SlideShare ist ein Scribd-Unternehmen logo
ERFOLGSFAKTOREN
EINER DATENGETRIEBENEN
CUSTOMER-CARE-OPTIMIERUNG
data2day 2017
Matthias Wurdig
Lead Analyst &
Product Owner
1&1 Internet SE
Dr. Stefan Igel
Head of
Big Data Solutions
inovex GmbH
1&1 Internet SE2
Agenda
26.09.2017
W
W
W
arum Big Data im Customer Care?
ie wurde der Big Data Hub aufgebaut ?
as sind die Ergebnisse ?
1&1 Internet SE3
Agenda
26.09.2017
W
W
W
arum Big Data im Customer Care?
ie wurde der Big Data Hub aufgebaut ?
as sind die Ergebnisse ?
26.09.20174 1&1 Internet SE
 Warum rufen die Kunden an?
 Welche Ereignisse sind dem
Kontakt vorausgegangen?
 Haben sie versucht, das Problem
selbstständig zu lösen?
 Wie weit sind sie gekommen?
 War die Beratung erfolgreich?
 Was lässt sich verbessern?
 Wie zufrieden sind die Kunden?
26.09.2017 1&1 Internet SE
Service Qualität verbessern, Self-Service erhöhen
5
„Onliner“
„Caller“
Warum Big Data im Customer Care?
26.09.20176 1&1 Internet SE
 Zufriedenheits-Reporting
 Kündigungs-Reporting
 Service Kontakt Reporting
 Kontakt-Kategorien
 Gesprächsdauer
 Weiterleitungen
 …
 Land
 Geschlecht
 Kundenalter
 …
Service
Kontakt Data
…
Warum Big Data im Customer Care?
26.09.20177 1&1 Internet SE
 Heterogene Systemarchitektur
 Dezentrale Datenorganisation
 Hoher manueller Aufwand übergreifende Analysen
Zufrieden-
heits
Bewertung
Service
Kontakt
Daten
Kündigungs-
wünsche
Stammdaten
Event
basierte
Logs
… …
Warum Big Data im Customer Care?
26.09.20178 1&1 Internet SE
Zufrieden-
heits
Bewertung
Service
Kontakt
Daten
Kündigungs-
wünsche
Stammdaten
Event
basierte
Logs
… …
Big Data Hub
Warum Big Data im Customer Care?
26.09.20179 1&1 Internet SE
 Identifikation von
positiv & negativ Merkmalen
 Korrelationsanalysen zwischen
KPIs
 Kundenzufriedenheit
 Service Calls
 Kündigungen
???
Kundenzufriedenheit
1&1 Internet SE10
Agenda
26.09.2017
W
W
W
arum Big Data im Customer Care?
ie wurde der Big Data Hub aufgebaut ?
as sind die Ergebnisse ?
26.09.2017 1&1 Internet SE
Das Control Center
11
 Logfiles
 Support Case Management
 Telefonanlage
 Interactive Voice Response
 Hotline Tool
26.09.2017 1&1 Internet SE
Herausforderung Datenintegration
12
 Control Center
 Domain Services
 Login Service
 Help Center
 Prozess-Mailings
 Kundenstamm
 Vertragsstamm
Big Data Hub
Lösungsarchitektur
26.09.201713 1&1 Internet SE
Big Data Hub
Analytics Clients
BDH Ingestion
Other
BDH Data
BDH Analytical Data Hub
Import /
Stageing
Layer
Integration
Layer
User Space
Business Layer
Data Science IDE,
Notebooks,
SQL Clients
(Web-Interface)
BDH Data
Services
BI Tool
Reporting
Ad hoc Analytics
Data Quality
Gate
Data Privacy
Protection
Acquisition
Data
Preparation
BDH Data
Exports
Technische Komponenten und Frameworks
26.09.201714 1&1 Internet SE
 Datenspeicherung: (Cloudera CDH 5.x)
 ETL und Analyse: ,
 Workflows: (Apache Airflow)
 BI Tools: ,
 Data Analytics: ,
Datentransformationen
26.09.201715 1&1 Internet SE
Pre-Processor Import / Stage Integration
Zeitstempel (Part.) Liefer-Zeit Liefer-Zeit Event-Zeit
Zeitzone Server-Zeit Server-Zeit UTC
Stammdaten Full Loads Full Loads Historisierung
Schema normalisiert normalisiert Denormalisiert
Transport cp distcp Hive-Query
Datenformat csv csv Parquet
Wie wurde der Big Data Hub aufgebaut ?
26.09.201716 1&1 Internet SE
 Generisches Transaktions-Datenformat
 Definierte Format-Struktur
 Individualisierbare json Objekte
in Datenbank
{
„Konferenz“: „data2day“,
„Datum“: „2017-09-26“,
„Ort“: „Heidelberg“
}
C D…BA FE …
Big Data Hub
Projekt Stakeholder
26.09.201717 1&1 Internet SE
 3 Vorstandsbereiche
 + Datenlieferanten
 + IT Operations
 + parallele ProjekteCM
