Müşteri Deneyimi Örnekleri

Müşteri Deneyimi Örnekleri Ayhan Önder BigData Technical Specialist

Ana Bileşenler Pure Data System for Analytics / Netezza çok büyük hacimlerdeki yapısal veriler üzerinde sofistike analizlerin ve raporların son derece hızlı bir şekilde çalışmasını sağlar Streams akan verilerin Düşük Gecikmeli, Gerçeğe Yakın Zamanlı Analiz edilerek mikro saniyeler mertebesinde sonuçlar alınmasına olanak sağlar Big Insights ekonomik değeri önceden tam kestirilemeyen çok büyük boyutlardaki ve farklı biçimlerdeki veriler içerisindeki korelasyonların ve yapıların Keşif ve Aranması için kullanılabileceği gibi veri ambarı maliyetlerinin düşürülmesi için de faydalıdır. BI / Raporlama Analitik Uygulamalar Analiz/ Fonksiyonel Endüstri Görselleştirme Uyg. Uyg. Veri Madenciliği IBM Big Data Platformu Görselleştirme ve Keşif Hadoop Sistemi Uygulama Geliştirme Hızlandırıcılar Akışkan Veri İşleme Sistem Yönetimi Veri Ambarı Veri Entegrasyonu ve Sahipliği İçerik BI / Rep Analitiği IBM Büyük Veri platformu sıkı iş birliği ve entegrasyon kabiliyetleri sağlayarak verilerinizden maksimum faydayı elde etmenizi sağlar

Smarter Communications for a Smarter Planet Müşteri Deneyimi Örnekleri Big Data Telekomünikasyon 3

IBM Pure Data System for Analytics Analitik İhtiyaçlarınız için İş Yükü Optimize Sistem BI / Raporlama Analitik Uygulamalar Analiz/ Fonksiyonel Endüstri Görselleştirme Uyg. Uyg. Veri Madenciliği İçerik BI / Rep Analitiği IBM Big Data Platformu Görselleştirme ve Keşif Uygulama Geliştirme Sistem Yönetimi Hızlandırıcılar Hadoop Sistemi Akışkan veri işleme Veri Ambarı Veri Entegrasyonu ve Sahipliği

T-Mobile USA Yetkinlikler : Derinlemesine Network Analitik Müşteri Deneyim Yönetimi Karlılık Optimizasyonu Segmentasyon ve Kampanya Yönetimi Kompleks Müşteri Davranış Verisi Entegrasyonu 400 Veri Kaynağı Günlük 17 Milyar kayıt Kullanıcılar 1300 kullanıcı, 60 Uygulama Hacim 2 Petabyte veri 5 5

Belgacom Düşünce hızında analizler Kullanılan Çözümler IBM Netezza IBM Unica NetInsight Online Pazarlama faaliyetleri çalıştırmak, anlamak ve izlemek için Web analitiği yetkinliklerini hızlandırmak 6

Belgacom Kampanya Döngü Süresinin Azaltılması Problem Belgacom, arkasında Oracle veri tabanının kullanıldığı NetInsight platformunda ciddi derecede performans problemi yaşıyordu. Sistem ek kullanıcılara hizmet veremeyecek düzeye gelmiş ve performans problemleri aylardır çözülememekteydi. Kimi iş zekası raporları 1 ila 5 saat arasında çalışıyordu. Kompleks sorgular ise denenmiyordu. Çözüm Netezza ile birlikte çalışabilmek üzere Unica konfigürasyonu 1 gün içerisinde tamamlandı. 7.5aylık birikmiş veriler sisteme aktarılırken, 8 saat süren veri yükleme işlemi 90 dakika içerisinde tamamlandı. 1 ila 3 saat arasında süren tüm raporlar 1 dakikanın altına düştü. Sonuçlar Daha fazla veri kullanılmasına 50 ile 180 kat sorgu performans artışı sağlandı; sofistike analizler, yüksek değerli ve kompleks raporların geliştirilmesi mümkün kılındı ve artık tüm raporlar 1 dakikanın altında tamamlanıyor. Önceden kötü performans nedeniyle NetInsight platformunu kullanmayan son kullanıcılar çoşkulu kullanıcılara dönüştü. Online Pazarlama Faaliyetlerinin Geliştirilmesi Her kullanıcının etkileşiminin incelenebilmesi, müşterilerin pazarlama programlarına dahil edilmesi Online etkileşimden faydalanma : Daha iyi ve daha hızlı müşteri hedefleme Yeni analitik sorguların işletilebilmesi

