2. Монетизация данных
1. Описание каждого из пунктов содержания презентации (20pt)
Создание экономической выгоды
за счет
▪ Развитых компетенций в data science
▪ Широкого набора данных по аудитории
▪ Компетенций в разработке high-load сервисов
▪ Создания аналитических решений на основе данных и
повышение эффективности работы с данными
3. Данные об абонентах
Тип данных
Характер потребления
(интересы)
Платежеспособность
Геовременные данные
Круг общения • Информация
о звонках и смс
• Данные по базовым
• станциям
• Онлайн геоданные
• Данные по ARPU
• Траты на услуги связи
• Траты на конкретные сервисы
• Data
• Voice
• Ключевые интересы
Демографические Примеры:
• Пол
• Возраст
5. Принципы
More for more Below the line Segment of 1 Test&Learn
Переход к невидимой
для рынка работе
с клиентской базой
Вместо «лобовой»
конкуренции в публичном
пространстве
Развитие аналитики
больших данных
для узкотаргетиро-
ванных предложений
и коммуникаций
Вместо набора отдельных
массовых предложений
клиентам
Реализация постоянного
итеративного процесса
тестирования и
улучшения продуктов
и кампаний
Вместо разовых обновлений
линейки и разрозненных
инициатив по улучшениям
Увеличение ARPU
вместе с ростом
потребления услуг
Вместо постоянного снижения
цены при возрастающих
объемах голоса и данных в
пакетах
1 2 3 4
Customer Insights
Системная сегментация рынка и детальное понимание потребностей каждого
сегмента с привязкой к базе клиентов МегаФона
Вместо отдельных аналитических срезов по рынку, усредненной статистики и результатов тактических исследований
0
6. Геоданные в телекоме
Работа с
потоками
абонентов
1
Информация о посещаемости и
профилированию посетителей в
конкретных точках:
▪ Сколько людей проходит через
эту точку?
Кто эти люди?
▪ Когда люди посещают эту точку?
▪ Оптимизация
расположения точек
продаж
▪ Оптимизация
расположения
базовых станций
Работа с
сегментами
абонентов
2
Информация о паттернах
перемещения и потребления для
конкретных сегментов населения
▪ Куда эти люди часто ходят?
▪ Когда люди приходят в эти точки?
▪ Какие черты поведения
характерны для этих людей?
▪ Оптимизация предложения
телеком услуг
▪ Выявление домохозяйств
Извлекаемые инсайты Примеры use кейсов
7. Данные требуют очистки
Подготовка данных
1
Построение модели
2
Применение результатов
3
Много времени уходит на
генерацию гипотез и
возможных новых
переменных
На выходе есть
предсказание но нет
объяснения
Типичные вызовы
Процесс разработки моделей
8. Что предложить? С какой скидкой?
По какому каналу? В какое время?
Next best action