inteligencia comercial en telefonica...

Martin Volpacchio - Inteligencia Comercial - Telefónica Negocios

INTELIGENCIA COMERCIAL EN

TELEFONICA NEGOCIOS

TELECOMMUNICATIONS MARKETING

MODELLING RESEARCH


Valor de la InformaciónPor Qué?

Índice

Information Modelling

Valor de la Información

Proceso de Inteligencia Comercial en TN

WAR

Inteligencia de Bases de datos en TASACasos PrácticosHacia donde vamos?


Por que tiene valor la Información?


Existen Relaciones, asociaciones, patrones y principios que gobiernan

estas variables

Las Conocemos?

Predecimos

Controlamos

Optimizamos

Si?

…Porque impacta directamente en la Ecuación de Ingresos


⋅∆−

∆+⋅⋅+

⋅∆+

=−

−

∆+

+

ChurnChurn

SharedWalletIStockClientes

IClientes

IStock

IClientes

INGRESOS )1(

FUNCIÓN DE BUSINESS INTELLIGENCE: MAXIMIZAR LA ECUACIÓN DE INGRESOS CON RESPECTO AL TANDEN DATOS-INFORMACIÓN-CONOCIMIENTO

Detectar Nuevos Clientes

De ValorNo Cualquier Cliente

Detectar Nuevos Necesidades

Detectar Clientes Insatisfechos

Evaluar trade-offentre costo de retención e incentivo

ICDetectar Señales y Alarmas Segmentarlos

Conocerlo su comportamiento



Nuestro Primer Objetivo:Tener Poder sobre la ecuación de

Ingresos


Conocimiento=Poder??

Corolario: Para Controlar la ecuación de ingresos debemos,

•Observar lo que ocurre

•Recolectar datos

•Extraer reglas

•Realizar acciones para que ocurra lo que deseamos



…EntoncesDebemos entender cual es el

proceso del conocimiento que aspiramos para poder replicarlo

en Telefónica Negocios…


Existe una evolución desde la recolección de Datos hasta tener la capacidad de Lograr que Ocurra lo que queremos …

Datos Información Conocimiento Sabiduría

Futuro: Visión y Diseño

Pasado: Que ha ocurrido

Consistencia


El proceso evoluciona como una función del nivel del conocimiento y de la conectividad de los datos…

Datos Información Conocimiento Sabiduría

Datos

Información

Conocimiento

Sabiduría

Entendimiento

Conectividad

Entendiendo Relaciones

Entendiendo Patrones

Entendiendo Principios

( XX SA; Novi/06; 3.000 Min locales )

( XX SA; Mar/06 ; 15.000 Min locales )

XX SA amplio sus sucursales en Julio Bajo el trafico LDN con un proveedor YY SA que tiene enlace dedicado de datos y luego el trafico urbano cayó

Si un cliente posee un alto trafico corporativo local y posee contactos con clientes que utilizan Datos es probable que los imiten y descienda el Trafico Corporativo

El cliente XX es tecnológico, creció muy rápido, tuvo problemas en el momento de las instalaciones (año pasado) y en la primera facturación. Sus Clientes transmiten imágenes y la mayoría posee enlace de datos. Su principal cliente esta en el Norte y posee tramas con la competencia y en función del trafico

entrante ………..

Hechos Observables


Y en Telefónica Negocios donde nos ubicamos a lo largo de este proceso teniendo en cuenta….


• Sector regulado de la economía.• Grandes volúmenes de información.• Escaso valor de datos de demanda del

tipo agregada.• Demanda no compulsiva. Second Best.• Primero consume luego paga.• Bienes consumidos divisibles y con

excedente del Consumidor medible (opción de comunicarse, externalidad de red).

• Múltiples dimensiones en el consumo de los bienes.

• Utilidades diferenciadas por tipos de clientes. Insumo vs gasto

• Conocimiento diferencial de la Telco con respecto al consumidor

• Elasticidad diferencial:llamadas coyunturales vs Alta frecuencia

• Precios en múltiples dimensiones. • Formas no triviales de Tasación.• Múltiples servicios asociados a un solo

bien.• Localización , densidad telefónica y

nivel de actividad zonal.• Alto progreso tecnológico. Evolución

de Sustitutos Perfectos (TelcosCableras Móviles).

• Curva de oferta decreciente (Costos marginales decrecientes). Rent. Extra.

