Deductor в телекоммуникациях

Бизнес-приложения интеллектуального анализа данных cегодня имеют мало общего с некогда популярными системами генерации отчетов, порождавшими "горы" распечаток, в которых было практически нереально отыскать нужную информацию.

Появление хранилищ данных открыло путь к извлечению и интеграции сведений, выдаваемых системами поддержки текущих операций, к их очистке и фильтрации с учетом бизнес-задач. К тому же накопление данных за определенные периоды позволило проводить их ретроспективный анализ для выявления трендов и скрытых закономерностей в длинных временных рядах. Однако сам этот анализ стал возможным только с появлением BI-приложений.

Для чего это нужно?

Резко возросшие потребности бизнеса в средствах интеллектуального анализа данных и присутствие на рынке соответствующих программных решений еще не означает, что все проблемы решаются сами собой. Как утверждают аналитики, хотя крупные организации и делают значительные инвестиции в хранилища данных и BI-приложения, лишь немногие из них сумели наладить строгий контроль за всеми сторонами своего бизнеса и обеспечить оперативный доступ к средствам интеллектуального анализа данных для тех сотрудников, которые непосредственно общаются с клиентами по различным коммуникационным каналам. И уж совсем незначительное число фирм может похвастаться удачной интеграцией средств интеллектуального анализа в свои бизнес-процессы.

Стремясь удовлетворить их, руководители ИТ-отделов какое-то время делали ставку на настраиваемые аналитические программные пакеты, которые, как казалось, позволяли быстрее реализовать функции интеллектуальной обработки данных. Хотя этот подход явно предпочтительнее создания BI-приложений собственными силами, безоговорочная ставка на готовые решения имела свои подводные камни. Дело в том, что функциональность подобных коммерческих продуктов обычно охватывала только отдельные стороны бизнеса, поэтому в организации возникало несколько "островков" интеллектуальных бизнес-приложений, функционировавших на разных платформах и практически не связанных друг с другом. С появлением каждого следующего приложения заметно возрастали как сложность корпоративной ИС, так и расходы на ее эксплуатацию.

Эти первые, не вполне удачные опыты внедрения BI-систем обусловили постепенный выход на первый план иного принципа. Теперь организации стремятся приобретать интеллектуальное ПО для корпоративной информационной среды, которое функционирует поверх общей BI-платформы, легко настраивается на решение различных бизнес-задач и, главное, обеспечивает детальный анализ данных с учетом специфики конкретной отрасли.

Бизнес-анализ в Телекоммуникационных компаниях

Последнее требование является особенно важным и выгодно отличает специализированные аналитические системы от решений общего назначения. На примере рынка услуг связи этот тезис можно проиллюстрировать особенно наглядно.

Как известно, специфика телекоммуникационной отрасли заключается в обслуживании многочисленной абонентской базы, однако из-за постоянно обостряющейся конкуренции это не исключает необходимости бороться буквально за каждого высокоприбыльного клиента. Телекоммуникационный рынок характеризуется чрезвычайно быстрыми темпами развития технологий, вследствие чего для модернизации или расширения инфраструктуры, а также для создания и продвижения новых услуг от оператора требуются крупные инвестиции. Одновременно значительно возрастает риск потери вложенных средств, поскольку, как показывает практика последних лет, оценки грядущего потребительского спроса частенько оказываются непомерно завышенными. Кроме того, практически все операторы страдают от значительной "текучести" абонентов, которых привлекают либо новые услуги, либо более выгодные тарифные планы конкурентов.

Современная бизнес-среда уже не позволяет телекоммуникационным компаниям надеяться на значительный рост прибыли за счет революционных технологических достижений или резкого всплеска активности пользователей. Его можно достичь лишь при внедрении эффективных схем удержания существующих и привлечения новых абонентов, извлечения максимальной выгоды из отношений с каждым клиентом, разработки динамичных бизнес-процессов, проведения высокорезультативных маркетинговых кампаний.

