Melhorando a experiência do usuário em tempo real

Comptel SOCIAL LINKS

Melhorando a experiência do usuário em “Real-time”:

Impacto na redução do “Churn” e aumento da oferta
de serviços.

03/10/2012

1 © Comptel Corporation 2012 JOINT CONFIDENTIAL

Agenda

1) Quem é a COMPTEL? ------------------------- (2 slides)

2) Analise e Predição Social em “Real-time”:
Como impacta o Churn, Receita e
Experiência do Usuário; -------------------------- (8 slides)

3) Exemplos de Casos de Uso; -------------------- (7 slides)

© Comptel Corporation 2012 JOINT CONFIDENTIAL

Quem é a COMPTEL?


“Foot-print” de Performance e Escalabilidade


Maximizando o valor do ciclo de vida do cliente

Valor do Ciclo de Vida
do Cliente (CLV)

4. Prolongar o Ciclo de Vida
3. Aumento da Lucratividade do Cliente
do Cliente

1.Aquisicao de
novos clientes

2. Inicio de Interação
com o cliente Ciclo de vida
Individual
do Cliente

Investimento Cliente interrompe
com o Churn


Porque é importante gerenciar as interações com meu
usuário em “Real-Time” e de forma Personalizada?

Eu espero você
entrar em
Quando eu contato comigo Você deve me
contrato um quando eu tenho dizer se ha
novo serviço ou um problema! outro plano mais
plano, eu quero
adequado para
desfruta-lo de
meu perfil!
imediato!

..mas ao final,
Não pense que se você me
fico feliz em agrada, eu
ter demora no comento com
acesso de meus todos meus
serviços! amigos e
familiares !!!

© Comptel Corporation 2012 JOINT CONFIDENTIAL 6

“Real-time Framework”
Evento – Análise – Ação

• Predictive Algorithms
• Online and History
Análise Based
• Self-Learning

• Data Collection • Configurable Workflows
• Online, Batch • Online, Batch
Evento •
•
Validation and Filtering
Enrichment
Ação • Wide range of interfaces
• Network, OSS/BSS, BI
• Formatting
• Loading
• SQL, XML, TXT...


O que está nos dizendo a massa de dados
usados pelos clientes?
Localizacao MMS
Que
terminal?
Uso Banda Plano
larga Familiar

Vendas / Redes
Varejo Socias

Conta do
Cliente
Serviços
Online
Customer
Corporativo Care
SMS
Voz

8

Análise Avançada de Dados
+1.000 variáveis individuais e sociais, com saída PERSONALIZADA

Dado de Entrada Análise Saída

CDRs
subscriber_id churn_propensity
ID395487485 0,9
ID695437485 0,9
CRM ID195437445 0,8
ID295437345 0,8
ID795432345 0,7
Outros ID995352345 0,7

Dados

Modelos Algorítmicos
Operador possui toda a “World class Ph.D.s” Operador recebe resultados
fonte de dados de entrada executam avancado de saída individualizados e
modelamento matemático personalizados
e estatístico de dados
9

Vários perfis, Vários serviços / produtos
Predição com analise de dados resolvendo esta equação...

Broadband
Broadband
speed 2 • Focar naqueles que
speed 1 Para quem possuem tendencia
ofertar? positiva de consumo
Broadband
speed 2

O que • Ofertas, Promoções,
Broadband Incentivos
speed 3 ofertar? Personalizados

Broadband
speed 4 De qual
• Canal correto e no
forma? momento adequado
Broadband
speed 1 Etc... Quando?


Análise da “Rede Social Individual” de cada usuário...