Virgin Media, Netezza ile iletişim veri analizi yetkinliği kazandı İhtiyaç Miras kalan farklı iş zekası araç ve teknolojilerinin konsolide edilmesi Müşteri kaybının azaltılması, kurum geneli gelir güvence çözümü geliştirimi Faydalar 3 ay içerisinde yatırımın geri dönüşü; 4 haftada Oracle dan Netezza ya geçiş; ortalama 252-kat hızlanan uygulamalar Veri analizlerinin tek bir noktadan yapılabilmesi Fiyatlandırma tutarsızlıklarının gerçek zamanlı tespiti ve önlenmensi, fraud & gelir kaybı analizleri, müşteri elde tutma faaliyetleri.. 8 Home

IBM Software Virgin Media İhtiyaç: Virgin Media, Birleşik Krallık içerisindeki en büyük mobil, televizyon ve internet servis sağlayacılarındandır. Virgin Mobile, NTL ve Telewest birleşmesi sonrasında, TV, geniş bant, telefon ve mobil hizmetleri analiz edebilmek için miras kalan farklı iş zekası ürün, veri tabanı ve çözümleri birleştirme gereksinimi duydu. Ana hedef; müşteri kayıplarını azaltmak, kurum geneli bir gelir güvence sistemi oluşturmaktı. Çözüm: Virgin Media, 4 farklı firma ile Kavramsal İspat çalışması yaptıktan sonra IBM Netezza ile ilerlemeye karar verdi. 4 haftada tüm veri ambarını Oracle dan Netezza ya taşıdılar. Hayata geçirilen uygulamalar arasında; CDR analizi, gelir güvence, sahtecilik önleme, ürün pazarlama & ücetlendirme, ve CRM bulunuyor. Faydalar: 3 ayda yatırımın geri dönüşü Kısa sürede hayata geçiş Oracle dan Netezza ya 4 haftada geçiş Daha önce outsource edilen veri analizi ihtiyaçlarının, kurum içerisinde tek bir noktadan gerçekleştirilebilmesi Fiyatlandırma tutarsızlıklarının gerçek zamanlı tespiti ve önlemensi, fraud & gelir kaybı analizleri Azalan müşteri kaybı Before Netezza we could never be sure how long a query would take. Now, no matter how much data there is to be analyzed be it 3, 6 or 9 months worth the time frame for results is entirely predictable. Head of Revenue Assurance Virgin Media Çözüm Bileşenleri: IBM Netezza 1000 IBM Netezza 100

XO Communications ABD bazlı rekabetçi ağ servis sağlayıcısı olan XO Communications sadece ticari firmalar, kamu kuruluşları ve büyük kuruluşlara odaklı olarak, endüstri lideri IP ve ağ çözümleri sunmaktadır. Geniş Kapsam 75+ şehir 90,000 ticari müşteri Yüksek Kapasiteli IP ve İletişim Ağı 2.8 terabit ulus geneli iletişim ağı Tier 1 IP ağı ve terabit routing çekirdeği Gelişkin Ürünler Fiber ağlar Network Servisleri (MPLS/Ethernet gibi) VoIP, geleneksel Ses Hizmetleri IT Servisleri Barındırma