Один из путей достижения этих целей заключается в извлечении всей полезной информации из имеющихся у телекоммуникационных фирм данных об абонентах. Не секрет, что по объему и степени детализации сведений о клиентах операторы связи уступают лишь банкам и страховым компаниям. Проблема, однако, заключается в том, что обычно такая информация поступает из различных источников и распределяется по множеству хранилищ и баз данных. В этой ситуации какие-то данные дублируют друг друга, оказываются устаревшими и т. д., поэтому анализу подобных сведений должны предшествовать процедуры их извлечения из разных источников, очистки, фильтрации и преобразования к общему формату для записи в единое информационное хранилище. Кроме того, необходимо, чтобы результаты анализа накопленной оператором информации были доступны для сотрудников компании в нужное время и по разным коммуникационным каналам (через электронную почту, корпоративный портал, интрасеть и т. п.).

В решении всего комплекса перечисленных задач на помощь приходят системы бизнес-аналитики.

DeductorВ качестве примера BI-решений для телекоммуникационных компаний рассмотрим аналитическую платформу Deductor, которая состоит из нескольких интегрированных программных компонентов, поддерживающих разработку хранилищ данных и BI-систем, а также управление ими.

К этим компонентам относятся, в частности:

Модуль импорта данных, который обеспечивает извлечение, фильтрацию и преобразование данных, находящихся в различных транзакционных и аналитических системах (реляционных и нереляционных базах данных, учетных системах, ERP-приложениях и др.);

Хранилище данных, обеспечивает централизованное хранение, целостность и непротиворечивость данных, высокую скорость извлечения информации, автоматическое обновление, удобные механизмы работы;

Deductor Studio содержит набор инструментов для решения задач очистки данных, это редактирование аномалий, заполнение пропусков, очистка от шумов, сглаживание, редактирование дубликатов и противоречий.
В Deductor Studio реализованы механизмы трансформации, такие, как преобразование к скользящему окну, квантование, группировка, сортировка, приведение типов.
В случае прогнозирования необходимо решать задачу регрессии. В Deductor Studio имеются механизмы построения как линейных моделей (линейная регрессия), так и нелинейных (нейронные сети).
Из общеизвестных преимуществ нейросетевого подхода следует выделить одно, самое привлекательное в нем – отсутствие необходимости в строгой математической спецификации модели, что особенно ценно при анализе плохо формализуемых процессов. А большинство бизнес-задач плохо формализуется. Это означает, что, при наличии достаточно развитых и удобных инструментальных программных средств, пользователь может при построении модели прогнозируемого процесса руководствоваться такими понятиями, как опыт и интуиция.
После получения прогностической модели можно получить, собственно, сам прогноз. Для этого можно, например, воспользоваться визуализатором «что-если».
В случае построения авторегрессионной модели, когда значения временного ряда зависят от предыдущих периодов, можно воспользоваться специальным обработчиком «прогнозирование» и, построив модель, прогнозирующую на один шаг, получить результат на сколько угодно шагов вперед.
Результаты прогнозирования можно экспортировать на сторону для использования в программах планирования, учетных системах и прочих.

Deductor был разработан с учетом требований, предъявляемых к аналитическим системам. Среди них – возможности сокращения издержек и управления рисками, уменьшение оттока и удержание наиболее ценных клиентов, увеличение размера доходов, получаемых с одного клиента, повышение эффективности использования сетевых ресурсов, выявление случаев мошенничества и управление отношениями с поставщиками дополнительных услуг.

Более подробно архитектура аналитической платформы Deductor изложена на странице сайта -Анализ бизнес информации - основные принципы

Логическая модель данных, охватывает все данные, которые фигурируют в специальных интеллектуальных моделях. Она описывает бизнес-процессы и функции оператора и содержит различные сведения об абоненте, установленном у него оборудовании, услугах, на которые он подписан, адресованных ему маркетинговых кампаниях, а также рейтинг лояльности и подробную статистику звонков. Здесь же хранится информация финансового характера, в том числе данные о банковском счете клиента, совершенных транзакциях, выставленных счетах и методах их оплаты, наличии задолженности и т. д.

