Достучаться до каждого. Как big data делают сервис совершеннее

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 различные явления и решать задачи в любой сфере нашей жизни: прогнозировать ураганы, предотвращать катастрофы, бороться с преступностью, управлять логистикой движения грузов, контролировать процессы производства и многие другие.

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 о демографических, территориальных и других особенностях. 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, создаёт представление о его потребностях. Это позволяет работать адресно и оценивать эффективность маркетинговых кампаний. Анализ больших данных может предугадывать пожелания абонентов, определять поведенческие модели и многое другое. А ещё...

...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 позволяет открывать салоны Tele2 в оптимальных локациях с учётом поведения и потребностей абонентов.

Результат: растёт эффективность продаж и выручка, а главное — повышается удовлетворенность абонентов.

...помогают оптимизировать нагрузки на сеть

Мы активно используем большие данные для оптимального расположения базовых станций с учётом особенностей местности. Результаты исследований позволяют спрогнозировать нагрузки на сеть и востребованность установки. Похожим образом мы можем оценить, сколько трафика и выручки принесёт 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».

...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. Всё было бы довольно просто, если не один факт: около 40 процентов 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 берём 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 даёт возможность эффективно коммуницировать с разными группами абонентов — они получают релевантное предложение, а мы не тратим время и ресурсы на лишнюю работу.