ERFOLGSFAKTOREN EINER DATENGETRIEBENEN CUSTOMER-CARE-OPTIMIERUNG

Größe: px

Ab Seite anzeigen:

Download "ERFOLGSFAKTOREN EINER DATENGETRIEBENEN CUSTOMER-CARE-OPTIMIERUNG"

Hajo Bretz
vor 6 Jahren
Abrufe

1 data2day 2017 ERFOLGSFAKTOREN EINER DATENGETRIEBENEN CUSTOMER-CARE-OPTIMIERUNG Matthias Wurdig Lead Analyst & Product Owner 1&1 Internet SE Dr. Stefan Igel Head of Big Data Solutions inovex GmbH

2 Agenda W W W arum Big Data im Customer Care? ie wurde der Big Data Hub aufgebaut? as sind die Ergebnisse? &1 Internet SE

3 Agenda W W W arum Big Data im Customer Care? ie wurde der Big Data Hub aufgebaut? as sind die Ergebnisse? &1 Internet SE

4 &1 Internet SE

5 Service Qualität verbessern, Self-Service erhöhen Onliner Caller Warum rufen die Kunden an? Welche Ereignisse sind dem Kontakt vorausgegangen? Haben sie versucht, das Problem selbstständig zu lösen? Wie weit sind sie gekommen? War die Beratung erfolgreich? Was lässt sich verbessern? Wie zufrieden sind die Kunden? &1 Internet SE

6 Warum Big Data im Customer Care? Zufriedenheits-Reporting Kündigungs-Reporting Service Kontakt Reporting Kontakt-Kategorien Gesprächsdauer Weiterleitungen Land Geschlecht Kundenalter Service Kontakt Data &1 Internet SE

7 Warum Big Data im Customer Care? Heterogene Systemarchitektur Dezentrale Datenorganisation Hoher manueller Aufwand übergreifende Analysen Stammdaten Service Kontakt Daten Kündigungswünsche Zufriedenheits Bewertung Event basierte Logs &1 Internet SE

8 Warum Big Data im Customer Care? Big Data Hub Stammdaten Service Kontakt Daten Kündigungswünsche Zufriedenheits Bewertung Event basierte Logs &1 Internet SE

9 Warum Big Data im Customer Care? Identifikation von positiv & negativ Merkmalen Korrelationsanalysen zwischen KPIs Kundenzufriedenheit Service Calls Kündigungen??? Kundenzufriedenheit &1 Internet SE

10 Agenda W W W arum Big Data im Customer Care? ie wurde der Big Data Hub aufgebaut? as sind die Ergebnisse? &1 Internet SE

11 Das Control Center &1 Internet SE

12 Herausforderung Datenintegration Control Center Domain Services Login Service Help Center Support Case Management Telefonanlage Interactive Voice Response Hotline Tool Logfiles Big Data Hub Prozess-Mailings Kundenstamm Vertragsstamm &1 Internet SE

13 Lösungsarchitektur Analytics Clients Data Science IDE, Notebooks, SQL Clients (Web-Interface) BI Tool Reporting Ad hoc Analytics Acquisition Big Data Hub BDH Ingestion BDH Analytical Data Hub Data Quality Gate Import / Stageing Layer Integration Layer User Space Data Preparation Business Layer Data Privacy Protection Other BDH Data BDH Data Services BDH Data Exports &1 Internet SE

14 Technische Komponenten und Frameworks Datenspeicherung: (Cloudera CDH 5.x) ETL und Analyse:, Workflows: (Apache Airflow) BI Tools:, Data Analytics:, &1 Internet SE

15 Datentransformationen Pre-Processor Import / Stage Integration Zeitstempel (Part.) Liefer-Zeit Liefer-Zeit Event-Zeit Zeitzone Server-Zeit Server-Zeit UTC Stammdaten Full Loads Full Loads Historisierung Schema normalisiert normalisiert Denormalisiert Transport cp distcp Hive-Query Datenformat csv csv Parquet &1 Internet SE

16 Wie wurde der Big Data Hub aufgebaut? Generisches Transaktions-Datenformat Definierte Format-Struktur Individualisierbare json Objekte in Datenbank Big Data Hub { Konferenz : data2day, Datum : , Ort : Heidelberg } A B C D E F &1 Internet SE

17 Projekt Stakeholder CM CSP Dev UIM 3 Vorstandsbereiche + Datenlieferanten + IT Operations + parallele Projekte inovex CC Big Data Hub CISO BEAT &1 Internet SE