Хранилище полунормализованных детальных данных и интегрированные многомерные модели-схемы типа "звезда" отнесены к уровню интеграции и преобразования данных. Вместе они образуют многомерную версию хранилища данных, которое учитывает специфику конкретной отрасли и доступ к которому производится с помощью BI-инструментария. При этом хранилище детальных данных, по сути, является физической реализацией логической модели данных. В нем содержатся сведения, которые извлечены из систем оперативной обработки транзакций, очищены и отфильтрованы для последующей аналитической обработки. В частности, сюда помещаются детальные профили клиентов (включая сведения социального и демографического характера), информация о методах оплаты услуг, специальные пожелания, с которыми конкретные абоненты когда-либо обращались к оператору, модель лояльности и ключевые моменты в ее динамике, текущие и планируемые показатели дохода от отдельных клиентов, их рейтинги (кредитный, склонности ухода к конкурентам, готовности подписаться на определенные услуги и др.), а также ретроспективные данные об их взаимодействии с оператором и результаты сегментации, выдаваемые Deductor Studio. Хранилище детальных данных играет роль источника информации для аналитических моделей, а также для "информационных витрин", создаваемых, например, в целях управления адресными маркетинговыми кампаниями.

Набор интегрированных многомерных моделей оптимизирован для проведения многомерного статистического анализа и последующей генерации отчетов. Указанные модели относятся как к активности отдельных абонентов (лояльность, доходность и др.), так и к различным аспектам деятельности операторов, включая динамику продаж, статистику звонков в отдельных сегментах сети и показатели загрузки сетевых ресурсов.

Аналитические модели данных и процессов используются Deductor Studio для ранжирования данных, предсказания поведения клиентов и их сегментации. Они отражают процедуры аналитической обработки, специфические для конкретной отрасли, и охватывают такие области, как оценка кредитоспособности существующих и новых клиентов, предсказание оттока абонентов фиксированной и мобильной связи, сегментация клиентов и анализ рыночной корзины (например, типов звонков для организации "связанных" продаж и целевого маркетинга). Результаты применения аналитических моделей могут быть помещены в хранилище детальных данных либо использоваться системами поддержки текущих операций.

Гибридные OLAP-модели данных представляют собой многомерные серверные базы данных (иногда называемые кубами), в которые помещаются итоговые данные. Тесная интеграция этих БД с другими компонентами решения Deductor Studio позволяет пользователю оперативно перейти к работе с информацией, содержащейся в хранилище детальных данных либо представленной в моделях-схемах.

Функциональность Deductor Studio
Богатое функциональное наполнение решения Deductor Studio достигается благодаря наличию в его составе нескольких интегрированных друг с другом программных модулей, набор которых со временем может быть расширен.

Deductor Studio. Это приложение осуществляет сбор данных из различных источников, имеющихся у оператора услуг связи, а затем преобразует их в информацию, которая необходима для оперативного реагирования на изменяющиеся условия бизнес-среды, для принятия стратегических решений и доведения их до сотрудников. Присутствующие в нем средства доступа к данным из любого источника, управления ими и их систематизации повышают ценность унаследованных систем, а значит, обеспечивают сохранение ранее сделанных инвестиций. Данный инструментарий позволяет гарантировать, что информация, используемая для принятия стратегических решений, является достоверной, адекватна бизнес-задачам компании и своевременно попадет к тем руководителям и сотрудникам, которым она действительно необходима.

Если верить оценкам аналитиков, ежегодный отток клиентов в телекоммуникационном секторе может доходить до 30%. Миграция абонентов от одной компании к другой самым негативным образом отражается на финансовых показателях операторов связи. К тому же не стоит забывать, что затраты на привлечение новых клиентов обычно в несколько раз превышают расходы на удержание уже существующих.

