Як великим операторам заробляти великі гроші на великих даних?



Ніколи не буває великих справ без великих труднощів.

Вольтер

В Росії дуже висока конкуренція на ринку телеком-послуг, і при великій ступеня охоплення населення ціни на них – одні з найнижчих у світі.

В умовах зниження виручки від традиційних послуг (голосового зв'язку, SMS, MMS) і посилення конкуренції з боку OTT більшість великих телеком-операторів розглядають можливість використання технології Big Data для аналізу даних. Оператори збирають відомості про транзакції споживання сервісів, про поведінку абонентів, дані, що характеризують параметри працездатності і продуктивності мережі і т. п. Однак, як правило, ці дані збираються різними департаментами в різних форматах, при цьому існує цілий ряд організаційних бар'єрів, які перешкоджають вільному обміну інформацією між бізнес-підрозділами. Крім того, відсутній механізм об'єднання, очищення і дедуплікаціі, без якого ці дані не можуть бути піддані аналізу.

Чим більше телеком-оператори намагаються розширити свої послуги за рамки простого надання «труби», тим більше вони замислюються про можливості спертися на накопичену інформацію і зробити аналіз великих даних конкурентною перевагою.


Рис. 1. Вартість даних, які накопичуються в компаніях, і ступінь їх монетизації

Слід зазначити, що цінність даних, якими володіють телеком-компанії, досить висока – як видно з рисунка 1, вона лише трохи поступається вартості цих фінансових організацій. Проте обидва цих бізнесу в більшості випадків поки не знайшли ефективних механізмів їх монетизації. Навпаки, в електронній комерції, в соціальних веб-додатках і пошукових системах питома вартість даних нижче, а от ступінь їх монетизації істотно вище. Зокрема, власники пошукова систем вже давно навчилися витягати з даних, що зберігаються в Мережі, величезні гроші, прив'язуючи рекламу до пошуковим запитам мільйонів користувачів.

У 2015 році в рамках своєї презентації Рон Раффенспергер (Ron Raffensperger), CTO Data Center solutions компанії Huawei, посилаючись на дослідження McKinsey & Company, навів такі цікаві дані: за останні три роки з більш ніж 150 проектів впровадження Big Data у телеком-галузі 70% не досягли запланованих параметрів ефективності. На думку Рона, причиною тому – сконцентрованість на технологічній стороні проекту при недостатній прив'язці до бізнесу і відсутність у розробників знань особливостей бізнес-моделі роботи телеком-оператора.

Опитування телеком-компаній також свідчать, що, збираючи великі обсяги даних, пов'язаних з активністю клієнтів, і величезна транзакційні логи елементів мережі, телеком-компанії далеко не в повній мірі використовують ту цінність, яка в цих даних міститься. Так, дослідження компанії Heavy Reading (рис. 2.) показало, що проблеми неможливості інтегрованого аналізу всіх наявних у телеком-операторів джерел інформації і недостатня оперативність аналізу цих даних – основні бар'єри, які стоять перед компаніями при развиитии систем оперативної аналітики.


Рис. 2. Відповіді респондентів з числа телеком-операторів: 3 – найбільш важливо, 0 – найменш важливе джерело: Heavy Reading)

Дійсно, у телеком-компаніях рівень розвитку ІТ нижче, ніж в інтернет-компаніях, кількість IT-спеціалістів менше, а професіоналів в області великих даних може взагалі не бути в штаті. Тому телеком-компанії потребують не тільки в зовнішньому постачальнику технології Big Data, але і в консультанта, який би розбирався в їх бізнесі, їх IT-інфраструктурі, специфіку побудови систем Big Data для телеком-індустрії. Плануючи проект впровадження рішення Big Data, важливо продумати бізнес-схеми отримання прибутку від аналізу даних (рис. 3).


Рис 3. Можливі схеми отримання доходу від аналізу великих даних

Як випливає з рис. 3 впровадження проекту Big Data у телеком-бізнесі має цілий ряд схем повернення інвестицій як за рахунок оптимізації власних бізнес-процесів, так і від надання інформації третім особам. Для кожної схеми є свої рішення на базі технологій Big Data, які може використовувати оператор.