18 Projektorganisation Management (Bereichsleiter) Lenkungskreis Vision / Ziele Meilensteine Budget Product Owner Scrum Master Scrum Team Big Data Hub DevAlytics Team Epics User Stories Plattform Datenquellen / ETL Analysen &1 Internet SE

Übergeordnete Entscheidungen Product Owner

Big Data Hub 2-3 Wochen Daily Scrum Team

Planning Sprint Backlog Sprint (feste Länge)

19 Projekt Ablauforganisation Management (Bereichsleiter) Lenkungskreis 4-6 Wochen Übergeordnete Entscheidungen Product Owner Scrum Master Status Impediments Schwerpunkte Big Data Hub 2-3 Wochen Daily Scrum Team DevAlytics Team Product Backlog Sprint Planning Sprint Backlog Sprint (feste Länge) Sprint Review Potentially Shippable Product &1 Internet SE

20 DevAlytics? Interdisziplinäres Projektteam Scrum Master Product Owner Data Analysts DevAlytics Team Data Engineers Data Developers &1 Internet SE Data Stewards Application Managers System Engineers

21 Wie wurde der Big Data Hub aufgebaut? Inkrementeller Prozess Datenintegration Datenanalyse Datenbereitstellung 6 Standardisierung 1 Priorisierung Iteratives agiles Vorgehen Aufbereitung der Rohdaten 5 Analysen 2 Beispieldaten Domänen Wissen der Analysten nutzen Analyse Sichten in Business Layern bereitstellen 4 Implementierung 3 Test- Analysen &1 Internet SE

22 Agenda W W W arum Big Data? ie wurde der Big Data Hub gebaut? as sind die Ergebnisse? &1 Internet SE

23 Was sind die Ergebnisse? Erstmalige Verknüpfung verschiedener Datenquellen Advanced Analytics Tools Monitoring Front End Visual Analytics Tool &1 Internet SE

24 Was sind die Ergebnisse? Event Analysen Preisanpassungen Migrationen Top-KPI Reports Standard Analysen Standard Views in Business Layern &1 Internet SE

25 Was sind die Ergebnisse? Erhöhung der Analyse-Geschwindigkeit Analyse Aufbereitung Beschaffung Klassische Analyse Big Data Analytics &1 Internet SE

26 Was sind die Ergebnisse? Identifikation der Top positiv & negativ Merkmale für Kundenzufriedenheit Service Calls Kündigungen??? durch Data-Mining Techniken Kundenzufriedenheit &1 Internet SE

27 Was sind die Ergebnisse? Verknüpfung der Datenquellen Service Ganzheitliche Touch-Points Betrachtung in der Customer Journey Online Zufriedenheitsmodell zur Identifikation der Top- Merkmale Service Call Online Online Online Service Call Zufriedenheits- Rating &1 Internet SE

28 Was sind die Ergebnisse? Top Zufriedenheitstreiber identifiziert Am Beispiel Aktivierung Δ x Aktivierung ist ein Merkmal für Zufriedenheit &1 Internet SE Schematische Beispiel-Analyse

29 Was sind die Ergebnisse? &1 Internet SE

30 Was sind die Ergebnisse? &1 Internet SE

31 Was sind die Ergebnisse? Monitoring & Visual Analytics Tool Top KPIs: Kundenzufriedenheit Kündigungen [Calls] > 100 Analyse-Merkmale Customer Journey in Sankey Darstellung &1 Internet SE

32 FAZIT &1 Internet SE

33 Herausforderungen Hardware Beschaffung Unterschiedliche Stakeholder-Interessen Schnittstellen-Management Projektkapazitäten Heterogene Nutzergruppen &1 Internet SE

34 Top Erfolgsfaktoren Agile-Projekt Organisation & Stakeholder Management Multiprofessionelles, engagiertes Team Frühe Produkt & Ergebnisbereitstellung Skalierbare technische Plattform Effektive und effiziente Datenintegration &1 Internet SE

35 FRAGEN? Matthias Wurdig Lead Analyst & Product Owner 1&1 Internet SE Dr. Stefan Igel Head of Big Data Solutions inovex GmbH

Ähnliche Dokumente

Scrum für Business Intelligence Projekte erfolgreich nutzen. Es begrüßt Sie Thomas Löchte

Scrum für Business Intelligence Projekte erfolgreich nutzen Es begrüßt Sie Thomas Löchte Die Informationsfabrik Die Informationsfabrik macht erfolgreiche BI und DWH Projekte und hat zufriedene, referenzierbare