Claim Prediction in TELCOs

Machine Learning e DataRobotics per generare valore nella Telco Industry: gli strumenti di churn risk management.

Match-Up

AS-IS SCENARIO

Oggi i Telco Service Provider competono sulla capacità tecnologica e di business di garantire al cliente una Quality of Experience eccellente. Un utilizzo appagante dei servizi dati e voce consente infatti a ciascuno di noi di migliorare la vita quotidiana, abilitandoci ad una fruizione soddisfacente di digital services indispensabili. I mobile payments, i servizi di smart home o remote working, il gaming o la realtà virtuale e aumentata sarebbero un’idea futuristica se le prestazioni dei telco provider non fossero pienamente affidabili o se le prestazioni degli asset di rete distribuiti sul territorio fossero non adeguate ai traffic requirements degli utenti.

In questo contesto, l’adozione di soluzioni di Machine Learning & Process Automation consentono innumerevoli benefici che vanno ben oltre l’efficienza delle Operations, interessando anche l’efficacia delle azioni di Customer Retention e l’innovazione dell’intero modello di business, per sviluppare nuovi servizi customer-centric in grado di sorprendere il cliente con value proposition sempre più personalizzate.

TO-BE SCENARIO

Nello scenario TO-BE, i Telco Service Provider sono dotati di un sistema che si adatta a diversi contesti di applicazione, e che:

  • È connesso ad un data layer specializzato su dati di Telco, con funzionalità principale di integrazione e pre-processing di dati di Network Performance, Asset Inventory e CRM, provenienti da DBMS differenti.
  • Riceve in input dati accuratamente pre-processati in modo da fornire, sin da subito, insights significativi su ciascun cliente a rischio abbandono.
  • Presenta funzionalità di “predictive analytics” assolte da un modello di Machine Learning in grado di restituire in output label di classificazione predittiva, ovvero in grado di assegnare un “churn score” a ciascun cliente analizzato (“Claim Prediction Tool”).
  • Presenterà funzionalità di “prescriptive analytics” assolte da un Recommendation Engine che genera suggerimenti su azioni da intraprendere, ovvero assegna una “best action” alla tipologia di criticità riscontrata dal cliente analizzato (con futura applicazione specializzata per la gestione/visualizzazione delle azioni suggerite) (“Best-action Tool”).
  • Integra gli output di apprendimento automatico (“churn score” e “best-action”) agli altri dati di customer profiling in input al sistema.
  • Presenta un front-end interattivo, ovvero un’applicazione di cruscotto che funziona da vista unificata su tutte le informazioni gestite (da quelle raccolte dai DBMS aziendali a monte, a quelle generate dall’apprendimento automatico).
  • Consente nel suo complesso di supervisionare i clienti a rischio abbandono, agendo proattivamente per anticipare la manifestazione di customer issue, quali l’apertura ticket etc.
  • Garantisce un’analisi delle principali caratteristiche e esigenze della customer base, attraverso l’utilizzo di viste specifiche per segmento di clientela di appartenenza.
  • Genera reportistica contenente dettagli e KPI, con valutazione della “Quality of Experience” rispetto a scostamenti di soglia predefiniti dalla “Quality of Service”.
  • È in grado di generare, su richiesta, un master file di tracciamento dei principali network failures che più di tutti impattano negativamente la customer experience.
  • Offrirà la possibilità di vaglio delle best action suggerite per la customer retention & incident resolution di ciascun caso utente, sia in base allo storico delle azioni post-vendita intraprese fino a quel momento, sia in base a nuove misure studiate specificatamente per fidelizzare e prevenire disservizi di fascia e tipologia di clientela determinate a priori.

FOcus on

Uno strumento di “churn risk management” è essenziale per garantire alla customer centricity un’adeguata profittabilità.

Il “Claim Prediction Tool” è uno strumento basato su un modello predittivo di Machine Learning che si occupa di assegnare automaticamente un “Churn Score” a ciascun utente della customer base, arricchendone il profilo con informazioni sul segmento di clientela di appartenenza. Il customer profiling spazia dai KPI di prestazione del servizio previsti dall’offerta commerciale, alla dotazione di device in uso al cliente, passando per lo storico dei rapporti che hanno caratterizzato la relazione cliente-service provider fino a quel momento (pregresso delle segnalazioni di disservizio, evoluzione del piano tariffario, etc.).


