Bereitstellung personalisierter Angebote in Echtzeit auf der Grundlage von Kundenstandort, Gerät und Nutzung

Sorgen Sie für Kundenzufriedenheit durch personalisierte und kontextbezogene Angebote in Echtzeit

In einem hart umkämpften Markt haben Telekommunikationsunternehmen, die die Kundenerfahrung (CX) in den Vordergrund stellen, einen klaren Vorteil. Und Telekommunikationsunternehmen sind gut positioniert, um ein hervorragendes Kundenerlebnis zu bieten, indem sie die riesigen Datenmengen nutzen, die sie sammeln, einschließlich einer Fundgrube von Informationen über das Kundenverhalten, die Vorlieben und den Standort. Telekommunikationsunternehmen können Kunden in Echtzeit personalisierte Angebote auf der Grundlage ihrer Standortdaten unterbreiten. Das ist eine gute Möglichkeit, das Kundenerlebnis zu verbessern – und im Gegenzug die Rentabilität zu steigern.

Personalisierte Angebote in Echtzeit sind auf die spezifischen Bedürfnisse, Vorlieben und den Standort einer Person zugeschnitten und werden in dem Moment bereitgestellt, in dem sie mit einem Produkt, einer Dienstleistung oder einer Plattform interagiert. Die Idee dahinter ist, dass Unternehmen durch die Bereitstellung von Inhalten und Dienstleistungen, die für die unmittelbaren Bedürfnisse und Interessen ihrer Kunden relevant sind, die Kundenzufriedenheit steigern, das Engagement fördern und letztlich bessere Ergebnisse erzielen können, sei es in Form von höheren Umsätzen oder einer besseren Kundentreue.

Unternehmen können dieses Maß an Personalisierung erreichen, indem sie Daten verarbeiten und Algorithmen anwenden, um die von ihnen bereitgestellten Inhalte, Empfehlungen und Erfahrungen sofort an den aktuellen Kontext und das Verhalten des Nutzers anzupassen. Die Smartphones der Kunden übermitteln ständig Standortdaten, die gesammelt und analysiert werden können, um Erkenntnisse in Echtzeit zu gewinnen. Standortdaten sind ein besonders mächtiges Werkzeug in den Händen von Telekommunikationsunternehmen. Durch die Kombination von Standortdaten mit Kundenprofilen, einschließlich demografischer Daten und Nutzungsmustern, können Telekommunikationsunternehmen ein umfassendes Bild jedes einzelnen Nutzers erstellen, das sie zur Bereitstellung hochgradig relevanter und zeitnaher Angebote und Dienste nutzen können. Die Integration von Daten aus externen Quellen, wie z. B. Wetterdaten, Verkehrsmuster und Informationen über lokale Veranstaltungen, kann zusätzlichen Kontext für personalisierte Angebote liefern. Die Datenanalyse in Echtzeit spielt eine entscheidende Rolle bei der Umwandlung all dieser Daten in verwertbare Erkenntnisse. Erweiterte Analysetools können die Informationen blitzschnell verarbeiten und analysieren, sodass Telekommunikationsunternehmen schnelle Entscheidungen treffen und maßgeschneiderte Angebote in Echtzeit bereitstellen können.

Personalisierte, standortbezogene Angebote in Echtzeit können das Kundenverhalten erheblich beeinflussen, indem sie die Nutzererfahrung relevanter und ansprechender machen. Hier sind einige Beispiele dafür, wie Telekommunikationsunternehmen hochgradig individualisierte, kontextbezogene Kundenerlebnisse bieten können – durch eine Kombination aus historischen Benutzerdaten (wie frühere Interaktionen, Kaufhistorie und Vorlieben) und Echtzeitdaten (einschließlich Standort, Gerätetyp und aktuelle Aktionen).

