Какие задачи аналитики данных актуальны для телекоммуникационных компаний

Виды анализа

Рассмотрим три основные вида анализа, необходимые для управления оператором связи:

1. Анализ абонентской базы.
2. Анализ выручки и ARPU.
3. Анализ тарифных планов (и тарифной миграции).

Анализ абонентской базы

Количество абонентов можно считать по разному.

Во-первых, кол-во абонентов, которые сгенерировали выручку не равно количеству воспользовавшихся услугой абонентов, поскольку абонентская плата может списываться даже когда абонент не пользовался услугой, если баланс позволяет. Моментом формирования выручки считаем списание с абонентского счёта.

Во-вторых, разные операторы имеют не одинаковое понятие «живой абонент», для которого оценивается количество. Порой оно основано на сочетании фактов пользования услугами и фактов формирования выручки. Сочетать таким образом, безусловно, неправильно.

Правильно, рассматривать «живых абонентов» по факту пользования услугами как опережающий показатель поведения абонентской базы по выручке, рассматривая ту и другую базу как два значения.

Анализ базы по факту пользования услугами может выглядеть так:

В любом случае, нужно разделить всю величину изменения абонентской базы на прирост, отток и возврат (если вы вообще собираетесь управлять абонентской базой).

1. Прирост — это те, кого вы подключили.
2. Отток — это те, кого вы считаете ушедшим.
3. Возврат — это те, кого вы считали ушедшим, но это оказалось не так, либо они вернулись.

Мы заносим абонентов в отток, формально оценивая их поведение (не пользовался услугой такой-то период), хотя фактически абонент может оставаться готовым нам платить или пользоваться нами (но был в отпуске, болел или что-либо ещё). Поэтому, всегда мы будем иметь какой-то возврат, включающий как тех, кто действительно ушёл (в его понимании) от нас, но затем вернулся, и тех, кого мы формально зачислили в отток, но теперь они проявили себя.

Чтобы проводить опросы и выявлять факторы, влияющие на абонентов, отток должен раскрываться в список конкретных людей (договоров), которым можно позвонить.

Возврат — список людей, учтённых в оттоке одним из предыдущих периодов, теперь снова соответствующих понятию «живой абонент».

Само понятие «живой абонент» это критерий, которому абонент по истечению анализируемого периода (обычно месяц) либо соответствует, либо нет. Если в предыдущем периоде он ему соответствовал, а теперь нет — это отток данного периода, если наоборот — это возврат. Если по отношению к предыдущему периоду ничего не изменилось, абонент так и остаётся либо в живой базе, либо нет (ни в оттоке, ни в возврате не участвует).

(глубина анализа != период анализа. зачастую операторы анализируют поведение абонента за 2-3 месяца 1 раз в месяц, то есть отток / возврат фиксируется каждый месяц на основании 2-3 месяцев истекших к моменту фиксации)

Приростом становятся те, кто раньше не входил ни в какую базу, а теперь впервые соответствуют понятию «живой абонент». Следует заметить, что непременно будет разница между количеством выполненных подключений и приростом — кого-то подключили, но не настроили, а кто-то из предыдущего периода вдруг внезапно активировался сам и стал «живым абонентом».

По поводу работы с оттоком

Не понимаю ситуаций, когда говорят «мы не можем позвонить тем, кого мы считаем оттоком, потому, что отток это всего-лишь разница между количеством подключенных абонентов (приростом) и величиной изменения абонентской базы».

Проблема здесь в том, что отток больше чем эта разница. Вы его неправильно считаете, в таком случае, смешивая с возвратом.

В итоговом изменении абонентской базы за вычетом прироста, отток последнего завершившегося периода, в смешанном расчёте, компенсирован возвратом тех, кто был зачтён в оттоке нескольких предыдущих (перед этим) периодов. Он кажется меньше, за счёт этого.

Можно использовать понятия «суммарный отток» и «чистый отток», чтобы отделить всю величину изменения базы за вычетом прироста от количества абонентов, которые ушли из базы именно в истекшем периоде. Выделение «чистого оттока» и «возврата» необходимо, чтобы общаться с конкретными абонентами.

Нет поимённого списка по оттоку — нет работы с клиентом.

Анализ выручки и ARPU

Из месячной выручки нужно исключать неосновные услуги и оценивать динамику по ним отдельно.

Я наблюдал ситуацию, когда в компании, принадлежавшей серьёзному инвестору, был утверждён план по выручке на очередной год, основанный на общей выручке и динамике абонентской базы в предыдущем году. Когда оказалось, что общая выручка, на которой основвывали план, была высокой из-за активных продаж дополнительных услуг, которые имели временный характер, последствия были неприятными.

Списания за дополнительные услуги могут иметь свои колебания, увеличивающие погрешность прогноза общей выручки. При этом, бывают такие колебания, которые носят характер двух-трёх месячного большого подъёма, который, в зависимости от сезона, может или сгладить провал или выпучить рост настолько, что совершенно искажает тренд.