Ana Zorluklar ve Müşteri Kaybı $1,000 altında getirisi olan müşteriler tahminleme modelinin ana hedefiydi. Bu tip müşterilerden binlerce bulunmaktayken, şirketin ana gelirlerini oluşturuyorlar ve her bir müşteriye bir Müşteri Temsilcisi atanması da mümkün olmuyordu. IBM Netezza üzerinde oluşturulan bir veri ambarı ve gelişkin SPSS tahminleme modelleri kullanılarak müşteri kaybını önleyici modeller geliştirildi ve proaktif komünikasyon sağlandı. Sonuçlar Projenin hayata geçtiği ilk yıl, müşteri kaybı %1.9 dan %1.4 e düştü Elde Tutma başarı oranı %60 a çıktı Yıllık 9 ila 13 Milyon USD gelir kazanımı yaşandı Müşteri Temsilcisi sayısı azaltıldı BASİTLİK Herhangi bir eğitim almadan 6 ay boyunca üretim ortamında Allowing the business users access to the Netezza box was what sold it. Oracle sistemine göre 200 kat - Steve Taff, Executive Dir. of IT Services Daha hızlı, 3 ayda yatırımın geri dönüşü

Infosphere Streams BI / Raporlama Analitik Uygulamalar Analiz/ Fonksiyonel Endüstri Görselleştirme Uyg. Uyg. Veri Madenciliği İçerik BI / Rep Analitiği IBM Big Data Platformu Görselleştirme ve Keşif Uygulama Geliştirme Sistem Yönetimi Hızlandırıcılar Hadoop Sistemi Akışkan veri işleme Veri Ambarı Veri Entegrasyonu ve Sahipliği

InfoSphere Streams Gerçek Zamanlı Analitik İşlemler Filtre/Örneklem Güncelle Tanımla Analiz Zenginleştir Sınıflandır Skorlama Zaman Dilimi Bazında Toplamlar

European Wireless Provider Gerçek zamanlı coğrafi kodlama ve Analitik Problem Operator ün hali hazırda SMS ve MMS üzerinden yürütülmekte olan medya baz alınarak üretilen kupon ve medya teklifleri kampanyaları bulunmaktaydı. Operatör mevcut yetkinliklerini coğrafi kodlama bazlı müşteriye özel tekliflerle zenginleştirmek istiyordu. Tarihsel lokasyon verisi üzerinden üretilen modellerin, anlık lokasyon verisi üzerinde analitiğe ve aksiyona dönüştürülmesi gerekmekteydi. Çözüm Infosphere Streams, lokasyon duyarlı olaylara reaksiyon vermek ve gerçek zamanlı aksiyonlar almak için kullanılırken, Netezza bazlı veri ambarı da tarihsel veriler üzerinden en uygun kampanya modellerinin oluşturulup skorlama amacıyla Streams e iletilebilmesini sağlamaktadır. Sonuçlar Platform farklı kullanım senaryoları ile önümüzdeki bir kaç yılda onlarca milyon Euro gelir getirecek potansiyele sahip olduğunu gösterdi. Geo-fencing sadece bir başlangıç URL ve lokasyonun gerçek zamanlı analiz edilebilmesi, reklam ve müşteri segmentasyonu kapsamında bir çok farklı kullanım olanağı doğurduğu gibi, her türlü davranış farklılığına daha hızlı tepki verilebilmesini sağlıyor Akan veri ve veri ambarı teknolojilerinin birlikte kullanılabilmesi, fark yaratan modellerin, düşük maliyetle ve son derece hızlı hayata geçirilebilmesini sağlıyor.

Globe Telecom gerçek zamanlı analitik yetkinlikleri kullanarak kampanya performansını arttırıyor Kullanılan Yetkinlikler: InfoSphere Streams WebSphere ilog İhtiyaç Neredeyse müşterilerinin 100% ü faturasız hatta sahip Globe Telecom, müşteri kaybını önlemek için gerçek zamanlı müşteriye özel kampanyalara ihtiyaç duyuyordu Faydalar Müşteri sadakatini sağlamak amacıyla doğru zamanda yenileme tekliflerinin iletimi Kompleks CRM kampanyalarına bağlı gerçek zamanlı teklifler ve ödüllendirme %95 azalan kampanya maliyetleri yanında, %600 artan kampanya başarı oranı 15

