Downloaded 11 times
Uploaded byTaste Medio
Machine learning a data mobilních operátorů - Lukáš Drápal (DATA restart 2015)
Machine learning a data mobilních operátorů
More Related Content
Similar to Machine learning a data mobilních operátorů - Lukáš Drápal (DATA restart 2015)
Machine learning a data mobilních operátorů - Lukáš Drápal (DATA restart 2015)
- 1. © CGI GroupInc. CONFIDENTIAL Machine learning a data mobilních operátorů Lukáš Drápal (lukas.drapal@cgi.com) Duben 2014
- 2. CGI je globálnízajišťovatel komplexních IT služeb a služeb v oblasti obchodních procesů 4,500 klientů z celého světa 68,000 zaměstnanců, z toho75% akcionářů Špičkový business a IT consulting 400 kanceláří, 40 zemí Systémová integrace, outsourcing IT and obchodních procesů 9/10 Skóre spokojenosti klientů za posledních 10 let 2 • Spojení CGI a Logica v roce 2013 • 5. Největší nezávislá IT a BPS firma na světě
- 3. Lokální CGI datascience tým • Seniorní konzultanti s více než 10 letou znalostí sektoru • Noví talenti s vystudovanou datovou vědou • Produktová nezávislost • Prohlubování znalostí v mezinárodních soutěžích • Kaggle.com: Allstate Purchase Prediction Challenge • Vyhráli jsme mezi více než 1500 týmy z celého světa • Hlavní oblasti: retail, banking, telco 3
- 4. Data mobilních operátorů 4 •Nesou významnou informaci o uživateli SIM karet • Lidi, se kterými je uživatel v kontaktu • Kde se pohybuje • Mohou být využita ke zkvalitnění služeb a získání konkurenční výhody
- 5. Co máme zadata? • CDR data o hovorech a SMS zprávách • Číslo volaného a příjemce • Datum a čas • Typ služby • Délka • ID sítě • Případně: Lokace, Prohlížená webová stránka, Cena • Další datové zdroje: • Subscriber data (Active/deactivated, Network Type, Phone model) • CRM systémy
- 6. Zpracování dat • SurováCDR data jsou zpracována, aby mohl být využit machine learningový algoritmus • Agregace • Síťová analýza (social network analysis) 6
- 7. Využití dat: příkladyz projektů • Síťová analýza (Social network analysis) • Demografický profiling 7
- 8. No. 8 Kdo ovlivňujechování ostatních zákazníků? Vůdce Vlivný zákazník Následovníci
- 9. Síťová analýza (Socialnetwork analysis) • Detekce komunit • Výpočet různých síťových metrik • Zjištění vlivných uživatelů 9
- 10. Ukázka hodnoty prostředoevropského operátora • Detekce komunit • Odhalení vlivných zákazníků • Vlivní zákazníci se chovají jinak v retenčním procesu • Výsledek: doporučení jiného retenčního postupu u různých skupin zákazníků
- 11. 0 10 1 0010101010101 1001001010010 1 0101011010 010100 0 0 1 1 1 0 0010010010010 10 0001011110010 001 0 1 0 00101010101 0 001 01010010111 10 1 1 0 0 00 0 1 0 1 0100101010101 01 0101010101010 0 1 1 0111001010 Demografický profiling: výzvy KREDIT – absence datPAUŠÁL 0 1 1 1 0 1 0 1 • Anonymní uživatelé• Hodně zákaznických dat
- 12. Demografické modelování • Cíl:předpovědět věk a pohlaví zákazníků s kreditem • Lepší cílení nabídek
- 13. Predikce pohlaví protelekomunikačního operátora • Predikce na základě CDR dat • Data o zákaznících s paušálem (pohlaví známe) i s kreditem (pohlaví neznáme)
- 14. Výsledek • Z 50%na 80% přesnost jen na základě CDR dat
- 15. Použité proměnné • Průměrnádoba hovoru • Počet sms a volání mužům / ženám • Pohlaví nejčastěji volané osoby
- 16. Chytrá síťová proměnná(1/2) ?
- 17. Chytrá síťová proměnná(2/2) ?
- 18.
- 19. Shrnutí • CDR datajsou bohatá, potřebují správný preprocessing • Síťová analýza umožňuje odhalit důležité informace o zákaznících a vztazích mezi nimi
- 20.