На следующем графике видно, насколько поведение общей выручки отличается от поведения выручки по абон. плате.

Анализ тарифных планов

Ввод новых тарифных планов всегда меняет что-то со стороны выручки и ARPU и, одновременно, влияет на динамику абонентской базы. Дешёвые тарифные планы с хорошими условиями могут выручку понизить, в то время как отсутствие таких тарифов способствует оттоку — позволяет конкурентам забирать абонентов у вас и мешает вам забирать у них.

Многие операторы искусны во введении дешёвых акционных тарифов, ограниченных сроком действия, и в дифференцировании тарификации по территориям (ввиду различных условий конкуренции). Однако, большинство измеряет эффект тарифной политики приблизительно.

Что бы финансовый эффект тарифной миграции стал зримым, нужно выполнить два действия:

1. Правильно рассчитать ARPU по каждому тарифному плану:

Рассчитать ARPU по тарифу — звучит просто, но может оказаться сложным, учитывая абонентов, работавших на тарифе не полный месяц.

Нельзя рассчитать ARPU тарифа, поделив выручку за анализируемый период (обычно месяц) на количество уникальных абонентов, по которым было списание на этом тарифе. Кто-то мог быть на тарифе всего один день. Нужно рассчитать ARPU за период списания (за сутки, при посуточном списании), и затем пересчитать его в ARPU периода анализа (в месячное).

Отдельных сложностей добавляют особенности реализации тарифов в биллинговых решениях.

Однако, корректный расчёт ARPU каждого тарифа необходим, поскольку реальное ARPU тарифа обычно отличается от планируемого от 1 до 8 процентов. Это много, учитывая, что тарифная миграция сама по себе может давать сходные изменения в выручке.

2. Построить матрицу тарифных переходов за период и вывести суммы изменения ежемесячной выручки по каждому:

Для каждого перехода с тарифа на тариф (за отчётный период), в матрице рассчитывается влияние на текущую ежемесячную выручку как произведение количества переходов на разницу в ARPU.

За отчётный период у одного и того же абонента мог быть переход с тарифа А на тариф Б с понижением выручки и затем ещё один с Б на В с повышением выручки. Поэтому, матрица бывает не наглядна, когда Б является чисто техническим (введённым только на уровне биллинга) тарифом, отражающим логику работы тарифа В, при переходе на который, первые несколько месяцев даётся скидка. Для наглядной аналитики рекомендуется вводить дополнительные тарифные справочники, которые объединяют ряд тарифов биллинга в один тариф, анализируемый на уровне бизнеса.

Общее равенство

Можно свести всё — прирост, отток, возврат, тарифную миграцию — в единое уравнение на основе выручки. Если складывать изменение за счёт четырёх описанных факторов, то оно должно быть приблизительно равно разнице в выручке по основной услуге между двумя периодами.

Самые большие телеком-компании нашей страны давно перестали считать себя исключительно телеком-компаниями — теперь это одни из главных игроков ИТ-индустрии. Они вынуждены меняться потому что меняется мир. Телефоны в нем называются телефонами по традиции, и функцию звонков туда добавляют, кажется, только по привычке. День, когда выйдет телефон без возможности «позвонить голосом», никто и не заметит.

Операторы соревнуются скоростью интернета больше, чем качеством звонков. Они придумывают новые и новые виды услуг — а самое главное очень много вкладывают в исследование данных.

Маленькие стартапы, которые ищут дата-саентистов, жалуются, что предложения больших корпораций не перебить. Причем не только денежные — просто такого количества данных и масштаба задач, как у телеком-операторов, мало где еще можно найти.

В этом выпуске мы поговорили с сотрудниками отдела больших данных в МегаФоне — что они делают, какие используют инструменты и как нанимают людей. Кстати, судя по оценке на «Моём круге», сотрудники ценят МегаФон за комфортные условия труда, интересные задачи, современность используемых в работе технологий и за отличные отношения в коллективе.

Что делает отдел аналитики

Рабочие будни датасаентистов МегаФона. Наши большие данные позволяют нам работать на террасе

Наше подразделение называется «Аналитика больших данных». Мы занимаемся тем, что извлекаем из данных пользу. У нас есть большое количество продуктов, которые вовлекают людей в нашу систему — «Своя карта», «Свой кешбек», «Мегафон ТВ», «Мегафон Музыка», и многие другие. Мы подбираем оптимальные предложения, то есть работаем не от продукта, а от абонента и его потребности.

Большое количество задач связано с сохранением абонентов. Рынок телеком-услуг сейчас растет медленно, и мы нацелены на удержание нашей абонентской базы путем максимально релевантно персонализированного сервиса. Например, несколько лет назад на основе больших данных мы сделали новую тарифную линейку.

