Все новости
Партнерский материал

Big Data МТС: мы узнаем о желаниях клиентов раньше них самих

О том, как Big Data меняет крупнейшего в России непродовольственного ритейлера, ТАСС рассказал директор департамента Big Data МТС Леонид Ткаченко

УГАДАТЬ ЖЕЛАНИЕ

Кажется, все уже устали от будущего времени в разговорах о Big Data. Предлагаю говорить не о далеких перспективах, а о том, как применяются большие данные конкретно сейчас. В каких направлениях Big Data задействована в МТС?

– Да уже практически во всех. Маркетинг, обслуживание, планирование сети, HR, розница. Мы знаем о точках концентрации абонентов и их миграциях, планах развития городских агломераций, пиковых загрузках базовых станций, пользовательском опыте. С помощью Big Data мы планируем сеть базовых станций, определяем места и форматы новых розничных салонов, управляем ассортиментом розничных точек, снижаем фродовые действия, выбираем оптимальные режимы работы офисов продаж и формируем индивидуальные предложения девайсов и аксессуаров… Слушайте, если я буду перечислять, то мы здесь просидим значительно дольше, чем планировали.

 Интересно про индивидуальные предложения. Что такого обо мне может рассказать Big Data, чего вы не знали без нее?

 – С помощью больших данных мы теперь можем, к примеру, точно спрогнозировать, в какой момент конкретный клиент захочет сменить свой девайс на новый. Это позволяет нам быть первыми, кто сделал ему подходящее предложение.

А как такое возможно точно спрогнозировать? Я, признаться, иногда и сам не знаю, чего захочу завтра.

– Вы не один такой. Смотрите, для прогноза здесь используются три модели. Первая предсказывает вероятность смены устройства. 

Мы как оператор связи знаем историю смены девайсов каждого абонента: несложно определить, в какой момент пользователи, к примеру, отдают свои устройства близким людям.

В нашей базе существенную долю занимают iPhone 5S, которые иногда называют "вечными" смартфонами: многие из них достались текущим пользователям в наследство (взрослые дети передарили родителям или, наоборот, родители отдали свои старые "пятерки" маленьким детям).

В подобных случаях Big Data-модель заранее предсказывает вероятность смены устройства, улавливая предикторы смены, которые сложно оценить аналитически. Это скорость разрядки батареи, увеличение исходящего трафика в WhatsApp: клиент передает через мессенджеры тяжелые данные, к примеру, фотографии – а на устройстве плохая камера, которая в таком случае, как правило, быстро перестает устраивать. Модель даже учитывает, менял ли девайс кто-то из ближайшего окружения абонента в последнее время, получал ли клиент устройство в подарок на праздник или покупал сам. Также модель находит фанатов флагманов, которые всегда предзаказывают топовые устройства конкретного вендора.

Вторая модель определяет, какого вендора предпочитает человек. Она опирается на историю смен устройств у конкретного клиента и на тренды, которые происходят в целом по базе. По истории покупок девайсов конкретным пользователем, их стоимости и соцдем-характеристикам можно определить ценовой сегмент предпочитаемого устройства, а также степень привязки к определенному вендору. Учитывается вся экосистема устройств, которые были и есть у клиента, в том числе планшеты, смартфоны, фичерфоны, и его ближайшего окружения. Также учитываются приложения, которыми клиент чаще всего пользуется.

Третья модель показывает, какую коммуникацию использовать для связи с конкретным абонентом (sms, звонок, digital-коммуникация) и какое предложение ему в итоге сделать – например, скидку, подарок или конкретный смартфон.

То есть вы утверждаете, что узнаете о желаниях клиентов раньше них?

– Это, наверно, сложно назвать знанием – это прогноз, но при этом очень точный. Но если упрощать, то да, наверное, уже можно так сказать. При этом здесь нет ничего фантастического или пугающего: к такой модели работы идет вся мировая экономика.

А ресурсы и усилия, которые вы вкладываете в эту систему, они уже как-то себя оправдывают?

– По нашим примерным оценкам, такая система рекомендаций позволяет формировать дополнительную выручку от продаж в рознице до 30%. Мировой тренд на индивидуальные предложения тоже очевиден – думаю, уже скоро мы будем получать только те предложения, которые нас действительно интересуют.

