Как Telefonica внедрила алгоритмы кластеризации для повышения рентабельности продаж
Персонал столкнулся с бесчисленными препятствиями в результате пандемии 2020 года и социальных волнений, что привело к изменению того, как люди взаимодействуют с компаниями, и как, в ретроспективе, команды взаимодействуют друг с другом. Организации все чаще используют удаленную работу и автоматизацию, в результате чего заинтересованные стороны отчаянно нуждаются в поддержке, чтобы научиться ориентироваться в этих водах.
Deloitte поделилась тремя ключевыми выводами, которые руководители должны учитывать, чтобы помочь своим командам эффективно адаптироваться к новым командам.
- Сосредоточьтесь на ловкости и гибкости.
- Будьте смелыми и готовыми пробовать что-то новое.
- Приобретите необходимые цифровые возможности.
Следуя этим трем требованиям, Telefonica, одна из крупнейших телекоммуникационных компаний в мире, преуспела в сокращении существующего разрыва между ИТ-специалистами и командами, связанными с бизнесом, за счет автоматизации обработки данных более чем на 100%.
Проблема действенности данных
Команды по анализу данных решают проблемы, с которыми в 2021 году столкнутся и большинство компаний. Пытаясь уменьшить существующую разобщенность между ИТ-командами и командами, связанными с бизнесом, некоторые из этих препятствий обходят стороной:
- Интеграция данных, поступающих из разных источников.
- Стандартизация и передача ценности данных в самой простой форме, чтобы все знали, на что смотрят.
Вариант использования: перенос платежей тысяч пользователей на цифровую платформу
К поиску ценности в данных можно подойти несколькими способами. Telefonica определила информацию, которая может привести к сдвигу в процессах платежей их пользователей, поэтому их внутренняя команда могла принимать решения, направленные на сокращение расходов третьих лиц. Цель состояла в том, чтобы построить автоматизированную модель машинного обучения, которая могла бы получать данные из нескольких источников, обрабатывать данные для их надлежащей консолидации, применять алгоритмы кластеризации для сегментации пользователей и отправлять результаты, чтобы все вовлеченные бизнес-подразделения могли их прочитать, проанализировать. это и действовать на него соответствующим образом. Telefonica намеревалась предсказать, могут ли пользователи быть перенесены из одной платежной системы в другую, и с помощью начального процесса централизации данных и моделей машинного обучения они надеялись запустить модели машинного обучения, которые могли бы предсказать определенное поведение. Затем цель состояла в том, чтобы использовать этот результат, чтобы отправить его в коммуникационное приложение, чтобы связаться с этими клиентами более персонализированным образом.
Прежде чем определить потенциал такого значительного сдвига, их команде нужно было задать вопросы и выдвинуть гипотезы, которые помогли бы им управлять процессом.
- Какие возможности возникают при переносе офлайн-платежей на онлайн-платежи в зависимости от текущего поведения пользователей?
- Каков общий диагноз по платежному поведению наших пользователей на основе их дат платежей и сумм счетов?
- В каких районах страны больше возможностей для миграции?
- Какие коммуникационные идеи можно сделать действенными, чтобы вызвать изменение платежных привычек?
ЦЕНТРАЛИЗАЦИЯ ДАННЫХ
Процесс был инициирован интеграцией данных Telefonica, которые хранились в нескольких источниках, в Datagran. После интеграции данные были очищены и стандартизированы, чтобы они могли быть доступны для использования в этой и будущих моделях.
Это было важно для них, поскольку решало проблему эффективности: экономить драгоценное время, централизуя данные, чтобы их можно было использовать в моделях машинного обучения в любое время.
ВИЗУАЛИЗАЦИЯ ДАННЫХ
Следующим шагом было преобразование интегрированной информации в гибкие системы визуализации, такие как графики с данными в реальном времени, доступными для всех команд в организации, с бизнес-статистикой и сквозным поведением клиентов, которые могли бы показать путь клиента от атрибуции до входа в систему на сайт платежного шлюза.
МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ
Благодаря опытной команде Telefonica, работающей с данными, они смогли сопоставить суммы, выплаченные по счетам, с их конкретным временем и датами. Также были идентифицированы данные сторонних платежных шлюзов для онлайн- и офлайн-транзакций. Наконец, они могли найти предпочтительный платежный шлюз среди своих клиентов. И, основываясь на поведенческих данных, команда могла делать прогнозы с помощью моделей машинного обучения с конвейерами.
«Проблемы, возникающие при переходе от офлайн к онлайн-платежам, связаны с изменением взглядов на внедрение новых технологий, включая эффективные системы для эмитентов, эквайеров, предприятий и пользователей. Внедрение стратегий, которые были согласованы с финансовой системой, обеспечение функциональной совместимости и четкое понимание преимуществ ее использования»
Журнал Portafolio. 2019
Достигнув своей цели более чем на 100 %, Datagran предоставила инструменты, чтобы не только внедрить новый способ работы с помощью решений, основанных на данных, путем автоматизации алгоритмов машинного обучения, но и позволила их команде перевести более 14 000 пользователей на решение для онлайн-платежей. это снижает затраты третьих сторон и вводит новую модель совместной работы для их команд и всех областей внутри организации.