Также мы решаем задачи, которые связаны, например, с ритейлом. С помощью аналитики больших данных мы понимаем, где открыть новую точку продаж, новый салон, либо релоцировать текущий неэффективный. Есть инфраструктурные ответвления, где с помощью анализа вышек и трафика с них мы определяем оптимальное покрытие и прогнозируем перспективные локации для стройки.

Сильна ли бюрократия в большой корпорации

Мы все работаем в одном офисе, но у нас есть отделы и команды в Нижнем Новгороде и в Екатеринбурге. Разные проекты разбиты по командам. Поскольку на одну команду идет определенный проект и он не пересекается с другой командой — нам не мешает то, что мы находимся в разных городах.

Безусловно есть бюрократия. От нее никуда не деться — МегаФон большая машина. Но наш отдел достаточно изолированный, и все проекты связаны только с нашими данными. Иногда нужно интегрировать наработки других отделов, но сейчас этого становится все меньше и меньше. В основном мы просто берем нашу базу данных, наш Hadoop или Oracle, и строим на них модель. Получается, мы обходим бюрократию стороной, потому что не построили ее внутри отдела.

Конечно, есть внешние требования. Менеджер прорабатывает их с продакт-оунером, приходит к старшему аналитику, затем менеджер, тимлид и аналитик совместно обсуждают сроки и этапы разработки. Договоренности фиксируются в Jira, также мы ведём Confluence, это наша внутренняя Вики. Конечно, пользуемся Gitlab.

Продолжительность проектов может быть от нескольких месяцев до полугода. Аналитик участвует на всех стадиях проекта, начиная от формализации требований и определении целевого события модели, заканчивая мониторингом за стабильностью результата в продакшн.

Затем мы предоставляем результат, запускаем тестовый набор кампаний, который через некоторое время показывает, эффективно ли использовать нашу модель или лучше оставить как было. Если мы принимаем решение, что модель действительно работает лучше, мы делаем на ее основе продукт, и заказчик им пользуется. Большой бюрократии здесь нет — исключительно постановка задачи бизнес требований для продукта.

В этом году мы ввели процесс code review для всех ключевых этапов data science-проекта и уже видим результаты: качество кода многих ребят существенно улучшилось. Дальнейшие планы по улучшению процесса разработки — внедрение инструмента DVC (Data Version Control), что позволит версионировать проект целиком, включая датасеты.

Как технологии используются

Егор Кузнецов, аналитик больших данных МегаФона. Выступление на конференции Data Fest, весна 2019

Большие данные — это не только сами данные, но и весь программно-аппаратный комплекс над ними, который помогает принимать решения и извлекать пользу. Дата саентисты, которые приходят к нам из компаний, где мало данных, элементарно не используют те инструменты, которые используем мы. К примеру, мы очень любим экосистему Hadoop. Большое количество данных у нас лежит в кластере, а не в классической базе данных.

Big Data — это не просто базы данных, такие как Oracle, MySQL или MongoDB. Big Data — это целый комплекс программного обеспечения по работе с ними. Для работы с большими данными необходимо понимать, как устроен Hadoop, знать особенности работы со Spark, Hive, HDFS. Часто аналитики данных, приходящие к нам, не использовали ранее в своей работе эти инструменты. В этом случае мы обучаем их тем навыкам, которых им не хватает.

Рынок специалистов очень маленький, мы прекрасно понимаем что поиск золотого кандидата может занять колоссальное количество времени, поэтому набираем в том числе и просто талантливых дата саентистов, и обучаем их инструментам, которые специфичны для обработки именно больших объемов данных.

У нас есть как инженеры по анализу больших данных, так и аналитики больших данных. Инженеры иногда помогают оптимизировать код, готовить данные. Аналитики уже в свою очередь могут на основе этих данных сами строить модели машинного обучения.

Мы работаем на Python, в основном используем Jupiter Notebook на наших выделенных серверах для разработки. Там много памяти и процессоров, поэтому мы можем считать большие объемы данных и строить модели. Данные мы получаем из двух источников. Один из них — Oracle Exadata, второй — Hadoop. Мы получаем данные на сервер с Пайтоном, там строим модель, используем разные библиотеки, такие как Pandas, NamPy, Scikit-learn. Для расчетов в Hadoop используются PySpark и Hive, для моделирования — библиотеки Scikit-learn, Xgboost, LightGBM, PyTorch и другие.

В некоторых задачах появляются нейронные сети. Последний раз мы использовали PyTorch. У нас есть отдельные сервера с GPU, и мы можем на них обсчитывать нейронные сети. Когда нужна более сложная аналитика, линейные модели и алгоритмы — бывает, что их нет в Python библиотеках. Тогда мы используем R — в редких случаях, когда задача действительно сложная, связанная с эластичностью или с дистрибьюцией продукции.

Python vs R

С Python ты можешь сделать решение, которое сразу пойдет в продакшн, потому что у Пайтона есть огромная инфраструктура. И когда девопс получает к себе на вход R, у него начинается головная боль.

