Как большим операторам зарабатывать большие деньги на больших данных?

Никогда не бывает больших дел без больших трудностей.

Вольтер

В России очень высока конкуренция на рынке телеком-услуг, и при большой степени охвата населения цены на них – одни из самых низких в мире.

В условиях снижения выручки от традиционных услуг (голосовой связи, SMS, MMS) и ужесточающейся конкуренции со стороны OTT большинство крупных телеком-операторов рассматривают возможность использования технологии Big Data для анализа данных. Операторы собирают сведения о транзакциях потребления сервисов, о поведении абонентов, данные, характеризующие параметры работоспособности и производительности сети, и т. п. Однако, как правило, эти данные собираются разными департаментами в разных форматах, при этом существует целый ряд организационных барьеров, которые препятствуют свободному обмену информацией между бизнес-подразделениями. Кроме того, отсутствует механизм объединения, очистки и дедупликации, без которого эти данные не могут быть подвергнуты анализу.

Чем больше телеком-операторы пытаются расширить свои услуги за рамки простого предоставления «трубы», тем больше они задумываются о возможности опереться на накопленную информацию и сделать анализ больших данных конкурентным преимуществом.

Следует отметить, что ценность данных, которыми обладают телеком-компании, достаточно высока – как видно из рисунка 1, она лишь немного уступает стоимости данных финансовых организаций. Однако оба этих бизнеса в большинстве случаев пока не нашли эффективных механизмов их монетизации. Напротив, в электронной коммерции, в социальных веб-приложениях и поисковых системах удельная стоимость данных ниже, а вот степень их монетизации существенно выше. В частности, владельцы поиковых систем уже давно научились извлекать из данных, хранимых в Сети, огромные деньги, привязывая рекламу к поисковым запросам миллионов пользователей.

В 2015 году в рамках своей презентации Рон Раффенспергер (Ron Raffensperger), CTO Data Center solutions компании Huawei, ссылаясь на исследования McKinsey & Company, привел такие интересные данные: за последние три года из более чем 150 проектов внедрения Big Data в телеком-отрасли 70% не достигли запланированных параметров эффективности. По мнению Рона, причиной тому – сконцентрированность на технологической стороне проекта при недостаточной привязке к бизнесу и отсутствие у разработчиков знаний особенностей бизнес-модели работы телеком-оператора.

Опросы телеком-компаний также свидетельствуют, что, собирая большие объемы данных, связанных с активностью клиентов, и огромное транзакционные логи элементов сети, телеком-компании далеко не в полной мере используют ту ценность, которая в этих данных содержится. Так, исследование компании Heavy Reading (рис. 2.) показало, что проблемы невозможности интегрированного анализа всех имеющихся у телеком-операторов источников информации и недостаточная оперативность анализа этих данных – основные барьеры, которые стоят перед компаниями при развиитии систем оперативной аналитики.

Действительно, в телеком-компаниях уровень развития ИТ ниже, чем в интернет-компаниях, количество IT-специалистов меньше, а профессионалов в области больших данных может вообще не быть в штате. Поэтому телеком-компании нуждаются не только во внешнем поcтавщике технологии Big Data, но и в консультанте, который бы разбирался в их бизнесе, их IT-инфраструктуре, специфике построения систем Big Data для телеком-индустрии. Планируя проект внедрения решения Big Data, важно продумать бизнес-схему получения дохода от  анализа данных (рис. 3).

Как следует из рис. 3, внедрение проекта Big Data в телеком-бизнесе имеет целый ряд схем возврата инвестиций как за счет оптимизации собственных бизнес-процессов, так и от предоставления информации третьим лицам. Для каждой схемы есть свои решения на базе технологий Big Data, которые может использовать оператор.

Вышеупомянутые схемы на рис. 3 представлены в четырех сегментах: планирование и оптимизация сети, монетизация данных, целевой маркетинг и управление клиентским опытом. Рассмотрим эти данные более подробно.