• Distribuciones de consumo fuertemente asimétricas a la derecha

• WWW Revolution

…el escenario de una empresa de Telecomunicaciones…


Capacidad de ConocimientoSin Limites

Capacidad de almacenar y procesar Información

Conocimiento Diferencial de Nuestros ClientesIncluso MAS QUE ELLOS MISMOS

Capacidad Financiera,LogísticaMarketing

Ley MooreTrans/Pul_C(18 m)=2 x Trans/Pul_C(hoy)

650 Millones LL locales90 Millones LL LDN

6 Millones LDI1Mil l Usuarios Internet

Hora de Inicio/Fin de ocupaciónUtilización intradiaria

Momentos de relaxMomentos de Actividad

Tipos de destino(D/D-N/N)Agenda

Horario de UbicaciónNivel de Ingreso

Quien lo llama, con que frecuencia, cuando, etcContactos cruzados de su comunidad de interés

Banco ProbableTarjeta de Credito

ProveedoresCantidad de habitantes

Club Colegios de sus hijos

Si hace caridadetc,etc,etc

…Y teniendo en cuentas que a partir de los datos se obtiene mucha información…


Ubiquemos en el procesoPrimero: Empecemos con los

Datos…Cómo los Recolectamos …deforma confiable?


Datos

Información

ConocimientoSabiduría

Entendimiento

Conectividad




DW CorporativoImplementación 1999Creció de 1.6 TB 16 TBUnifica fuentes de datos4.5 Mill de Clientes + 160.000 Empresas12 meses en línea + HistóricoAcceso simple a información compleja+ 30 Sistemas FuentesAhorrar recursos de desarrollo en Sistemas

Hechos Observables

DW

Llamadas

Tramites

Erlang

Localizaciónes

Plazos de

Pagos

Competidores

Distancias

Averías

Bajas

Altas

Tramas

Servicios

Saturación

Reclamos

Down-

Streams

Destinos

Banda AnchaParque

Celulares

Mail

Colección de Hechos


Datos

Información


Entendimiento

Conectividad




Hechos Observables

ORGANIZAC. CLIENTES

PARQUE DOMICILIOS

CONTACTOS

CAMPAÑAS

FIDELIZACIÓNCARTERIZA

-CION FVD

AVERIAS

RECLAMOS

TRÁMITES

TRÁFICOFACTURACIÓN

COBROS

RED

RECLAMOS

PRODUCTOS

Y SERVICIOS

CONSUMO LOCAL, LDN, LDI,

RI, CPP,

AUDIO,

TERCEROS

INFOR.

CALL

CENTER

CAMPAÑAS Y

LEADS ELABORADAS

PROGRAMAS DE

FIDELIZACION DE LA EMPRESACANALES EJECUTIVOS Y

RELACION CON CLIENTES

CABLES, CENTRALES,

CAJAS, MANZANAS

AVERIAS DE

PRODUCTOS

Y SERVICIOS

COMPROBANTES,

DETALLE DE

FACTURAS

COMPROBANTES,

DETALLE DE FACTURAS

DE OTROSRECAUDACIONES, AJUSTES, CAJAS,

GESTION DE IMPAGOS

AREAS DE INFORMACION


Datos

Información


Entendimiento

Conectividad




Hechos Observables

ALGUNOS SISTEMAS FUENTES

Fadeuda

Facturación

Vip

Carriers

Cooperativas

Perseus

Facturación PC

Sivetel

Gestión Comercia

l

Sidi

VipVantive

Simplex

Pioneer GPyM

Otros

CEAPGit

Cidi

Interconexió

Infrenet

PSSBASigeco

Red

Cota

Trafico

Cobros

Atis


Segundo: Datos tenemos…Cómo creamos un proceso que mimetice la cadena de valor del

conocimiento?

Datos

Información


Entendimiento

Conectividad




Cadena de Valor de Inteligencia Comercial


…adaptando el proceso del conocimento a las necesidades de una empresa…

Acceso al Sistema de Variables para el proceso de Inteligencia

Comercial. Dominio complejo de DW. Transformar los Datos en Información para los Clientes

Internos y externos de IC. Entender Relaciones

Procesamiento complejo de datos e Información.

Problem SolvingDatamining

Entender Patrones

Transformar en Accionable el Conocimiento

Generación de Campañas

Acciones

En base a los resultados generar

Nuevo Conocimiento que

retroalimente al Sistema de IC.

