Как большие данные помогают телеком-компаниям

Big Data меняют практически все сферы нашей жизни, и бизнес в первую очередь. Но пока еще почему-то не все компании, даже крупные, перешли на использование этой технологии.

text: Илья Семенов, директор по развитию и управлению качеством компании Bercut

Как известно, Big Data позволяют анализировать поведение покупа телей или интернет-пользователей, отслеживая, какие сайты они посеща ют, где находятся и где регулярно бывают, что покупают, в котором часу и кому звонят по телефону, какие приложения скачивают и как ими пользуются, и т. д.

Big Data и операторы связи Одни из самых крупных владельцев больших данных в России — это опе раторы связи, через чьи биллинговые системы ежедневно проходят потоки информации о многих тысячах або нентов. В результате они действительно знают о нас почти всё, вплоть до паспортных данных и модели телефона. И всю эту информацию можно монети зировать. Как только бизнес это понимает, Big Data превращаются из тренда в must have, под который начинает перестраиваться вся структура опера торов связи.

Особую ценносТь несуТ специализированные приложения, в коТорых данные размечены. Их анализ сТановиТся проще и Точнее. Те операТоры, в экосисТемах коТорых есТь финансовые и медицинские сервисы, можно сказаТь, знаюТ всё. Любые дейсТвия человека в СеТи — эТо исТочник новой информации, коТорый учасТвуеТ в предсказании его поТребносТей в определенный моменТ времени

Используя Big Data, операторы увеличивают объем выручки: гибкость предложений и контекста удерживает клиентов и привлекает новых, а анали тика больших данных дает возможность менеджерам продуктов узконаправлен но действовать в соответствии со стратегей развития продуктов. Но чтобы что-то предлагать, нужны сервисы, которые предоставят клиенту контент, а оператору — данные, на базе которых можно проводить анализ и ге нерировать новый контент. Чем больше данных, тем лучше можно построить портрет, или аватар клиента, тем лучше провести анализ. Портрет клиен та должен постоянно обогащаться, ведь на оси времени многие данные быстро становятся неактуальными. Мир вокруг быстро меняется, и вслед за ним должна меняться модель работы компаний. Современный абонент — по требитель множества сервисов, и мономодели работы с пользователем уходят в прошлое. Предоставления услуг, отно сящихся только к связи, уже недостаточно — мир становится экосистемным. Оператор настоящего клиентоориенти рован, предоставляет конвергентные услуги, организует собственный маркет плейс, интероперабельное взаимодействие с внешними сервисами и операторами, а данные у него синтаксически и семантически однородны, что даетраз меченное поле для обучения моделей алгоритмов интеллектуального анали за. Клиентоориентированность воспринимается относительно индивидуума: если раньше релевантные предложения ориентировались на кластеризованные сегменты клиентов, то сейчас — на кон кретного клиента. Интероперабельное взаимодействие сервисов друг с другом приводит к тому, что в гетерогенной сети разнородныхсервисов информация ста новится одинаково интерпретируемой и семантически согласованной. Реко мендательные системы начинают работать более точно, персонифицированно, используя предсказательные модели. Для удержания современного кли ента требуются новые технологии, новые интерфейсы, новые виды коммуникаций и новый контент. Абонентам уже нельзя предлагать статический кон тент — под них нужно подстраиваться. Это приводит к трансформации отрас ли. Экосистемность тянет за собой развитие разных сервисов, не связанных с услугами связи. В этом направлении идут не только операторы, но и, напри мер, бизнес финансового и ИТ-сектора, образуя кросс-экосистемную конкурен цию. Новые технологии, такие как IoT, будут способствовать этому, ассоции ровать с клиентом дополнительные активности. Это новый источник данных, который повысит качество модели вир туального клиента в системах оператора. Прозрачность клиента увеличится, что позволит работать с ним более пер сонифицированно. Сейчас операторы связи собирают по абонентубольшой объем данных—как структурированных (действия, события, заполненные формы, транзакции, опера ции, покупки, любимые рестораны, посещаемые сайты и т. п.), так и неструктурированных(например, голосовой трафик). Любые события по клиенту фиксируются относительно оси времени.

Что решают Big Data? Особую ценность несут специализированные приложения, в которых данные размечены. Их анализ становится проще и точнее. Те операторы, в экоси стемах которых есть финансовые и медицинские сервисы, можно сказать, знают всё. Любые действия человека в Сети — это источник новой инфор мации, который участвует в предсказании его потребностей в определенный момент времени. Накопленные данные и данные окружающей среды способствуют выработке алгоритмов генерации качественного контента. Например, геолокация абонента, окру жающие внешние сервисы относительно геолокации (вроде кинотеатров, ресторанов и магазинов), запускаемые клиентом приложения на смартфоне, посещаемые ресурсы, времяпровож дение в соответствующих ресурсах и сервисах, контент этих ресурсов — все это источники данных, поступа ющих в систему поддержки принятия решения.