CSP
CISO
CC
Dev UIM
inovex
BEAT
Big Data Hub
Big Data Hub
DevAlytics Team
Projektorganisation
26.09.201718 1&1 Internet SE
 Vision / Ziele
 Meilensteine
 Budget
 Epics
 User Stories
 Plattform
 Datenquellen / ETL
 Analysen
Lenkungskreis
Product Owner
Scrum Master
Scrum Team
Management
(Bereichsleiter)
Potentially
Shippable
Product
Sprint
Backlog
Product
Backlog
Sprint
(feste Länge)
Daily
Sprint Planning Sprint Review
Big Data Hub
DevAlytics Team
Projekt Ablauforganisation
26.09.201719 1&1 Internet SE
Lenkungskreis
Product Owner
Scrum Master
Scrum Team
Management
(Bereichsleiter)
2-3 Wochen
4-6 Wochen
Übergeordnete
Entscheidungen
Status
Impediments
Schwer-
punkte
DevAlytics?
26.09.201720 1&1 Internet SE
 Interdisziplinäres Projektteam
DevAlytics Team
Data Stewards
Scrum Master
Product Owner
Data Analysts
Data Engineers
Data Developers
Application Managers
System Engineers
Wie wurde der Big Data Hub aufgebaut ?
26.09.201721 1&1 Internet SE
1 Priorisierung
2 Beispieldaten
3 Test-
Analysen
4 Implementierung
5 Analysen
6 Standardisierung
 Inkrementeller Prozess
Datenintegration
Datenanalyse
Datenbereitstellung
 Iteratives agiles Vorgehen
 Aufbereitung der Rohdaten
 Domänen Wissen der Analysten nutzen
 Analyse Sichten in Business Layern
bereitstellen
1&1 Internet SE22
Agenda
26.09.2017
W
W
W
arum Big Data ?
ie wurde der Big Data Hub gebaut ?
as sind die Ergebnisse ?
Was sind die Ergebnisse ?
26.09.201723 1&1 Internet SE
 Erstmalige Verknüpfung
verschiedener Datenquellen
 Advanced Analytics Tools
 Monitoring Front End
 Visual Analytics Tool
 Event Analysen
 Preisanpassungen
 Migrationen
 Top-KPI Reports
 Standard Analysen
 Standard Views in
Business Layern
Was sind die Ergebnisse ?
26.09.201724 1&1 Internet SE
 Erhöhung der Analyse-Geschwindigkeit
Was sind die Ergebnisse ?
26.09.201725 1&1 Internet SE
Beschaffung
Aufbereitung
Analyse
Klassische Analyse Big Data Analytics
Was sind die Ergebnisse ?
26.09.201726 1&1 Internet SE
 Identifikation der Top
positiv & negativ Merkmale für
 Kundenzufriedenheit
 Service Calls
 Kündigungen
durch Data-Mining Techniken
???
Kundenzufriedenheit
Was sind die Ergebnisse ?
26.09.201727 1&1 Internet SE
 Verknüpfung der
Datenquellen
 Ganzheitliche Touch-Points
Betrachtung in der Customer
Journey
 Zufriedenheitsmodell zur
Identifikation der Top-
Merkmale
Online E-Mail
Service
Call
Online
Service
Call
Online
Zufriedenheits-
Rating
Online
Service
E-Mail
Was sind die Ergebnisse ?
26.09.201728 1&1 Internet SE
 Top Zufriedenheitstreiber
identifiziert
 Am Beispiel Aktivierung
 Aktivierung ist ein Merkmal
für Zufriedenheit
Δ x
Schematische Beispiel-Analyse
Was sind die Ergebnisse ?
26.09.201729 1&1 Internet SE
Was sind die Ergebnisse ?
26.09.201730 1&1 Internet SE
Was sind die Ergebnisse ?
26.09.201731 1&1 Internet SE
 Monitoring & Visual Analytics Tool
 Top KPIs:
• Kundenzufriedenheit
• Kündigungen
• [Calls]
 > 100 Analyse-Merkmale
 Customer Journey in Sankey Darstellung
FAZIT
26.09.201732 1&1 Internet SE
Herausforderungen
26.09.201733 1&1 Internet SE
 Hardware Beschaffung
 Unterschiedliche Stakeholder-Interessen
 Schnittstellen-Management
 Projektkapazitäten
 Heterogene Nutzergruppen
Top Erfolgsfaktoren
26.09.201734 1&1 Internet SE
 Agile-Projekt Organisation & Stakeholder Management
 Multiprofessionelles, engagiertes Team
 Frühe Produkt & Ergebnisbereitstellung
 Skalierbare technische Plattform
 Effektive und effiziente Datenintegration
FRAGEN?
Matthias Wurdig
Lead Analyst &
Product Owner
1&1 Internet SE
matthias.wurdig@1und1.de
Dr. Stefan Igel
Head of
Big Data Solutions
inovex GmbH
stefan.igel@inovex.de