Entender Principios

Cada área específica de IC surge como una necesidad genuina a partir de cada etapa del Proceso de Generación de Conocimiento

Definamos la Cadena de Valor de Inteligencia Comercial en TN…

DATOS INFORMACIÓN ACCION RESULTADOS

INPUT ALGORITMOS OUTPUT FEEDBACK

CONOCIMIENTO

DecisiónProblemaIncremento

Conocimiento


Una vez observado el proceso de IC surge naturalmente la división de tareas dentro del área.

Análisis Mesoeconómico

Como nacen las áreas de IC a partir del proceso de conocimiento…

DATOS INFORMACIÓN CONOCIMIENTO ACCION RESULTADOS


Central de Información

Modelos Analíticos

Central de InteligenciaDatamining

Central de OperacionesCampañas

Central de I-Learning

Respuesta del cliente


Función:Acciona sobre el Stock General de Datos Pre-existentes en TASA para generar Tableros y Estudios Ad-hoc. Consultoria in-house en Marketing Modelling Research.Analizar la evolución de los comportamientos sobre productos/servicios/segmentos/clientes. Se concentra sobre lo que aconteció

Quien, Que, Donde y Cuando.

Clientes: Ejecutivos de cuenta, Jefes de Productos, Segmento y otras áreas de la Unidad de Negocio

Actua sobre datos previamente conocidos

en TASA


DATOS INFORMACIÓN

INPUT


Modelos Analíticos








Modelos Analíticos




Comportamiento del cliente



CONOCIMIENTO

ALGORITMOS


Función:Desarrollar modelos Predictivos de Churn, propensión y Wallet Shared. Establecer Métodos de Búsqueda de Señales que afecten la ecuación de ingreso de TN.

Entender PatronesGeneralizar e

Interpolar

Clientes: Segmento, Jefes de Producto. Internamente posee como clientes a la Central de Información y a la central de Operaciones

Descubre NUEVO conocimiento “Interpolando” sobre Información disponible en bases de TASA








Modelos Analíticos







ACCION

OUTPUT


Función: Administrar e Implementar las Acciones que surgen del Proceso anterior por medio del CRM de TN, llevando adelante toda la administración de las campañas segmentadas.Proceso sumamente complejo

D + I + C … ACCIONClientes: Ejecutivos de cuenta,

Segmento y Call-in.

Datamining=Conocimiento Accionable








Modelos Analíticos








RESULTADOS

FEEDBACK



Función: Generar datos e información Nuevossobre los clientes, en base a las respuestas de las campañas y a todo nuevo contacto que los clientes efectúen con TN.Diseña una ficha de cliente óptima y maximizar la extracción de información desde el call-in, call-out, oficinas comerciales, mercado, tráfico, etc. Hacia el Entendimientos de PrincipiosClientes: Ejecutivos de cuenta, Jefes de Productos, Segmento y otras áreas de la Unidad de Negocio

Descubre NUEVO conocimiento a partir de cada contacto , respuesta e investigación.


En General y en Telecomunicaciones en particular…

Cuando mas complejo es el escenario en el que opera la ecuación de ingresos

Mayor es el valor del Tanden

Datos+Información+Conocimiento

Corolario: Es vital conformar un grupo de IC


Cual es la estrategia de una Telco...


Escenario

• Apertura de Competencia– Eliminación Ingresos

Extraordinarios– Gobiernos declaran W y

L. Licuación M. Share– Desarrollo Tecnológico.

Sustitutos. Celulares-Datos-Internet-Tarjetas-Triple-Play

• Activos del Incumbente– Red de enorme

capilaridad.– Base de clientes.

Distintos Tipos– Interconexión– Inteligencia Comercial– Multitud de Productos


Básicamente...

Maximizar la participaciónen el ingreso de los clientes

Incentivar el Gastos entelecomunicaciones

Wallet Share

W

Ganar Clientes Rentablestanto de bienes clásicos

como nuevos

Acquisition

A

Evitar el churnDefensa Entrantes

Escenario CompetitivoSustitución

Retention

R

WAR


Ganar nuevos clientes• Distintas dimensiones

– Zona Norte: Como Entrantes. • Líneas locales Pumas/ATD• Clientes de Larga Distancia/Speedy/0800

– Zona Sur : Crecimiento. Cazadores.– Recuperar Clientes Perdidos: Winback Sur - Larga

Distancia/Banda Ancha. – Nuevos Productos. Nos convertimos en Entrantes.

Prioridad:Banda Ancha, Cam24, Redes Privadas, Datos


Ganar nuevos clientes• Clientes Sin historia?

