Primjena društvenih mreža u telekomunikacijskim “churn” modelima

Poslovna analitika

Primjena društvenih mreža u telekomunikacijskim “churn” modelima

Prije nekoliko dana sam pročitao članak u Forbesu na temu IT tvrtke Multicom koji razvija softver za telekomunikacijska poduzeća koji predviđa koji će korisnici biti prebjezi u drugog operatora na temelju različitih varijabli. Za one koji su upoznati s ovim područjem, riječ je o primjeni rudarenja podataka nad CDR (Call Detail Records) podacima. Različiti algoritmi za klasifikaciju podataka pronalaze uzorke (patterns) među podacima i određuju vjerojatnost da li pojedini korisnik napušta ili ostaje unutar poduzeća pri isteku ugovora. Naravno, poduzeće mora imati postojeći bazu podataka koja služi kao training baza  i ona sadrži podatke o svim korisnicima koji su ostali ili otišli u drugog operatera te se to znanje koristi za predviađanje na testnoj bazi podataka. Ovaj se način predviđanja u rudarenju podataka naziva i ‘churn prediction’.

Moj današnji osvrt nije vezan za predviđanje „prebjega“ u druga telekomunikacijska poduzeća, nego isplativost zadržavanja / puštanja korisnika i pronalasku istih. Kad prilikom rudarenja podataka dobijemo neki rezultat, primjerice točnost modela od 95%, koje zatim primjenjujemo na željenu testnu bazu podataka, moramo odrediti trošak/prihod od pojedinog korisnika. Krivo predviđanje korisnika za kojeg smatramo da će biti prebjeg, a na kraju se ispostavilo da nije, može biti trošak propuštene prilike. U suprotnom slučaju možemo za korisnika predvidjeti da će ostati unutar poduzeća, međutim taj on prelazi u konkurentsko poduzeće te  imamo trošak ulaganja (zadržavanja) tog korisnika unutar tvrtke.

U knjizi Big Data Analytics autora dr. Arvinda Sathi-a je iznesen jedan vrlo zanimljiv primjer kako se može odrediti primjer „profitabilnosti“ korisnika te je taj problem predočio putem društvenih mreža. Sigurno se pitate kakve veze imaju društvene mreže (Facebook, LinkedIn, Twitter) s procjenom profitabilnosti korisnika. Pa zapravo cijeli pojam društvenih mreža (social networks) se može iskoristiti u procjeni profitabilnosti kupaca. U svakoj grupi, u ovoj primjeru korisnika postoje lideri. To su korisnici koji vode promjenu s jednog brenda na drugi. Lideri tipično imaju skup sljedbenika (followers). Jednom kad lider promijeni brend, ono povećava vjerojatnost da će grupa korisnika također napustiti tvrtku. Kako ih možemo identificirati? Kako možemo usmjeriti marketing prema liderima?

U mobilnoj komunikaciji, lideri su uvijek u centru čvora (hub). Lideri su često povezani s velikim brojem „sljedbenika“, gdje neko i od njih može biti lider. U svakom slučaju kao što je prikazano na donjoj slici, lideri imaju više komunikacijskih strelica koje su okrenute prema njemu, a ne prema vanka, što znači da lider prima puno poziva, međutim malo zove te ako zove vjerojatno je riječ o potencijalnog lideru.

Capture

IBM Research je izveo više serija eksperimenata s nekoliko telekomunikacijskih providera. Analizirani su CDR-ovi koji se sastoje od informacija kao što je da je osoba A nazvala osobu B. Agregiranjem informacija o pozivima i komunikacijskim mrežama, otkrili su mrežu komunikacija među pojedincima. Također su koristili „churn“ informacije o korisnicima kako bi ih korelirali s „churnovima“ među liderima te otkrili da li postoji poveznica među njima. Zaključili su da:

  • Da se lideri 1.2 puta više prebacivaju u konkrentske tvrtke usporedno s običnim korisnicima.
  • Da postoje dva tipa lidera: oni lideri koji su povezani sa svojom grupom putem odlaznih poziva i oni lideri koji se nazivaju autoritativnim, koji su povezani sa svojom grupom putem dolaznih poziva.
  • Ukoliko se prvi tip vođe prebacio u konkurentsku tvrtku, to uzrokujee  28.5 puta veća dodatna prebacivanja običnih korisnika. Kod autoritetnih vođa taj broj iznosi 20 puta.
  • Tipično, riječ je bilo o vrlo ograničenom vremenskom periodu između prebacivanja lidera i prebacivanja „sljedbenika“ u konkurentsko poduzeće.

Ukoliko želite saznati o samoj teoriji „društvenih mreža“ onda možete pogledati odlična predavanja na Courseri, ukoliko ste zaljubljenik u IT, onda isrpobajte Neo4J – open source implementaciju „graph“ baze podataka koja se temelji na principu društvenih mreža. Na temelju tih podataka možete raditi analitiku što uključuje – klasterizacijeu, klasifikaciju ili određivanje lidera među populacijom

Izvor:

  • Časopis Forbes Hrvatska
  • dr. Arvind Sathi – Big Data Analytics

Tagovi: / / /