سودآوری با بهبود ارائه خدمات

کاربردهای کلان داده‎ در شرکت‌های مخابراتی

در سال‌های اخیر، با ظهور فناوری‌‌هایی مانند تلفن‌‎های هوشمند، شبکه‌های اجتماعی و اینترنت اشیا، حجم تولید داده به‎ میزان قابل‌توجهی افزایش پیدا کرده است. همچنین، با پیشرفت فناوری‌هایی مانند شبکه‌های حسگر، رایانش ابری و اینترنت اشیاء شرایط برای تولید و جمع آوری حجم بالایی از داده‌ها فراهم شده است. بنابراین، موضوع کلان داده و تحلیل آن نیز اهمیت یافته است. امروزه، شرکت‌های مخابراتی باید به دنبال راهکارهای کارآمدی برای ذخیره‌‎سازی و تجزیه‌وتحلیل اطلاعات موجود در سراسر سازمان به‌‎منظور ارزش‌آفرینی در حوزه‌های مختلف کسب‌‎وکار باشند. به دلیل حجم، سرعت و تنوع داده‌ها، شرکت‌ها باید مجهز به سکوها و راهکارهای نوینی برای مدیریت و تحلیل داده‌هایی با این ماهیت باشند. بنابراین، استفاده از ابزارهای تحلیل کلان داده (داده‌های حجیم) برای بررسی این داده‌ها و بهره‌‎گیری از فناور‌ی‌های هوش مصنوعی و یادگیری ماشین برای استخراج ارزش از آنها یکی از موضوعاتی است که توجه شرکت‌های مخابراتی را به خود جلب کرده است. با تجزیه‌و‌تحلیل داده‌‎های حجیم، ارائه‌دهندگان خدمات می‌توانند با درک داده‌ها و کشف الگوهای پنهان موجود در آنها از پتانسیل کامل مجموعه داده‌های خود استفاده کنند. در این گزارش، تعاریف و خصوصیات کلان داده‎ و چند نمونه از کاربردهای تحلیل کلان داده در شرکت‌های مخابراتی آورده شده است.

تعاریف گوناگونی برای «کلان داده» ارائه شده است. به‎‌طور کلی، کلان داده حجم بزرگی از داده‎‌هاست که ابزارهای متداول پردازش داده‎‌ها قادر به تحلیل و پردازش آنها نیستند.  با توجه به تعریف گارتنر «کلان‌داده دارایی‌‎های اطلاعاتی با ویژگی‎‌هایی همچون حجم بسیار زیاد، سرعت و تنوع است که نیازمند روش‌های جدید پردازش هستند تا بتوانند بینش جدیدی را کشف کرده و فرآیندها را بهینه کنند». داده‌‎های حجیم باید سه شرط را داشته باشند که به تئوری 3V معروف است (شکل 1).

حجم (Volume): با توجه به اندازه داده‌ها تعیین می‌‎شود. حجم زیاد داده‌‎ها در چگونگی ذخیره‎‌سازی و پردازش آنها حائز اهمیت است.

سرعت (Velocity): با افزایش سرعت تولید جریان داده‎‌ها، الزامات جدیدی به چارچوب‎‌های ذخیره‎‌سازی و پردازش داده تحمیل می‎‌شود. این امر، منجر به یک تغییر اساسی از پردازش دسته‌ای داده‌ها به جریان‌های زمان واقعی شده است.

تنوع (Variety): داده‎‌ها از منابع متعددی تولید و جمع‎‌آوری می‎‌شوند و دارای فرمت‌های گوناگون هستند. برای مثال، می‎‌توان به داده‌های ساخت‎‌یافته مانند پایگاه داده‎‌های رابطه‌ای، داده‌های نیمه‌ساخت‎‌یافته مانند داده‌های XML و داده‌های غیرساخت‎‌یافته مانند تصویر و جریان‌های ویدئویی اشاره کرد.

(3V) ویژگی‌های داده‌های حجیم

تجزیه‌وتحلیل کلان داده‌ها با استفاده از فناوری‌های هوش مصنوعی و یادگیری ماشین، ارزش قابل توجهی را در تصمیم‌گیری ایجاد می‌کند و بینش دقیق‌تر و عملیاتی را ارائه می‌دهد که درنهایت منجر به ایجاد مزایای رقابتی برای کسب‌وکار می‌شود. در ادامه چند نمونه از کاربردهای تجزیه‌وتحلیل داده‌های حجیم در شبکه‌های مخابراتی آورده شده است:

پیش‎‌بینی رویگردانی مشتری: پیش‎‌بینی رویگردانی مشتری یکی از محبوب‌ترین روش‌های استفاده از تحلیل داده‌های حجیم برای ارائه‌دهندگان خدمات ارتباطی است. در صنعت ارتباطات، پیش‎بینی مشتریانی که در معرض ترک استفاده از خدمات یک شرکت هستند، پیش‌بینی رویگردانی مشتری نامیده می‌شود. جذب مشتریان جدید به‌مراتب هزینه بیشتری نسبت به حفظ مشتریان فعلی دارد. امروزه، با کمک مدل‌های پیش‌بینی و الگوریتم‌های یادگیری ماشین می‎توان سطح استفاده مشترکین از خدمات تأمین‎کننده را بررسی کرد. علاوه بر بررسی سطح استفاده مشترکین از خدمات، بررسی شکایات، میزان تراکنش‎ها و تحلیل رسانه‎های اجتماعی از جمله فاکتورهایی هستند که می‌توان احتمال رویگردانی مشتریان را بر اساس آنها تحلیل کرد. تکنیک‌هایی مانند درخت‌های تصمیم، طبقه‌بندی و رگرسیون از جمله تکنیک‎‌های رایج برای مدل‌سازی و شناسایی ریزش مشتریان هستند.