– Captura con retroalimentación (Cazadores). Mapas Inteligentes

– Intersección de atributos con clientes Con Historia• Clientes Con historia PERO No Consumen

nuestros Productos– Modelización de los atributos consistentes con el

producto. Búsqueda dirigida– Clasificación/Asociación con clientes Semejantes


Retención• Advertencia I: Es distinto Ganar a Retener.• Advertencia II: Ganar y perder clientes es

Normal• Detectar los Probables Churn.

– Quienes– Por que? Estudiamos el proceso

• Una vez detectados hacer algo (Cambiar algo) para disuadir

• Problema I: Timing. Si detecto tarde = Fracaso.• Problema II: Disminución de Ingresos. Detectar

Churner Profesionales. Economía del Churn.• Localización y actividad de la Competencia


Retención• Churn Absoluto: Número de Clientes Perdidos

sobre el total de clientes Base en un período.• Churn de Productos: Número de Líneas o

servicios perdidos sobre el total de los clientes.• Churn de Tráfico: Caída de tráfico sin perder el

cliente por sustitución (ldi x Internet, ldn x móvil, Spm, etc.)


Wallet Share• Objetivo: Minimizar Contactabilidad

• Up-Selling: Vender productos adicionales a clientes que pensaban comprar un solo producto (Paquetes de pulsos, Up-grade Speedy)

• Cross-Selling: Vender nuevos productos a partir de patrón de compras pasadas del mismo cliente o de otros clientes (SVA, TB, Speddy)

• Bundling: – Reglas de Asociación. Fija+Movistar.– Identificar productos y servicios relacionados para

ofrecerlos en grupo. Ej: Línea Posnet+Speedy.


Inteligencia de Bases de datos en Telefónica Negocios


Un Caso Practico:

Churn de Clientes Speedy


Churn de SpeedyEMPRESA: Telefonica de Argentina – Unidad de Negocio Preferencial

ResumenOBJETIVO:

POBLACIÓN OBJETIVO:

UNIDAD MUESTRAL:

VARIABLE DE ANALISIS:

POBLACIÓN:

PERÍODO DE ANALISIS:

TECNICA ESTADÍSTICA:

Detectar a los clientes con alta Probabilidad de Churn de ADSL en una ventana de 15 días posterior a la corrida y por una validez de 30 días.

Todos los segmentos de UNPre

Cliente - Línea ADSL

Variables de Tráfico, facturación, reclamos, líneas, etc

34.616 Speedy 492 Speedy dados de baja por mes

Inicio: 01/011/2005 Termino: 31/06/2006

Regresión Logística

TARGET:


Preparación del Data Set: 45 díasCREATE SET TABLE TMP_MOD_UNPRE.DST_SPEEDY ,NO FALLBACK ,

NO BEFORE JOURNAL,NO AFTER JOURNAL,CHECKSUM = DEFAULT(cd_producto_instancia CHAR(25) CHARACTER SET LATIN NOT

CASESPECIFIC NOT NULL,cd_producto CHAR(13) CHARACTER SET LATIN NOT CASESPECIFIC,tx_producto VARCHAR(100) CHARACTER SET LATIN NOT

CASESPECIFIC,cd_estado_instancia CHAR(2) CHARACTER SET LATIN NOT

CASESPECIFIC,cd_producto_instancia_prd CHAR(25) CHARACTER SET LATIN NOT

CASESPECIFIC,fc_alta_Linea DATE FORMAT 'YYYY-MM-DD',fc_baja_Linea DATE FORMAT 'YYYY-MM-DD',fl_target_tb_vol BYTEINT,Antig_Linea_Meses INTEGER,Antig_Linea_Dias INTEGER,fl_reempadronamiento VARCHAR(1) CHARACTER SET LATIN NOT

CASESPECIFIC,cd_sistema_origen CHAR(2) CHARACTER SET LATIN NOT

CASESPECIFIC,cd_localizacion CHAR(21) CHARACTER SET LATIN NOT

CASESPECIFIC,cd_central SMALLINT,cd_party CHAR(12) CHARACTER SET LATIN NOT CASESPECIFIC

NOT NULL,cd_tipo_party CHAR(2) CHARACTER SET LATIN NOT CASESPECIFIC,fc_alta_Cliente DATE FORMAT 'YYYY-MM-DD',cd_Estado_Cliente CHAR(10) CHARACTER SET LATIN NOT