Но на R есть библиотеки с алгоритмами, которых нет на Пайтоне. В обратную же сторону это не работает. На R больше библиотек, связанных с аналитикой. Вот только аналитика — это не единственное, что делает дата саентист. Еще он обрабатывает данные, бывает что ему нужно работать с геоданными, делать скрапинг сайтов и доставать данные разными способами. Когда библиотеки для этого есть на Пайтоне, он выигрывает, потому что покрывает больше сфер.

Что делать, если никто не знает Hadoop

Егор Кузнецов на конференции Data Fest

Если мы будем искать только тех, у кого есть опыт с Hadoop, мы никого не найдем. Это редкий скилл, он встречается у людей, которые уже поработали в крупных компаниях. Конечно, для тимлида этот пункт необходим. Но если у человека большой опыт построения моделей без Хадупа, он тоже может пройти.

Есть администраторы, девопсы, которые его настраивают, раскатывают на огромное количество серверов и потом поддерживают. Это сложно, здесь нужен большой опыт. И нужно знать хотя бы базовый набор команд чтобы начать с ним работать. Это как пользоваться командной строкой в Линуксе — нужно понимать саму концепцию работы. Тогда ты сможешь выгружать данные к себе на локальный сервер, подгружать их себе на Пайтон и работать.

Но если дело доходит до сложных вещей, близких к продакшену, нужно изучать нюансы и алгоритмы, работу с Map Reduce, оптимизации в стандартных программах от Hadoop. Например, Хайф — это такой SQL, который работает над Хадупом. То есть это не реляционная база как Oracle. Можно программировать и так же, как в оракле, но если ты понимаешь нюансы оптимизации запросов с помощью Map Reduce, то твои задачи будут считаться в десятки раз быстрее.

Месяца за три можно освоить Hadoop только на уровне клиента и без проблем его использовать. У нас сильные машины, и мы не экономим на них. Но вряд ли получится сразу писать самые оптимальные запросы и оптимально хранить данные — этому надо учиться дольше.

Стажировки, как способ бороться с дефицитом специалистов

Мы давно живем в цифровом мире, и сейчас любая табуретка собирает данные о человеке, который на ней сидит — не говоря уже об интернете вещей, о большом количестве сервисов, которыми мы все пользуемся.

Потребность в специалистах растет, есть колоссальное количество анализов и прогнозов о том, сколько в скором времени их понадобится. По одним прогнозам сотни тысяч, по другим — чуть ли не миллионы только на рынке США. Каждая компания, которая собирает хоть какие-то данные, осознает — в этих данных может быть скрыта огромная ценность, большое количество инсайтов. Поэтому спрос на специалистов просто колоссальный. Университеты и учебные программы просто не в состоянии его удовлетворить.

Есть несколько вариантов трудоустройства к нам. Мы рады крутым специалистам, но рынок маленький, и крутых специалистов не так много. Мы это прекрасно понимаем, поэтому у нас есть внутри своя программа стажировки. В основном на нее идут старшекурсники и недавние выпускники, которые связаны с программированием и математикой. Нам нужно чтобы стажер представлял, что такое программирование на скриптовом языке — Python или R. Первый сильно предпочтительнее в нашем технологическом стеке.

Рекрутер проводит телефонное интервью, задает определенные вопросы. По ответам мы понимаем, сможет или не сможет гипотетический сотрудник выполнить наши задания. Пять-десять человек мы приглашаем к нам в офис и даем тест на сорок минут. В тесте есть вопросы по поводу языка программирования, опыта использования разных утилит, по машинному обучению и аналитике. Если все хорошо, то следующий этап — техническое задание. Мы даем неделю на его выполнение, и оцениваем код и презентацию решения кейса.

Это задание на мультиклассы, которое максимально приближено к сфере телекома — предсказание того, что у человека есть несколько сим карт. Стажер должен за несколько часов написать классификатор, который выдаст скор по каждому из объектов из тестовой выборки. Этот скор мы сравниваем в общей системе и ранжируем стажеров по количеству баллов, которое они получили.

Безусловно это не единственный критерий. Наши аналитики проводят очные собеседовании, узнают мотивацию, почему человеку интересно пойти именно в Data Science, что он уже для этого сделал, задают технические вопросы и, безусловно, смотрят код. Код — это очень важная часть процесса, потому что человек будет писать систему, которую будут изучать и улучшать другие аналитики.

Получается три критерия: написать классификатор — выдать правильно решение, которое потом оценивается числом; очное собеседование, разговор на мотивацию человека; и третье — это качество кода. В случае успеха можно попасть к нам в команду, а по результатам стажировки и на реальную штатную позицию.

Стажировка в среднем длиться три месяца. К стажеру прикрепляется ментор, который помогает в решении его задач. Он занимается реальными задачами из беклога. Они могут быть не столь приоритетными, но это задачи, которые мы собираемся делать в будущем. Обычно они уже либо формализованы, либо мы помогаем их четко поставить для стажера, чтобы у него был четкий ориентир. Также у нас регулярно проходят массовые курсы, к примеру, и сейчас вся наша команда ходит на курсы по Hadoop. Наши стажеры регулярно проходят офлайн и онлайн обучение. Мы сотрудничаем с New Pro Lab, Big Data Team, GeekBrains, Data Gym и другими.

