Разработка и внедрение технологии взаимодействия и изучения потребительского поведения в телекоммуникационной отрасли: методы, направления, алгоритмы

Скворцов Сергей Сергеевич
группа ИТМ-20 Школы IT-менеджмента
Института ЭМИТ РАНХиГС при Президенте РФ

Выпускная квалификационная работа «Разработка и внедрение технологии взаимодействия и изучения потребительского поведения в телекоммуникационной отрасли: методы, направления, алгоритмы» посвящена изучению потребительского поведения, построению моделей интеллектуального анализа данных для обнаружения закономерностей в поведении потребителей в телекоммуникационной отрасли.
Объект исследования – потребительское поведение в телекоммуникационной отрасли.
Предмет исследования - алгоритм изучения потребительского поведения в телекоммуникационной отрасли, основанный на машинном обучении.
Цель исследования – определить методы, направления и алгоритмы разработки и внедрения технологии взаимодействия и изучения потребительского поведения в телекоммуникационной отрасли.
Поставленная цель определила необходимость решения следующих задач:
- изучить теоретические основы разработки и внедрения технологии взаимодействия и изучения потребительского поведения;
- определить методологические основы разработки и внедрения технологии взаимодействия и изучения потребительского поведения;
- осуществить разработку и внедрение модели взаимодействия и изучения потребительского поведения в телекоммуникационной отрасли на основе ПО Knime (генератор случайных чисел).

Актуальность ВКР

На данный момент анализ потребительского поведения в большинстве компаний осуществляется на основе имеющейся маркетинговой информации. Такой подход, во-первых, не является формализованным алгоритмом, а во-вторых, сопряжен с временными и денежными затратами на его осуществление. Именно поэтому решение задачи анализа потребительского поведения основанного на персонализации предложения с помощью машинного обучения является на сегодня актуальной темой исследования.

Модель разработки и внедрения технологии взаимодействия и потребительского поведения в телекоммуникационной отрасли.

Модель, представленная в работе, теоретически и методологически основывается на персонализированном предложение для потребителя и интеллектуальном анализе данных.
Современные исследования, а также стремительное развитие информационных технологий, и, соответственно, возможностей, показывают возрастающую роль персонализации во взаимодействие с клиентами. Важность персонализации становится все более очевидной, так как рост выручки напрямую связан с успешным внедрением персонализации. Клиенты получают выгоду от персонализации, поскольку она уменьшает дезориентацию, сосредотачиваясь на вариантах, отвечающих их требованиям. Персонализация направлена на повышение удовлетворенности клиентов за счет повышения качества решений, тем самым вызывая лояльность. При продуманном применении персонализированный маркетинг может повысить потребительскую ценность за счет расширения отношений. Персонализация облегчает доступ к информации, достигает рабочих целей и учитывает индивидуальные различия.
Хотя концепция персонализации занимает центральное место в области маркетинга, она, тем не менее, носит междисциплинарный характер и пересекает такие области, как управление бизнесом, информатика, наука о принятии решений, информационные системы (ИС). С использованием информационных технологий информация, связанная с персонализацией, может быть получена с применением веб, мобильных устройств, а затем применена для повышения эффективности взаимодействия с клиентами. Здесь мы как раз можем говорить об интеллектуальном анализе данных.

Интеллектуальный анализ данных — это итеративный процесс взаимодействия человека с компьютером, который в основном делится на четыре части: определение проблемы, сортировка данных, реализация интеллектуального анализа данных, а также интерпретация и оценка результатов интеллектуального анализа данных.
Суть интеллектуального анализа данных заключается в извлечении прогностических знаний из крупномасштабных данных, включая обобщенные знания, знания об ассоциациях, знания о классификации и кластеризации, прогностические знания и знания о предвзятости Описание процесса внедрения.
KNIME Analytics Platform
Построение модели оценки потребительского поведения в работе была осуществлена через KNIME Analytics Platform. KNIME Analytics Platform - это программное обеспечение с открытым исходным кодом для создания data science. В ходе разработки и апробирования модели были проанализированы данные телекоммуникационных компаний по 10 параметрам с целью кластеризации клиентов телекоммуникационной компании и дальнейшего взаимодействия с ними на этой основе. Данные были заданы методом генерации случайных чисел.
Используем узел Excel Reader. Был использован экспериментальный узел Row Filter (Labs) с настройками.
В анализируемом датасете остались сведения о всех показателях, далее воспользовались при проведении анализа узлом Pivoting c настройками и данные были преобразованы в удобную форму.
С помощью узла Scatter Plot был построен точечный график зависимости абонентской платы от дохода клиента.
При работе в KNIME для построения модели было достаточно воспользоваться узлом Random Forest Learner (Regression) из Analytics. Наиболее значимы для модели переменные LifeTiming абонента и Должность.

Оценка результатов внедрения

1.Рассматривая применение полученной модели в деятельности телекоммуникационной компании, следует отметить, что разработанный аналитический сценарий Knime с помощью драйвера ODBC/JDBC можно подключить к корпоративному серверу и регулярно выгружать данные и проводить анализ с помощью данных сценариев. В данном случае можно исключить промежуточный этап выгрузки данных в Excel, получая данные напрямую с сервера.
2. На основе проведения качественного анализа клиентов телекоммуникационных компаний в результате использования модели и персонализированного предложения увеличится конверсия принятия продуктов и услуг клиентами на 10%.
3. Также сценарий может быть использован агентами Операторов, которые не обладают специфическими данными о клиентах, но могут самостоятельно их разрабатывать и собирать непосредственно при контакте с клиентами. Это позволит им глубоко анализировать своих клиентов, и делать предложения основанные на определенный кластер. При этом платформа KNIME с открытым кодом, что значит, что агенты не будут нести дополнительную финансовую нагрузку на интеллектуальный анализ данных, который как показывают результаты работы может принести им дополнительную выручку.