Predicción de Abandono de clientes mediante modelos de Aprendizaje Automático (AI/ML)

Operador Tier 1 en América Latina ha adoptado SQream como una plataforma escalable, rentable y ultrarrápida para utilizar datos nunca utilizados sobre sus clientes para predecir su tasa de abandono, dos meses antes del abandono, durante un período de 10 meses. Los recursos de datos que se utilizaron nunca se analizaron antes debido al gran volumen. El 47 % de la población objetivo que se identificó como candidata a abandono aceptó una oferta mejorada (Next-Best-Action) y siguen siendo clientes de la empresa. La mayoría de ellos firmaron para la nueva oferta en la primera semana. Minimizar la tasa de abandono también es parte de lograr un alto valor de vida útil del cliente (CLV – Customer Lifetime Value).

• Vertical Empresarial: Telecomunicaciones
• Comprador: Jefe de Experiencia del Cliente
• Facilitador: Equipos BI; Principal Científico de Datos

Por qué cambiar?

La plataforma anterior no pudo procesar todos los datos necesarios para el análisis de abandono. Incrementar la retención de los clientes fue uno de los principales estrategias para generar más ingresos. La empresa está buscando una tecnología lista para la empresa que es capaz de procesar cantidades masivas de datos de manera eficiente.

Por qué ahora?

Desde Covid-19, estrictas restricciones de viaje causaron los ingresos roaming caer drásticamente. La empresa está buscando formas creativas de aumentar sus ingresos.

Por qué SQream?

• Capacidad para unir rápidamente muchas tablas con grandes conjuntos de datos.
• Capacidad  para reconocer deltas al realizar cambios.
• Capacidad para ingerir rápidamente cantidades masivas de datos
• Capacidad para consultar grandes conjuntos de datos de cantidades de petabytes
• Capacidad para trabajar con Pub/Sub en Kafka y desencadenar la transformación en función de los eventos comerciales.

 

El tiempo más rápido para obtener información relevante sobre datos de cualquier tamaño

Desafío del Negocio

Adquirir un nuevo cliente cuesta un 600 % más que el costo de retener al cliente que probablemente abandonará.

Predecir la pérdida de clientes es fundamental para que las empresas de telecomunicaciones puedan retener a los clientes de manera efectiva. Las empresas de telecomunicaciones utiliza modelos de IA/ML para predecir la posibilidad de abandono de sus  clientes y tomar  medidas para retener a sus clientes. La empresa de telecomunicaciones necesita un análisis basado en datos que le permita identificar las etapas de vida del cliente, donde los clientes están abandonando, lo que permite entender qué estrategias utilizar para mejorar sus interacciones con la marca y mejorar su fidelización.

Situación e Impacto al negocio

Se aplicaron técnicas de minería de datos en la parte superior del sistema Data Warehouse actual, pero el modelo no dio buenos resultados utilizando estos datos. Fuentes de datos que fueron de tamaño masivo fueron ignorados debido a la complejidad en el trato con ellos. Los datos almacén no pudo adquirir, almacenar, y procesar la enorme cantidad de datos en al mismo tiempo. Además, las fuentes de datos eran de diferentes tipos, y reuniendo en el almacén de datos fue muy proceso difícil. Esto significaba que agregar nuevos funciones requeridas para los algoritmos de minería de datos una gran inversión de tiempo, alto procesamiento energía y más capacidad de almacenamiento.

Beneficios de SQream

SQream es implementada con múltiples conectores y reunió 10 meses de datos incluyendo CDR; IPDR; datos de red (caídas de llamadas; uso de datos); datos de redes sociales y más. Los expertos decidieron predecir el abandono de clientes dos meses antes de la acción real de abandono por parte del cliente para revisar la oferta a estos clientes y presentarles una oferta más alineada con sus necesidades

Componentes de SQream

• SQream Kafka Connect
• SQream Avro Connector
• SQream SQL Joins
• SQream Ad-Hoc Queries
• SQream Cross-Joins
• SQream for External Table
• SQream Uploader
• SQream for Clouds

Consideraciones de Arquitectura