Управление клиентским опытом

Одна из важнейших задач оператора – прогнозирование оттока абонентов (Churn prediction) и управление им. Оператор, внедривший систему Big Data, имеет возможность существенно повысить лояльность абонентов. В России мобильные абоненты пользуются услугой связи по предоплате, не связаны долгосрочным контрактом с оператором и могут сменить его с сохранением своего номера телефона. Анализ поведения абонентов (например, схожести профиля ранее отключившихся абонентов) позволяет определить группы риска. Потенциальным кандидатам на переход к другому оператору можно предложить выгодные для них тарифные планы или другие опции.

Еще одна задача – прогнозирование жалоб (Compliant prediction). Известно, что анализ тональности миллионов сообщений в социальных сетях (недовольство сервисом, сообщения о поломках и т. п.) позволяет определить негативно настроенных абонентов, а в социальных сетях – выявлять так называемых лидеров мнений, решение которых об уходе может спровоцировать на аналогичный шаг многих других пользователей. Возможность повлиять на мнение лидеров мнений позволяет влиять на отношение к сервисам компании.

С другой стороны, жалобы, свидетельства о недостатках сервиса – это ценный информационный ресурс, важный источник информации для их выявления и устранения.

Целевой маркетинг

Product performance best match – оптимизация продуктов для клиента. Задача состоит в том, чтобы предоставлять клиентам продукты и тарифы, которые оптимально соответствуют их запросам и при этом позволяют оптимизировать доход оператора. Например, абонент, имея телефон с возможностями 4G, подписан на тариф 3G, то есть часть возможностей не использует. Если оператор отслеживает подобных пользователей и предлагает им новый тариф, они начинают более полно задействовать возможности телефона, например подключаются к видеосервисам, получают современные услуги, а оператор повышает доход за счет увеличения ARPU.

Частными случаями рассмотренного сервиса являются предложения тарифов, оптимизированных на разные группы населения: Terminal +Pkg upgrade promotion (предложение апгрейда терминального устройства и тарифа), Package upgrade from 3G to 4G (апгрейд от 3G к 4G), Product recommendation (рекомендации продукта).

Здесь также присутствует пункт Precise marketing for add-ons (целевой маркетинг по предложению дополнительных услуг) – речь идет о возможности предложения дополнительной рекламы на основе анализа профиля абонентов. Например, если клиент сотового оператора живет в зоне покрытия ШПД и не является подписчиком этой услуги, имеет смысл прорекламировать ее, нацеливаясь именно на ту категорию лиц, которая может быть заинтересована в подобной рекламе.

Еще один пункт – VAS data service – дополнительные сервисы по передаче данных.

Планирование и оптимизация сети

В данном разделе в качестве примера упомянуты две схемы, которые не исчерпывают набор.

ROI based network Investment – инвестирование в развитие сети с учетом ROI. Если мы говорим о сети мобильного оператора, то важно оптимизировать этот процесс: например решить такие вопросы, как проектирование эффективного подключения новых базовых станций, используя данные геолокации и качества сервиса. Big-Data-решение позволяет определить, как лучше спланировать размещение базовых станций.

VIP services assurance – гарантирование доступности сервиса для VIP-клиентов. У любого оператора есть клиенты, которым важно обеспечить сервис в первую очередь. У крупного оператора это достаточно большая категория пользователей, и возникает необходимость вести статистику и управление не только по клиентам вообще, но с учетом значимости определенных групп. Технология Big Data позволяет оптимизировать эту задачу.

Монетизация данных

В данном сегменте рассмотрим следующие пункты. Non media value evaluation (оценка источников помимо медиа) и Adds location recommendation (рекомендации по размещению рекламы). Здесь может идти речь об оптимизации размещения наружной рекламы на базе анализа поведения абонентов оператора, например с учетом места их проживания, работы или пути следования.

