Claim Prediction in TELCOs

Machine Learning und DataRobotics zur Wertschöpfung in der Telekommunikationsindustrie: die Instrumente des Churn Risk Management.

Match-Up

AS-IS SCENARIO

Heute konkurrieren Telco Service Provider um die technologische und geschäftliche Fähigkeit, den Kunden eine exzellente Servicequalität zu bieten. Eine gute Nutzungserfahrung mit Daten- und Sprachdiensten ermöglicht schließlich jedem von uns die effektive Nutzung von unverzichtbaren digitalen Diensten, die unser tägliches Leben vereinfachen. Mobile Zahlungen, Smart Home oder Remote Working Dienste, Gaming oder Virtual und Augmented Reality wären eine rein futuristische Idee, wenn die Dienste Telekommunikationsanbieter nicht vollständig zuverlässig wären oder wenn die Leistung der über das Gebiet verteilten Netzwerkressourcen nicht den Traffic-Anforderungen der Nutzer entsprechen würde.

In diesem Zusammenhang bietet der Einsatz von Machine Learning & Process Automation Lösungen unzählige Vorteile. Diese gehen weit über die Effizienz der Vorgänge hinaus und beeinflussen beispielsweise auch die Effektivität von Kundenbindungsmaßnahmen sowie die Innovation des gesamten Geschäftsmodells, das darauf zielt, neue kundenorientierte Services zu entwickeln, die Kunden mit immer individuelleren Nutzenversprechen überraschen werden.

TO-BE SCENARIO

Im TO-BE-Szenario verfügen Telco Service Provider über ein System, das sich an unterschiedliche Anwendungskontexte anpasst:

  • Dieses System ist mit einer auf Telco-Daten spezialisierten Datenschicht verbunden und zu seinen Hauptfunktionalitäten zählen die Integration und Vorverarbeitung von Daten der Network Performance, Asset Inventory und CRM, die aus verschiedenen DBMS stammen.
  • Der Input des Systems sind genau vorverarbeitete Daten, um von vornherein signifikante Einblicke in jeden Kunden zu erhalten, der möglicherweise abwandern könnte.
  • Es verfügt über sogenannte „Predictive Analytics“-Funktionen, die von einem Machine Learning-Modell ausgeführt werden, das die Kunden prognostisch klassifiziert. Jedem analysierten Kunden kann so ein „Churn Score“ zugewiesen werden („Claim Prediction Tool“).
  • Das System verfügt über eine Recommendation Engine mit „Prescriptive Analytics"-Funktionen. Dieses Tool generiert Vorschläge für zu ergreifende Maßnahmen und verordnet je nach Kritikalität des analysierten Kunden eine „Best-Action“-Strategie („Best-Action Tool“). Zukünftig wird es eine spezialisierte Anwendung geben für die Verwaltung und Visualisierung der vorgeschlagenen Maßnahmen.
  • Außerdem wird der Output des Machine Learning („Churn Score“ und „Best-Action“) mit den anderen Daten des Kundenprofiling als Input für das System verwendet.
  • Es stellt ein interaktives Frontend-System dar, welches alle verwalteten Informationen einheitlich zusammenbringt: von denen, die aus den DBMS der Unternehmen gesammelt wurden bis zu den Informationen, die durch Machine Learning generiert wurden.
  • Als Ganzes ermöglicht es, potenzielle Kundenabwanderung zu überwachen. Es agiert proaktiv, um Customer Issues, wie der Öffnung eines Tickets, entgegenzuwirken.
  • Es garantiert eine Analyse der Hauptmerkmale und Bedürfnisse des Kundenstamms, indem es die speziellen Kundensegmente ausführlich beobachtet.
  • Es generiert Detailberichte und KPIs, mit Auswertung der „Quality of Experience“ in Hinblick auf die durch die „Quality of Service“ vorgegebenen Schwellenwerte.
  • Auf Nachfrage ist es in der Lage, eine Master-Datei anzulegen, in der die gravierendsten Netzwerkausfälle aufgelistet sind, welche das Kundenerlebnis am negativsten beeinflussen.
  • Es wird die Möglichkeit bieten, die vorgeschlagenen Best-Action-Maßnahmen für die Customer Retention und die Incident Resolution für jeden Vorfall zu prüfen. Dies geschieht sowohl auf Grundlage der bis zu diesem Zeitpunkt durchgeführten After-Sales-Aktionen als auch auf Grundlage neuer Maßnahmen, die speziell darauf ausgerichtet sind, die Kundenbindung zu verbessern und etwaige, zuvor ermittelte Probleme der jeweiligen Kundensegmente vorzubeugen.

FOcus on

Ein Tool für das „Churn Risk Management“ ist unerlässlich, um eine kundenorientierte und angemessene Rentabilität zu gewährleisten.