Weitere ähnliche Inhalte

Ähnlich wie Erfolgsfaktoren einer datengetriebenen Customer-Care-Optimierung

Digitale Transformation für KMU
Digitale Transformation für KMUDigitale Transformation für KMU
Digitale Transformation für KMU
Gernot Sauerborn
 
Digitale Transformation im Gesundheitswesen
Digitale Transformation im GesundheitswesenDigitale Transformation im Gesundheitswesen
Digitale Transformation im Gesundheitswesen
Hans Peter Knaust
 
Tweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnen
Tweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnenTweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnen
Tweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnen
it-novum
 
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannBARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
DataValueTalk
 
SEO Campixx 2015 | ETL & BI für SEO Analysen und Reportings von Johannes Kunze
SEO Campixx 2015 | ETL & BI für SEO Analysen und Reportings von Johannes KunzeSEO Campixx 2015 | ETL & BI für SEO Analysen und Reportings von Johannes Kunze
SEO Campixx 2015 | ETL & BI für SEO Analysen und Reportings von Johannes Kunze
takevalue Consulting GmbH
 
TRANSCONNECT® auf der 8. Aachener Informationsmanagement-Tagung
TRANSCONNECT® auf der 8. Aachener Informationsmanagement-TagungTRANSCONNECT® auf der 8. Aachener Informationsmanagement-Tagung
TRANSCONNECT® auf der 8. Aachener Informationsmanagement-Tagung
SQL Projekt AG
 
TOC Netzwerktagung - "HiSpeed Data Analytics"
TOC Netzwerktagung - "HiSpeed Data Analytics"TOC Netzwerktagung - "HiSpeed Data Analytics"
TOC Netzwerktagung - "HiSpeed Data Analytics"Marco Geuer
 
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
OPITZ CONSULTING Deutschland
 
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Wiiisdom
 
Agiles Enterprise Big Data Testmanagement
Agiles Enterprise Big Data TestmanagementAgiles Enterprise Big Data Testmanagement
Agiles Enterprise Big Data Testmanagement
OPITZ CONSULTING Deutschland
 
QUIBIQ Webcast: SAP on Azure - Erfolgsfaktor Integration für SAP-/MS-Partner
QUIBIQ Webcast: SAP on Azure - Erfolgsfaktor Integration für SAP-/MS-PartnerQUIBIQ Webcast: SAP on Azure - Erfolgsfaktor Integration für SAP-/MS-Partner
QUIBIQ Webcast: SAP on Azure - Erfolgsfaktor Integration für SAP-/MS-Partner
QUIBIQ Hamburg
 
Webcast: SAP on Azure für den Mittelstand - Erfolgsfaktor Integration
Webcast: SAP on Azure für den Mittelstand - Erfolgsfaktor IntegrationWebcast: SAP on Azure für den Mittelstand - Erfolgsfaktor Integration
Webcast: SAP on Azure für den Mittelstand - Erfolgsfaktor Integration
QUIBIQ Hamburg
 
Erschließen Sie neue Geschäfts­­chancen durch optimierte, automatisierte und ...
Erschließen Sie neue Geschäfts­­chancen durch optimierte, automatisierte und ...Erschließen Sie neue Geschäfts­­chancen durch optimierte, automatisierte und ...
Erschließen Sie neue Geschäfts­­chancen durch optimierte, automatisierte und ...
Wolfgang Schmidt
 
Amendos providermanagement in_multi-provider-umgebungen_it_smf_jahreskongress...
Amendos providermanagement in_multi-provider-umgebungen_it_smf_jahreskongress...Amendos providermanagement in_multi-provider-umgebungen_it_smf_jahreskongress...
Amendos providermanagement in_multi-provider-umgebungen_it_smf_jahreskongress...
JoergBujotzek
 