Lo scenario attuale - Criticità

Nella Telco Industry, settore abilitatore della Quarta Rivoluzione Industriale, i segnali più o meno latenti lasciati dai clienti a rischio abbandono risiedono in svariate fonti dati in possesso dell’azienda, proprio per la natura stessa del servizio offerto all’utenza finale. Il Telco service delivery si basa infatti su un layer tecnico – fatto di asset di rete, point-of-presence territoriali, apparati di trasmissione etc. –  seguito da un layer di configurazione e di accoppiamento tra rete e servizio, attraverso cui avviene l’attivazione dell’offerta. Riscostruire la network fruition chain e i touchpoint tra il service provider e l’utenza significa quindi interfacciarsi con numerosi e differenti sistemi IT e interrogare diverse famiglie di DWH per estrarre i dati rilevanti.

Inoltre, ottenere informazione dai dati distribuiti tra le diverse fonti implica condurre accurate elaborazioni che facciamo emergere gli insight più significativi nascosti nei pattern di network usage e asset capacity. Prevedere in anticipo il rischio di abbandono del cliente Telco in base al suo comportamento di consumo e alle effettive prestazioni di rete riscontrate da ciascun utente rappresenta quindi un’attività complessa che richiede un impiego ingente di risorse e un commitment aziendale in termini di customer centricity.

Uno strumento di “churn risk management” è essenziale per garantire alla customer centricity un’adeguata profittabilità. Supervisionare proattivamente i clienti e il loro comportamento può supportare l’azienda nel contenimento dei costi e nella prevenzione dei rischi. Un cliente insoddisfatto può infatti diventare il peggiore detrattore del brand dell’azienda, amplificando gli effetti della sua frustrazione interrompendo il passaparola a Friends, Family and Fools, e nel peggiore dei casi condividendo con gli stessi FFF tutti i dettagli di un’esperienza di consumo mediocre. La stessa attività di churn risk management consente al Telco service provider di generare nuovi revenue stream: coltivare una relazione già consolidata predispone il cliente a diventare il migliore partner dell’azienda, instaurando una relazione aperta e trasparente.

Il cliente “ascoltato” è più propenso a condividere gratuitamente spunti e suggerimenti di pacchetti commerciali e CRM, ad accogliere iniziative di cross-selling e up-selling, a pagare premium price per l’offerta etc. Diversamente, un cliente ignorato è meno propenso ad autorizzare l’azienda a studiare i suoi comportamenti, a estendere il trattamento dei dati personali per fini commerciali, a co-disegnare con l’azienda il “servizio ideale” per la soddisfazione individuale o per quella del cluster di mercato appartenenza (peer-to-peer collaboration).

“Claim Prediction Tool” come soluzione

Il valore aggiunto del sistema ClaP si manifesta in termini di:

  • Facilità di utilizzo dello strumento, da integrare nel tool-kit di lavoro in dotazione ai process owner di proactive caring.
  • Immediatezza dell’accesso all’informazione rilevante, con vista integrata e unificata su dati provenienti da fonti differenti (DBMS e sistemi IT dei Telco Service Provider).
  • Arricchimento informativo di ogni customer profile, a supporto delle attività di risk management;
  • Detection immediata del rischio di abbandono con alerting di congruo anticipo rispetto al manifestarsi dell’accadimento;
  • Suggerimento in tempo reale di “best action” di issue resolution & customer retention;
  • Indipendenza dalle piattaforme;
  • Flessibilità del modello di utilizzo (cloud o su server dell’azienda);

