По способности собирать огромные объемы самых разнообразных данных о своих клиентах мало кто может соперничать с мобильными операторами. Анализом данных они наверняка занимались всегда. Однако лишь недавний всплеск интереса к подходам, связанным с большими данными, искусственным интеллектом и машинным обучением, сделал их попытки работы с клиентами более успешными и результативными.
«Мы сами не сразу поняли, чего в реальности можем добиться, пока не начали всерьез копаться в имеющихся данных, пытаясь получить новые знания о своих клиентах», — признает Леонид Ткаченко, директор департамента Big Data МТС. Очень быстро выяснилось, что возможности мобильного оператора действительно очень велики. В компании с легкостью способны видеть, даже кто с кем живет, причем не только среди собственных абонентов.
Проекту Big Data в МТС недавно исполнилось три года. Сначала команда проекта состояла из 20 сотрудников, сейчас же в ней насчитывается 250 опытных экспертов, а чистый экономический эффект за время ее существования составляет 3,5 млрд руб. Оказалось, что накопленные оператором данные действительно могут быть полезными, и эту пользу вполне получается извлечь.
Стратегия работы с большими данными в МТС неизменна на протяжении всего времени и включает в себя три ключевых пункта. Первое направление — это сбор и приумножение знаний о своих клиентах. Второй элемент, гораздо более сложный, — обеспечение доступа к данным для всех сотрудников. Требуется в буквальном смысле положить необходимые данные сотрудникам на рабочий стол и дать им возможность зарабатывать для компании деньги. Наконец, надо пытаться создавать на основе данных новые бизнесы, не имеющие отношения к основному — телекоммуникационному.
«Говоря о приумножении знаний о клиентах, мы считаем конечной целью создание в наших ИТ-системах цифрового двойника абонента. Мы пытаемся получить всю законную информацию о нем, даже не понимая, как будем ее использовать и пригодится ли она вообще», — говорит Ткаченко. Стоимость хранения сейчас настолько невелика, что в хранилища данных попадает все, до чего компания может дотянуться. Источников, из которых черпается информация, очень много. К ним относятся как внутренние источники — биллинг и «кликстрим» (виртуальный след, который пользователь оставляет во время нахождения в Интернете), так и внешние источники, включая социальные сети и всевозможные справочники.
«К концу 2020 года мы планируем охватить все возможные источники и агрегировать их в нашем озере данных. К тому времени знания о клиентах станут максимально полными», — продолжает Ткаченко. Когда проект начинался, объем полезных данных об абонентах составлял около 100 Тбайт — ничтожно мало по нынешним меркам. Сейчас данных более 1,5 Пбайт. В ближайший год в хранилище поступит еще 4 Пбайт данных.
«В начале проекта сведения о каждом абоненте включали примерно 1 тыс. метрик, начиная с базовых и заканчивая сложными, моделируемыми: профессия, место работы, наличие домашних животных. Сейчас их около 2 тыс., через год будет 3,5 тыс., а в принципе, мы видим возможность собрать 5 тыс. метрик по каждому клиенту», — говорит Ткаченко. Сейчас клиентские данные в системах обновляются раз в день, и в компании хотят добиться того, чтобы все данные, которые важно иметь в реальном времени, были максимально к нему приближены.
Для обеспечения доступа к данным используется решение Teradata Alation. По сути, это поисковая система поверх хранилища данных. Бизнес-пользователь может ввести в нее любой запрос, и она подскажет, какого вида метрики и данные об абонентах есть в системах, где они находятся и какова их актуальность.
За время работы подразделение Big Data успело реализовать достаточно много проектов, но три из них хотелось бы отметить особо. Это автоматическое вычисление индекса NPS, психотипирование абонентской базы и оптимизация работы персонала в розничных магазинах.
Промоутеры и критики
Индекс потребительской лояльности (Net Promoter Score, NPS), который вычисляют исходя из соотношения выявленных лояльных и недовольных клиентов (соответственно промоутеров и критиков), до сих пор остается ключевым показателем практически для любой компании. В той или иной степени его используют все, определяя с помощью прямого опроса клиентов. Этот индекс действительно важен: опыт показывает, что он сильно связан с оттоком клиентов. Однако качество проводимой оценки (ответы не всегда правдивы) и стоимость этого процесса вызывают вопросы.