Близок по смыслу пункт Urban population movement pattern (извлечение информации о паттернах передвижения горожан). Такие данные могут использоваться в разных индустриях, например информация о потоках граждан – для планирования транспортных магистралей (Transportation planning) либо городской застройки (City construction): здесь монетизация может базироваться на продаже рекомендаций по оптимальному расположению торговых точек с учетом ассортимента, соответсвующего потокам потребителей.

К вышеупомянутой теме имеет отношение еще один пункт – Retail insights (рекомендации по совершенствованию покупательского маркетинга), где подразумевается возможность усовершенствовать ассортимент товаров для более полного удовлетворения спроса на основе прогнозирования поведения пользователей. К этой же группе можно отнести такую глобальную тему, как Intelligent city (интеллектуальный город), которая затрагивает целый ряд управленческих проблем крупных городских центров.

Product recommendation – рекомендации по совершенствованию продукта. Здесь может идти речь о предложении дополнительных продуктов (мобильные приложения, мелодии видео, рингтоны и т. п.).

Как уже отмечено, телеком-операторы находятся в начале пути по внедрению технологии больших данных и нуждаются в партнере, имеющем не только технологическое решение, но и опыт работы в телеком-индустрии. Например, компания Huawei обладает компетенциями в области ИКТ, больших данных, а также знанием проблемных зон телеком-операторов.

FusionInsight

Big Data-решение от компании Huawei, использует многоуровневую архитектуру, ядром которой является платформа FusionInsight, включающая в себя два слоя: уровень обработки данных (data platform) и сервисный уровень (data service) (рис. 4).

Уровень обработки данных отвечает за сбор, преобразование, хранение, конвергенцию и обработку данных в режиме реального времени. Сервисный уровень – за анализ данных, выявление в них закономерностей, в том числе прогнозирование поведения пользователей в реальном времени. Уровень бизнес-приложений охватывает приложения целевого маркетинга, средства управления клиентским опытом, планирования и оптимизации сети, а также средства монетизации данных.

Компания Huawei имеет широкую сеть R&D-центров по всему миру. В частности, разработки, связанные с большими данными, ведутся в Китае, странах ЕС, Индии, Канаде и США. Российский RND-центр занимается Big-Data-проблематикой и алгоритмами машинного обучения, в том числе совместно с академическими институтами РАН. Компания обладает исчерпывающим спектром продуктов для построения решения любой сложности как для средних операторов, так и для мировых лидеров. В частности, предлагает полный цикл построения Big-Data-проекта, включая услуги разработки сценария и построения бизнес-модели, обучение моделированию.

Специалисты Huawei готовы предоставить полное решение под ключ, отдельно платформу больших данных или аналитические инструменты. Компания имеет собственную экспертизу по сбору и анализу специфических для телеком-индустрии данных, в том числе благодаря тому, что сама является производителем телеком-оборудования и имеет доступ к недокументируемой информации. Например, Big-data-решение, разработанное для индонезийского оператора PLDT, позволило снизить стоимость аппаратного обеспечения на 50% и на 30% ускорить выполнение ETL-операций. А в China Unicom Shanghai внедрен крупный Big-Data-проект c успешной бизнес-моделью монетизации. В рамках проекта в Telefonica Vivo (Бразилия) на существующую Big-Data-платформу был установлен аналитический инструмент от Huawei, который позволил оператору решать вышеуказанные аналитические задачи, включая работу с абонентами и анализ качества услуг.

Компания постоянно расширяет возможности своей платформы  для построения Big-Data-решений. Так, представленная ею на Всемирном мобильном конгрессе ‘2016 в Барселоне обновленная версия FusionInsight-Universe включает в себя сервисное решение (BDaaS), которое позволяет телеком-компаниям оперативно внедрить доступ к большим данным, получить преимущества от использования технологий Big Data и существенно повысить конкурентоспособность бизнеса.

Смотреть все статьи по теме "Большие данные (Big data)"