Как показывает практика, трех месяцев достаточно, чтобы понять, хотим ли мы сотрудничать дальше и развивать человека у себя в команде. Если он действительно показывает результаты, мы можем взять его на младшую инженерскую позицию и дальше развивать его как полноценного члена команды.

Поиск опытных специалистов проходит следующим образом:

1. Double-chek резюме или профиля кандидата тимлидами и рекрутером.
2. Личное собеседование с тимлидом, где есть технические и не только вопросы: теория вероятности, статистика, машинное обучение, опыт использования разных утилит, ожидания самого кандидата.
3. Если собеседование хорошо прошло для обеих сторон, мы запрашиваем портфолио кандидата (личные проекты и код) или просим решить наше техническое задание, чтобы посмотреть код и узнать ход решения задач. Техническое задание также связано с телекомом: необходимо предсказать, есть ли у абонента несколько сим-карт. Срок выполнения задания определяет сам кандидат, но обычно это не больше недели. Один наш сотрудник решил задание в тот же вечер и через неделю вышел к нам на работу.
4. Встреча с директором по аналитике больших данных, обсуждение задач и условий.

Самый большой плюс работы в этом отделе — это куча классных, реально умных ребят вокруг, и интересные задачи. Офис, торговый центр в офисе, премии, компенсации — это, конечно, классно, но стоит на третьем месте.

Для аналитиков здесь настоящая кладезь данных. Не у каждого есть возможность поработать с таким типом и количеством данных, анализируя которые ты ловишь инсайты и принимаешь решения, которые в конечном итоге приносит большие деньги. Мы люди цифр, окруженные людьми коммерции. И когда наши инсайты приводят к зарабатыванию денег — это класс.

Это самое интересный для аналитика — ты учился в университете, написал новый алгоритм, закодил его, применил научные методы, алгоритм начал работать и действительно приносить какую-то пользу.

Это вызывает больше всего эмоций.

— Реклама —

Знают ли читатели о том, что телекоммуникационная компания, обслуживающая на принципе предоплаты 8 миллионов подписчиков услуг мобильной связи, генерирует приблизительно 30 миллионов записей о звонках (CDR)? То есть, до 11 миллиардов ежегодно! Если этот же оператор предоставляет ещё и услуги мобильной связи на постоплатной основе, а также услуги фиксированной связи, то генерируется ещё больший объём данных.

Сегодня эти данные доступны в форме актуальной информации в режиме реального времени. Это позволяет телеком-компаниям в режиме реального времени реагировать на поведенческие изменения в мышлении клиентов. Это также помогает реагировать на угрозы, связанные с конкуренцией на рынке. Телеком – это сектор экономики, в котором Big Data (Большие Данные) выиграют битву с традиционными инструментами для проведения бизнес-анализа.

УЛУЧШЕНИЕ КАЧЕСТВА ОБСЛУЖИВАНИЯ КЛИЕНТОВ

ОПТИМИЗАЦИЯ СЕТИ

ОПЕРАЦИОННАЯ АНАЛИТИКА

МОНЕТИЗАЦИЯ

Big Data обещают стимулировать рост, а также повышать эффективность и прибыльность в телекоммуникационном секторе. С помощью Big Data провайдеры улучшат маршрутизацию и качество обслуживания клиентов. Кибермошенничество будет выявляться немедленно. Большие Данные позволят операторам быстро и гибко изменять тарифные планы, а также помогут в организации маркетинговых кампаний, направленных на конкретных клиентов благодаря использованию технологий определения местоположения и анализу социальных сетей. На основе информации о поведении клиента и использованию ресурсов сети, будут разработаны новые продукты, которые позволят снизить затраты и обеспечат новые источники дохода.

— Реклама —

Телекоммуникации: 5 советов по расширению аналитических возможностей с российскими BI-платформами

Телекоммуникационная отрасль развивается очень быстро, и для бизнес-аналитики здесь важно не отставать от заданного темпа. Используя анализ данных, телекоммуникационные компании оптимизируют и улучшают качество обслуживания клиентов. Чтобы закрепиться на новых рынках, телекоммуникационные операторы реализуют смелые инвестиционные проекты в ответ на меняющиеся предпочтения потребителей.

Давайте рассмотрим пять советов по совершенствованию аналитики в сфере телекоммуникаций.

1. Улучшение качество обслуживания клиентов

Клиент всегда прав – и он это знают! Поэтому обеспечение качественного клиент-ориентированного обслуживания, начинается с понимания того, как использовать массив данных. Ваши аналитические инструменты должны способствовать принятию взвешенных бизнес-решений, которые ставят абонента на первое место и повышают его ценность.

