Big Data Concepts and Tools

PEMBUKAAN VIGNETTE : AnaIyzing Churn

Pelanggan di Perusahaan Telekomunikasi
Menggunakan Metode Big Data
Latar Belakang
Perusahaan telekomunikasi (bernama Access Telecom [ATI karena alasan privasi) ingin membendung
gelombang pelanggan yang bergejolak dari layanan telekomunikasi. Pelanggan churn dalam industri
telekomunikasi adalah hal biasa. Namun, Access Telecom kehilangan pelanggan pada tingkat yang
mengkhawatirkan. Beberapa alasan dan solusi potensial dikaitkan dengan fenomena ini. Manajemen
perusahaan menyadari bahwa banyak pembatalan melibatkan komunikasi antara departemen layanan
pelanggan dan pelanggan. Untuk tujuan ini, sebuah gugus tugas yang terdiri dari anggota dari kantor
hubungan pelanggan dan departemen teknologi informasi (TI) berkumpul untuk mengeksplorasi
masalah lebih lanjut. Tugas mereka adalah untuk mengeksplorasi bagaimana masalah churn pelanggan
dapat dikurangi berdasarkan analisis pola komunikasi pelanggan (Asamoah, Sharda, Zadeh, &
Kalgotra, 2016).

Rintangan Data Besar

Kapan pun seorang pelanggan memiliki masalah tentang masalah-masalah seperti tagihan, rencana, dan
kualitas panggilan mereka, mereka akan menghubungi perusahaan itu di beberapa perusahaan. Ini
termasuk pusat panggilan, situs Web perusahaan (tautan kontak kami), dan walk-in pusat layanan
fisik. Pelanggan dapat membatalkan akun melalui salah satu interaksi yang terdaftar ini. Perusahaan
ingin melihat apakah menganalisis interaksi pelanggan ini dapat menghasilkan wawasan tentang
pertanyaan yang diajukan pelanggan atau saluran kontak yang mereka gunakan sebelum
membatalkan akun mereka . Data yang dihasilkan karena interaksi ini dalam teks dan audio. Jadi, AT
harus menggabungkan semua data menjadi satu lokasi. "Perusahaan ini mengeksplorasi penggunaan
platform tradisional untuk manajemen data tetapi segera menemukan, 'tidak cukup jelas untuk
menangani analisis data lanjutan dalam skenario di mana ada banyak format data dari berbagai sumber
(Thusoo, Shao, & Anthony, 2010) ).
Ada dua tantangan utama dalam menganalisis data ini: berbagai sumber data mengarah ke
berbagai data dan juga sejumlah besar data.
I. Data dari beberapa Pelanggan dapat terhubung dengan perusahaan dengan mengakses akun mereka
di situs Web perusahaan, memungkinkan AT untuk menghasilkan informasi log Web tentang
aktivitas pelanggan. Jejak log Web memungkinkan perusahaan untuk mengidentifikasi apakah dan
ketika seorang pelanggan meninjau rencananya saat ini, mengajukan keluhan, atau memeriksa
tagihan secara online. Di pusat layanan pelanggan, pelanggan juga dapat mengajukan keluhan
layanan, meminta perubahan rencana, atau membatalkan layanan. T kegiatan hese yang login ke
dalam sistem transaksi perusahaan dan kemudian gudang data perusahaan. Terakhir, seorang
pelanggan dapat menghubungi pusat layanan pelanggan di telepon dan melakukan transaksi bisnis
seperti yang akan dilakukannya secara langsung di layanan pelanggan . Transaksi semacam itu
dapat melibatkan penyelidikan saldo atau inisiasi pembatalan rencana. Log panggilan tersedia
dalam satu sistem dengan catatan alasan pelanggan menelepon. Agar analisis yang bermakna dapat
dilakukan, data individual menetapkan ha harus dikonversi ke dalam format terstruktur yang sama.
7
2. Volume data: Tantangan kedua adalah banyaknya data dari tiga sumber yang harus diekstraksi,
dibersihkan, direstrukturisasi, dan dianalisis. Meskipun proyek-proyek analisis data sebelumnya
sebagian besar menggunakan sampel data dalam jumlah kecil untuk dianalisis, AT memutuskan
untuk memanfaatkan beragam ragam dan sumber data serta volume data yang besar yang direkam
untuk menghasilkan sebanyak mungkin wawasan.
Pendekatan analitis yang dapat menggunakan semua saluran dan sumber data, meskipun besar, akan
berpotensi menghasilkan wawasan yang kaya dan mendalam dari data untuk membantu mengekang
churn.