Вищезазначені схеми на рис. 3 представлені в чотирьох сегментах: планування та оптимізація мережі, монетизація даних, цільовий маркетинг та управління клієнтським досвідом. Розглянемо ці дані більш докладно.

Управління клієнтським досвідом

Одна з найважливіших завдань оператора – прогнозування відтоку абонентів (Churn prediction) і управління ним. Оператор, запровадив систему Big Data, має можливість суттєво підвищити лояльність абонентів. У Росії мобільні абоненти користуються послугою зв'язку за передоплатою, не пов'язані довгостроковим контрактом з оператором і можуть змінити його зі збереженням свого номера телефону. Аналіз поведінки абонентів (наприклад, схожості профілю раніше відключилися абонентів) дозволяє визначити групи ризику. Потенційних кандидатів на перехід до іншого оператора можна запропонувати вигідні для них тарифні плани або інші опції.

Ще одне завдання – прогнозування скарг (Compliant prediction). Відомо, що аналіз тональності мільйонів повідомлень в соціальних мережах (невдоволення сервісом, повідомлення про поломки тощо) дозволяє визначити негативно налаштованих абонентів, а в соціальних мережах – виявляти так званих лідерів думок, рішення яких про відхід може спровокувати на аналогічний крок багатьох інших користувачів. Можливість вплинути на думку лідерів думок дозволяє впливати на ставлення до сервісів компанії.

З іншого боку, скарги, свідоцтва про недоліки сервісу – це цінний інформаційний ресурс, важливе джерело інформації для їх виявлення і усунення.

Цільовий маркетинг

Product performance best match – оптимізація продуктів для клієнта. Завдання полягає в тому, щоб надавати клієнтам продукти і тарифи, які оптимально відповідають їх запитам і при цьому дозволяють оптимізувати дохід оператора. Наприклад, абонент, маючи телефон з можливостями 4G, підписаний на тариф 3G, тобто частина можливостей не використовує. Якщо оператор відслідковує подібних користувачів і пропонує їм новий тариф, вони починають більш повно задіяти можливості телефону, наприклад підключаються до відеосервісам, отримують сучасні послуги, а оператор підвищує дохід за рахунок збільшення ARPU.

Приватними випадками розглянутого сервісу є пропозиції тарифів, оптимізованих на різні групи населення: Terminal +Pkg upgrade promotion (пропозиція апгрейда термінального пристрою і тарифу), Package upgrade from 3G to 4G (апгрейд від 3G до 4G), Product recommendation (рекомендації продукту).

Тут також присутній пункт Precise marketing for add-ons (цільовий маркетинг за пропозицією додаткових послуг) – мова йде про можливості пропозиції додаткової реклами на основі аналізу профілю абонентів. Наприклад, якщо клієнт стільникового оператора живе в зоні покриття ШПД і не є передплатником цієї послуги, має сенс прорекламувати її, націлився саме на ту категорію осіб, яка може бути зацікавлена в подібній рекламі.

Ще один пункт – VAS data service – додаткові сервіси передачі даних.

Планування та оптимізація мережі

У даному розділі в якості прикладу згадані дві схеми, які не вичерпують набір.

ROI based network Investment – інвестування в розвиток мережі з урахуванням ROI. Якщо ми говоримо про мережі мобільного оператора, то важливо оптимізувати цей процес: наприклад вирішити такі питання, як проектування ефективного підключення нових базових станцій, використовуючи дані геолокаціі і якості сервісу. Big-Data-рішення дозволяє визначити, як краще спланувати розміщення базових станцій.

VIP assurance services – гарантування доступності сервісу для VIP-клієнтів. У будь-якого оператора є клієнти, яким важливо забезпечити сервіс в першу чергу. У крупного оператора це досить велика категорія користувачів, і виникає необхідність вести статистику та управління не тільки по клієнтам взагалі, але з урахуванням значущості певних груп. Технологія Big Data дозволяє оптимізувати цю задачу.

Монетизація даних

У даному сегменті розглянемо наступні пункти. Non media value evaluation (оцінка джерел крім медіа) і Додає location recommendation (рекомендації по розміщенню реклами). Тут може йти мова про оптимізацію розміщення зовнішньої реклами на базі аналізу поведінки абонентів оператора, наприклад з урахуванням місця їх проживання, роботи або шляху прямування.