Анализируя большой объем информации, собранных из различных источников, таких как биллинг, системы мониторинга сети, колл-центр и аналитические CRM, телекоммуникационные компании получают критически важное представление о том, чего хотят абоненты и что может заставить их отказаться от услуг.

Чтобы держать руку на пульсе потребительского спроса и сокращать отток абонентов, организациям нужны гибкие аналитические решения. Благодаря возможностям пользователи вводят и редактируют данные клиентов, не выходя из BI-платформы.

• Собирайте информацию о клиентах напрямую из источника, непосредственно где вы анализируете данные.

Вводите данные об абонентах или продажах прямо в приложение, чтобы аналитика оставалась гибкой!

Your browser does not support the video tag.

2. Сохранение абонентской базы

Отток клиентов влияет на состояние телекоммуникационной отрасли. Абонента легко разочаровать неправильно выставленным счетом, повышением цен или плохим качеством обслуживания. А при постоянном развитии абонентской базы легко понять, почему высокий уровень оттока абонентов – это привычное явление в телекоме.

Используя данные анализа, проводимого в режиме реального времени и отображающего карту жизненного пути пользователя, бизнес действует на опережение и создает инструменты для прогнозирования и изучения информации, дабы заранее выявлять и устранять проблемы. Кроме того, оператор предоставляет решение проблемы, прежде чем та затронет клиента. Наблюдая за ключевыми показателями производительности (KPI), такими как время удержания, продолжительность вызова и количество открытых заявок, провайдеры, например, могут оптимизировать производительность колл-центра.

Имея на руках правильные данные, телекоммуникационные компании могут пойти еще дальше, используя аналитику для прогнозирования потребительского спроса на свои продукты и услуги.  К примеру – улучшить таргетинг и открыть новые возможности для дополнительных и перекрестных продаж.

• Оставайтесь в курсе процесса обслуживания абонентов с помощью мониторинга в реальном времени и прогнозного моделирования.

Прогнозируйте затраты, доход и прирост с помощью простой в использовании расширенной аналитики.

3. Оптимизация производительности сети

В телекоммуникационном секторе сеть – жизненно важный ресурс. Также важна ёмкость сети. Для мониторинга и управления пропускной способностью сети, построения прогнозируемых моделей пропускной способности и использования этих моделей при планировании расширения сети телекоммуникационный сектор начал использовать аналитику данных. Информационные панели – визуальный инструмент для планирования ёмкости, который сокращает время на анализ с часов до минут.

Визуализация данных в режиме реального времени с помощью тепловых карт, диаграмм Mekko или индикатора активности, например, поможет провайдеру выявлять перебои в работе и сбои в обслуживании, сократить время ремонта и получать оповещения в случае перегрузки сети или потенциальных сбоев. Кроме того, используя данные, получаемые в реальном времени с вышек сотовой связи, инженеры способны отследить снижение качества предоставляемых услуг в определённом месте.

• Оптимизируйте производительность сети с помощью четкой и мощной визуализации данных.

4. Выявление новых возможностей на рынке

Рынок телекоммуникаций растет и меняется с огромной скоростью. Чтобы понимать принципы его работы и сохранить свою долю, провайдеры должны принимать решения на основе данных. Особенно при выявлении новых инвестиционных возможностей и целевых рынков.

Например, визуальный обзор пропускной способности сети и ее использования по регионам поможет определить новые направления для расширения и роста, в которые можно инвестировать. А сегментирование и фильтрация клиентов по местоположению, устройству, стоимости, поддержке или даже типу услуг позволит выявить, на каких сегментах следует сосредоточить свое внимание.

Оптимизация исследования данных – отличный способ поддерживать гибкость управленческого принятие решений. Это также позволит поставщикам услуг настроить себя на успех во времена неопределенности.

• Снизьте инвестиционный риск с помощью интуитивно понятного анализа данных, который поддерживает гибкие решения.

Пусть система аналитики сделает всю тяжелую работу и упростит вам путь к исследованию данных

5. Оптимизация совместной работы и автоматизация

Генри Форд однажды сказал: «Если все будут двигаться вперед вместе, успех придет сам собой». Эта мысль хорошо подходит для таких новаторских областей, как телекоммуникации. Беспрепятственное сотрудничество с другими членами команды сокращает время на практическую реализацию идей и приближает успех бизнеса.

В быстро развивающейся отрасли, чтобы внести изменения требуется централизованное решение для обработки данных. Не только для управления данными, но и для устранения разрозненности данных, обеспечения лучшей автоматизации, обширного обмена информацией и достижения «святого Грааля больших данных» – единого источника истины.

С помощью Vizlib Collaboration члены команды мгновенно подключаются и поддерживают обмен данными в контексте. Любой член команды может легко создавать рабочие процессы для автоматизации критически важных клиентских процессов. Также пользователи могут вводить, редактировать и обмениваться данными непосредственно в своих приложениях с возможностью обратной записи. Телекоммуникационные компании могут изменить способ ввода и взаимодействия с данными и закрывать цикл аналитики.