Спама станет меньше?

– В нем совсем не будет смысла, как вы понимаете.


BIG DATA ПО ГРАФИКУ

А есть еще проекты с Big Data, которые уже приносят какой-то реальный экономический эффект?

– Самый свежий пример – Workforce Management (WFM), система для оптимизации работы сотрудников в рознице. Она выстраивает и корректирует график работы сотрудников салонов на основе аналитики больших данных. Сначала мы использовали WFM только в Москве: клиентский NPS (индекс потребительской лояльности) в Москве вырос более чем на 40%, продажи в среднем поднялись на 4-5%, а скорость обслуживания в часы пик увеличилась почти на 30%. С 1 июня мы ее масштабировали на всю нашу розницу – и ждем экономического эффекта в несколько сотен миллионов рублей по итогам года, не меньше.

А что значит "оптимизация графиков"? Какие критерии здесь учитываются?

– Критериев более ста. Система анализирует тип и количество операций, которые выполняют работники за определенное время рабочего дня, зависимость посещаемости салонов от запуска новых сервисов за последние несколько лет, изменение пешеходных маршрутов вблизи салона, сезонность, а также пожелания абонентов и персонала по работе каждого офиса. Затем на основе всего этого массива данных рассчитываются индивидуальные рабочие смены. Такой подход позволяет, с одной стороны, не привлекать лишних работников, а с другой – сокращать очереди на кассах.

Вы эту систему разработали внутри, верно? Но чем вас не устроили готовые решения для розницы?

– Мы тестировали решения от сторонних разработчиков вместе с HR и розницей несколько лет. Оказалось, что они мало подходят для нашего операторского ритейла. Система была не такой гибкой, как нам хотелось, медленно работала, нам всем было неудобно.

А чем вы отличаетесь от других ритейлеров в этом смысле?

– Самая главная наша особенность по сравнению с большинством ритейлеров – это, очевидно, масштаб: розничная сеть МТС – это сейчас крупнейший непродовольственный ритейлер в России. У нас 5700 салонов и работает более 25 000 сотрудников, ежедневно к нам заходит 1,5 млн посетителей. Ну и нужно учитывать, что у нас своя специфика. К примеру, в магазинах, продающих крупную бытовую технику, работает много кассиров, грузчиков, менеджеров по кредитованию и отдельных продавцов-консультантов. У нас один сотрудник может быть кассиром, обслуживать сервис, принимать товар, совершать абонентские операции, оформлять финансовые услуги и продавать гаджеты.

С учетом масштаба и многозадачности неправильно составленные графики отрицательно влияют на весь бизнес. Когда каждая торговая точка сама строит рабочие смены, исходя из личных предпочтений, выходы сотрудников не всегда соответствуют профилю трафика, и это приводит к снижению качества обслуживания. Даже небольшая неточность или ошибка в системе может привести к серьезным потерям продаж и негативу от посетителей, которым придется стоять в очередях из-за неправильно выставленного графика. Когда есть система, которая точно знает все про нас и опирается на Big Data, эти риски исключаются.

А какие конкретно данные в этой системе анализируются?

– В рамках этого проекта мы анализируем транзакции, сервисные операции, количество посетителей в офисе, данные электронных очередей, профиль трафика в локации, нормативы времени и многое другое. После проверки всех данных за последние несколько лет система прогнозирует такие показатели, как трафик клиентов в каждый час работы офиса продаж, количество транзакций по типам (продажи, обслуживание, подключение) и потребность в сотрудниках.

Сейчас представил себя на месте сотрудника – не уверен, что такая система мне бы понравилась. Это, получается, алгоритм решает за человека, когда ему работать, а когда нет.

– Конечно, первое время негатив был. Раньше специалисты офисов продаж могли ходить на работу как хотели, просто заполняя графики вместе с начальником. Мы же изменили эту парадигму полностью. Система сама строит графики в зависимости от экономической стратегии компании, сезонности и прогнозируемого потока клиентов.

Но, конечно, желания людей мы тоже учитываем: в системе сотрудники могут сами продумать выходные на ближайшие несколько недель, внести предпочтения по длительности смен и графику (5/2, 2/2 и т. д.). После того как график посчитан, работники могут поменяться сменами.