Правда, здесь следует сделать две оговорки. Во-первых, далеко не всякого абонента надо удерживать, поскольку приносимый им доход может оказаться заметно ниже среднего. Во-вторых, по мнению некоторых экспертов, тем же российским операторам мобильной связи "заманивание" новых абонентов порой обходится дешевле сохранения существующих. Однако такое положение дел следует рассматривать скорее как исключение из общего правила и нет оснований полагать, что оно сохранится на протяжении многих лет.

Другими словами, большинство телекоммуникационных компаний кровно заинтересованы в сохранении существующих абонентов, в увеличении дохода от каждого из них и в повышении рентабельности своих отношений с абонентами. Для достижения данных целей операторы должны увеличить эффективность своих маркетинговых кампаний, сделать их более адресными и добиться того, чтобы предложение новых продуктов было дифференцированным как с точки зрения категорий клиентов, так и во времени. Первый шаг к реализации этого сценария заключается в проведении точной сегментации клиентов, а также в установлении многогранных и гибких отношений с клиентами с использованием различных коммуникационных каналов.

Deductor Studio интегрирует мощные функции анализа данных о клиентах и предварительно созданные аналитические модели со средствами анализа маркетинговой деятельности. Такая интеграция дает возможность быстро определить целевую аудиторию для конкретных маркетинговых мероприятий и сформулировать правила, на основе которых следует проводить сегментацию клиентов. У оператора появляется инструментарий для динамической обработки результатов рекламных кампаний или иных маркетинговых акций, позволяющий автоматически обновлять данные о контактах с клиентами и отслеживать их реакцию на маркетинговые мероприятия, будь то решения о приобретении тех или иных продуктов либо трудно выявляемые иными способами изменения в поведении.

Описываемое ПО позволяет использовать предварительно заданные планы (шаблоны) рекламных кампаний, учитывающие типичные маркетинговые задачи операторов связи, пользоваться функциями детального управления рекламными кампаниями, планировать разносторонние, многоканальные и многоэтапные кампании и выполнять их приоритизацию, сводить воедино и фильтровать списки потенциальных клиентов, полученные из различных источников, оптимизировать и постоянно координировать связи с сотнями тысяч и даже миллионами клиентов по различным коммуникационным каналам.

Deductor Studio предназначен для сегментации клиентов, выявления трендов в их поведении и прогнозирования оттока, а также для выработки мер, призванных уменьшить или даже предотвратить миграцию наиболее ценных пользователей.

Переход абонентов от одного оператора к другому является неизбежным следствием предложения новых типов услуг и ценовых войн, время от времени разгорающихся на рынке услуг связи. Поскольку ослабления данного процесса ожидать не приходится, а уровень рентабельности телекоммуникационных компаний (ARPU) продолжает снижаться, операторам необходимо четко определить для себя, с какими клиентами можно расстаться без особого ущерба для бизнеса, а каких надо сохранить. В этой второй категории особенно важно своевременно выявить потенциальных кандидатов на уход к конкурентам. Принципиальным моментом здесь является определение причин такого ухода, поскольку лишь знание мотивации позволяет своевременно разработать эффективную стратегию удержания наиболее ценных клиентов.

На решение этой задачи как раз и ориентирована АП Deductor Studio. Используя аналитические процедуры и модели процессов, с его помощью можно точно определить потенциальных "беглецов", способных разорвать отношения с оператором в ближайшее время. Данные для анализа собираются из различных источников. Это сведения об оплаченных и просроченных счетах, о подписке на те или иные виды услуг, о характере сделанных звонков, о процедурах обслуживания клиентов и т. д. Основой описываемого компонента являются модели и процедуры классификации клиентов и механизмы их реализации, готовые к внедрению и допускающие гибкую настройку под особенности бизнеса конкретной компании.

Deductor Studio. Его отличительной особенностью является способность классифицировать клиентов не только на основании простых демографических параметров или базовых показателей использования ими сетевых сервисов (как это делает подавляющее большинство операторов), но и с точки зрения динамики их поведения и смены продуктовых предпочтений, изменения уровня жизни, параметров звонков либо иных используемых сервисов, кредитных рисков, лояльности к данному оператору, текущей и прогнозируемой прибыльности. Только опора на множество разнообразных показателей позволяет построить детальный профиль клиента, а значит, повысить эффективность взаимодействия с ним и отдачу от маркетинговых кампаний, персонализировать предложения новых телекоммуникационных услуг и, в конечном счете, увеличить приносимую клиентом прибыль.