Das „Claim Prediction Tool“ basiert auf einem prädiktiven Modell des Machine Learning und ordnet jedem Benutzer des Kundenstamms automatisch einen „Churn Score“ zu, der das Profil mit Informationen über das Kundensegment bereichert. Die Kundenprofilierung reicht von den KPIs des kommerziellen Angebots über die Ausstattung der vom Kunden genutzten Geräte bis hin zur Entwicklung der Interaktionen, die die Kunden-Dienstleister-Beziehung bis zu diesem Zeitpunkt geprägt haben (vergangene Berichte über Probleme, Entwicklung des Vertrags usw.).


Die aktuelle Situation – die kritischen Punkte

In der Telekommunikationsindustrie, dem Sektor, der die vierte industrielle Revolution ermöglicht, befinden sich die mehr oder minder latenten Signale möglicher Kundenabwanderung an verschiedenen Datenquellen. Diese befinden sich im Besitz der jeweiligen Unternehmen, bedingt durch die Art des Dienstes, der den Endnutzern angeboten wird. Die Bereitstellung von Telekommunikationsdiensten basiert auf einer technischen Ebene, die aus Netzwerkressourcen, lokaler Präsenz, Übertragungseinrichtungen usw. besteht. Gefolgt wird dies von einer Konfigurations- und Kopplungsschicht zwischen Netzwerk und Dienst, über die das Angebot aktiviert wird. Die Rekonstruktion der Wertschöpfungskette des Netzwerks und der Berührungspunkte zwischen dem Dienstleister und den Anwendern bedeutet die Vernetzung mit vielen verschiedenen IT-Systemen und die Abfrage verschiedener DWH-Gruppen, um die relevanten Daten zu extrahieren.

Darüber hinaus erfordert die Informationsbeschaffung aus Daten verschiedener Quellen eine genaue Datenaufbereitung, die die wichtigsten Erkenntnisse aus den Mustern der Netzwerknutzung und der Anlagenkapazität aufzeigt. Anhand ihres Nutzungsverhaltens und ihrer tatsächlichen Netzwerknutzung präventiv zu erkennen, dass Telco-Kunden abwandern könnten, ist daher eine komplexe Aufgabe, die einen erheblichen Ressourceneinsatz und kundenorientiertes Engagement des Unternehmens erfordert.

Ein Tool für das „Churn Risk Management“ ist unerlässlich, um eine kundenorientierte und angemessene Rentabilität zu gewährleisten. Die proaktive Kontrolle der Kunden und ihres Verhaltens kann das Unternehmen dabei unterstützen, Kosten einzudämmen und Risiken zu vermeiden. Ein unzufriedener Kunde kann tatsächlich der Marke des Unternehmens sehr schaden. Durch Mundpropaganda an „Friends, Family und Fools“ beispielsweise, kann ein Kunde diesen FFF alle Details einer schlechten Kundenerfahrung mitteilen. Das gleiche Churn Risk Management ermöglicht es dem Telco-Dienstleister, neue Einkommensquellen zu erschließen: Die Pflege einer bereits gefestigten Beziehung macht es möglich, eine offene und transparente Beziehung aufzubauen, und dass der Kunde somit der beste Partner des Unternehmens wird.

Ein Kunde, der sich verstanden fühlt, ist eher dazu geneigt, Ideen und Vorschläge für das CRM zu geben, Cross- und Up-Selling Initiativen zu begrüßen, Premium-Preise für Angebote zu zahlen etc. Andererseits ist ein Kunde, der sich ignoriert fühlt, weniger dazu geneigt, dem Unternehmen die Beobachtung seines Nutzungsverhaltens zu erlauben, der Verarbeitung personenbezogener Daten für kommerzielle Zwecke zuzustimmen oder dem Unternehmen dabei zu helfen, den „idealen Service“ für das Kundensegment, zu dem der Kunde gehört, mitzugestalten.

„Claim Prediction Tool“ als Lösung

Der Mehrwert eines ClaP-Systems zeigt sich wie folgt:

  • Benutzerfreundlichkeit des Tools, das in das Tool-Kit für die Prozessverantwortlichen der proaktiven Kundenpflege integriert wird.
  • Sofortiger Zugriff auf relevante Informationen mit einer integrierten und einheitlichen Einsicht auf Daten aus verschiedenen Quellen (DBMS und IT-Systeme von Telco Service Providern).
  • Informationsanreicherung jedes Kundenprofils zur Unterstützung des Risikomanagements;
  • Sofortige Erkennung der möglichen Kundenabwanderung mit Frühwarnung;
  • Echtzeitvorschläge der „Best-Action“-Maßnahmen zur Problemlösung und Kundenbindung;
  • Plattformunabhängigkeit;
  • Flexibles Nutzungsmodell (Cloud oder über Unternehmensserver);

Der entwickelte Anwendungsfall:

Der entwickelte Anwendungsfall ist dem „Claim Prediction Tool“ inhärent, d.h. die Anwendung mit prädiktiven Analysefunktionen, die im Churn Risk Management System vorgesehen sind. Das „Claim Prediction Tool“ basiert auf einem prädiktiven Modell des Machine Learning und ordnet jedem Benutzer des Kundenstamms automatisch einen „Churn Score“ zu, der das Profil mit Informationen über das Kundensegment bereichert. Die Kundenprofilierung reicht von den KPIs des kommerziellen Angebots über die Ausstattung der vom Kunden genutzten Geräte bis hin zur Entwicklung der Interaktionen, die die Kunden-Dienstleister-Beziehung bis zu diesem Zeitpunkt geprägt haben (vergangene Berichte über Probleme, Entwicklung des Vertrags usw.). Die Informationsanreicherung des Kundenprofils kann bis hin zu den Daten der Netzanlagen, zu der Basis der Technikebene der Telekommunikationsanbieter und der von den Nutzern getesteten Navigations- und Sprachdienste erweitert werden.

Das Tool fungiert als Arbeitsmittel eines Kundenbetreuers: Das Tool kann im Rahmen des Proactive Caring genutzt werden, um - durch eine integrierte Einsicht in Daten - zu erkennen, welche Kunden des Kundenstamms eventuell abwandern könnten. Es besteht weiter die Möglichkeit, eine Liste möglicher reklamierender Kunden herunterzuladen, denen das Machine Learning-Modell einen „Churn Score“ zugewiesen hat. Hierbei beruht die Prioritätsbewertung der Kunden auf der Grundlage des Vertrauens, das das Modell der Wahrscheinlichkeit des tatsächlichen Auftretens zuweist. Die Liste der Kunden kann nach Belieben anhand von Filtern abgefragt werden, die entsprechend den spezifischen Untersuchungsbedürfnissen angepasst werden können (z. B. Filtern nach der Art des Angebots, den Standort des Kunden, die Ausstattung usw.). Für jeden Kunden mit Abwanderungsrisiko kann der Betreiber ein detailliertes Profiling einsehen. Dieses reicht von CRM-Informationen über KPIs zur Leistungserbringung bis hin zu einzelnen Geräten und Servicematerialien (kommerzielle Angebote mit Over-the-Top-APPs usw.)

Lösungsarchitektur

Die Lösungsarchitektur besteht aus den folgenden technischen Komponenten:

  • Konnektoren für den Import von Daten (aus einem Integration Data Layer oder aus bestimmten DBMS);
  • Machine Learning Software oder Plattformen, die mit ausgewählten und regelmäßig geprüften Algorithmen auf prädiktive Aufgaben trainiert werden;
  • Recommendation Engines, die auf Masterdateien bereits durchgeführter Kundenpflegemaßnahmen oder bevorzugter Interventionen bei der Lösung ähnlicher Fälle geschult wurden;
  • Webserver für die Benutzeroberflächen;
  • Berichtsgenerator;
  • Datenbank mit weiteren wichtigen Informationen, gefiltert nach In- und Output.

ENTDECKEN SIE ALLE REPLY DATA ROBOTICS BESCHLEUNIGER


Data Robotics Accelerator

Automated Invoice

Unter „Automated Invoice“ versteht man eine Lösung, die als neues Service-Modul lieferbar ist und über die der gesamte Einkaufszyklus von der Registrierung bis hin zur Abstimmung zwischen Rechnung und Kaufauftrag, Transportdokument und Wareneingang automatisiert verwaltet werden kann, wobei sich mithilfe dieser Software auch etwaige Unstimmigkeiten und Abweichungen erkennen lassen.

Data Robotics Accelerator

Brick Machine Learning

Über Brick Machine Learning lassen sich für die Einrichtung automatischer Fertigungsanlagen verschiedene Konfigurationen simulieren, auf deren Grundlage eine optimale Geräte-Mischung vorgeschlagen wird, durch die sich die vom Endkunden gewünschten komplexen Leistungen erreichen lassen.

Data Robotics Accelerator

Customer Recovery

Customer Recovery: die herausforderung eines verhaltensorientierten ansatzes für kreditrisikomanagement. Die Lösung wurde auf Microsoft Azure Machine Learning entwickelt. Dieses Programm ermöglicht es, cloudbasierte Vorhersageanalysen zu erstellen und zu testen.

Data Robotics Accelerator

Employee Monthly Expenses

Employee Monthly Expenses ist eine Softwarelösung, mit deren Hilfe sich eine Spesenabrechnung anhand von Belegen schnell und ohne manuellen Eingriff automatisch generieren lässt.

Data Robotics Accelerator

Know Your Orders

Know your Orders ist die Lösung, mit deren Hilfe sich eine einfache Schnittstelle kreieren lässt, die Nutzer mit ihrer natürlichen Sprache abfragen können, die den Zugang zu Informationen erleichtert und Konsistenz und Präzision garantiert.

Data Robotics Accelerator

Match-up

Match-up ist ein fortschrittliches Tool für Analysen, Kontoabgleiche und Anpassung komplexer Daten (einfach und/oder multipel). Das Tool findet bei datenbezogenen Prozessen Anwendung.