Со временем негатив ушел, особенно когда сотрудники увидели преимущества WFM, которые изначально были неочевидны. Дело в том, что WFM исключает возможность работы недостаточного количества специалистов в часы пик.

Если раньше случалось так, что во время наплыва посетителей в салоне оставались два сотрудника, которые не успевали работать со всеми клиентами, то сейчас WFM выведет на работу в этот час три или четыре продавца. Работники не так сильно устают и успевают обслужить весь поток.

Соответственно, увеличились продажи и качество сервиса, а следом и зарплаты розничного персонала. Мы замерили – уже сейчас отток сотрудников после внедрения WFM снизился почти на 10%.

Еще пример: традиционно в ритейле в период перед новогодними праздниками выходят работать все сотрудники офиса продаж. Однако система WFM построила прогноз иначе, и, обеспечив вывод сотрудников по графику, построенному системой, мы не ошиблись: смогли полностью покрыть клиентопоток, дали сотрудникам заработать хорошую премию и оставили им время заняться личными делами перед Новым годом.

Понятно, сотрудников задобрили. А как-то с лояльностью клиентов работаете с помощью больших данных?

– Да, работаем, и видим в этом очень большую перспективу. У нас есть проект по прогнозированию NPS. До внедрения технологий Big Data для отслеживания этого показателя мы проводили выборочные опросы среди клиентов и экстраполировали результат на всю абонентскую базу. Это было дорого. Но теперь с помощью больших данных мы для каждого абонента в любой момент можем определить, кем он является относительно NPS: "промоутером", "критиком" или "нейтралом". Более того, наша модель позволяет сказать, почему критик является критиком.

А есть ли какие-то примеры? Например, если я часто оказываюсь вне сети или ругаю оператора вслух, то я, скорее всего, нелоялен – или как это работает?

– Мы используем более 3500 метрик для каждого абонента. Набор метрик, влияющий на уровень лояльности, в каждом случае, конечно, индивидуален. Среди критериев – инциденты на сети, активность в приложении "Мой МТС", частота, с которой абонент звонит, активность в интернете и многое другое.

С помощью этой системы мы уже выявили 15 разных "болезней" клиентов-критиков и разработали специфические способы "лечения" для каждой из 15 групп. Полученные данные смогут обеспечить, без преувеличений, феноменальный рост NPS по итогам года на фоне рынка операторов связи, чего мы и ожидаем согласно базовому прогнозу.


ДРАЙВЕР ВЫРУЧКИ

 А сколько вы всего зарабатываете на Big Data, если не секрет?

 – По итогам 2017 года совокупный эффект МТС от Big Data превысил 1,5 млрд рублей.

А в 2018-м?

– Ожидаем больше 2 млрд.

Это вместе с внешними проектами?

Да. Наша Big Data востребована в финансовом скоринге, транспортном планировании, логистике, таргетинге наружной и диджитал-рекламы, электронной коммерции, ритейле, градостроительных проектах. Один из наиболее востребованных Big Data-сервисов – обработка больших данных в облаке: клиенты используют вычислительные мощности ЦОДов МТС для финансовой аналитики, персонализации контента, сбора и обработки открытых данных.

Какой основной драйвер выручки от внешних проектов?

– Геоаналитика. Мы знаем, где наши абоненты часто бывают или находятся в данный момент. Это один из основных драйверов роста выручки от проектов, связанных с Big Data. У нас есть масса интересных продуктов, например, связанных с агрегированной информацией о передвижениях людей.

Первый геоаналитический проект такого рода мы реализовали с правительством Москвы: агрегированную информацию мы передаем в столичный департамент информационных технологий, с ее помощью принимаются решения по развитию транспортной инфраструктуры города. Среди крупных проектов – геоаналитические продукты для одной из крупных сетевых медицинских клиник, анализ расположения точек относительно места работы и проживания пациентов. Геоаналитика актуальна и для рекламного бизнеса: мы, к примеру, поставляем агрегированные данные для Motion Logic – проекта, который точно определяет, сколько людей увидят тот или иной рекламный щит, и таким образом меняет рынок наружной рекламы.

Наша цель – стать одним из основных поставщиков Big Data для бизнеса. Ожидаем закономерного роста доли доходов от внешних проектов с Big Data до 30% по итогам 2019 года.