Data Governance Journey from UM to VF
Data Governance Journey from UM to VFData Governance Journey from UM to VF
Data Governance Journey from UM to VF
Marco Geuer
 
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS ExcelSolutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
solutiontogo
 
Alles im Griff: welche Plattform unterstützt den Social Workplace?
Alles im Griff: welche Plattform unterstützt den Social Workplace?Alles im Griff: welche Plattform unterstützt den Social Workplace?
Alles im Griff: welche Plattform unterstützt den Social Workplace?
netmedianer GmbH
 
V02 02 - weinbrecht - koexistenzmodelle und -erfahrungen
V02 02 - weinbrecht - koexistenzmodelle und -erfahrungenV02 02 - weinbrecht - koexistenzmodelle und -erfahrungen
V02 02 - weinbrecht - koexistenzmodelle und -erfahrungen
Andreas Weinbrecht
 
Data Mesh: "Daten als Produkt" weitergedacht
Data Mesh: "Daten als Produkt" weitergedachtData Mesh: "Daten als Produkt" weitergedacht
Data Mesh: "Daten als Produkt" weitergedacht
IBsolution GmbH
 

Ähnlich wie Erfolgsfaktoren einer datengetriebenen Customer-Care-Optimierung (20)

Digitale Transformation für KMU
Digitale Transformation für KMUDigitale Transformation für KMU
Digitale Transformation für KMU
 
Digitale Transformation im Gesundheitswesen
Digitale Transformation im GesundheitswesenDigitale Transformation im Gesundheitswesen
Digitale Transformation im Gesundheitswesen
 
Tweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnen
Tweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnenTweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnen
Tweets und Aktienkurse? Wertvolle Erkenntnisse durch Data Blending gewinnen
 
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannBARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
 
SEO Campixx 2015 | ETL & BI für SEO Analysen und Reportings von Johannes Kunze
SEO Campixx 2015 | ETL & BI für SEO Analysen und Reportings von Johannes KunzeSEO Campixx 2015 | ETL & BI für SEO Analysen und Reportings von Johannes Kunze
SEO Campixx 2015 | ETL & BI für SEO Analysen und Reportings von Johannes Kunze
 
TRANSCONNECT® auf der 8. Aachener Informationsmanagement-Tagung
TRANSCONNECT® auf der 8. Aachener Informationsmanagement-TagungTRANSCONNECT® auf der 8. Aachener Informationsmanagement-Tagung
TRANSCONNECT® auf der 8. Aachener Informationsmanagement-Tagung
 
TOC Netzwerktagung - "HiSpeed Data Analytics"
TOC Netzwerktagung - "HiSpeed Data Analytics"TOC Netzwerktagung - "HiSpeed Data Analytics"
TOC Netzwerktagung - "HiSpeed Data Analytics"
 
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
Historisierung und Analyse von Daten aus Oracle Enterprise Manager Cloud Cont...
 
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
 
Agiles Enterprise Big Data Testmanagement
Agiles Enterprise Big Data TestmanagementAgiles Enterprise Big Data Testmanagement
Agiles Enterprise Big Data Testmanagement
 
QUIBIQ Webcast: SAP on Azure - Erfolgsfaktor Integration für SAP-/MS-Partner
QUIBIQ Webcast: SAP on Azure - Erfolgsfaktor Integration für SAP-/MS-PartnerQUIBIQ Webcast: SAP on Azure - Erfolgsfaktor Integration für SAP-/MS-Partner
QUIBIQ Webcast: SAP on Azure - Erfolgsfaktor Integration für SAP-/MS-Partner
 
Webcast: SAP on Azure für den Mittelstand - Erfolgsfaktor Integration
Webcast: SAP on Azure für den Mittelstand - Erfolgsfaktor IntegrationWebcast: SAP on Azure für den Mittelstand - Erfolgsfaktor Integration
Webcast: SAP on Azure für den Mittelstand - Erfolgsfaktor Integration
 
Erschließen Sie neue Geschäfts­­chancen durch optimierte, automatisierte und ...
Erschließen Sie neue Geschäfts­­chancen durch optimierte, automatisierte und ...Erschließen Sie neue Geschäfts­­chancen durch optimierte, automatisierte und ...
Erschließen Sie neue Geschäfts­­chancen durch optimierte, automatisierte und ...
 
