27 февраля 2018 года 10:15

Большому кораблю — большие данные

Как big data делают сервис совершеннее
Мир необратимо меняется с каждым днем — появляются новые источники информации, пользователи и машины, которые создают огромные и разнообразные данные. При этом стоимость их хранения снижается, а емкость самих хранилищ растет. О том, как компании обращают это в свою пользу, расскажет руководитель проектного офиса аналитики больших данных Tele2.
Антон Мерзляков
руководитель проектного офиса аналитики больших данных Tele2
Будет правильно начать с того, что же такое «большие данные». Это огромные массивы разнообразной информации, анализ которых позволяет предсказывать разные явления и решать задачи в любой сфере нашей жизни: прогнозировать ураганы, предотвращать катастрофы, бороться с преступностью, управлять логистикой движения грузов, контролировать процессы производства и многое другое.
Теле 2 личный кабинет
Но можно ли использовать их для достижения первоклассного уровня обслуживания? Анализ больших данных является эффективным инструментом для предсказывания клиентских потребностей, персонификации сервиса, прогнозирования потенциальных рисков и их устранения. Представьте, что общение телеком-операторов с клиентами будет основываться на данных относительно демографических, территориальных и других особенностей. Это позволит лучше понимать вопросы абонентов и находить наиболее взвешенные решения.

Ключевое слово здесь — персонализация. В умелых руках big data рассказывает бизнесу о том, чего хочет каждый отдельный клиент, создает представление о его потребностях. Это позволяет работать адресно, оценивать эффективность маркетинговых кампаний. Анализ больших данных может предугадывать пожелания абонентов, определять поведенческие модели и многое другое. А еще…

…позволяет предсказывать покупательский трафик в салонах

Лояльность клиентов к компании зависит от удобного расположения точек обслуживания – никому не хочется ехать на другой край города или стоять в очередях для того, чтобы купить смартфон или заменить SIM-карту. При прогнозировании месторасположения салонов важно учитывать большое количество факторов: проходимость улицы, потребности местных жителей, загруженность розничной сети и другие.

Агрегация данных абонентов с применением алгоритмов машинного обучения позволила получить общую картину. Используя развитые инструменты геоаналитики, удалось выделить разные классы точек: одни ориентированы на обслуживание клиентов в рабочее время и часы пик (после работы), другие — в нерабочее и выходные дни (возле дома). Соответственно, пик нагрузки на них приходится на разные временные промежутки.

Мы научились оценивать возможные места открытия салонов с точки зрения характеристик потенциальных продаж, возникающих запросов на обслуживание и движения пешеходного/автомобильного трафика. Это, например, позволяет открывать салоны Tele2 в оптимальных локациях с учетом поведения и потребностей абонентов.
Результат: растет эффективность продаж и выручка, а главное — повышается удовлетворенность абонентов.

…рекомендует оптимальные предложения для клиента

Модели машинного обучения позволяют с высокой долей вероятности спрогнозировать реакцию на те или иные продукты. Для этого мы анализируем исторические данные о том, как абоненты встречали конкретное предложение ранее (обучающая выборка). Модели учитывают множество характеристик: тип используемого устройства, количество потребляемого трафика и другие.

Согласитесь, многое здесь зависит от возраста: чем человек старше, тем более особенного подхода в коммуникациях он требует. Такие клиенты довольно консервативны и в основном нуждаются в услугах голосовой связи. Все было бы довольно просто, если не один факт: около 40% абонентов используют SIM-карты, оформленные на других людей. Как раз для определения реального возраста клиента мы используем большие данные. Это несколько моделей классификации и регрессии. Первая из них определяет соответствие реального возраста заявленному в паспорте. Если это так, то мы просто берем данные и используем в работе. Если первая модель говорит «нет», мы пытаемся рассчитать возраст клиента. Наглядный пример. У меня две симки: первую использую я, вторую — моя бабушка. Так вот, по первой SIM модель безошибочно определила меня, а по второй – возраст бабушки с ошибкой всего в два года.
Результат: это дает возможность эффективно коммуницировать с разными группами абонентов — они получают релевантное предложение, а мы не тратим время и ресурсы на лишнюю работу.
…помогают оптимизировать нагрузки на сеть
Мы активно используем большие данные для оптимального расположения базовых станций с учетом особенностей местности. Результаты исследований позволяют спрогнозировать нагрузки на сеть и востребованность установки. Похожим образом мы можем оценить, сколько трафика и выручки принесет расположение базовой станции в том месте, о котором мы ничего не знаем.
Результат: мы правильно развиваем сеть, покрытие становится шире, сигнал лучше, а абоненты довольнее.
В качестве отдельного интересного кейса можно выделить разработку карты размещения и передвижения абонентов для правительства Москвы. Мы видим плотность населения в тех или иных районах города, схемы перемещения, транспортные потоки и многое другое. Это может использоваться при планировании городского пространства и для многих других нужд.