• Angebot von internationalen Roaming-Paketen für Kunden, die ins Ausland reisen, oder lokale Rabatte für Nutzer in einem bestimmten Gebiet
• Erkennen von Netzproblemen und Ausfällen, um Probleme proaktiv anzugehen und mit den betroffenen Kunden zu kommunizieren und so Frustrationen zu vermeiden
• Maßgeschneiderte Dienste, gezielte Werbemaßnahmen und die Optimierung der Netzleistung: All dies kann Telekommunikationsunternehmen einen Wettbewerbsvorteil verschaffen und gleichzeitig dazu beitragen, dass ihre Kunden die bestmöglichen Erfahrungen machen
• Angebot eines Daten-Upgrades, wenn die Datennutzung eines Kunden seinen Tarif übersteigt, was überhöhte Gebühren verhindern und die Kundenzufriedenheit steigern kann
• Einführung von Kundenbindungsprogrammen, die Kunden für den Besuch bestimmter Standorte belohnen, z. B. in Telekommunikationsgeschäften oder Partnerunternehmen
• Empfehlung von Produkten, die zu dem passen, was ein Nutzer gerade gesucht oder kürzlich gekauft hat

Mobiles Marketing ist zwar effektiv und potenziell profitabel, kann aber auch Risiken bergen, die sich durch Personalisierung verringern lassen. Relevante Marketingnachrichten, die nützliche Informationen enthalten, können das Kundenerlebnis verbessern; irrelevante, nicht zielgerichtete Nachrichten hingegen landen im Spam-Ordner und können dazu führen, dass die Kunden das Interesse verlieren oder sich bei der Konkurrenz umsehen.

Durch die Bereitstellung personalisierter Angebote in Echtzeit auf der Grundlage von Kundenstandortdaten können Telekommunikationsunternehmen eine Win-Win-Situation schaffen, die die Kundenzufriedenheit erhöht und zur Steigerung des Umsatzes beiträgt. Dieser proaktive Ansatz vereinfacht das Kundenerlebnis und verringert das Risiko unerwarteter Kosten, was zu höherer Zufriedenheit und Loyalität führt. Für Telekommunikationsunternehmen, deren Gewinnspannen schrumpfen und die erhebliche Investitionen tätigen müssen, kann sich die Verbesserung des Kundenerlebnisses durch datengesteuerte Personalisierung und standortbezogene Angebote ebenfalls erheblich auf die Rentabilität auswirken. Standortbezogene Personalisierung kann das Umsatzwachstum auf verschiedene Weise fördern.

• Wenn Kunden Angebote erhalten, die für ihren aktuellen Standort relevant sind, sind sie eher bereit, spontane Käufe oder Upgrades vorzunehmen.
• Personalisierte Angebote binden die Kunden und verringern die Abwanderungswahrscheinlichkeit.
• Wenn die Nutzer das Gefühl haben, dass ihr Telekommunikationsanbieter ihre Bedürfnisse versteht, sind sie eher bereit, ihm die Treue zu halten.
• Gezielte Angebote sind kostengünstiger als Massenmarketingkampagnen.
• Mehr Möglichkeiten zum Upselling oder Cross-Selling von Zusatzleistungen wie Premium-Datenpaketen oder Smart-Home-Lösungen können den Lebenszeitwert des Kunden erhöhen.

Bei der Nutzung von Kundendaten zur Bereitstellung personalisierter Angebote in Echtzeit müssen Telekommunikationsunternehmen wie immer verantwortungsvoll mit diesen Daten umgehen, die gesetzlichen Vorschriften einhalten und transparent über die Datennutzung informieren. Die richtige Balance zwischen Personalisierung und Datenschutz ist der Schlüssel zu einer erfolgreichen Implementierung. Um dies zu erreichen, benötigen Telekommunikationsunternehmen eine Datenplattform, die Konsistenz, Skalierbarkeit und Leistung bietet und gleichzeitig Sicherheit sowie Service- und Bereitstellungsflexibilität gewährleistet.

Schaffen Sie ein Gleichgewicht zwischen Personalisierung und Datenschutz mit einer umfassenden Datenplattform

Durch die Aufnahme, Aufbereitung, Verarbeitung und Analyse von Daten können Telekommunikationsunternehmen ihren Kunden in Echtzeit personalisierte Angebote auf der Grundlage ihres Standorts unterbreiten. Dabei werden Standortdaten von den Geräten der Nutzer genutzt, in Echtzeit verarbeitet und dann personalisierte Angebote ausgelöst.

Die hier vorgestellte Architektur zeigt, wie wir empfohlene Oracle Komponenten kombinieren können, um eine Analysearchitektur aufzubauen, die den gesamten Lebenszyklus der Datenanalyse abdeckt und Telekommunikationsunternehmen und digitalen Service Providern dabei helfen soll, ihren Kunden kontextbezogene Angebote in Echtzeit zu unterbreiten und die oben beschriebenen vielfältigen Geschäftsvorteile zu erzielen.