Asya dan Bir Operatör Faturalama maliyetlerini düşürürken, müşteri memnuniyetini arttırdı Kullanılan Yetkinlikler Infosphere Streams Analitik Hızlandırıcılar Sonuçlar Günlük 6 Milyar CDR kayıdının gerçek zamanlı analizi Veri işleme sürei 12 saatten 1 dakikaya indi Donanım maliyetleri 1/8 e düştü Proaktif olarak problem çözümü ve müşteri memnuniyetinin arttırılması (düşen çağrılar için aksiyon alınması gibi) 16

Müşteri Elde Tutma Çalışmaları için CDR Analizi Telecom Switch Call Detail Records + = Streams Mediation with Churn and Social Analytics Process CDRs in 1 min vs 12 hours 112 x86 cores vs 384 P5 cores Deduplication in Streams reduces Warehouse work Simultaneous summaries and analysis Network Equipment Providers Mediation and Analytics applications 17

Idea - Mediation & Gelir Güvence 2 saatte 1.01 Milyar CDR ortalama saniyede 140K 2 HS22 blade dual CPU quad core sunucular Her birinde 8 core, 2.5 GHz, 64 GB memory (toplam 16 çekirdek) Ortalama CPU kullanımı : 75% Ortalama memory kullanımı : ~6GB Önce Sonra Değişim 42 P6 cores 16 x86 cores %62 daha az 68M CDR/hr 505M CDR/hr %740 daha fazla 98 Milyon abone Hindistan da Tier 1 operatör

Case Study: Western European Operator Gerçek Zamanlı OTT video analitik yetkinlikleri 19

European Triple Play Provider Gerçek zamanlı Kullanıcı Video Deneyimi kalite takibi Problem Internet kullanımındaki yoğun video kullanımı giderek artmaktadır. Fransa daki bu hizmet sağlayıcının milyonlarca ADSL TV abonesi bulunmakta ve video hizmetlerindeki kalitenin müşteri memnuniyeti açısından kritik önemi bulunmaktadır, operatör yaşanan sıkıntılarda proaktif aksiyon alabilmek istemektedir. Çözüm Operatör, 2.5 milyon kutudan gelen, saniyede10000 mesajı işlemek üzere Infosphere Streams ürününü kullanmaya karar verdi. Analiz edilen veriler, ayrıca Cognos üzerinde dashboardlardan takip edilebilmekte. Sonuç Operatör artık yaşanan problemleri çok daha önceden tespit edebilmekte ve proaktif aksiyonlar alabilmektedir. Müşteri deneyim KPI ları gerçek zamanlı olarak MPEG hata oranı, kanal, network bileşeni gibi kırılımlarda incelenebilmektedir. Aynı zamanda problemin kaynağının encodeing aşaması mı, firmware mi, donanımsal mı olduğu da çok daha hızlı tespit edilebilmektedir. Operatör bu sayede daha yüksek müşteri memnuniyeti ve sadakatini yakalayabilmiştir. 2015 yılına gelindiğinde, video trafiği toplam internet trafiğinin %90 ını oluşturacak. Network optimizasyonu ve yatırım maliyetleri azaltılırken, müşteri kalite deneyiminin sağlanması OTT hizmet sağlayacılardan içerik iletiminde yüksek kalite sağlanması Her yerde TV stratejinin başarılı işletilebilmesi

IPTV Video Quality Use Case CSP Network nodes topology Switches, routers, DSLAM Channel 2 KPIs KPIs Broadcast TV Encoder KPIs KPIs Channel 1 KPIs KPIs KPIs KPIs KPIs KPIs Network Management Business Problem What is the QoE of consumers as they watch IPTV channels? Can I pro-actively detect that there are problems? Can I quickly understand what is causing the degradation? Is this related to a specific problems in my network? An issue with a firmware I just loaded on the IPTV decoders (STBs)? An issue with the video signals itself? Benefits Identify & act pro-actively on issues impacting quality Observe KPIs in real-time and on mid-term about video quality Feed pro-actively call centers about conditions impacting video quality Provide call center agents with tools to check IPTV video quality Home Gateway KPIs Alerts on defect detection Statistical results stored in DB Home Network STB STB STB STB STB STB STB KPIs IPTV analytics Statistics Ip=233.136.0.127; MPEG error ratio=0.5; firmware version=v2.1;model=xxx;mac- Ip=233.136.0.127; MPEG error ratio=0.5; firmware version=v2.1;model=xxx;mac- Address=000430123456;LinkChain=Node1-Node12- Node123- Address=000430123456;LinkChain=Node1-Node12- Ip=233.136.0.127; MPEG error ratio=0.5; firmware Node1234;Message=Statistic;PacketLoss=54 Node123-Node1234;Message=Statistic;PacketLoss=54 version=v2.1;model=xxx;mac- ; Address=000430123456;LinkChain=Node1-Node12- Ip=233.136.0.127; MPEG error ratio=0.5; firmware Node123-Node1234;Message=Statistic;PacketLoss=54 version=v2.1;model=xxx;mac- Address=000430123456;LinkChain=Node1-Node12- Node123-Node1234;Message=Statistic;PacketLoss=54 STB log messages