جلوگیری از کلاهبرداری: ابزارهای کلان داده روش مؤثری برای مقابله با کلاهبرداری هستند. برای مثال، اگر شخصی همزمان با یک شماره از دو مکان مختلف تماس بگیرد، می‌توان سیم‌کار‌ت‌‎های جعلی را شناسایی کرد و اقدامات پیشگیرانه‌‎ای در برابر آن اتخاذ کرد.

تحلیل قطع تماس: با رقابتی شدن بازار صنعت مخابرات، شرکت‌های مخابراتی ضمن توسعه پهنای باند، بر مقیاس‌گذاری کارایی شبکه نیز تمرکز می‎کنند. اختلال در شبکه می‌تواند منجر به قطع تماس و کاهش کیفیت صدا شود که این اختلال به اعتبار شرکت‌های ارائه‌‎‌دهنده خدمات مخابراتی لطمه می‎زند. بنابراین، لازم است تا شرکت‌های مخابراتی به طور مداوم بر عملکرد شبکه خود نظارت کنند و در مواجهه با اختلال، اقدامات لازم را در مراحل اولیه انجام دهند. امروزه بسترهای کلان داده، توانایی ذخیره‌سازی و تحلیل میلیون‌‌ها رکورد از اطلاعات مرتبط با جزئیات تماس مشترکین را دارند. این داده‌‎ها می‌‎توانند در الگوریتم‌های تشخیص الگو مورد استفاده قرار بگیرند، تا هر الگوی نامتعارف در زمان واقعی شناسایی شود.

تقسیم‌‎بندی مشتریان: با شناخت بیشتر مشتریان می‌‎توان برنامه‌های بازاریابی را بر اساس نیازها، خواسته‌ها و رفتارهای آن‌ها طراحی کرد. روند تقسیم بازار یا مشتری به گروه‌هایی که رفتار مشابهی دارند به عنوان تقسیم‌‎بندی مشتری شناخته می‌شود. این روش، ارائه‌دهندگان خدمات مخابراتی را قادر می‌سازد تا تصمیمات راهبردی متناسب را در قبال گروه‌های مختلف مشتریان اتخاذ کنند. برخی از مزایای تقسیم‌بندی مشتریان برای شرکت‌های مخابراتی عبارت‌‎اند از:

• تقسیم‌بندی مشتریان بر اساس ارزش: شناسایی مشتریان وفادار با ارزش بالا و انجام فعالیت‌های بازاریابی و افزایش حفظ و وفاداری مشتری به‌منظور کاهش نرخ رویگردانی مشتری.
• سفارشی‌سازی محصولات و خدمات: تقسیم‌‏بندی مشتریان باعث می‌شود تا بتوان بسته به نیاز مشتری محصولی متناسب و با سودمندی بالا برای هر بخش ایجاد کرد و درنتیجه رضایت مشتری را افزایش داد.

ﺧﺪﻣﺎﺕ ﻣﻜﺎﻥ ﻣﺒﻨﺎ: اطلاعات به‌دست آمده از موقعیت جغرافیایی تلفن‌های همراه را می‌توان برای ارائه خدمات تحلیلی مختلف استفاده کرد. برای مثال، اطلاع از تراکم جمعیت در یک شعاع خاص جغرافیایی در بازه‌های زمانی مختلف برای کسب‌وکارهای مختلف مانند یک رستوران ارزشمند است. مدیریت رستوران می‎تواند از این اطلاعات برای تنظیم ساعات کاری و مدیریت کارآمد کارکنان خود استفاده کند.

تحلیل شبکه: با استفاده از تجزیه‌وتحلیل شبکه، شرکن‌های مخابراتی می‌توانند داده‌های بلادرنگ موجود در شبکه انتقال، دستگاه‌های محاسباتی و ذخیره‌سازی را برای واکنش سریع‌تر به خطرات یا خرابی‌‎‌های احتمالی، بررسی کنند. همچنین، شرکت‌های مخابراتی می‌توانند با مقایسه اطلاعات در زمان واقعی و داده‌های تاریخی، برنامه‌های نگهداری بهینه را به‌دست آورند. الگوریتم‌های یادگیری ماشین می‌توانند با تعمیر تجهیزات پیش از خرابی آنها، هزینه‌های نگهداری و اختلال در ارائه خدمات را کاهش دهند.  

کشف الگوهای موجود در داده‌ها و خوشه‌بندی مشتریان با الگوریتم‌های هوش مصنوعی و یادگیری ماشین،  می‌تواند به تعیین راهبردهای مناسب در مدیریت ارتباط با مشتری و بهبود ارائه خدمات به مشتریان کمک کند که درنهایت منجر به سودآوری صنعت مزبور خواهد شد.

منابع

[1] Deloitte: Opportunities in Telecom Sector: Arising from Big Data (2015)

[2] Guller, M. (2015). Big data analytics with Spark: A practitioner’s guide to using Spark for large scale data analysis. Apress.