Il caso d’uso sviluppato

Il caso d’uso sviluppato è inerente il “Claim Prediction Tool”, ovvero l’applicazione con funzionalità di predictive analytics prevista nel sistema di Churn Risk Management. Il “Claim Prediction Tool” è uno strumento basato su un modello predittivo di Machine Learning che si occupa di assegnare automaticamente un “Churn Score” a ciascun utente della customer base, arricchendone il profilo con informazioni sul segmento di clientela di appartenenza. Il customer profiling spazia dai KPI di prestazione del servizio previsti dall’offerta commerciale, alla dotazione di device in uso al cliente, passando per lo storico dei rapporti che hanno caratterizzato la relazione cliente-service provider fino a quel momento (pregresso delle segnalazioni di disservizio, evoluzione del piano tariffario, etc.). L’arricchimento informativo del profilo cliente può estendersi fino ai dati sugli asset di rete, alla base del layer tecnico dei Telco service provider e delle prestazioni di navigazione e voce sperimentate dall’utenza attestata.

Il tool è immaginato come dotazione di lavoro di un agente di customer operations: lo strumento è utilizzabile nell’ambito del Proactive Caring per identificare - tramite una vista integrata - quali clienti della customer base sono a rischio abbandono, con la possibilità di scaricare la lista dei clienti possibili reclamanti ai quali il modello di Machine Learning ha assegnato un “Churn Score”, con punteggio di priorità in base alla confidenza assegnata dal modello alla probabilità di effettivo accadimento. La lista dei clienti è interrogabile a piacimento secondo filtri personalizzabili in base alle specifiche esigenze di investigazione (focus sulla tipologia di offerta sottoscritta, sulla località geografica del cliente, sugli apparati di attestazione etc.). Per ciascun cliente a rischio churn, l’operatore può visualizzare un profiling di dettaglio, con elementi che spaziano da informazioni di CRM, passando per KPI di service fruition fino ad arrivare a elementi di dotazione individuale e service collaterals (offering commerciale con APP di Over-the-Top etc.).

L’architettura della soluzione

L’architettura è costituita delle seguenti componenti tecniche:

  • Connettori per l’importazione dei dati (da un Data Layer di integration o da specifici DBMS);
  • Software o piattaforme di Machine Learning addestrati su task predittivi tramite algoritmi scelti e periodicamente validati;
  • Recommendation engine addestrati su master file di azioni di caring già intraprese o di interventi preferibili nella risoluzione di casi analoghi;
  • Web server per le interfacce utente;
  • Generatore di report;
  • Database delle informazioni in input/output filtrato ulteriormente necessarie.

SCOPRI TUTTI GLI ACCELERATORI REPLY PER DATA ROBOTICS


Data Robotics Accelerator

Automated Invoice

Automated Invoice è la soluzione, erogabile anche in modalità di servizio, che permette di gestire in modo automatico il processo di ciclo passivo dalla registrazione fino alla riconciliazione fra le fatture e l’ordine d’acquisto/ddt/ricevimento, evidenziando le differenze riscontrate.

Data Robotics Accelerator

Brick Machine Learning

Brick Machine Learning è la soluzione che permette di simulare varie configurazioni della linea automatica, al fine di suggerire il mix ottimale di dispositivi per raggiungere le prestazioni complessive richieste dal cliente finale.

Data Robotics Accelerator

Customer Recovery

Customer Recovery è la soluzione che risponde alla sfida dell'approccio comportamentale alla gestione del rischio di credito. La soluzione è sviluppata con Microsoft Azure Machine Learning, un servizio che consente di creare e testare potenti analisi predittive basate sul cloud.

Data Robotics Accelerator

Employee Monthly Expenses

Employee Monthly Expenses è la soluzione che permette di automatizzare la creazione della nota spese a partire dagli stessi giustificativi, velocemente e senza bisogno di intervento manuale.

Data Robotics Accelerator

Know Your Orders

Know your Orders è la soluzione che permette di creare una semplice interfaccia interrogabile tramite linguaggio naturale dagli utenti, agevola l’accesso alle informazioni garantendone consistenza e accuratezza.

Data Robotics Accelerator

Match-up

Match-up è uno strumento evoluto per l’analisi, la riconciliazione e l’abbinamento di dati complessi (singoli e/o multipli). L’utilizzo di tale strumento trova applicazione nelle attività su dati.