Datalytica для
телеком-индустрии

Решения DATALYTICA по отраслям

Big Data Решения Datalytica для
телекома

Технологические решения DATALYICA для телекоммуникационного бизнеса основаны на методах математического моделирования и машинного обучения и направлены на 3 основные бизнес-стратегии: повышение продаж, снижение издержек, управление рисками.
Компьютерное распознавание изображений и текста
В сфере телекоммуникаций компьютерное зрение применяют в основном для сегментации клиентской базы на основе видеонаблюдения с камер. Сегментация базы позволяет сформулировать оптимальные товарные предложения для каждой группы клиентов и таким образом увеличить конверсию в сделку.

Кроме того, компьютерное зрение для распознавания текста и изображений в телекоммуникационном бизнесе применяют с целью автоматизации бумажной работы - машинное распознавание чеков, счетов, накладных, договоров и т.п., а также в сфере безопасности для автоматизированного распознавания лиц и выявления мошенических действий.
Предсказание поломок телекоммуникационного оборудования
Своевременное прогнозирование неисправностей и поломок телекоммуникационного оборудования и сетей позволяет превентивно провести техническое обслуживание и ремонт, а также избежать полного отказа и простоев оборудования и техники, сбоев связи, а также нежелательных затрат на ремонт и замену вышедших из строя сетей, узлов и агрегатов оборудования. Массив данных, поступающих с датчиков и (или) накопленных техническим персоналом, позволяет в реальном времени произвести прогноз возникновения нештатных ситуаций (остановок, поломок) или оценить качество оказываемых телекоммуникационных услуг. Финансовый эффект от внедрения предиктивной аналитики в технологический процесс может быть не только прямым, но и косвенным – способствует повышению лояльности клиентов и улучшению имиджа компании.
Превентивное сервисное обслуживание телекоммуникаионного оборудования
Задача предсказания поломок является вспомогательной при определении временной точки проведения технического обслуживания оборудования. Время проведения технического обслуживания рассчитывается на основании оптимизационной модели, которая учитывает текущую загрузку, график работы предприятия, график закупок нового оборудования и запчастей к нему, а также оценивает возможные риски от простоя или поломки оборудования. Прогноз отказа осуществляется как на основе накопленных исторических данных, так и данных, поступающих в режиме реального времени.

Персонифицированные продуктовые предложения

Персонифицированные продуктовые предложения в телеком-бизнесе получили наиболее широкое применение в e-commerce, интернет-торговле. Правильно подобранные продуктовые предложения увеличивают конверсию сайтов и маркетинговых кампаний до 60%. Построение рекомендательной системы для телекома включает анализ как внутренних данных бизнеса, так и внешних данных о клиентах (геолокация, поведение в соцсетях, интересы друзей и т.п.). На основании этих сведений формируются оптимальные продуктовые предложения - индивидуальные или пакетные, выбираются оптимальные каналы маркетинговых коммуникации, а также их расписание.

Для максимальной эффективности рекомендательной системы, она должна непрерывно обучаться и учитывать реакцию клиентов на предложения - негативное, положительное или нейтральное в каждом канале и в определенное время.
Чат-боты для оптимизации контактного центра
Использовать человека-оператора контактного центра телекоммуникационных компаний наиболее привычно для пользователя, но всегда ли эффективно для бизнеса? Последние разработки в области языковых интерфейсов и искусственного интеллекта позволяют утверждать, что при должном ограничении предметной области чат-бот может не только полноценно заменить человека-оператора, но и стать более эффективным интерфейсом, через который предприятие сделает важный естественный шаг в автоматизации.
Предсказание оттока
клиентов и разработка мер по удержанию
Для разработки методов противодействия оттоку клиентов в телеком-бизнесе, сначала необходимо предсказать отток. Предсказание оттока клиентов — типовая задача классификации (отбора) малого количества клиентов, склонных к оттоку, по сравнению с количеством лояльных клиентов. По результатам отбора, разрабатывается план удержания клиентов, которые потенциально могут выбрать конкурентов.
Предсказание оттока сотрудников и HR-аналитика
Технологии Data Science позволяют разрабатывать уникальные решения HR-аналитики на базе машинного обучения и big data. Эти решения способны существенно сократить ресурсоемкость подбора новых сотрудников для телеком-компаний сектора, ускорить работу с наиболее ценными кандидатами, анониминимизировать методы оценки технических компетенций (hard skills) и необходимых личностных качеств (soft skills) кандидата, избежать ошибок при ручной обработке резюме, заполнении и обработке анкет соискателей.

При работе с сильными кандидатами крайне важно сделать предложение о работе быстрее конкурента. HR-аналитика предоставляет это преимущество. Решение на базе машинного обучение проводит автоматическую фильтрацию входящих резюме, делает многомерную оценку кандидата и выдает заключение о ценности кандидата без вмешательства человека. Решение использует методологию психологического скоринга на базе искусственного интеллекта.
Оптимизация складских запасов
Управление складом на основе индивидуального подхода к корпоративным данным с применением технологий в сфере Data Science может привести к значительному повышению оборачиваемости склада, избавлению от неликвида, существенному сокращению числа "аварийных" закупок, повышению уровня сервиса и, как следствие, к повышению уровня удовлетворенности потребителей. Современные технологии и накопленные знания в сфере предиктивной аналитики позволяют более эффективно и качественно обрабатывать полный спектр уникальных корпоративных данных и строить прогнозы с учетом индивидуальных потребностей компании и особенностей сферы деятельности.
Прогнозирование спроса и продаж
Предсказание спроса в телеком-индустрии осуществляется методами линейной регрессии, градиентного бустинга на решающих деревьях или рекуррентными нейронными сетями на основе исторических данных о потреблении данного вида товаров, а также дополнительной информации об окружающей среде (погодные условия, рыночная ситуация, курс валют и тп.).

На этапе предобработки данных рассчитывается набор статистических метрик по историческим значениям спроса за определенное количество исторических периодов. Если спрос носит сезонный характер, то для получения качественного прогноза необходимо иметь данные за несколько последних сезонов. Например, в случае внутригодовой сезонности желательно иметь данные за 3 последних года.
Как мы работаем?
Разработанное нами программное обеспечение и математические модели могут быть переданы заказчику на условиях:
Исключительного права
Неисключительного права
Технологии