Amendos providermanagement in_multi-provider-umgebungen_it_smf_jahreskongress...
Amendos providermanagement in_multi-provider-umgebungen_it_smf_jahreskongress...Amendos providermanagement in_multi-provider-umgebungen_it_smf_jahreskongress...
Amendos providermanagement in_multi-provider-umgebungen_it_smf_jahreskongress...
 
Data Governance Journey from UM to VF
Data Governance Journey from UM to VFData Governance Journey from UM to VF
Data Governance Journey from UM to VF
 
2010 09 30 11-30 thomas marx
2010 09 30 11-30 thomas marx2010 09 30 11-30 thomas marx
2010 09 30 11-30 thomas marx
 
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS ExcelSolutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
Solutiontogo webinar top 5 tricks und templates für die Planung mit MS Excel
 
Alles im Griff: welche Plattform unterstützt den Social Workplace?
Alles im Griff: welche Plattform unterstützt den Social Workplace?Alles im Griff: welche Plattform unterstützt den Social Workplace?
Alles im Griff: welche Plattform unterstützt den Social Workplace?
 
V02 02 - weinbrecht - koexistenzmodelle und -erfahrungen
V02 02 - weinbrecht - koexistenzmodelle und -erfahrungenV02 02 - weinbrecht - koexistenzmodelle und -erfahrungen
V02 02 - weinbrecht - koexistenzmodelle und -erfahrungen
 
Data Mesh: "Daten als Produkt" weitergedacht
Data Mesh: "Daten als Produkt" weitergedachtData Mesh: "Daten als Produkt" weitergedacht
Data Mesh: "Daten als Produkt" weitergedacht
 

Mehr von inovex GmbH

lldb – Debugger auf Abwegen
lldb – Debugger auf Abwegenlldb – Debugger auf Abwegen
lldb – Debugger auf Abwegen
inovex GmbH
 
Are you sure about that?! Uncertainty Quantification in AI
Are you sure about that?! Uncertainty Quantification in AIAre you sure about that?! Uncertainty Quantification in AI
Are you sure about that?! Uncertainty Quantification in AI
inovex GmbH
 
Why natural language is next step in the AI evolution
Why natural language is next step in the AI evolutionWhy natural language is next step in the AI evolution
Why natural language is next step in the AI evolution
inovex GmbH
 
WWDC 2019 Recap
WWDC 2019 RecapWWDC 2019 Recap
WWDC 2019 Recap
inovex GmbH
 
Network Policies
Network PoliciesNetwork Policies
Network Policies
inovex GmbH
 
Interpretable Machine Learning
Interpretable Machine LearningInterpretable Machine Learning
Interpretable Machine Learning
inovex GmbH
 
Jenkins X – CI/CD in wolkigen Umgebungen
Jenkins X – CI/CD in wolkigen UmgebungenJenkins X – CI/CD in wolkigen Umgebungen
Jenkins X – CI/CD in wolkigen Umgebungen
inovex GmbH
 
AI auf Edge-Geraeten
AI auf Edge-GeraetenAI auf Edge-Geraeten
AI auf Edge-Geraeten
inovex GmbH
 
Prometheus on Kubernetes
Prometheus on KubernetesPrometheus on Kubernetes
Prometheus on Kubernetes
inovex GmbH
 
Deep Learning for Recommender Systems
Deep Learning for Recommender SystemsDeep Learning for Recommender Systems
Deep Learning for Recommender Systems
inovex GmbH
 
Azure IoT Edge
Azure IoT EdgeAzure IoT Edge
Azure IoT Edge
inovex GmbH
 
Representation Learning von Zeitreihen
Representation Learning von ZeitreihenRepresentation Learning von Zeitreihen
Representation Learning von Zeitreihen
inovex GmbH
 
Talk to me – Chatbots und digitale Assistenten
Talk to me – Chatbots und digitale AssistentenTalk to me – Chatbots und digitale Assistenten
Talk to me – Chatbots und digitale Assistenten
inovex GmbH
 
Künstlich intelligent?
Künstlich intelligent?Künstlich intelligent?
Künstlich intelligent?
inovex GmbH
 
Dev + Ops = Go
Dev + Ops = GoDev + Ops = Go
Dev + Ops = Go
inovex GmbH
 
Das Android Open Source Project
Das Android Open Source ProjectDas Android Open Source Project
Das Android Open Source Project
inovex GmbH
 
Machine Learning Interpretability
Machine Learning InterpretabilityMachine Learning Interpretability
Machine Learning Interpretability
inovex GmbH
 