Dieses Bild zeigt, wie Oracle Data Platform for Telecommunications eingesetzt werden kann, um das Kundenerlebnis zu verbessern, indem kontextbezogene Angebote auf der Grundlage von Standort, Nutzung und Gerätepräferenzen bereitgestellt werden.

Die Plattform umfasst die folgenden fünf Säulen:

1. 1. Datenquellen, Entdeckung
2. 2. Aufnehmen, transformieren
3. 3. Beibehalten, kuratieren, erstellen
4. 4. Analysieren, lernen, prognostizieren
5. 5. Messen, handeln

Die Säule Datenquellen, Entdeckung umfasst vier Kategorien von Daten:

1. 1. Die Anwendungen umfassen Daten aus CRM, Service, Abrechnung, Nutzung und Produktkatalog
2. 2. Business Records umfassen Daten aus den Bereichen BSS, OSS, CDRs und Einkaufshistorie
3. 3. Der technische Input umfasst Daten aus Netzwerkereignissen, Gerätedatensätzen und Netzwerkqualität
4. 4. Daten von Dritten umfassen Oracle Data Cloud, soziale Daten und Angebotspakete

Die Säule „Verbinden, aufnehmen, transformieren“ umfasst vier Funktionen.

1. 1. Die Batch-Ingestion verwendet OCI Data Integration, Oracle Data Integrator und DB-Tools.
2. 2. Die Massenübertragung verwendet OCI FastConnect, OCI Data Transfer, MFT und OCI CLI.
3. 3. Die Datenänderungserfassung verwendet OCI GoldenGate.
4. 4. Die Streaming-Aufnahme verwendet OCI Streaming, und Kafka Connect.

Alle vier Funktionen verbinden sich unidirektional mit dem bereitstellenden Datenspeicher und dem Cloud-Speicher innerhalb des Pillars „Beibehalten, kurieren, erstellen“.

Darüber hinaus ist die Streaming-Aufnahme mit der Stream-Verarbeitung innerhalb der Säule „Analysieren, lernen, prognostizieren“ verbunden.

Die Säule „Beibehalten, kuratieren, erstellen“ umfasst vier Funktionen.

1. 1. Der zugrunde liegende Datenspeicher verwendet Oracle Autonomous Data Warehouse und Exadata Cloud Service.
2. 2. Der Cloud-Speicher verwendet OCI Object Storage.
3. 3. Die Batchverarbeitung verwendet OCI Data Flow.
4. 4. Governance verwendet OCI Data Catalog.

Diese Funktionen sind innerhalb der Säule miteinander verbunden. Der Cloud-Speicher ist unidirektional mit dem zugrunde liegenden Datenspeicher und außerdem bidirektional mit der Batch-Verarbeitung verbunden.

Zwei Funktionen sind mit der Säule „Analysieren, lernen, prognostizieren“ verbunden. Der bereitstellende Datenspeicher ist sowohl mit der Analyse- und Visualisierungsfunktion als auch mit den Datenprodukten und API-Funktionen verbunden. Der Cloud-Speicher ist mit der ML-Funktion verbunden.

Die Säule „Analysieren, lernen, prognostizieren“ umfasst vier Funktionen.

1. 1. Analysen und Visualisierungen verwenden Oracle Analytics Cloud, GraphStudio und ISVs.
2. 2. Datenprodukte, APIs verwenden autonome Datenfreigabe, API-Gateway und Funktionen.
3. 3 Maschinelles Lernen verwendet OCI Data Science, Oracle Machine Learning und Oracle ML Notebooks
4. 4. Die Streaming-Verarbeitung verwendet OCI Goldengate Stream Analytics und Drittanbieter.

Die Säule „Messen, handeln“ erfasst, wie die Datenanalyse verwendet werden kann: von Mitarbeitern und Partnern.

1. 1. Menschen und Partner umfassen Kundensegmentierung, Vorhersageanalysen, Abwanderungsprognose, dynamische Preismodelle, Cross-Selling und Upselling, Analyse/Vorhersage, Lebenszeitwertvorhersage.
2. 2. Die Anwendungen umfassen Empfehlungssysteme/standortbezogene Dienste, Echtzeit-Verhaltensanalyse und Stimmungsanalyse
3. 3. Die drei zentralen Säulen – Aufnehmen, transformieren; Ausharren, kuratieren, schaffen; und Analysieren, lernen, prognostizieren – werden durch Infrastruktur, Netzwerk, Sicherheit und IAM unterstützt.

