Что позволяет предсказывать покупательский трафик, рекомендует оптимальные предложения и оптимизирует нагрузки на сеть


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. Как современные компании обращают это в свою пользу?

 

Темы  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 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”.


Темы  Как big data делают сервис совершеннее

 

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

 

Темы  Как big data делают сервис совершеннее

 

 

 

Результат: растет эффективность продаж и выручка, а главное – повышается удовлетворенность абонентов.

 

 

Результат: это дает возможность эффективно коммуницировать с разными группами абонентов – они получают релевантное предложение, а мы не тратим время и ресурсы на лишнюю работу.

…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: мы правильно развиваем сеть, покрытие становится шире, сигнал лучше, а абоненты довольнее.

 

…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.


«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».


 

 

Если вы нашли ошибку, пожалуйста, выделите фрагмент текста и нажмите Ctrl+Enter.

Поделиться