Performance evaluation of GANs in a semisupervised OCR use case
Performance evaluation of GANs in a semisupervised OCR use casePerformance evaluation of GANs in a semisupervised OCR use case
Performance evaluation of GANs in a semisupervised OCR use case
inovex GmbH
 
People & Products – Lessons learned from the daily IT madness
People & Products – Lessons learned from the daily IT madnessPeople & Products – Lessons learned from the daily IT madness
People & Products – Lessons learned from the daily IT madness
inovex GmbH
 
Infrastructure as (real) Code – Manage your K8s resources with Pulumi
Infrastructure as (real) Code – Manage your K8s resources with PulumiInfrastructure as (real) Code – Manage your K8s resources with Pulumi
Infrastructure as (real) Code – Manage your K8s resources with Pulumi
inovex GmbH
 

Mehr von inovex GmbH (20)

lldb – Debugger auf Abwegen
lldb – Debugger auf Abwegenlldb – Debugger auf Abwegen
lldb – Debugger auf Abwegen
 
Are you sure about that?! Uncertainty Quantification in AI
Are you sure about that?! Uncertainty Quantification in AIAre you sure about that?! Uncertainty Quantification in AI
Are you sure about that?! Uncertainty Quantification in AI
 
Why natural language is next step in the AI evolution
Why natural language is next step in the AI evolutionWhy natural language is next step in the AI evolution
Why natural language is next step in the AI evolution
 
WWDC 2019 Recap
WWDC 2019 RecapWWDC 2019 Recap
WWDC 2019 Recap
 
Network Policies
Network PoliciesNetwork Policies
Network Policies
 
Interpretable Machine Learning
Interpretable Machine LearningInterpretable Machine Learning
Interpretable Machine Learning
 
Jenkins X – CI/CD in wolkigen Umgebungen
Jenkins X – CI/CD in wolkigen UmgebungenJenkins X – CI/CD in wolkigen Umgebungen
Jenkins X – CI/CD in wolkigen Umgebungen
 
AI auf Edge-Geraeten
AI auf Edge-GeraetenAI auf Edge-Geraeten
AI auf Edge-Geraeten
 
Prometheus on Kubernetes
Prometheus on KubernetesPrometheus on Kubernetes
Prometheus on Kubernetes
 
Deep Learning for Recommender Systems
Deep Learning for Recommender SystemsDeep Learning for Recommender Systems
Deep Learning for Recommender Systems
 
Azure IoT Edge
Azure IoT EdgeAzure IoT Edge
Azure IoT Edge
 
Representation Learning von Zeitreihen
Representation Learning von ZeitreihenRepresentation Learning von Zeitreihen
Representation Learning von Zeitreihen
 
Talk to me – Chatbots und digitale Assistenten
Talk to me – Chatbots und digitale AssistentenTalk to me – Chatbots und digitale Assistenten
Talk to me – Chatbots und digitale Assistenten
 
Künstlich intelligent?
Künstlich intelligent?Künstlich intelligent?
Künstlich intelligent?
 
Dev + Ops = Go
Dev + Ops = GoDev + Ops = Go
Dev + Ops = Go
 
Das Android Open Source Project
Das Android Open Source ProjectDas Android Open Source Project
Das Android Open Source Project
 
Machine Learning Interpretability
Machine Learning InterpretabilityMachine Learning Interpretability
Machine Learning Interpretability
 
Performance evaluation of GANs in a semisupervised OCR use case
Performance evaluation of GANs in a semisupervised OCR use casePerformance evaluation of GANs in a semisupervised OCR use case
Performance evaluation of GANs in a semisupervised OCR use case
 
People & Products – Lessons learned from the daily IT madness
People & Products – Lessons learned from the daily IT madnessPeople & Products – Lessons learned from the daily IT madness
People & Products – Lessons learned from the daily IT madness
 
Infrastructure as (real) Code – Manage your K8s resources with Pulumi
Infrastructure as (real) Code – Manage your K8s resources with PulumiInfrastructure as (real) Code – Manage your K8s resources with Pulumi
Infrastructure as (real) Code – Manage your K8s resources with Pulumi
 