Daten verbinden, aufnehmen und transformieren

Unsere Lösung besteht aus drei Pillar, die jeweils spezifische Datenplattformfunktionen unterstützen. Die erste Säule bietet die Möglichkeit, Daten zu verbinden, aufzunehmen und zu transformieren.

Es gibt vier Hauptmöglichkeiten, Daten in eine Architektur einzuspeisen, damit Telekommunikationsunternehmen personalisierte Angebote in Echtzeit bereitstellen können.

• Zu Beginn unseres Prozesses ermöglichen wir Echtzeit- oder echtzeitnahe Extrakte (die echtzeitnahe Aufnahme wird manchmal auch als „Right-Time“-Einnahme bezeichnet, d. h. die Daten werden innerhalb eines Zeitfensters aufgenommen, in dem der Kontext eines Kunden identifiziert und das Angebot unterbreitet wird, während dieser Kontext beibehalten wird), um Daten aus CRM-Produkt- und Angebotssystemen von Unternehmen mit Oracle Cloud Infrastructure (OCI) GoldenGate aufzunehmen. Die Daten des Angebotskatalogs sowie der Verfügbarkeits- und Zulassungsregeln müssen nahezu in Echtzeit erfasst werden, um sicherzustellen, dass die Opt-out- und die gesetzlichen Vorschriften strikt eingehalten werden. Die Daten sind in der Regel relationaler Natur und stammen aus Unternehmensanwendungen. OCI GoldenGate verwendet Datenänderungserfassung (CDC), um Änderungsereignisse in der zugrunde liegenden Struktur der Systeme zu erkennen, die die zu bedienenden Betriebsprozesse liefern (z. B. die Erstellung eines neuen Angebots, ein Problem im Kundennetz, die Verwendung eines neuen Geräts durch den Kunden oder die Inanspruchnahme einer neuen Dienstleistung usw.), und sendet die Daten in Echtzeit an eine Persistenzschicht und/oder die Streaming-Schicht. OCI GoldenGate bietet einen CDC-Mechanismus, der Quelländerungen nichtinvasiv verarbeiten kann, indem er Protokolldateien abgeschlossener Transaktionen verarbeitet und diese erfassten Änderungen in externen, von der Datenbank unabhängigen Trail-Dateien speichert. Die Änderungen werden dann zuverlässig in eine Staging-Datenbank übertragen. Das Journaling Knowledge Module (JKM) verwendet die von Oracle Data Integrator verwalteten Metadaten, um alle OCI GoldenGate-Konfigurationsdateien zu generieren und verarbeitet alle von OCI GoldenGate erkannten Änderungen im Staging-Bereich. Diese Änderungen werden mithilfe der deklarativen Transformations-Mappings von Oracle Data Integrator in das Ziel-Data Warehouse geladen. Diese Architektur ermöglicht eine separate Echtzeit-Berichterstattung über die normalisierten Staging-Bereich-Tabellen zusätzlich zum Laden und Umwandeln der Daten in die analytischen Data Warehouse-Tabellen.
• Als Nächstes werden wir die Massenübertragung historischer betrieblicher Transaktionsdaten für Modellschulungen und Analysen der Angebotsintensität ermöglichen. Massenübertragungs-Services werden in Situationen verwendet, in denen große Datenmengen zum ersten Mal in die Oracle Cloud Infrastructure verschoben werden müssen, z. B. für Daten aus vorhandenen On-Premises-Analyse-Repositorys oder anderen Cloud-Quellen . Welcher Massenübertragungsdienst verwendet wird, hängt vom Speicherort der Daten und der Häufigkeit der Übertragung ab. Beispielsweise kann OCI Data Transfer Service oder OCI Data Transfer Appliance verwendet werden, um eine große Menge an On-Premises-Daten aus historischen Planungs- oder Data Warehouse-Repositorys zu laden. Wenn große Datenmengen kontinuierlich verschoben werden müssen, empfehlen wir die Verwendung von OCI FastConnect, das eine dedizierte private Netzwerkverbindung mit hoher Bandbreite zwischen dem Data Center eines Kunden und OCI bietet.
• Die Fähigkeit, Standortdaten von Kunden aus verschiedenen Quellen in Echtzeit zu analysieren, ist entscheidend für die Bereitstellung geeigneter und kontextbezogener Angebote. In diesem Anwendungsfall verwenden wir die Streaming-Ingestion, um alle von Kunden oder internen Ereignissen eingelesenen Daten über mobile Interaktionen, IoT, Machine-to-Machine-Kommunikation und andere Mittel einzuspeisen. Die Datenstreams können aus einer Vielzahl interner (Netzwerk) und externer (Beacon) Quellen stammen und Standortdaten, Daten zur Kundeninteraktion, Bewegungsdaten und Daten aus sozialen Medien umfassen. Daten (Ereignisse) werden aufgenommen und es finden einige grundlegende Transformationen/Aggregationen statt, bevor sie im OCI Object Storage gespeichert werden. Zusätzliche Streaming-Analysen können verwendet werden, um korrelierende Standortereignisse zu identifizieren und Aktionen einzuleiten. Erkannte Muster können (manuell) zurückgegeben werden, sodass die Rohdaten mit OCI Data Science untersucht werden können.
• Während sich die Echtzeitanforderungen weiterentwickeln, ist der häufigste Extract aus Produkt-, Kunden- und Marketing-Präferenzmanagementsystemen eine Art Batch-Ingestion mit einem ETL-Prozess. Die Batch-Ingestion wird verwendet, um Daten aus Systemen zu importieren, die kein Daten-Streaming unterstützen (z. B. einige ältere Abrechnungs- und Bewertungssysteme). Diese Extracts können häufig aufgenommen werden, so oft wie alle 10 oder 15 Minuten. Sie sind jedoch immer noch in Batch-Form, da Transaktionsgruppen extrahiert und verarbeitet werden und nicht einzelne Transaktionen. OCI bietet verschiedene Services für die Batch-Ingestion, wie z. B. den nativen OCI Data Integration-Service und Oracle Data Integrator, die auf einer OCI Compute-Instanz ausgeführt werden. Die Wahl des Services würde in erster Linie eher auf Kundenpräferenzen als auf technischen Anforderungen basieren.

