Így nyertek a Big datával

Melyik ma Big datában az öt+egy legjobb ötlet nálunk? A Telekom Big Data Contest versenyért felelős Dobó Mátyással, a Magyar Telekom Product House igazgatójával beszélgettünk.

– Milyen volt a jelentkezési hajlandóság? Van elég Big Data csapat nálunk?
– Elégedettek vagyunk a Telekom által kiírt Big Data Contestre beérkezett pályázatok számával. Már a verseny ötletének megfogalmazásánál is tisztában voltunk azzal, hogy a Big Data egy most alakuló iparág, nagyon az elején vagyunk ennek a piacnak. A Big Datával foglalkozó cégek köre sem nagy még. A célunk az volt, hogy megnézzük, milyen ötletek vannak a piacon, kik foglalkoznak ezzel a témával, kik tudnak megoldási javaslatokat hozni, és ezekből mik azok, melyeket a Telekom hasznosítani vagy támogatni tud. Tehát nem vártunk több száz jelentkezőt, inkább egy láthatóságot szerettünk volna teremteni ezen az alakuló piacon.

– Mennyire volt összetett a kihívás?
– A versenykiírás célja új Big Data ötletek, use case-ek felkutatása volt, azt szerettük volna elérni, hogy azok, akik látnak fantáziát a telekommunikációs adatok felhasználásában, osszák meg az ötleteiket velünk. Szerettük volna felvenni a kapcsolat az ezzel foglalkozó szakemberekkel, cégekkel. Ezeket a célokat sikerült is elérnünk. A visszajelzések alapján amúgy érthető volt a kiírás, egyéni kérdéssel fordultak hozzánk páran, ezeket egyenként tisztáztuk.

– Milyen volt a felhozatal a versenyen?
– Számos big data verseny van világviszonylatban, ezeket jellemzően akadémiai, illetve ipari célok mozgatják. A mi esetünkben az utóbbi, telekommunikációs iparághoz tartozó projekteket kerestünk, viszont a jelentkezők mindkét területet képviselték. Voltak köztük matematikusok, hálózatkutatók, pszichológusok, és voltak IT szakemberek, közgazdászok és elemzők. A beküldött pályázatok elég színesek voltak (a legjobbakat lásd külön – a szerk.). Érkeztek olyan ötletek, amelyek üzletileg mindenképpen hasznosíthatónak tűnnek, és olyanok, amelyek már jelen vannak a piacon, illetve, amelyek inkább kreativitásukban voltak jobbak, mint üzleti hasznosíthatóságukban.

– Miben erősek a magyarok e technológiákban?
– A big data hardware és software fejlesztések sok esetben hatalmas kutatás-fejlesztés eredményei. Magyarország ebben a tekintetben kicsi ország, viszont matematikai és data mining szempontból komoly potenciállal rendelkezik.

– Miért volt nehéz a zsűri döntése?
– A Final Pitchre beválasztott csapatok mindegyike nagyon hasznos ötlettel állt elő, bár volt köztük olyan, mely már jelen van a piacon, azonban a választás így is nehéz volt. A döntés során nem volt egységes álláspont, két erős vélemény ütközött. Az egyik az volt, hogy olyan ötletet válasszunk, amely egyértelműen piacosítható, a másik pedig az, hogy az ötlet eredeti legyen, és ne az üzleti megvalósíthatóság legyen fontos. Végül arra jutottunk, hogy mivel ez a verseny egy ötletverseny volt, olyan eredeti ötletet keressünk, amelyben látszik az üzleti potenciál is, még ha nem is látható pontosan elsőre, hogy ez mekkora.

– Miben volt más a végül első helyezést elért DMlab pályázata?
– A nyertes ötletnek egyrészt meglepő volt a felhasználási területe. A jelenlegi big data irányok az ajánlatok targetálására, az ügyfélkép pontosítására vagy a lemorzsolódásra koncentrálnak. A DMlab nyertes ötlete nem sorolható ezekbe a csoportokba. Másrészt úgy tűnik, hogy reális esélye van a tényleges megvalósításnak. A következő lépésünk, hogy egy proof-of-concept-et készítsünk az üzleti megvalósíthatóság tesztelésére.

KI NYERTE AZ EGYMILLIÓT?