Rede Social e os potenciais Influenciadores

Algoritmo cria modelos Considerando o dinamismo nas
da rede social e indica redes sociais como uma variável
aqueles que são de entrada, o algoritmo faz
potenciais predições precisas para o
influenciadores nas comportamento de cada usuário
varias redes sociais


Otimizando a Aquisição de Clientes
através de campanhas cliente-a-cliente

Oferta atrativa Oferta
para o atrativa para
influenciador o influenciado

Focando no plano e otimizacao
Social Links encontra os mais
prováveis influenciadores e
influenciados e as campanhas mais
personalizadas
Call-to-
Call-to-
action1
action3
Reward1 Subscriber Mgm-
Reward2
Call-to- campaign
action3
Reward1 score
Call-to-  0.9
action1
Reward2  0.9
Call-to-
action2  0.9
Reward1
Call-to-
action1  0.8
Reward3 Etc...
 0.8
 0.8
12

Background
Location: Eastern Europe
Caso de Uso: Prevenção Proativa ao ARPU:
Pre-paid:
12€
85%
Churn de Pré-pago Mobile subs:
Churn rate:
5 million
7% monthly
Campaigns: Monthly
Target group: Top 10% monthly

Antes do “Social Links”
Altíssimo churn Campanhas não resultavam Campanhas mensais não
mensal de 7% em retenção de clientes eram lucrativas

Solução Passo 3. Otimização e Personalização de
Oferta de Retenção, para cada cliente de
alta propensão de churn e interação via
SMS Passo 2. Melhorias no
modelamento da oferta com
foco especifico
Passo 1. Predição do provável
Estagio Ativo do Ciclo de Vida do Cliente ponto de churn

Resultados

Aumento do número de clientes 21% redução da taxa de churn
retidos e proteção desta receita 25% aumento de receita


Background
Caso de Uso: Predição de “Churners” Pós-pago Location:
ARPU:
APAC
61€
e Destino de Portabilidade Pre-paid:
Mobile subs:
53%
4.8 million
Churn rate: 1-2% monthly

Ausência de conhecimento da Ausência de ferramenta efetiva para Campanhas ineficientes de
concorrência e destinação de prever o churn a específicos concorrentes retenção
portabilidade

Solução
Portabilidade ao concorrente x
Predição dos “churners” e
destinos de portabilidade
Portabilidade ao concorrente y
Cliente Decisão
Pós-pago ao churn
Portabilidade ao concorrente z

Resultados
Alta qualidade nos dados coletados
+
87% de índice de precisão
Alta qualidade no modelamento dos na predição de destino de
dados portabilidade para o
= grupo “target”!
Excelente Predição


Como a Predição permite ao Operador atuar ANTES que o
cliente decida fazer o CHURN…..

Diferença entre o Modelo Preditivo e o
COM PREDICAO
O Algoritmo de Analise de método Manual (regras fixas)
Predição, com base em + 1.000
variáveis individuais e sociais,
aponta quem e propenso ao
CHURN antes que o usuário
Subscriber service usage pattern

decida fazer o churn Aqui o cliente Metodo REGRAS FIXAS
decidiu fazer o Regras fixas e manuais
indicam que o usuário
churn por varias
esta para fazer o churn
razoes…
devido a solicitação de
cancelamento

Método PREDITIVO Método MANUAL
Operador pode atuar Operador pode reagir, mas a Cliente
antes que o cliente faça prevenção neste ponto não consolida o
o churn terá o mesmo efeito… churn

Time


Background
Location: APAC
Caso de Uso: Predição de Potencial do novo cliente ARPU:
Pre-paid:
8€
47%
Pré-pago no “Dia Zero / Dia Um” Mobile subs: 4.3 million
Churn rate: 3-4% monthly

Nenhuma visão do potencial Campanhas de retenção não eram Campanhas reativas e sem
dos novos clientes coerentes com perfil do cliente alta inteligência de negócios

Solução “High value” após 60 dias
Predição do Potencial do cliente
em 60 dias, somente com analise
“Mid range” após 60 dias
de 1 dia de uso do cliente

Novo cliente
“Low value” após 60 dias

Resultados
Projeto entregue em poucas 80-90 % de precisão na
semanas apos recebimento predição !!!!!
dos dados