Анализ данных даеТ возможносТь принимаТь правильные решения. Одна из основных целей операТоров — удержание лояльных клиенТов и повышение доходносТи с одного абоненТа

Так, британская компания JJ Food Service, поставляющая продукты пита ния в рестораны и кафе, при онлайн-заказе сама заполняет корзины своих клиентов на основании истории их покупок и рекомендаций, при этом учитывают ся рецепты заведений, схожие заказы других пользователей и т. п. Около 80% этих товаров покупатели действитель но оставляют в корзине и оплачивают. Крупные торговые сети, такие как американская Target, идентифицируют клиентов по банковской карте, имени или электронному адресу, отслеживают их истории покупок, предпочтения и ак тивность в соцсетях и делают соответствующие предложения. Big Data — это ключ к будущему успе ху оператора. Кто научится хорошо их анализировать, окажется победите лем. Анализ данных дает возможность принимать правильные решения. Одна из основных целей операторов — удер жание лояльных клиентов и повышение доходности с одного абонента. Над этим и надо работать. На рынке есть отлич ные примеры прибыльных бизнесов, которые сделали акцент на больших данных: например, компания Netflix зарабатывает до 75% на покупках то варов, предложенных рекомендательной системой, которая основана как на коллаборативных алгоритмах филь трации, так и на персонализированных. В том же направлении работает Amazon, повышая прибыльность сво его бизнеса. Вне зависимости от используемых методов работы с большими данными большинство задач сводится к просто му принципу: выявить паттерны поведения абонентов/пользователей и предоставить подходящий продукт или услугу своевременно. Оператор лучше знает своего абонента, оператору легче вы страивать стратегию своего развития, оценивать потенциальный спрос. Ана лиз больших данных помогает принимать оптимальные управленческие решения и уменьшить количество ошибок. Задачи, которые решаются с исполь зованием больших данных: ● Сегментация клиентов по поведен ческим характеристикам (дескриптивная аналитика). ● Разработка и запуск новых продук тов/услуг. ● Формирование предикативных пред ложений. ● Прогнозирование жизненного цик ла продуктов/услуг. ● Ускорение обслуживания клиентов и принятия решений о предоставле нии/отказе в услуге. ● Снижение затрат на поддержку. В телекоме Big Data используются как для оценки уже имеющегося пула абонентов, так и для прогнозирования их поведения, чтобы адекватно расши рять список услуг. Сейчас абоненты все реже звонят, отправляют SMS и больше пользуются Интернетом. Это позволяет телеком-операторам с использовани ем технологий Big Data анализировать предпочтения своих клиентов и затем предлагать им персонифицированные наборы, например, контента для ска чивания. Другое дело, не всякому понравится, что его трафик кто-то анализирует, пусть даже не человек, а робот. Но этот вопрос уже решается в каждой стране по-своему.

Будущее за Big Data Многие операторы связи уже учатся работать с большими данными и пред лагать на их базе решения. Но все самое интересное впереди. На базе Big Data и машинного обучения мож но строить интеллектуальные сервисы анализа голосовых данных, видеопото ка. Понимая смысл речевого контента, можно выстроить онлайн-взаимодей ствие с клиентом. Ученые из Массачусетского технологического института разработали модели на базе нейронной сети, которые обучили распознавать со стояние здоровья человека по биомаркерам в его голосе. С помощью анализа видеоконтента можно классифициро вать эмоции с применением технологий Deep Learning. Комбинация обеих технологий — аудиовизуальное распоз навание контента — будет повышать точность и естественность общения с клиентом. Рынок ИТ уже предлагает системы для анализа данных и принятия реше ния, и мы прогнозируем технологический скачок у потребителей этих решений в ближайшие годы. Очевидно, что будущее оператора построено на Big Data и технологиях AI, в числе которых: ● системы поддержки принятия реше ний (СППР); ● системы предиктивной аналитики и интеллектуального анализа дан ных; ● системы обработки естественного языка; ● системы речевых технологий; ● системы компьютерного зрения; ● системы управления процессами и другие технологии. Таким образом, можно с уверен ностью сказать, что операторы будут трансформироваться, диверсифициро ваться, развивать свои сервисы и инфраструктуру, тренировать свои системы анализа данных, чтобы бороться за клиента и удерживать его в своей экосистеме.