CASESPECIFIC,Antig_Cliente_Meses INTEGER,Antig_Cliente_Dias INTEGER,cd_actividad INTEGER,cd_comportamiento_pago CHAR(3) CHARACTER SET LATIN NOT

CASESPECIFIC,tx_actividad VARCHAR(60) CHARACTER SET LATIN NOT

CASESPECIFIC,fl_Carterizado BYTEINT,cd_Ejecutivo_Cta CHAR(12) CHARACTER SET LATIN NOT

CASESPECIFIC,Cant_Estados_Cliente INTEGER,Cant_Cambios_Estados_Cliente INTEGER,

Cant_Incomunic INTEGER,fl_Incomunic BYTEINT,Cant_Lineas_Cliente INTEGER,cd_postal CHAR(10) CHARACTER SET LATIN NOT CASESPECIFIC,tx_localidad CHAR(30) CHARACTER SET LATIN NOT CASESPECIFIC,tx_distrito VARCHAR(40) CHARACTER SET LATIN NOT

CASESPECIFIC,tx_region VARCHAR(40) CHARACTER SET LATIN NOT

CASESPECIFIC,cd_provincia INTEGER,tx_provincia CHAR(30) CHARACTER SET LATIN NOT CASESPECIFIC,fl_Bloqueo BYTEINT,fl_Serv_Adiccionales BYTEINT,fl_Otros_Multitel BYTEINT,fl_Otros_Desvios BYTEINT,fl_Notif BYTEINT,fl_Multiring BYTEINT,fl_Inf_Detallada BYTEINT,fl_Inter_Call_Waiting BYTEINT,fl_Mant_Domiciliario BYTEINT,fl_MemoBox BYTEINT,fl_Mensaj_Unificada BYTEINT,fl_Speedy BYTEINT,fl_SpeedyNet BYTEINT,Antig_Speedy_Meses INTEGER,Antig_Speedy_Dias INTEGER,fl_MegaLine BYTEINT,Cant_Bloqueo INTEGER,Cant_Serv_Adiccionales INTEGER,Cant_Otros_Multitel INTEGER,Cant_Otros_Desvios INTEGER,Cant_Notif INTEGER,Cant_Multiring INTEGER,Cant_Inf_Detallada INTEGER,Cant_Inter_Call_Waiting INTEGER,Cant_Mant_Domiciliario INTEGER,Cant_MemoBox INTEGER,Cant_Mensaj_Unificada INTEGER,Cant_Speedy INTEGER,Cant_SpeedyNet INTEGER,Cant_MegaLine INTEGER,Cant_Grupos_SVAS INTEGER,Cant_SVAS INTEGER,

Cant_SVAS_TOTAL INTEGER,fl_Cambio_de_Numero BYTEINT,fl_Cambio_de_Producto BYTEINT,fl_Cambio_de_Domic BYTEINT,CANTIDAD_DIAS_MORA INTEGER NOT NULL,FLAG_ENTRO_EN_MORA BYTEINT NOT NULL,CANT_FACTURAS INTEGER NOT NULL,COD_FRECUENCIA_FACTURACION BYTEINT NOT NULL,FL_DESCUENTO_FACTURA BYTEINT NOT NULL,FL_BONIFICACION_FACTURA BYTEINT NOT NULL,VL_TENDENCIA_VALOR_PROPIO DECIMAL(18,2),VL_TENDENCIA_VALOR_TERCEROS DECIMAL(18,2),CANT_RECLAMOS_AVERIA INTEGER,CANT_RECLAMOS_FACTURACION INTEGER,cant_conexiones INTEGER,fc_inicio_ultima_conexion DATE FORMAT 'YY/MM/DD',nu_duracion_segundos INTEGER,Fc_Baja_Speedy DATE FORMAT 'YY/MM/DD',fl_target_speedy_15 BYTEINT NOT NULL,fl_target_speedy_30 BYTEINT NOT NULL,Cant_Prod_Larga_Distancia INTEGER,Cant_Prod_URB INTEGER,Cant_Prod_Internet INTEGER,cant_llam INTEGER,cant_llam_0800 INTEGER,cant_llam_CPP INTEGER,cant_llam_CPP_INT INTEGER,cant_llam_CPP_LDN INTEGER,cant_llam_desc INTEGER,cant_llam_HN INTEGER,cant_llam_HN_desc INTEGER,cant_llam_HR INTEGER,cant_llam_HR_CPP INTEGER,cant_llam_HR_desc INTEGER,cant_llam_HR_inet INTEGER,cant_llam_HR_INTL INTEGER,cant_llam_HR_LDN INTEGER,cant_llam_HR_urb INTEGER,cant_llam_inet INTEGER,cant_llam_INTL INTEGER,cant_llam_INTL_desc INTEGER,cant_llam_LDN INTEGER,cant_llam_LDN_desc INTEGER,

