоимость аренды помещения и пешеходный трафик.

2. Они прогнозируют нагрузки на сеть

Компании активно используют геолокационные данные для прогнозирования нагрузки на сеть и определения оптимального расположения базовых станций.

Кейс

Еще в 2013 году «МегаФон» запустил сервис с информацией о маршрутах абонентов. Он оценивает, кто и куда направляется, и прогнозирует загруженность той или иной области сети. Аналогичную систему интегрировала в свои бизнес-процессы МТС. В результате использования big data повышается качество связи и расширяется область покрытия сетей.

3. Они монетизируют данные

Телеком-операторы практически перманентно взаимодействуют со своими абонентами через смартфоны, которые стали неразрывной частью жизни любого человека. Именно поэтому телеком имеют наиболее полный профиль клиента, на основе которого можно создавать прогностические и рекомендательные сервисы. Данные сервисы можно выгодно монетизировать, заключая сотрудничество с банками, ритейлом и даже государством.

Для монетизации компании могут использовать геолокационные данные, которые играют чрезвычайно важную роль в транспорте: управление пассажиропотоком, прогнозирование спроса на билеты, оптимизация маршрутов и расписания транспортных средств.

Эти задачи могут быть решены с помощью машинного обучения на основе данных о передвижениях абонентов.

Кейсы

Так, в 2015 году «МегаФон» и РЖД провели переговоры о совместном проекте в области big data: железнодорожная компания получила от «МегаФона» тестовую версию сервиса, с помощью которого можно оценить точный объем пассажиропотока, добывать информацию по маршрутам абонентов, а также оценить характер поездки и платежеспособность клиента.

Эта информация может быть использована РЖД для стимулирования спроса, прогнозирования притока клиентов, чтобы в нужное время проводить рекламные кампании, заполнять вагоны на те или иные направления, подстраивать расписание поездов под периоды пикового спроса.

«Билайн» и МТС в это время сотрудничают с государством в развитии инфраструктуры Москвы и Санкт-Петербурга: данные по передвижениям абонентов с помощью общественного и частного транспорта используются для строительства автомагистралей и оценке оптимального расположения новых станций метро.

Телеком-компании используют данные о поведении клиента в сотрудничестве с банками для кредитного скоринга и создания персонализированных продуктов и предложений.

Агрегируя информацию о двух важнейших сферах деятельности человека — социальной и финансовой — компании получают полную картину жизни абонента, минимизируя риски и максимизируя его удовлетворенность.

Кейс

Таким образом, сотрудничество оказывается выгодным для всех трех сторон. В 2016 году компания МТС разработала продукт на основе big data, который помогает оценивать кредитные риски заемщика, анализируя сотни параметров — от частоты смены номера и до регулярности пополнения баланса.

Также компанией планируется создание сервиса по мониторингу подозрительных активностей с SIM-карты абонента, к которой привязаны его банковские карты.


В области безопасности…

1. Они предотвращают мошеннические операции

Big data аналитика позволяет телеком-операторам с успехом бороться с фродом и предотвращать все виды мошеннических операций с sim-картами: аномальные транзакции, ложная тарификация, спам.

Для примера возьмем задачу выявления аномальных действий для абонента, то есть мошеннических операций. Она может быть решена путем применения алгоритмов машинного обучения без учителя: анализируя весь массив данных по клиентам, мы можем выявить типичные операции для каждого клиента.

Как только совершается какая-либо аномальная операция, система мгновенно оповещает об этом аналитиков в реальном времени. Стоит отметить, что все мошеннические транзакции являются аномальными, однако обратное неверно.

Члены «большой четверки» используют big data не только для минимизации потерь средств клиентов от мошенничества, но и для помощи в обеспечении государственной безопасности.

Кейсы

В июне 2016 года представители операторов провели переговоры с представителями власти по поводу использования технологии анализа больших данных в борьбе с терроризмом. Значительный прогресс в развитии как традиционных методов анализа данных, так и компьютерного зрения, обработки звука позволит эффективно предотвращать действия злоумышленников.

Компании также проявляют и собственную инициативу в этом вопросе: в мае 2014 года «Билайн» представил проект «Умное оповещение». Суть этого сервиса заключается в отправке абонентам уведомлений о чрезвычайных ситуациях, причем система предупреждает не только тех, кто находится непосредственно в опасной зоне, но и абонентов, кто вероятнее всего направляется в этот район.

Этот продукт позволит эффективно уведомлять людей о ЧС, а также усилит профилактические меры предотвращения опасных ситуаций.

Как видно, российские телеком-компании активно используют big data как для создания новых источников дохода, так и для увеличения отдачи от текущей деятельности, а все современные методы анализа данных — от классических алгоритмов обработки количественной информации до нейросетей — нашли свое применение во всех направлениях их деятельности.

В будущем количество данных будет лишь расти, а качество работы алгоритмов увеличиваться, что приведет к увеличению рентабельности инвестиций в такое перспективное направление, как big data.

Источник

Data Scientist # 1

Машинное обучение, большие данные, наука о данных, анализ данных, цифровой маркетинг, искусственный интеллект, нейронные сети, глубокое обучение, data science, data scientist, machine learning, artificial intelligence, big data, deep learning

Данные — новый актив!

Эффективно управлять можно только тем, что можно измерить.
Copyright © 2016-2021 Data Scientist. Все права защищены.