Infosphere BigInsights BI / Raporlama Analitik Uygulamalar Analiz/ Fonksiyonel Endüstri Görselleştirme Uyg. Uyg. Veri Madenciliği İçerik BI / Rep Analitiği IBM Big Data Platformu Görselleştirme ve Keşif Uygulama Geliştirme Sistem Yönetimi Hızlandırıcılar Hadoop Sistemi Akışkan veri işleme Veri Ambarı Veri Entegrasyonu ve Sahipliği

Case Study: UK Operator UK Mobile Operator - BigInsights

Operatör Profili Birleşik Krallık ta Mobil Operatör Yüksek Pazar Payı Büyük Veri projesi keşfi için IBM ile birlikte bir çalıştı Aksiyon alınabilir bilgiler üretilmesi Bilgiye dönüştürüm zamanının kısaltılması Teknolojinin keşif yetkinlikleri Ticari model ve faydaların belirlenmesi

Faz 1 için Yüksek Öncelikli ihtiyaçlar Genişletilmiş Müşteri Davranışı Farkındalığı Ne tip veri kullanım profilleri var, bu profillerden ne değerler üretilebilir? Müşterilerin veri kullanımı cihaz ve lokasyon bazında nasıl şekil alıyor? URL analizi sonucunda ne tip bilgiler edinilebilir? Veri Test Sürüşü Sınırsız Veri Test sürüşü müşteriler üzerinde nasıl bir etki yaratıyor? Müşteriler hangi cihaz ile nasıl bir davranış sergiliyorlar? Müşteri Bağlılığı Büyük Veri yeni müşteri kaybı nedenleri tespitinde yardımcı olabilir mi? Ürün ve hizmetlerin tekliflerinde Data hizmetleri kullanım davranışı bilgisi faydalı olabilir mi?

Faz 1 Çözümü Neden BigInsights? Keşif yetkinlikleri Cloud Hadoop IBM Hızlandırıcıları Uygulama Yönetimi 6 ay içerisinde 200TB Yapısal olmayan veriler

URL Analizi BigInsights Text Analitik Yetkinlikleri Facebook ve Google domine 20 günlük veriler üzerindeki ilk analizler; 4,100,727 tekil URL ziyareti En yüksek hit alan 1,000 URL, toplam URL lerin %81 ini oluşturuyor Domain Count % http://m.facebook.com 637,344,621 8.5% http://api.facebook.com 515,939,619 6.9% http://www.google.com 340,612,944 4.5% http://api-read.facebook.com 334,577,924 4.5% http://static.ak.fbcdn.net 200,014,072 2.7% http://z020.fma.fb.me 120,436,273 1.6% http://www.google.co.uk 118,145,614 1.6% http://htc.accuweather.com 103,087,902 1.4% http://clients1.google.co.uk 84,808,034 1.1% http://ax.init.itunes.apple.com 83,377,934 1.1% http://mobile-gw.sky.com 81,398,145 1.1% http://api.twitter.com 79,743,981 1.1% http://clients1.google.com 72,319,422 1.0% http://touch.facebook.com 70,352,220 0.9% http://b.scorecardresearch.com 62,512,456 0.8% http://googleads.g.doubleclick.net 62,373,766 0.8% http://api.grindr.com 52,853,356 0.7% http://z021.fma.fb.me 52,604,918 0.7% http://www.bbc.co.uk 51,037,993 0.7% http://www.facebook.com 49,481,064 0.7%