Daten beibehalten, verarbeiten und kuratieren

Die Datenpersistenz und -verarbeitung basiert auf drei Komponenten. Einige Kunden werden alle verwenden, und andere wiederum nur einen Teil. Je nach Volumes und Datentypen können Daten in den Objektspeicher oder direkt in eine strukturierte relationale Datenbank zur dauerhaften Speicherung geladen werden. Wenn wir die Anwendung von Data Science-Funktionen erwarten, werden Daten, die aus Datenquellen in ihrer Rohform (als unverarbeitete native Datei oder Extrakt) abgerufen werden, in der Regel erfasst und von Transaktionssystemen in den Cloud-Speicher geladen.

• Der Cloud-Speicher ist die häufigste Datenpersistenzschicht für unsere Datenplattform. Er kann sowohl für strukturierte als auch für unstrukturierte Daten verwendet werden. OCI Object Storage, OCI Data Flow und Oracle Autonomous Data Warehouse sind die grundlegenden Bausteine. Aus Datenquellen im Rohformat abgerufene Daten werden erfasst und in den OCI Object Storage geladen. OCI Object Storage ist die primäre Datenpersistenzschicht, und Spark in OCI Data Flow ist die primäre Batchverarbeitungs-Engine. Die Batchverarbeitung umfasst mehrere Aktivitäten, einschließlich der grundlegenden Behandlung hinsichtlich der Qualität, der Verwaltung fehlender Daten und der Filterung basierend auf definierten ausgehenden Datasets. Die Ergebnisse werden basierend auf der erforderlichen Verarbeitung und den verwendeten Datentypen in verschiedene Ebenen des Objektspeichers oder in ein persistentes relationales Repository zurückgeschrieben.
• Wir verwenden nun einen zugrunde liegenden Datenspeicher, um unsere kuratierten Daten in einer für die Abfrageleistung optimierten Form zu speichern und einen 360-Grad-Blick auf die Abläufe des Unternehmens zu erhalten. Der bereitstellende Datenspeicher bietet eine persistente relationale Ebene, über die qualitativ hochwertige kuratierte Daten über SQL-basierte Tools direkt an Endbenutzer bereitgestellt werden. In dieser Lösung wird Oracle Autonomous Data Warehouse als bereitstellender Datenspeicher für das Data Warehouse des Unternehmens und, falls erforderlich, spezialisiertere Data Marts auf Domainebene instanziiert. Außerdem kann es die Datenquelle für Data Science-Projekte oder das für Oracle Machine Learning erforderliche Repository sein. Der bereitstellende Datenspeicher kann eine von mehreren Formen annehmen, einschließlich Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service oder Oracle Exadata Cloud@Customer.