«Многие компании занимаются вычислением NPS в попытках понять, насколько довольны их клиенты. Можно констатировать, что работа эта крайне дорогостоящая. К тому же по результатам выборочных опросов остается неясным, кто именно из абонентской базы лоялен, а кто является критиком», — говорит Ткаченко. В МТС создали модель, с помощью которой автоматически в любую секунду можно рассчитать лояльность каждого из 60 млн абонентов с точностью 70–80%. По итогам проекта компании удалось выявить 3,5 млн критиков из московской базы абонентов, а проведенный кластерный анализ позволил выделить 15 их профилей. С точки зрения бизнеса — это 15 видов «болезней» клиентов, которые можно лечить.
Одну из самых больших групп объединяло то, что люди, ее составляющие, часто ездят по России, тарифицируются во внутрисетевом роуминге и плохо представляют себе стоимость услуг. Эти абоненты были недовольны списанными средствами, постоянно звонили в контакт-центр и интересовались остатком. Очевидно, им нужна большая информированность. Вторая группа, получившая название «небольшой пакет», — это люди, систематически выходящие за ограничения своего тарифа и расстроенные дополнительными списаниями средств. Здесь решение тоже очевидно: предложить им чуть больший пакет услуг по цене чуть выше (или даже прежней) — и эти клиенты перестанут быть несчастными. К сожалению, далеко не все проблемы могут быть решены столь простыми действиями.
Психотипы и геолокация
Еще один интересный проект, предпринятый МТС с целью оптимизации маркетинговых акций, — психотипирование абонентов на основе их поведения. Идея состояла в том, чтобы дифференцировать коммуникации с каждым из абонентов. Возможностей для этого традиционно не хватало. Ведь даже в Интернете при показе контекстной рекламы баннер демонстрируется хоть и не всем подряд, но один и тот же, а реакция на него не всегда будет желаемой. «Мы решили провести сегментирование клиентов и интегрировать его во все каналы — SMS, почту, мобильное приложение. Даже в контакт-центре автоответчик может разговаривать с клиентом по-разному», — рассказывает Ткаченко. У компании имелись обучающие выборки, и поэтому без особых проблем удалось разметить всю абонентскую базу по методологии Big Five.
Третий проект связан с геопозиционированием — это то, в чем мобильному оператору не может быть равных. В прошлом году МТС купила два портала по продаже билетов на развлекательные мероприятия — Ticketland и «Пономиналу». Вполне естественной стала попытка на основе информации об абонентах повысить продажи билетов. «Это действительно неплохо получается, потому что мы прекрасно знаем, на какие мероприятия ходил человек», — констатирует Ткаченко. В результате произошел значимый рост коэффициента кликабельности (click-through rate, CTR) — от 4 до 10% людей реагируют на сообщения о мероприятиях, подобранные специально с учетом их интересов.
Сколько человек нужно, чтобы закрыть магазин?
Не менее интересен проект из категории Workforce Management по управлению графиками работы сотрудников Русской телефонной компании — «дочки», управляющей монобрендовой розничной сетью МТС. Справедливости ради следует отметить, что данная задача не совсем вписывается в проекты департамента Big Data, однако лишь у данного подразделения существует хранилище такого размера, в котором возможно собрать и обработать детальнейшие данные об операциях из 6 тыс. салонов МТС, где работают 30 тыс. сотрудников. У каждого из офисов есть начальник, который на глазок определял, когда и сколько людей должны работать. Идея состояла в том, чтобы математически обосновать необходимость наличия в магазине определенного количества людей.
На основе данных о товарообороте за предыдущий год удалось составить двухнедельный прогноз продаж в каждом магазине: сколько будет осуществлено транзакций каждого типа с точностью до 15 минут. Фактически появилась модель спроса, и стало возможным оптимально распределить сотрудников.
Интересной находкой оказалось изменение регламента открытия и закрытия магазинов. Традиционно служба безопасности требовала, чтобы магазины открывались и закрывались двумя сотрудниками. Однако собранные данные показали, что во многих случаях в начале и конце рабочего дня операций настолько мало, что второй человек оказывается ненужным, да и правонарушений в отношении сотрудников во время этой «зоны риска» также немного. Двукратное сокращение числа работников, занятых в эти часы, дало огромный экономический эффект: удалось снизить затраты на ФОТ на 10%. Что немаловажно, при этом не произошло оттока персонала (судя по всему, работа в утренние и вечерние часы радовала далеко не всех) и даже несколько возросли продажи.
