Big Data im Call Center: Kundenbindung verbessern, Antwortzeiten verkürzen, Kosten reduzieren! Sascha Bäcker Dr.

Größe: px

Ab Seite anzeigen:

Download "Big Data im Call Center: Kundenbindung verbessern, Antwortzeiten verkürzen, Kosten reduzieren! 25.02.2016 Sascha Bäcker Dr."

Heidi Fromm
vor 8 Jahren
Abrufe

1 Big Data im Call Center: Kundenbindung verbessern, Antwortzeiten verkürzen, Kosten reduzieren! Sascha Bäcker Dr. Florian Johannsen

2 AGENDA 1. Big Data Projekt der freenet Group Dr. Florian Johannsen // Business Intelligence Das Problem Wir suchen eine Lösung Die nächsten Schritte Was haben wir gelernt 2. Round-Up Sascha Bäcker // Solution Architect

3 Big Data Projekt der freenet Group Erste Ergebnisse und Mehrwert von Apache Spark Dr. Florian Johannsen, Business Intelligence 3 Big Data Projekt der freenet Group

4 freenet GROUP 4 Big Data Projekt der freenet Group

5 1 Das Problem 5 Big Data Projekt der freenet Group

6 Mobilfunkgeschäft der freenet Group Umfangreicher Austausch von Daten im Geschäftsbetrieb Hersteller, Content- Provider Netzbetreiber freenet Group Kunden 6 Big Data Projekt der freenet Group

7 Die Herausforderung in 4 Dimensionen für Analysten mit Big Data Technik Analytische Methodik Daten Business 7 Big Data Projekt der freenet Group

8 2 Wir suchen eine Lösung 8 Big Data Projekt der freenet Group

9 Aufwand Proof of Concept Kundenkontakt-Analysen (Sprache und Text) Sprachkontaktanalysen Messung von Gesprächsgeschwindigkeit, Gesprächsanteilen, Sentiment. Analyse der Service- und Vermarktungsqualität. Indikationen für Vermarktungserfolge. Schriftkontaktanalysen Sentiment Metadaten Sprache Kategorisierung Gesprächsleitfaden Automatische Zuordnung des Gesprächsthemas. Messung der Positivität der Kundenschreiben. Erkennung ja / nein Komplexität 9 Big Data Projekt der freenet Group

10 Workflow Sprachanalyse im Proof of Concept Umwandlung von Sprache in Text durch externen Anbieter Aufbereitung der Textfiles in-memory Analyse der Gesprächstexte 10 Big Data Projekt der freenet Group

11 Ergebnisse Sprachkontaktanalysen Gespräche lassen sich detailliert analysieren Erkennung von erfolgreichen Verkaufsgesprächen, Abgleich mit Gesprächsleitfaden, allgemeinen Metadaten (Deutlichkeit der Sprache, Gesprächsanteile, Crosstalk etc.) und Sentiments. Messung optimaler Gesprächslänge, Gesprächsanteile und Sprechgeschwindigkeit. Einfluss Sentiment auf Vermarktungserfolg. Lifecycle-Ereignisse mit negativem Einfluss auf Wortwahl der Kunden analysierbar. Speicherbedarf: 5MB / h bei Gesprächen im Monat (etwa 100GB an Daten). Schriftkontaktanalysen Automatische Zuordnung der Schreiben zu einem (oder mehreren) von 135 Service-Themen. Sentiment-Einschätzung der Kundenschreiben sind ebenfalls möglich. 11 Big Data Projekt der freenet Group

12 3 Die nächsten Schritte 12 Big Data Projekt der freenet Group

13 Entwicklungsschritte Big Data Management Erweiterung des klassischen Data Warehouse in drei Schritten Daten 3. Big Data Archive 2. Explorative Analysis Data Lake 1. Data Warehouse Zeit 13 Big Data Projekt der freenet Group

14 4 Was haben wir gelernt 14 Big Data Projekt der freenet Group

15 Was haben wir gelernt Big Data und Spark Kombination aus HFS-Speicher mit in-memory-verarbeitung mit großem Mehrwert Günstiger Speicher zum ablegen von Dateien (HFS). Hohe Geschwindigkeit bei in-memory-verarbeitung und Analysen (Spark). Optimale Ausnutzung der Cluster-Architektur. Große (und wachsende) Auswahl an Programmiersprachen im Spark-Framework. Built-in Analyse-Libraries (MLlib ). 15 Big Data Projekt der freenet Group