Erfolgsfaktoren einer datengetriebenen Customer-Care-Optimierung

  • 1. ERFOLGSFAKTOREN EINER DATENGETRIEBENEN CUSTOMER-CARE-OPTIMIERUNG data2day 2017 Matthias Wurdig Lead Analyst & Product Owner 1&1 Internet SE Dr. Stefan Igel Head of Big Data Solutions inovex GmbH
  • 2. 1&1 Internet SE2 Agenda 26.09.2017 W W W arum Big Data im Customer Care? ie wurde der Big Data Hub aufgebaut ? as sind die Ergebnisse ?
  • 3. 1&1 Internet SE3 Agenda 26.09.2017 W W W arum Big Data im Customer Care? ie wurde der Big Data Hub aufgebaut ? as sind die Ergebnisse ?
  • 5.  Warum rufen die Kunden an?  Welche Ereignisse sind dem Kontakt vorausgegangen?  Haben sie versucht, das Problem selbstständig zu lösen?  Wie weit sind sie gekommen?  War die Beratung erfolgreich?  Was lässt sich verbessern?  Wie zufrieden sind die Kunden? 26.09.2017 1&1 Internet SE Service Qualität verbessern, Self-Service erhöhen 5 „Onliner“ „Caller“
  • 6. Warum Big Data im Customer Care? 26.09.20176 1&1 Internet SE  Zufriedenheits-Reporting  Kündigungs-Reporting  Service Kontakt Reporting  Kontakt-Kategorien  Gesprächsdauer  Weiterleitungen  …  Land  Geschlecht  Kundenalter  … Service Kontakt Data …
  • 7. Warum Big Data im Customer Care? 26.09.20177 1&1 Internet SE  Heterogene Systemarchitektur  Dezentrale Datenorganisation  Hoher manueller Aufwand übergreifende Analysen Zufrieden- heits Bewertung Service Kontakt Daten Kündigungs- wünsche Stammdaten Event basierte Logs … …
  • 8. Warum Big Data im Customer Care? 26.09.20178 1&1 Internet SE Zufrieden- heits Bewertung Service Kontakt Daten Kündigungs- wünsche Stammdaten Event basierte Logs … … Big Data Hub
  • 9. Warum Big Data im Customer Care? 26.09.20179 1&1 Internet SE  Identifikation von positiv & negativ Merkmalen  Korrelationsanalysen zwischen KPIs  Kundenzufriedenheit  Service Calls  Kündigungen ??? Kundenzufriedenheit
  • 10. 1&1 Internet SE10 Agenda 26.09.2017 W W W arum Big Data im Customer Care? ie wurde der Big Data Hub aufgebaut ? as sind die Ergebnisse ?
  • 11. 26.09.2017 1&1 Internet SE Das Control Center 11
  • 12.  Logfiles  Support Case Management  Telefonanlage  Interactive Voice Response  Hotline Tool 26.09.2017 1&1 Internet SE Herausforderung Datenintegration 12  Control Center  Domain Services  Login Service  Help Center  Prozess-Mailings  Kundenstamm  Vertragsstamm Big Data Hub
  • 13. Lösungsarchitektur 26.09.201713 1&1 Internet SE Big Data Hub Analytics Clients BDH Ingestion Other BDH Data BDH Analytical Data Hub Import / Stageing Layer Integration Layer User Space Business Layer Data Science IDE, Notebooks, SQL Clients (Web-Interface) BDH Data Services BI Tool Reporting Ad hoc Analytics Data Quality Gate Data Privacy Protection Acquisition Data Preparation BDH Data Exports
  • 14. Technische Komponenten und Frameworks 26.09.201714 1&1 Internet SE  Datenspeicherung: (Cloudera CDH 5.x)  ETL und Analyse: ,  Workflows: (Apache Airflow)  BI Tools: ,  Data Analytics: ,
  • 15. Datentransformationen 26.09.201715 1&1 Internet SE Pre-Processor Import / Stage Integration Zeitstempel (Part.) Liefer-Zeit Liefer-Zeit Event-Zeit Zeitzone Server-Zeit Server-Zeit UTC Stammdaten Full Loads Full Loads Historisierung Schema normalisiert normalisiert Denormalisiert Transport cp distcp Hive-Query Datenformat csv csv Parquet
  • 16. Wie wurde der Big Data Hub aufgebaut ? 26.09.201716 1&1 Internet SE  Generisches Transaktions-Datenformat  Definierte Format-Struktur  Individualisierbare json Objekte in Datenbank { „Konferenz“: „data2day“, „Datum“: „2017-09-26“, „Ort“: „Heidelberg“ } C D…BA FE … Big Data Hub
  • 17. Projekt Stakeholder 26.09.201717 1&1 Internet SE  3 Vorstandsbereiche  + Datenlieferanten  + IT Operations  + parallele ProjekteCM CSP CISO CC Dev UIM inovex BEAT Big Data Hub