A nyertes ötlet a DMlab Kft.-től jött

A nyertes ötlet arra kínál megoldást az ügyféladatok anonim elemzése mellett, hogy milyen módon és pontosan melyik időpontban érdemes azokkal az ügyfelekkel kapcsolatba lépni, akik valamiért elfelejtik időben befizetni a számlájukat.

Egy ilyen, a megfelelő időpontban kiküldött, személyre szabott „gentle reminder” hozzájárulhat az ügyfélélmény növeléséhez.

+++

A további öt legjobb ötlet

Hol vannak most a lemorzsolódott ügyfelek? – ez szintén DMlab Kft.-től érkezett
A Dmlab megoldása képes a lemorzsolódott ügyfelek hívási szokásainak visszamenőleges elemzésére, illetve ugyanezen hívási szokások beazonosítására a jelenleg naplózott, rögzített adatokon belül. A lemorzsolódott ügyfelek most lehetnek más szolgáltatónál, egyszerűen eltűnhettek, vagy akár új ügyfélként vissza is térhettek a Telekomhoz. Csupán az anonim, név nélküli adatok feltöltésére van szükségünk. A többit elvégzi az algoritmusunk, egyedi ügyfél-azonosító hozzárendelésével jelentést készít és riasztást, illetve jelzést ad, amikor egy korábban lemorzsolódott ügyfél azonosítása sikerült. A felhasználó különböző változó adatokat is megadhat az algoritmus felé, ezzel maximalizálva annak pontosságát.

Smart Traffic as a Service – Csaba Zoltán László

A Magyar Telekom rendelkezésére álló dinamikus lokációs adatkör alkalmas arra, hogy magas minőségű, valós idejű forgalmi adatokat, illetve ezekre épülő szolgáltatásokat biztosítson harmadik felek számára, ezzel belépve a 2 milliárd dolláros real-time közlekedési piacra. A B2C szegmensen kívül az automotive piacon is komoly érdeklődés van a „live traffic” szolgáltatások iránt, elsődleges ügyfelek a térkép-, navigáció szolgáltatók, vagy az autógyártók lehetnek a B2B területen.

Az ügyfelek értékelését, a lemorzsolódás előrejelzését és a szolgáltatások elterjesztését célzó hálózatos megközelítés – Ságvári Bence
A hálózatos megközelítés alapján működő ügyfélértékelés új rendszerét, valamint a lemorzsolódás folyamatában a kaszkádos hatások feltárását tervezzük bevezetni. Módszerünk lehetővé teszi a kritikus pontok időben történő jelzését és a megelőző intézkedések megtételét. Bemutatjuk továbbá, hogy hálózatos módszereinkkel hogyan segíthető elő az új szolgáltatások elterjesztése. Ennek céljából elvégezzük a hívások, valamint a lemorzsolódási események és szolgáltatási adatok részletes hálózati elemzését.

Telekom ügyfelek ízléselemzése – Gayer Zoltán

A LInKE a Telekommal együttműködve kiépít egy Facebook applikációt, amely révén a résztvevőknek (beleegyezőknek) begyűjtjük az összes Facebook like-ját és share-jét (url-jeit). Ez alapján klaszterező, hálózatelemző eljárásokkal kimutatjuk, a Telekom ügyfelek milyen ízléscsoportokba tartoznak. Az adatokat (az ügyfél beleegyezésével) összekapcsoljuk Telekomos adatokkal, például vásárlási, termékhasználati (telefonálás, internetezés, csomagok), lokációs adatokkal, vagy más CRM adatokkal.

Lokáció alapú fraud megelőzés bankkártyás tranzakciók esetén – Inition Kft.

A bankkártyás visszaélések megelőzése érdekében a tranzakció végrehajtás engedélyezését az ügyfél mobilkészülék lokációjának ellenőrzésével kívánjuk összekötni. Az MT új szolgáltatását igénybe vevő pénzintézetek számára egyrészről automatizáltan biztosítanánk, hogy ügyfeleik számláin csak akkor történjen terhelés, ha a kártyahasználat helyszíne megegyezik az ügyfél tartózkodási helyével. Másrészről, ha e feltétel nem teljesül, akkor az ügyfelek SMS-ben engedélyezhetnék az adott tranzakciót.