Sigue…


Selección del Modelo: 3 días

• Se probaron 3 alternativas:

•Redes Neuronales

• CART

•Regresión Logística

Mejor Validación

-0,040401,00360,97960,99150,168-1,37861,90060,0062-0,0085Cant_Prod_Larga_Distancia

-0,2671-0,1250,44130,28090,35210-9,060682,09430,1152-1,0438flg_llam_LDN

-0,0901-0,0280,93650,55120,71850,0145-2,44535,97930,1352-0,3306flg_llam_CPP

0,04220,01361,48060,97431,2010,08621,71572,94350,10680,1832FLAG_ENTRO_EN_MORA

0,15350,033766,0882,0811,72460,00532,797,78430,88232,4617Cant_Speedy

N/AN/AN/AN/AN/A0-6,735945,3730,8854-5,964(Constant)

StdCoefficient

PartialRUpperLower

OddsRatio

P-Value

T Statistic

WaldStatistic

Standard Error

B CoefficientColumn Name


Algoritmo para generar el modeloDROP TABLE

"TMP_MOD_UNPRE"."dst_speedy_prueba";CREATE TABLE

"TMP_MOD_UNPRE"."dst_speedy_prueba",NO FALLBACK, NO BEFORE JOURNAL, NO AFTER

JOURNAL ("cd_producto_instancia" CHAR(25) CHARACTER

SET LATIN,"Probability" float,Estimate float

)PRIMARY INDEX ( "cd_producto_instancia");INSERT INTO

"TMP_MOD_UNPRE"."dst_speedy_prueba"SELECT

T2."cd_producto_instancia",_tm_px,_tm_ex

FROM (SELECT

"cd_producto_instancia",CASE WHEN _tm_bx >= 35

THEN 1.0 WHEN _tm_bx <= -35 THEN 0.0 ELSE exp(_tm_bx) / (1+exp(_tm_bx))

END AS _tm_px

,CASE WHEN _tm_px < 0.5 THEN 0 ELSE 1

END AS _tm_exFROM (SELECT

"cd_producto_instancia",(-5.964001e+000 + 2.461689e+000 *"Cant_Speedy"+ 1.831920e-001 *"FLAG_ENTRO_EN_MORA"+ -3.306320e-001 *"flg_llam_CPP"+ -1.043811e+000 *"flg_llam_LDN"+ -8.522000e-003 *"Cant_Prod_Larga_Distancia") AS _tm_bx

FROM "tmp_mod_unpre"."DST_SPEEDY_Model"WHERE (_tm_bx IS NOT NULL) )T1)T2;


Validación - Lift

1,00551001,50354920,45356,30080,68193110

1,066893,69921,63614610,47353,45530,7119179

1,14190,24391,72174440,51774,67480,7783238

1,2385,56911,84374210,68426,91061,0287347

1,32178,65851,98173870,56568,33330,8504416

1,472170,32522,35253460,75345,08131,1328255

1,651865,24392,56783210,66395,48780,9982274

1,981159,75613,00122941,531519,51222,3027963

2,205840,24393,51871981,34489,75612,0219482

3,066930,48784,61111503,066930,48784,61111501

CumulativeLift

Cumulative CapturedResponse (%)

CumulativeResponse (%)

CumulativeResponseLift

CapturedResponse (%)

Response (%)Response

Decile


Validación 2 meses después…

1,02541002,13447040,45486,53410,97074610

1,088893,46592,32976580,41263,1250,8807229

1,173490,34092,47036360,61415,82391,3107418

1,253384,5172,63065950,433,69320,9178267

1,390580,82392,87595690,48565,53981,0364396

1,571575,28413,3085300,63437,38641,3538525

1,805867,89773,92414780,7785,82391,6606414

2,148362,07394,49964370,961812,3582,0529873

2,741649,71596,39393501,18668,23862,5328582

4,296641,47739,17092924,296641,47739,17092921

CumulativeLift





Response (%)ResponseDecile

1,04651001,66395610,31763,20860,52851810

1,127496,79141,79155430,61737,84311,0271449

1,191288,94831,91734990,68716,77361,1432388

1,263282,17472,03074610,45353,38680,7546197

1,398278,78792,18994420,5885,88240,9784336

1,560272,90552,43294090,40995,70410,682325

1,847867,20143,11083770,62794,27811,0448244

2,254462,92343,5943531,197115,68631,9919883

2,783147,23714,90382651,669411,40822,7778642

3,896835,82896,48392013,896835,82896,48392011

CumulativeLift





Response (%)ResponseDecile


Requiere analizar la Economía del Churn

Incentivo para bajar Churn_

Política de No Intervención

Rentabilidad > 0

( ) ( )