Background
Location: MEA
Caso de Uso: Otimização de Recarga ARPU:
Pre-paid:
13€
80%
de Pré-pago Mobile subs:
Churn rate:
15 million
1.5% monthly
Campaigns: Monthly
Target group: 1 million

Inexistência de qualquer
Receita frustrante em resposta Bônus com valores sempre “flats” sobre analise de dados para as
as campanhas de recarga o valor da recarga, por exemplo, 5% decisões de valores

Solução “Recarregue
agora R$30,
Identificação daqueles usuarios prováveis
receba bônus de
de responder positivamente R$ 6
+
Oferta personalizada em valores de Oferta
recarga, bônus, momento de oferta personalizada para
cada cliente

Resultados Aumento de Receita por Campanha
400 000€ de receita adicional
por campanha !
Million €

Importante melhoria de
modelamento de ofertas
da operadora


Outros Casos de Uso

Marketing insight

Demographics prediction Quadplay service upsell New service launch optimisation
Optimising individual
Discovering
characteristics
? Male service portfolio
Identification of
early-adopters of
of customers offering for each new
with no known customer and technologies, and
30 years discovery of optimal
identify customer old the optimal
way to approach them
launch offer

Revenue stimulation and churn management

Proactive churn prevention Prepaid top-up stimulation Port-out destination prediction

Step 1: Predicting churners “Top-up 15€ Prediction of Competitor 1
before the decision to churn is now, get competitor
made 2€ extra!” port-out
Step 2: Customers engaged destination Competitor 2
Prepaid revenue optimisation from top-up
with personalized “stay-with- for postpaid
campaigns by individual offer to all
us” offers customers Competitor 3
customers

Contextual customer engagement

Zero-day customer value prediction Contextual prepaid top-up stimulation Service usage based marketing
Predicting new After 60 days Step 1: Step 2:
Triggering offers based
customers‟ future Balance query Offer triggered
on customer‟s data
High value
value with „day “Need more usage and current needs
zero‟ input data IN balance? Top-
and engaging Mid value up 15€ now!”
them in optimal “Do you currently have a slow connection?
Prepaid top-up offers send at optimal time
way Low value Turbo boost now to receive more bandwidth!”
to ensure best possible take-up rate


Foco na Experiência do Usuário em Real-time

Notificações e ofertas em tempo-real

Evento Análise Ação

CDRs coletados em tempo Mesmo CDR pode ser processado Diretamente para o usuário - -
real, formatados e carregados por múltiplos algoritmos - SMS/e-mail - registro de anomalia ou
na base de dados Online – por exemplo 5 quedas de oferta de promoções
Elementos de rede chamada / conexão em 10 minutos Billing, campanhas
Mediação Base Histórica – por exemplo 10 casos - oferta nova promoção
similares em 6 meses BI
- análise de tráfego, qualidade de rede

Controle de qualidade de serviço em tempo-real

Evento Análise Ação

Registros de um serviço premium Mesmo CDR pode ser processado Diretamente para o usuário - -
(ex. vídeo) coletados no momento por múltiplos algoritmos - SMS/e-mail - registro de anomalia ou
da compra/autenticação Online – quantidade de pacotes oferta de promoções
Tráfego monitorado perdidos acima do limite permitido Policy Control
online durante toda a Base Histórica – por exemplo 10 casos - priorização do tráfego, aumento de
duração do conteúdo similares em 6 meses qualidade de serviço


MUITO OBRIGADO !
”Making Data Beautiful”

Paulo Ferro – paulo.ferro@comptel.com
Thiago Melles – thiago.melles@comptel.com


Melhorando a experiência do usuário em tempo real

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Ähnlich wie Melhorando a experiência do usuário em tempo real

Ähnlich wie Melhorando a experiência do usuário em tempo real (20)

Mehr von Rafael Junquera

Mehr von Rafael Junquera (20)

Melhorando a experiência do usuário em tempo real