URL Sınıflandırma BigInsights Müşteri Modelleme URL lerin %83 i otomatik olarak sınıflandırılabildi Hem tekil MSISDN sayısı hem de hit sayısı bazında URL sınıfları raporlanabiliyordu 35% 30% 25% 20% 15% 60% 50% 40% 30% 10% 20% 5% 10% 0% 0% Google Facebook Vodafone Apple and Itunes GoogleMaps Dating Twitter SecureBrowsing YouTube SocialNetworking VodafoneWap BBC %URL %MSISDN

Demografik Analiz Çok hit alan URL sınıflarının kullanıcıyaş grupları bazında pek farklılık göstermediği gözlemleniyor, ancak 25-34 yaş arası ziyaretçiler daha yoğun bir şekilde popüler sitelerde vakit geçiriyorlar. 55 45-54 35-44 25-34 18-24 En yoğun hit alan 10 URL kategorisi, cinsiyetler arasında pek farklılık göstermezken sıralamalarında ufak farklılıklar olabiliyor. Kayda değer farklılıkların olduğu kategoriler ise: All 0% 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% % of Total URLs Browsed Google Facebook Apple and Itunes YouTube Vodafone Twitter BBC SocialNetworking VodafoneWap Dating GoogleMaps Shopping SecureBrowsing News Ebay VideoStreaming Wikipedia Yahoo Amazon YahooMessenger HTCWeather News MobileWAP 29 Erkek Haber Medya Spor Futbol Araç Satış Erişkin Siteleri Mobil Oyun Bayan Alışveriş Sağlık ve Kozmetik Sinema Kişesel Finans

İçerik Tipi Analizi 18% 16% 61% Browsing App Other Video itunes Mail Email Downloads MSISDN bazında uygulama, web browsing, video streaming, email, itunes gibi içerik tipleri kullanımı davranış analizleri yapılabiliyor

Sınırsız Veri Test Sürüşü 2 kat veri kullanım artışı Büyük çoğunluğu iphone kullanıcısı Hemen hemen tüm URL kategorileri ve içerikler (apps, itunes vs.) bazında daha yoğun bir şekilde veri kullanımına yöneliyorlar Total URL 0 500,000 1,000,000 1,500,000 2,000,000 2,500,000 3,000,000 3,500,000 4,000,000 Amazon BBC Dating Ebay GoogleMaps Hotmail MobileWAP News SecureBrowsing Shopping SkySports SocialNetworking Twitter VodafoneWap Wikipedia Yahoo YahooMessenger YouTube Non Data Test Drive MSISDNs Data Test Drive MSISDNs 31

Müşteri Kaybı Eğilimi Müşteri kaybı potansiyeli ile veri kullanım davranışları arasında bir korelasyon olduğu gözlemlendi 0.3 0.25 Browsing Diversity Index 0.2 0.15 0.1 0.05 0 90-100th 80-90th 70-80th 60-70th 50-60th 40-50th 30-40th 20-30th 10-20th 0-10th Churn Propensity Percentile

Segmentasyon - Kontörlü Hatlarda Yaş Dağılımı Casual Browser Heavy Browser Heavy Infrequent Intense 14 17 20 23 26 29 32 35 38 41 44 47 50 53 56 59 62 65 68 71 74 77

Big Data Faz 1 Sonuçları Daha önce göz ardı edilen verilerin keşfinin mümkün olduğu gösterildi Müşteri seviyesinde web trafiği davranış analizi olanağı gösterildi Birbirine benzer davranışların sınıflandırılması sağlandı Uygulama veya itunes gibi içeriklere erişimin de analiz edilebildiği gözlemlendi Müşteri kaybı modellerine eklendiğinde pozitif etkileri olabilecek indikatör ve değişkenler olduğu gözlemlendi

TEŞEKKÜRLER THANK YOU