hurn.dido por Co Neto PerIN: Ingresvoel incentilicación d por la ap del churn reducciónegativo dercentaje n∆Churn: Po

en Churnque no hac:Clientes NCHalChurn :Clientes CH

hurnue hacen Cclientes qmente los ir erronea de predecobabilidad:P

Churnque hacen clientes amente losir correct de predecobabilidad: Ptivo. del IncenInc: Costo

Donde,

∆ChurnPCHINPNCHPCHIncCosto

al

al

NCH_Error

CH_OK

CH_OKal

NCH_Erroral

CH_OKalInc

Re

Re

Pr

Pr

PrRePrRePrRe

Re

Pr

Pr

1 ⋅+⋅⋅+⋅+⋅⋅=

idoiente perddio del clIngreso meIapturamedio de cIngresoI

posición Costo de l cliente Ingreso deINizan Churns que realde clienteCantidadCH

Donde

INCHI

CapturaCostoIEC

Cl

N

Cl CapturaClónIntervenciNO

Churn

:. :

.Re :. :

,

_1

:

1_

+

⋅=

+⋅= ∑

=

Precisión del Algoritmo en determinar probabilidad de Churn

Imbalance Problem

Falsos +


Un Caso Practico:

Propensión de compra de Telefonía Básica


Un Caso Practico:


Propensión de consumo de Líneas de Telefonía básicaEMPRESA: Telefonica de Argentina

ResumenOBJETIVO:

POBLACIÓN OBJETIVO:

UNIDAD MUESTRAL:

VARIABLE DE ANALISIS:

MUESTRA:

PERÍODO DE ANALISIS:

TECNICA ESTADÍSTICA:

Conocer las restricciones genuinas de comunicación de los clientes en base a la Probabilidad de Blocking (Erlang B) del parque de líneas de telefonía básica.

Todos los clientes de UNPre

Cliente – Domicilio – líneas rotativas

Cliente- domicilio – líneas No rotativas

Llamadas y duraciones emitidas y entrantes de todo origen por línea-día-hora

Censo de clientes de la UNPre

Inicio: 7/6/2006 Termino: 11/10/2006

Días hábiles de una semana entera.

Aplicación de la función Erlang B para el cálculo de la Probabilidad de ocupado – Medición de Erlang


Técnica estadística utilizada:

MODELO FINAL

Equación del modelo:

Variables del modelo

final

Variables del modelo

final

MODELO ESTADÍSTICO

Cantidad de líneas en cada domicilioRotatividad: Pura, Mixta, sin rotatividadTráfico entrante urbano, LDN, LDI, IX y celulares Tráfico saliente urbano, LDN, LDI, IX, red inteligente y celulares Mediana de trafico en cada dimensión en las cinco

repeticiones diariaMáximo de tráfico en cada una dimensión en las cinco

repeticiones diarias. Ranking de las 6 primeras medianas intra-hora.

Probabilidad de bloqueo – Erlang B (Clásica/Extendida)

(n)P1)(nP

!Erlang

!Erlang(n)P líneas,n horadía,

horadía,

0

i

n

horadía,

+=∆⇒= −

=∑

Pi

nPara n

i


Un Caso Practico:


1°

2°

3°

4°

5°

6°

.

..

24°

MODELO HEURISTICO

0 hs

24 hs

L M M J V

L M M J VK lí

neas

L M M J V

Sum

ator

ia

Por

repe

tició

n

Mediana MáximoMediana Máximo

Por

hor

a

Ordenación

i

ihoraDíaEntrante

i

n

i

alientesSegundos sntrantesSegundos eErlang

sTotaleSegundosErlang

-3.600

3.600

1

=

=

−

=∑

Distintas versiones de Erlang

P(Blocking / n linesas)

Ó

P(Blocking; n+1/ n lineas)A nivel de línea –Indicador de la

presión In-goining

L M M J V

Estructura de Tráfico del cliente


Utilización del Modelo• En primer lugar hace factible la medición del ocupado fuera del ámbito de Red, el cual era

muy limitado y caro.