Larutan
Arsitektur Big Data Teradata Aster yang terpadu digunakan untuk mengelola dan menganalisis data
multistruktur besar . Kami akan memperkenalkan Teradata Aster di Bagian 7.6. Skema yang datanya
digabungkan ditunjukkan pada Gambar 7.1. Berdasarkan setiap sumber data, tiga tabel dibuat dengan
 masing-masing tabel yang berisi variabel-variabel berikut: ID pelanggan, saluran komunikasi, cap
tanggal / waktu, dan tindakan yang diambil. Sebelum pembatalan akhir suatu layanan, variabel yang
diambil tindakan dapat berupa satu atau lebih dari 11 opsi ini (disederhanakan untuk kasus ini):
menyajikan sengketa tagihan, permintaan untuk pembaruan rencana, permintaan untuk rencana
d tingkat layanan, melakukan pembaruan profil, melihat ringkasan akun, mengakses dukungan
pelanggan, melihat tagihan, meninjau kontrak, mengakses fungsi pencari lokasi di situs Web,
mengakses bagian pertanyaan yang sering diajukan di situs Web, atau menelusuri perangkat. Sasaran
anal ysis berfokus pada menemukan jalur paling umum yang menghasilkan pembatalan layanan
akhir. "Data itu dikelompokkan untuk mengelompokkan serangkaian peristiwa yang melibatkan
pelanggan tertentu ke dalam periode waktu yang ditentukan (5 hari di atas semua saluran komunikasi)
sebagai satu sesi. Akhirnya fungsi urutan waktu nPath Aster (dioperasionalkan dalam kerangka kerja
SQL-MapReduce) adalah digunakan untuk menganalisis tren umum yang mengarah pada pembatalan.

Hasil
Hasil awal mengidentifikasi beberapa rute yang dapat menyebabkan permintaan pembatalan layanan. Perusahaan menentukan
ribuan rute yang dapat diambil pelanggan untuk membatalkan layanan. Analisis tindak lanjut dilakukan untuk mengidentifikasi
rute yang paling sering ke permintaan pembatalan. Ini disebut sebagai Jalur Emas yang menyebabkan pembatalan diidentifikasi
dalam jangka pendek dan Panjang. Analisis ini membantu perusahaan mengidentifikasi pelanggan sebelum mereka membatalkan
layanan mereka dan memberikan insentif atau setidaknya meningkatkan resolusi masalah ke tingkat di mana jalur pelanggan
untuk pembatalan tidak terwujud.

Apa yang Bisa Kita Pelajari dari Vignette Ini?

Tidak semua masalah bisnis pantas menggunakan platform analitik Data Besar. Situasi ini menyajikan kasus bisnis yang
menjamin penggunaan platform Big Data. Tantangan utama berkisar pada karakteristik data yang sedang
dipertimbangkan. Tiga jenis rangkaian data interaksi pelanggan yang berbeda menghadirkan tantangan dalam analisis. Format
dan bidang data yang dihasilkan di masing-masing sistem ini sangat besar. Dan volu saya juga besar. Ini membuatnya sangat
penting untuk menggunakan platform yang menggunakan teknologi untuk memungkinkan analisis sejumlah besar data yang
datang dalam berbagai format.
Penting juga untuk dicatat bahwa AT menyelaraskan pertanyaan yang diajukan dari data dengan strategi bisnis
organisasi. Pertanyaan-pertanyaan juga menginformasikan jenis analisis yang ada
Dilakukan Penting untuk memahami bahwa untuk setiap aplikasi arsitektur Big
Data ,strategibisnis organisasi dan menghasilkan pertanyaan yang relevan adalah kunci
untukmengidentifikasi jenis analisis yang akan dilakukan.