16 Was haben wir gelernt Big Data und der Datenmüll Vermeintlicher Datenmüll verbessert analytische Ergebnisse Nicht abgeschlossene Transaktionen (bspw. Vertragsverlängerungen) ermöglichen das Auffinden von Schwächen/Fehlern im Produkt-Portfolio oder bei der Vermarktung. Metadaten zur Textumwandlung der Sprachfiles ermöglichen: Die Identifizierung von Crosstalk oder sprachlicher Genauigkeit. Veränderung der Sprechgeschwindigkeit im laufenden Gespräch ist messbar. 16 Big Data Projekt der freenet Group

17 Was haben wir gelernt Big Data und das klassische Data Warehouse Enge organisatorische Verknüpfung mit dem DWH verbessert analytische Kapazitäten Strukturierte und unstrukturierte Daten lassen sich geräteübergreifend Verknüpfen Gemeinsame Entscheidung über den optimalen Verarbeitungsweg: Import mit klassischen ETL-Tools in das DWH und Verfügbarmachung als Tabellen. Oder direkter Transfer auf das HFS. Ziel: Kurze Wege für die Analysten zu den Daten, Zugriff auf Rohdaten wenn sinnvoll. 17 Big Data Projekt der freenet Group

18 Was haben wir gelernt Big Data und der Datenschutz / Betriebsrat Offene und transparente Kommunikation sichert den Erfolg der Big Data Projekts Angst vor automatischen Profilbildungen abbauen (nichts passiert automatisch!). Parallelen zur klassischen Datenhaltung aufzeigen. Möglichkeiten zur Anonymisierung nutzen (wenn möglich/nötig). Fokus auf Optimierung von Unternehmensprozessen. 18 Big Data Projekt der freenet Group

19 Vielen Dank. 19 Big Data Projekt der freenet Group

20 ROUND-UP

21 ROUND-UP >> HW: EMC DCA

22 ROUND-UP >> HW: EMC DCA Optimale Konfiguration Hardware und Software Up&Running in zwei Tagen Flexible Module (DIA)

23 USE CASE: KATEGORISIERUNG >> Warum Spark? Ist einfach zu lernen (Python/R) Skaliert Gut in Hadoop zu integrieren Ist eines der aktivsten Apache Projekte InMemory für effizientes ML Spark SQL Spark Streaming Spark (machine learning) Apache Spark Spark (graph) Bringt Funktionen zum Realtime-Computing mit (Spark Streaming)

24 USE CASE: KATEGORISIERUNG >> Kategorisierung von Text: Naïve Bayes Verwendung von LabeledPoint Trainingssätze: Alle klassifizierten Sätze (~ ) Training des Modells parallel auf allen Clustern Prädiktion der unklassifizierten Sätze (~40.000) Laufzeit gesamt: 8 Minuten

UNSERE LEISTUNGEN >> Rolle von FRITZ & MACZIOL Technologisches Enablement Auswahl der optimalen Plattform (HW/SW) Überführung in den Betrieb Kapselung der

25 UNSERE LEISTUNGEN >> Rolle von FRITZ & MACZIOL Technologisches Enablement Auswahl der optimalen Plattform (HW/SW) Überführung in den Betrieb Kapselung der Komplexität Nutzung der sehr guten Kontakte zu unseren Partnern (IBM/EMC/Pivotal) Die Lösung im Mittelpunkt Beratung. Methodenkompetenz. Herstellerneutral.

26 HABEN SIE NOCH FRAGEN? Ansprechpartner Sascha Bäcker

Ähnliche Dokumente

Big Data Modewort oder echter Mehrwert. freenet Group Dr. Florian Johannsen

Big Data Modewort oder echter Mehrwert freenet Group Dr. Florian Johannsen freenet Group 2 Titel der Präsentation 07.07.2015 Mobilfunkgeschäft der freenet Group Austausch von Daten und Informationen Im