Daten analysieren; lernen und vorhersagen

Die Fähigkeit, zu analysieren, zu lernen und vorherzusagen, wird durch drei Technologieansätze erleichtert.

• OCI GoldenGate Stream Analytics ermöglicht die kontinuierliche Aufnahme von Streaming-Daten aus verschiedenen Quellen, einschließlich Standortdaten. Diese Daten werden in Echtzeit von GPS-Geräten und mobilen Apps abgefragt, um den Standort und das Kundenverhalten zu ermitteln. Dies bietet eine ereignisgesteuerte Architektur, in der Daten als eine Reihe von Ereignissen verarbeitet werden. In diesem Fall handelt es sich bei den Ereignissen um Benutzerbewegungen, Geofencing-Auslöser oder andere relevante Vorgänge. Geofencing-Ereignisse, die anzeigen, wann ein Nutzer vordefinierte geografische Bereiche betritt oder verlässt, werden in Echtzeit verarbeitet. Diese mit einem Geofence versehenen Auslöser können sofort Aktionen einleiten, z. B. die Auswertung vordefinierter Regeln für personalisierte Angebote auf der Grundlage des aktuellen Standorts des Nutzers. Die Lösung ermöglicht eine nahtlose Integration mit externen Datenquellen, wodurch die Echtzeitanalyse mit zusätzlichem Kontext angereichert wird. Externe Daten, wie z. B. Wetterbedingungen oder lokale Ereignisse, können dynamisch in die Verarbeitungspipeline integriert werden, um die Relevanz und Personalisierung von Angeboten zu verbessern und Echtzeitreaktionen zu ermöglichen, Aktionen auszulösen und personalisierte Angebote auf der Grundlage des aktuellen Kontexts und Standorts des Nutzers zu erstellen.
• Erweitere Analysefunktionen sind entscheidend für die Ermittlung des Kundenverhaltens, um personalisierte Angebote zu erstellen, einschließlich der Bereitschaft zur Inanspruchnahme und der kontextbezogenen Analyse. In diesem Anwendungsfall verlassen wir uns für die Bereitstellung von Analysen und Visualisierungen auf Oracle Analytics Cloud. So können Telekommunikationsunternehmen deskriptive Analysen (Beschreibung aktueller Trends mit Histogrammen und Diagrammen), prädiktive Analysen (Vorhersage zukünftiger Ereignisse, Ermittlung von Trends und Bestimmung der Wahrscheinlichkeit ungewisser Ergebnisse) und präskriptive Analysen (Vorschläge für geeignete Maßnahmen zur Unterstützung einer optimalen Entscheidungsfindung) nutzen.
• Präskriptive Analysen gehen über die Vorhersage von Ergebnissen hinaus und geben Empfehlungen für die beste Vorgehensweise. Telekommunikationsunternehmen können präskriptive Analysen nutzen, um individuelle Kundenpräferenzen zu verstehen und standortbezogene Angebote auf deren Bedürfnisse und Interessen zuzuschneiden. Durch die Anwendung von Prognosemodellen auf historische Daten können Telekommunikationsunternehmen zukünftige Ergebnisse vorhersagen und proaktive Entscheidungen treffen. So kann die prädiktive Analytik dabei helfen, das am besten geeignete Angebot für einen Kunden zu identifizieren und das Kundenverhalten vorherzusehen, potenzielle Möglichkeiten zur Kontextualisierung von Angeboten zu erkennen und die Angebotsannahme zu optimieren.
• Zusätzlich zu erweiterten Analysen werden zunehmend Data Science, maschinelles Lernen und künstliche Intelligenz eingesetzt, um nach Anomalien zu suchen, vorauszusagen, wo Prozessverzögerungen auftreten könnten, und die Customer Journey zu optimieren. Machine Learning-Modelle können beispielsweise zur Kontextidentifizierung, Kundensegmentierung und für personalisiertes Marketing eingesetzt werden. Da diese Modelle kontinuierlich aus neuen Daten lernen, können sie sich anpassen und ihre Leistung im Laufe der Zeit verbessern, was zu einer höheren Kundenzufriedenheit und einer größeren Rentabilität führt. OCI Data Science, OCI AI Services und Oracle Machine Learning können in den Datenbanken verwendet werden.
• Wir nutzen maschinelles Lernen und Data Science, um unsere vorausschauenden Modelle zu entwickeln und zu trainieren. Diese ML-Modelle können dann für die Bewertung über APIs bereitgestellt oder als Teil der OCI GoldenGate-Streamanalyse-Pipeline eingebettet werden. In einigen Fällen können diese Modelle sogar mithilfe der REST-API von Oracle Machine Learning Services in der Datenbank bereitgestellt werden (dazu muss das Modell im Open Neural Network Exchange-Format vorliegen). Darüber hinaus können OCI Data Science für Jupyter/Python-zentrierte Notebooks oder Oracle Machine Learning für das Zeppelin-Notebook und Algorithmen für maschinelles Lernen innerhalb des bereitstellenden oder Transaktionsdatenspeichers bereitgestellt werden. In ähnlicher Weise können Oracle Machine Learning und OCI Data Science (entweder allein oder in Kombination) Empfehlungs-/Entscheidungsmodelle entwickeln. Diese Modelle können als Service eingesetzt werden, und wir können sie hinter OCI API Gateway implementieren, um sie als „Datenprodukte“ und Services bereitzustellen. Schließlich können die einmal erstellten ML-Modelle in Anwendungen eingesetzt werden, die Teil eines operativen Entscheidungssystems sind (falls zulässig).
• Die letzte, aber entscheidende Komponente ist die Data Governance. Dies wird von OCI Data Catalog ausgeführt, einem kostenlosen Service, der Data Governance und Metadatenverwaltung (sowohl für technische als auch geschäftliche Metadaten) für alle Datenquellen im Datenplattform-Ökosystem bereitstellt. OCI Data Catalog ist ebenso eine wichtige Komponente für Abfragen von Oracle Autonomous Data Warehouse an OCI Object Storage, da damit Daten unabhängig von der Speichermethode schnell lokalisiert werden können. Dadurch können Endbenutzer, Entwickler und Data Scientists eine gemeinsame Zugriffssprache (SQL) für alle persistenten Datenspeicher in der Architektur verwenden.