• El modelo permite responder algunas cuestiones importantes: ¿El cliente tiene restricción en sus comunicaciones? ¿Qué probabilidad de perdida de llamadas tiene? ¿En que hora? El bloqueo se da por mayor tasa de saliente que entrante? ¿En cuales líneas se da el fenómeno?

• Por otro lado, nos permite inferir la pregunta más importante: ¿El cliente lo sabe?. Es ahí donde el modelo permite mostrar al cliente que nos preocupan la calidad de sus comunicaciones.

Probabilidad de Bloqueo con de Clientes-domicilio con líneas rotativas

0

0,2

0,4

0,6

0,8

1 285 569 853 1137 1421 1705 1989

Ranking de líneas

P(B

) P(B) actua medianal

P(B) actual máxima

P(B;n+1/n)

• Primeros 2000 clientes con rotativas

• Clientes con alta propensión

• Clientes con propensión mediana


Un Caso Practico:

Tablero Inteligente de Tráfico


Causal Modelling

En telefónica estamos expandiendo la orbita de los reportes tradicionales hacia tableros inteligentes…

Esquema Up-Down• Que?

•Cuanto?•Donde?

•Quienes? •Asociaciones/Regularidades?

•Como?•Por qué?

En cam

ino a…

Ej. Redes Bayesianas


En este camino hacia CM, empezamos con los modelos de tráfico Urbano y LDN…

Objetivos: Determinar que relación existe entre las variaciones de tráfico observado y pertenecer a un determinado grupo,

• Tipo de cliente

• Región

• Presencia de ADSL en el tiempo

• Relación F-F, F-M, F-ISP

• Variación de Parque de líneas

• Actividad


Se utilizan los mismos modelos predictivos del datamining pero ahora enfocados a explicar y no a predecir…

• Variable Target: (1,0) Subió o bajó a nivel de cliente.

• Tipo de cliente: Variables de Clase

• Presencia de ADSL en el tiempo: { (0,0), (1,1), (0,1), (1,0)}

• Relación F-F, F-M, F-ISP: El nombre de la variable refleja la variación: XYZ, donde X, Y , Z, representa a FF, FM y F-ISP. Los valores de X, Y, Z puede ser (M=Mayor,m=menor). Ej; Un cliente puede ser MMm.

• Variación de Parque de líneas: Idem anterior (M,m)


El algoritmo nos permite detectar que relación existe entre pertenecer a un determinado grupo y bajar o subir el consumo…

•Hay varias alternativas. Mencionemos dos,

•TREE en cualquiera de sus versiones. Muy utilizados para explicar como se particiona la varianza del problema, detectar interacciones, etc. En el caso de pocas variables no es necesario podar el árbol.

• Modelo de Cangilhem

Versión Explicativa No Predictiva

ConsumoCaracterística

dadaIntersección

ConsumoCobertura

Penetración

Total de Clientes Preferenciales

Intenta ordenar la discriminancia entre pertenecer a un determinado grupo y la caída de tráfico, maximizando la cobertura y penetración


Aplicamos el modelo de Cangilhem a 117.750 clientes preferenciales para analizar el impacto de móviles y Voip sobre la caída de tráfico urbano…

-0,5

-0,4

-0,3

-0,2

-0,1

0

0,1

0,2

0,3

0,4

0,5

1 15 29 43 57 71 85 99 113 127 141 155 169 183 197 211 225 239 253 267

Discriminante

Grupos

• 142 grupos sobre 269 tienen una mayor pertenencia al grupo que decrece que al que crece el consumo.

•19 grupos de los 142 agrupan el 42% de los minutos perdidos. La característica más importante de estos grupos son,

•Aumento de la cantidad de líneas

•Leve presencia de ADSL

•Localización Mixta

•La caída del F-F es el doble que la caída de F-M y el triple que F-ISP.

• La participación de NyP y Pymes es similar, pero las primeras duplican la caída de las segundas.

Conclusión: El modelo nos permite detectar que la caída no se debe a una sustitución de tráfico celular ni de Voip, vía el crecimiento del celular. Adicionalmente, genera grupos específicos para encuestas segmentadas.

Fuerte

Media

Baja


Hacia Donde Vamos?


Notas

inteligencia comercial en telefonica...

Documents