В Deductor Studio, для классификации клиентов может быть использован весь объем данных, накопленных оператором и обычно распределенных по разным источникам.

Эффективная организация продаж принципиально новых или дополнительных услуг – одно из необходимых условий выживания компании на фоне обостряющейся конкурентной борьбы. И опять же она возможна только при наличии надежных моделей детальной сегментации клиентов. Попытка предложить новые или более дорогие услуги абонентам, традиционно выбирающим самые экономичные тарифы, заранее обречена на провал, а средства, затраченные на продвижение услуг среди этой категории клиентов, окажутся выброшенными на ветер.

Поэтому первый шаг к организации "связанных" продаж должен состоять в выявлении пользователей, традиционно подписывающихся на несколько различных сервисов, стремящихся приобретать самое новое абонентское оборудование, активно пользующихся базовыми услугами, имеющих подходящий демографический и социальный профиль. После того как эта группа пользователей четко определена, можно попытаться выявить другие категории клиентов, которые потенциально готовы к новым приобретениям, будь то услуги или абонентские устройства. Очевидно, что продвижение новых продуктов среди пользователей таких категорий должно вестись более экономичными способами, чем в первой категории.

На основе предварительно разработанных аналитических моделей Deductor Studio дает возможность спрогнозировать, какие продукты заинтересуют каждого из клиентов в будущем. Для этого, в частности, используются прогностическая модель рыночной корзины, средства анализа и генерации отчетов о лояльности существующих клиентов и возможностях ее повышения, об эффективности использования различных каналов распространения информации о новых продуктах.

Deductor Studio обеспечивает повышение конкурентоспособности телекоммуникационной компании несколько с иной стороны. Он позволяет точно оценивать кредитоспособность существующих и потенциальных клиентов и на основании этого анализа снижать бизнес-риски и издержки на списание безнадежных долгов. Его применение дает возможность установить, какие предложения услуг и методы оплаты наиболее приемлемы для той или иной категории клиентов, какие из потенциальных клиентов являются самыми перспективными, а какие должны быть отнесены к группе наивысшего риска. При этом модели, применяемые к существующим клиентам, опираются на скрупулезный анализ их поведения, сведения об оплаченных и неоплаченных счетах и предпочитаемых клиентами методах расчетов, данные кредитной истории и т. д. При построении предварительной классификации потенциальных клиентов используются модели прогнозирования кредитоспособности.

Бизнес-приложения интеллектуального анализа данных существуют на рынке в течение многих лет, но долгое время варианты их применения в телекоммуникационной отрасли мы изучали исключительно на примере зарубежных компаний. Это было тем более удивительно, что даже у ведущих отечественных операторов мобильной связи, несмотря на бурный рост данного рыночного сегмента и внушительные по российским меркам обороты, дела с обслуживанием клиентов обстояли, прямо скажем, неважно. То оператор допускал многочисленные "нестыковки" в выставляемых абонентам счетах (причем не в пользу последних), то пользователям, давно перешедшим к конкурирующей фирме, прежняя фирма продолжала присылать счета на оплату услуг, то сама сеть переставала справляться с растущей абонентской базой и миллионы подписчиков на несколько часов оставались без связи. Подобные инциденты не являются тайной за семью печатями и, к сожалению, повторяются с завидной регулярностью. Что уж говорить о детальной сегментации клиентов, персонифицированном маркетинге и адресных рекламных кампаниях!

Впрочем, не исключено, что вскоре ситуация начнет меняться к лучшему.

Дело не в технических деталях. Главное, чтобы появление мощной системы бизнес-аналитики ощутили на себе абоненты и чтобы произошло это уже в ближайшее месяцы, а не через несколько лет.