• Повысьте эффективность совместной работы и управления рабочими процессами.

Измените то, как ваша организация работает с данными – оптимизируйте процессы и совместную работу, сократите время простоя и сделайте так, чтобы ваши абоненты улыбались, чтобы сохранить свое конкурентное преимущество.

Мы поговорили с директором по развитию FTS Russia Светлином Савовым об аналитических функциях в современных системах управления документами и информацией.

– Каково, на ваш взгляд, соотношение технологий BI, Big Data и ECM?

Все перечисленные технологии взаимосвязаны, т.к. отвечают за сбор, обработку, классификацию и анализ данных. Анализировать бизнес-данные можно, используя различные методики и инструменты в зависимости от задач. Если бизнес производит стабильный небольшой или средний объем данных, а руководству необходимо понять текущую ситуацию или спрогнозировать варианты развития событий, можно использовать статистические и количественные методы из арсенала Business Intelligence. Такие аналитические инструменты могут встраиваться в ECM-системы, использоваться как отдельные системы или онлайн-сервисы. Они справляются с построением простых отчетов, визуальным представлением исполнения KPI, созданием панелей ключевых показателей и динамических графиков и диаграмм. Строго говоря, большинству компаний со стандартными задачами большего и не нужно.

Если компания занимается специфической деятельностью, которая связана с постоянной регистрацией неструктурированных данных действительно огромных объемов, а задачи по обработке данных гораздо сложнее: построение точных прогнозов, анализ всех параметров процесса, тогда уже необходимо смотреть или в сторону отдельных мощных аналитических платформ, или воспользоваться подходами и методами Big Data для глубоко анализа.

Наиболее востребованными на рынке остаются простые аналитические инструменты, которые интегрируются в ECM-систему и позволяют строить аналитические отчеты и создавать динамические дэшборды.

– Какие наиболее востребованные аналитические возможности заложены в современных ECM-системах? Каковы самые «прорывные» с точки зрения бизнес-использования технологии? // Какие наиболее востребованные средства и технологии бизнес-анализа сегодня есть на рынке?

Со временем в ECM-системе, через которую проходят основные бизнес-процессы, документы и записи компании, накапливается большой массив данных. Эти данные несут в себе потенциал для понимания насущных проблем бизнеса. С помощью BI можно проследить выполнение KPI в рамках одного бизнес-процесса за определенный период. Или понаблюдать за количеством принятых рекламаций от клиентов и их отработку. Где произошел сбой? Что изменилось после принятых мер? Какое мероприятие сработало эффективнее? Технологии бизнес-аналитики помогают собрать данные, структурировать и отобразить в понятном графическом представлении. Именно в этом видят заказчики ценность аналитических инструментов, которые помогают найти слабое звено в процессе и понять, что нужно изменить для его наладки.

Наиболее востребованными на рынке остаются простые аналитические инструменты, которые интегрируются в ECM-систему и позволяют строить аналитические отчеты и создавать динамические дэшборды.

В перспективе интересным является потенциал технологий Big Data. Они предполагают обработку внушительных объемов данных и интеллектуальный анализ. Такие технологии призваны помочь принимать оптимальные решения в бизнесе. Однако мы не ожидаем, что их применение станет массовым.

– В каких задачах и процессах инструментарий бизнес-аналитики может сыграть значительную роль? (анализ обращения граждан, запросы клиентов, мониторинг данных в закупках, согласование договорной и финансовой документации, т.д.) Приведите краткие примеры клиентских кейсов.

Бизнес-аналитика значительно повышает прозрачность процессов и подчеркивает узкие места. Рассмотрим на примере управления закупками. Сотрудник размещает заказ или инициирует тендер на закупку по проекту, а весь процесс согласований автоматизирован и настроен в ECM-системе. По ходу согласований данные и документы автоматически регистрируются и каталогизируются. Проанализировав данные по обработке заказов, можно узнать, сколько времени, в среднем, проходит до выполнения заявки. Таким образом, руководство понимает, как улучшить контроль сроков и сократить количество просрочек, критичных для основных процессов.

Нашим клиентам мы предлагаем ECM-решения M-Files, которые структурируют любой корпоративный контент при помощи метаданных. Для анализа и визуализации данных используем инструменты аналитической платформы Power BI от компании Microsoft. Пользователи могут самостоятельно создавать интерактивные отчеты и панели мониторинга ключевых показателей в ECM-системе и делиться информацией. Анализировать данные можно с любого устройства: ПК/ планшеты/ смартфоны.

В рамках проектов компании FTS функции бизнес-аналитики были задействованы, например, в проекте автоматизации закупочной деятельности крупной строительной компании с разветвленной организационной структурой. По итогам проекта все важные для руководства показатели: объемы, бюджеты, сроки были сведены в единую информационную панель мониторинга, доступную в режиме реального времени. Другой пример – автоматизация службы клиентского сервиса многопрофильной ИТ-компании. В ходе проекта был разработан набор ключевых показателей деятельности службы поддержки и соответствующие информационные панели для их постоянного мониторинга.