  • 18. Big Data Hub DevAlytics Team Projektorganisation 26.09.201718 1&1 Internet SE  Vision / Ziele  Meilensteine  Budget  Epics  User Stories  Plattform  Datenquellen / ETL  Analysen Lenkungskreis Product Owner Scrum Master Scrum Team Management (Bereichsleiter)
  • 19. Potentially Shippable Product Sprint Backlog Product Backlog Sprint (feste Länge) Daily Sprint Planning Sprint Review Big Data Hub DevAlytics Team Projekt Ablauforganisation 26.09.201719 1&1 Internet SE Lenkungskreis Product Owner Scrum Master Scrum Team Management (Bereichsleiter) 2-3 Wochen 4-6 Wochen Übergeordnete Entscheidungen Status Impediments Schwer- punkte
  • 20. DevAlytics? 26.09.201720 1&1 Internet SE  Interdisziplinäres Projektteam DevAlytics Team Data Stewards Scrum Master Product Owner Data Analysts Data Engineers Data Developers Application Managers System Engineers
  • 21. Wie wurde der Big Data Hub aufgebaut ? 26.09.201721 1&1 Internet SE 1 Priorisierung 2 Beispieldaten 3 Test- Analysen 4 Implementierung 5 Analysen 6 Standardisierung  Inkrementeller Prozess Datenintegration Datenanalyse Datenbereitstellung  Iteratives agiles Vorgehen  Aufbereitung der Rohdaten  Domänen Wissen der Analysten nutzen  Analyse Sichten in Business Layern bereitstellen
  • 22. 1&1 Internet SE22 Agenda 26.09.2017 W W W arum Big Data ? ie wurde der Big Data Hub gebaut ? as sind die Ergebnisse ?
  • 23. Was sind die Ergebnisse ? 26.09.201723 1&1 Internet SE  Erstmalige Verknüpfung verschiedener Datenquellen  Advanced Analytics Tools  Monitoring Front End  Visual Analytics Tool
  • 24.  Event Analysen  Preisanpassungen  Migrationen  Top-KPI Reports  Standard Analysen  Standard Views in Business Layern Was sind die Ergebnisse ? 26.09.201724 1&1 Internet SE
  • 25.  Erhöhung der Analyse-Geschwindigkeit Was sind die Ergebnisse ? 26.09.201725 1&1 Internet SE Beschaffung Aufbereitung Analyse Klassische Analyse Big Data Analytics
  • 26. Was sind die Ergebnisse ? 26.09.201726 1&1 Internet SE  Identifikation der Top positiv & negativ Merkmale für  Kundenzufriedenheit  Service Calls  Kündigungen durch Data-Mining Techniken ??? Kundenzufriedenheit
  • 27. Was sind die Ergebnisse ? 26.09.201727 1&1 Internet SE  Verknüpfung der Datenquellen  Ganzheitliche Touch-Points Betrachtung in der Customer Journey  Zufriedenheitsmodell zur Identifikation der Top- Merkmale Online E-Mail Service Call Online Service Call Online Zufriedenheits- Rating Online Service E-Mail
  • 28. Was sind die Ergebnisse ? 26.09.201728 1&1 Internet SE  Top Zufriedenheitstreiber identifiziert  Am Beispiel Aktivierung  Aktivierung ist ein Merkmal für Zufriedenheit Δ x Schematische Beispiel-Analyse
  • 29. Was sind die Ergebnisse ? 26.09.201729 1&1 Internet SE
  • 30. Was sind die Ergebnisse ? 26.09.201730 1&1 Internet SE
  • 31. Was sind die Ergebnisse ? 26.09.201731 1&1 Internet SE  Monitoring & Visual Analytics Tool  Top KPIs: • Kundenzufriedenheit • Kündigungen • [Calls]  > 100 Analyse-Merkmale  Customer Journey in Sankey Darstellung
  • 33. Herausforderungen 26.09.201733 1&1 Internet SE  Hardware Beschaffung  Unterschiedliche Stakeholder-Interessen  Schnittstellen-Management  Projektkapazitäten  Heterogene Nutzergruppen
  • 34. Top Erfolgsfaktoren 26.09.201734 1&1 Internet SE  Agile-Projekt Organisation & Stakeholder Management  Multiprofessionelles, engagiertes Team  Frühe Produkt & Ergebnisbereitstellung  Skalierbare technische Plattform  Effektive und effiziente Datenintegration
  • 35. FRAGEN? Matthias Wurdig Lead Analyst & Product Owner 1&1 Internet SE matthias.wurdig@1und1.de Dr. Stefan Igel Head of Big Data Solutions inovex GmbH stefan.igel@inovex.de