Nutzen Sie Ihre Daten, um das Kundenerlebnis zu verbessern und die Kundenbindung zu stärken

Mit der Unterstützung für den gesamten Lebenszyklus der Datenanalyse bietet die Oracle Modern Data Platform Telekommunikationsunternehmen die Tools, die Leistung, die Sicherheit und die Flexibilität, die sie benötigen, um ihren Kunden personalisierte, standortbezogene Angebote in Echtzeit zu unterbreiten. Dieser Marketingansatz kann sowohl für den Kunden als auch für das Telekommunikationsunternehmen erhebliche Vorteile mit sich bringen:

• Verbesserte Kundenerlebnisse: Kunden erhalten nützliche Angebote, wann und wo sie am wertvollsten sind, und können sie mit minimalem Aufwand annehmen.
• Bessere Angebotsannahmequoten und höherer Customer Lifetime Value: Kunden nehmen eher Angebote an, die sie tatsächlich wünschen und benötigen, was zu einer Umsatzsteigerung beitragen kann.
• Verbesserte Fähigkeit, Kunden zu gewinnen und zu binden: Hervorragende Kundenerlebnisse in Verbindung mit effizienten Dienstleistungen, wettbewerbsfähigen Preisen und innovativen Angeboten können dazu beitragen, die Kundentreue zu stärken und die Abwanderung zu verringern.
• Bessere Kosteneffizienz: Gezielte Angebote sind in der Regel erfolgreicher als Massenmarketingkampagnen, sodass Telekommunikationsunternehmen eine höhere Rendite erzielen können.
• Umsatzwachstum: Die Verbesserung der Kundentreue und die Vertiefung der Kundenbindung, die Ausweitung gezielter Cross-Selling- und Upselling-Chancen, die Optimierung der Marketingausgaben und die Steigerung des Customer Lifetime Value können Telekommunikationsunternehmen dabei helfen, sich in einem wettbewerbsintensiven Markt einen Vorteil zu verschaffen und das Umsatzwachstum zu steigern.