На наш взгляд, большинству компаний вполне достаточно встроенных в ECM аналитических инструментов, которые могут извлечь данные из хранилища и быстро представить их в удобной для анализа графике.

– Достаточны ли объёмы данных, хранимых в СЭД/ECM- системах организаций сегодня, чтобы требовать отдельных BI инструментов, или достаточно функционала ECM? Каков тот уровень объема хранимого контента, когда заказчик должен смотреть в сторону отдельных решений класса BI (перестает хватать ECM)?

Перед внедрением ECM-системы необходимо оценить объем корпоративной информации, типы документов и данных, средние темпы их прироста и определить круг задач по аналитике. Если система уже действует, нужно понять, ожидает ли бизнес в будущем значительных изменений, расширения сферы деятельности и быстрого роста данных. Исходя из ответов, можно подбирать инструменты бизнес-аналитики. На наш взгляд, большинству компаний вполне достаточно встроенных в ECM аналитических инструментов, которые могут извлечь данные из хранилища и быстро представить их в удобной для анализа графике.

Когда объемы данных измеряются терабайтами, и для эффективности процессов их нужно оперативно анализировать, то организации стоит задуматься о специализированных BI-решениях.

– Какие шаги должна предпринять компания, чтобы определить релевантный для нее BI-инструментарий и оценить перспективность его внедрения?

Всем компаниям мы посоветуем перед выбором инструментов аналитики пересмотреть бизнес-процессы. Можно иметь идеальную картину того, как процесс должен работать, и совсем другое на практике. После этого нужно определить критические точки, в которых создается основной контент. Дальше нужно понять, все ли данные учитываются в ECM и других системах, а если нет, то подумать, каким образом их можно учитывать. Необходимо ответить на вопрос, какие инструменты сейчас используются для анализа данных, и какие задачи они выполняют.

Понимание перспективности внедрения того или иного инструмента BI возникает после постановки целей. Компания должна понимать, чего хочет добиться, анализируя данные. Собирать и анализировать все данные подряд нецелесообразно. Анализировать стоит только то, что потенциально может повысить эффективность бизнес-процессов. Затем нужно определить, какая функциональность по аналитике сможет отвечать поставленным целям, и какая производительность системы нужна для хранения и интеграции данных.

Чтобы измерить эффективность процессов, нужны количественные данные, которые легко получить с помощью инструментов бизнес-аналитики. Обязательными требованиями к аналитическим средствам со стороны заказчиков остаются высокая производительность и функционал мобильного доступа.

– Каковы запросы компаний (заказчиков) сегодня в области работы с накопленными данными? Отличаются ли сценарии использования и спрос на аналитику данных в России и за рубежом? Какие сценарии еще не входят в «привычный спрос», однако уже реализуемы и ведут к ощутимой бизнес-выгоде для компаний?

При работе с аналитикой компании ищут ответы на простые вопросы. Каковы текущие ежедневные продажи по товару, товарной категории, магазину, региону? Насколько выросли продажи в ответ на маркетинговые мероприятия? Сколько часов работают сотрудники и эффективно ли они используют рабочее время? Как соблюдаются сроки по проектам и отделам?

Заказчики ждут от аналитических инструментов подсказок о том, что можно оптимизировать в бизнес-процессах. Чтобы измерить эффективность процессов, нужны количественные данные, которые легко получить с помощью инструментов бизнес-аналитики. Обязательными требованиями к аналитическим средствам со стороны заказчиков остаются высокая производительность и функционал мобильного доступа.

– Каковы зоны внимания в использовании аналитики больших данных для компаний?

Всегда нужно понимать, какую бизнес-задачу нужно решить с помощью внедрения ИТ-системы. То есть компании сначала надо оценить свой объем и потенциал данных. В реальном деловом мире сейчас не так много отраслей, где применение технологий Big data/ Data mining сможет повысить эффективность процессов. Аналитика больших данных может быть актуальна для телекоммуникационных компаний, высокотехнологичных производств, глобальных розничных сетей, в энергетике, крупных банковских и государственных структурах, на фондовых рынках. Но для среднего и крупного бизнеса обязательное использование технологий Big Data под большим вопросом. Даже проанализировав большой объем данных, построив прогностическую модель, можно не добиться результатов и не получить «вау»-эффекта. Может оказаться, что тот же самый ответ можно было получить, сделав выборку, отследив динамику изменений, а не проверяя весь объем накопленных данных со времени запуска бизнес-процесса.

Прочитайте больше о преимуществах M-Files для вашего бизнеса

Текст – FTS Russia.

Картинка – Unsplash.

Появились вопросы или хотите узнать больше?
Свяжитесь с нами: +7 495 120 57 58 или info.ru@fts-eu.com.

Далее