Близький за змістом пункт Urban population movement pattern (витяг інформації про паттернах пересування городян). Такі дані можуть використовуватися в різних індустріях, наприклад інформація про потоки громадян – для планування транспортних магістралей (Transportation planning) або міської забудови (City construction): тут монетизація може базуватися на продаж рекомендацій по оптимальному розташуванню торгових точок з урахуванням асортименту, відповідного потоків споживачів.

До вищезазначеної теми має відношення ще один пункт – Retail insights (рекомендації щодо вдосконалення купівельного маркетингу), де мається на увазі можливість вдосконалити асортимент товарів для більш повного задоволення попиту на основі прогнозування поведінки користувачів. До цієї ж групи можна віднести таку глобальну тему, як Intelligent city (інтелектуальний місто), яка зачіпає цілий ряд управлінських проблем великих міських центрів.

Product recommendation – рекомендації по удосконаленню продукту. Тут може йти мова про пропозицію додаткових продуктів (мобільні додатки, мелодії, відео, рінгтони і тощо).

Як уже зазначено, телеком-оператори знаходяться на початку шляху по впровадженню технології великих даних і потребують партнера, що має не лише технологічне рішення, але і досвід роботи у телеком-індустрії. Наприклад, компанія Huawei володіє компетенціями в області ІКТ, великих даних, а також знанням проблемних зон телеком-операторів.

FusionInsight

Big Data-рішення від компанії Huawei, використовує багаторівневу архітектуру, ядром якої є платформа FusionInsight, що включає в себе два шари: рівень обробки даних (data platform) і сервісний рівень (data service) (рис. 4).


Рис. 4. Архітектура Big Data – рішення від компанії Huawei

Рівень обробки даних відповідає за збір, перетворення, зберігання, конвергенцію і обробку даних в режимі реального часу. Сервісний рівень – за аналіз даних, виявлення в них закономірностей, у тому числі прогнозування поведінки користувачів в реальному часі. Рівень бізнес-додатків охоплює додатки цільового маркетингу, засоби управління клієнтським досвідом, планування та оптимізації мережі, а також засоби монетизації даних.

Компанія Huawei має широку мережу R&D-центрів по всьому світу. Зокрема, розробки, пов'язані з великими даними, ведуться в Китаї, країнах ЄС, Індії, Канаді та США. Російський RND-центр займається Big Data проблематикою і алгоритмів машинного навчання, в тому числі спільно з академічними інститутами РАН. Компанія володіє вичерпним спектром продуктів для побудови рішення будь-якої складності як для середніх операторів, так і для світових лідерів. Зокрема, пропонує повний цикл побудови Big-Data-проекту, включаючи послуги розробки сценарію та побудови бізнес-моделі, навчання моделюванню.

Фахівці Huawei готові надати повне рішення під ключ, окремо платформу великих даних або аналітичні інструменти. Компанія має власну експертизу по збору та аналізу специфічних для телеком-індустрії даних, в тому числі завдяки тому, що сама є виробником телекомунікаційного обладнання і має доступ до недокументируемой інформації. Наприклад, Big-data-рішення, розроблене для індонезійського оператора PLDT, дозволило знизити вартість апаратного забезпечення на 50% і на 30% прискорити виконання ETL-операцій. А в China Unicom Shanghai впроваджено великий Big-Data-проект c успішної бізнес-моделлю монетизації. В рамках проекту в Telefonica Vivo (Бразилія) на існуючу Big-Data-платформу був встановлений аналітичний інструмент від Huawei, який дозволив оператору вирішувати вищезазначені аналітичні завдання, включаючи роботу з абонентами і аналіз якості послуг.

Компанія постійно розширює можливості своєї платформи для побудови Big-Data-рішень. Так, представлена нею на Всесвітньому мобільному конгресі '2016 в Барселоні оновлена версія FusionInsight-Universe включає в себе сервісне рішення (BDaaS), яке дозволяє телеком-компаній оперативно впровадити доступ до великих даними, отримати переваги від використання технологій Big Data і істотно підвищити конкурентоспроможність бізнесу.

Автор: Олександр Прохоров
Джерело: www.it-weekly.ru/market/telecom/82053.html

Джерело: Хабрахабр

0 коментарів

Тільки зареєстровані та авторизовані користувачі можуть залишати коментарі.