16 Ιανουαρίου 2019

Συνέντευξη από τον Νέστορα Παναγιωτόπουλο, CRM Senior Analyst, Hellas Online

Νέστορας Παναγιωτόπουλος
CRM Senior Analyst, Hellas Online

 

Στον χώρο των τηλεπικοινωνιών τα business analytics είναι σε αρκετά προχωρημένο επίπεδο σε σχέση με άλλους τομείς της αγοράς. Εσείς σε ποιο τμήμα ξεκινήσατε να τα χρησιμοποιείτε;

 

Γενικά στο χώρο των τηλεπικοινωνιών ξεκίνησα στο IT, όπου χρησιμοποιούσα τα BA για :

Ø Διευρυμένο data analysis, εκεί όπου η υπάρχουσα reporting υποδομή δε μπορούσε να βοηθήσει

Ø Στήσιμο υποδομής χρήσιμης για data analysis από άλλα τμήματα της εταιρείας

Ø Projects όπως tariff optimization και churn prediction

 

Στην hellas online έχω σχεδόν τις ίδιες δραστηριότητες αλλά αυτή τη φορά στο Marketing/CRM, έχοντας πρόσβαση στο IT data warehouse.

Είτε στο IT είτε στο Marketing συνυπάρχουν πλεονεκτήματα και μειονεκτήματα. Στο ΙΤ είσαι κοντά στα data αλλά μακριά από το business, στο CRM ισχύει το αντίθετο.

Νομίζω ότι ένα ξεχωριστό τμήμα  ατόμων προερχομένων από το IT, το Marketing και το Campaign execution τμήμα αποτελεί τη βέλτιστη λύση.

 

Μπορείτε να μας δώσετε ένα παράδειγμα πως βελτιώσατε τη λειτουργία ενός τμήματος ή κάποιων διαδικασιών στη HOL χρησιμοποιώντας τα BAs;

 

Πέρα από τα καινούργια και σύνθετα έργα  που γίνονται μέσω των BA, τα εργαλεία αυτά έχουν αυτοματοποιήσει ή ημι-αυτοματοποιήσει  διαδικασίες (κυρίως μηνιαία reports) που γίνονται στο χώρο του  Marketing, οι οποίες πριν  απαιτούσαν πολλές εργατοώρες.

 

Η Hellas On Line είναι μια εταιρεία τηλεφωνίας αλλά παρέχει κι άλλες υπηρεσίες. Είναι εύκολο για μια εταιρεία να μπορεί να διαχειριστεί τους πελάτες της αποτελεσματικά όταν έχει τόσες υπηρεσίες όπως τηλεφωνία, internet, HOL TV και κινητή τηλεφωνία σε συνεργασία με τη Vodafone; Παίζουν σε αυτό ρόλο τα εργαλεία τω BA;

Τα εργαλεία των ΒΑ  συμβάλλουν καθοριστικά, καθώς  μέσω  αυτών μπορείς να συνδέσεις πληροφορίες που προέρχονται από διαφορετικές βάσεις δεδομένων  ή και πληροφορίες προερχόμενες από  την ίδια βάση δεδομένων,  αλλά η σύνδεση τους δεν παρέχεται από το reporting της εταιρείας. Γενικά θα έλεγα ότι το 80% με 90% των reports – αναλύσεων πρέπει να σχεδιάζεται και να παρέχεται σε δομημένη web based μορφή από το IT (OLAP) και το υπόλοιπο 10%-20% από τα BA.

Επίσης, έχοντας τόσες υπηρεσίες προκύπτει συνήθως η ανάγκη για τα λεγόμενα cross sell στατιστικά μοντέλα, μέσω των οποίων βρίσκεις το προφίλ πελατών που έχουν μεγάλη πιθανότητα να δεχτούν να αγοράσουν μια πρόσθετη υπηρεσία ή  ένα add-on πάνω στη βασική τους υπηρεσία.

 

Πλέον όλες οι εταιρίες τηλεπικοινωνιών διαθέτουν τμήμα Βusiness Αnalytics για να μπορούν να αξιολογήσουν και να καταλάβουν όλα τα δεδομένα τους. Επομένως πως μπορεί πλέον μια εταιρεία να αποκτήσει ανταγωνιστικό πλεονέκτημα έναντι του ανταγωνισμού; Ποια σημεία είναι σημαντικά ώστε τα Βusiness Αnalytics να είναι αποδοτικά;

 

Τα σημαντικά συστατικά για να είναι αποδοτικότερα τα ΒΑ και να αποτελούν ανταγωνιστικό πλεονέκτημα για την εταιρεία είναι:

 

Ø Aξιόπιστη και πλούσια data warehouse υποδομή

Το Α και το Ω είναι τα σωστά data και η συνεχής προσθήκη  καινούργιας πληροφορίας.

 

Ø Ένα καλό στατιστικό μοντέλο δεν αρκεί

Ειδικότερα στη περίπτωση του churn prediction, σε πολλές περιπτώσεις όλο το βάρος έχει δοθεί στο στατιστικό μοντέλο, ενώ ο χειρισμός των high churn probability πελατών καθώς και πολλά θέματα που προκύπτουν κατά τη διαδικασία της καμπάνιας αφήνονται σε δεύτερη μοίρα. Αυτό συνήθως οδηγεί σε μέτρια αποτελέσματα.

 

Ø Επένδυση σε 1-2 πολύ ικανούς data analysts και αποφυγή ενός αποκλειστικά out source μοντέλου

Για να υπάρχουν αξιοποιήσιμα  αποτελέσματα χρειάζεται πολύς χρόνος σε development και ακόμα περισσότερος σε maintenance, γιατί ο χώρος των τηλεπικοινωνιών και κατ’ επέκταση το data warehouse είναι δυναμικοί χώροι με συνεχείς αλλαγές. Η τεχνογνωσία των εταιρειών consulting είναι σημαντική, αλλά συνηθίζουν να προσεγγίζουν σημαντικά  projects όπως το Churn Prediction μονοδιάστατα, βραχυχρόνια και συνεπώς  αναποτελεσματικά, εκτός και αν είσαι αποφασισμένος για μακροχρόνια συνεργασία άρα και  μεγαλύτερο κόστος.

 

Ø Υπομονή και κατανόηση ότι το added value  απαιτεί χρόνο

Πολλές προσπάθειες έχουν πέσει στο κενό  λόγω ασφυκτικής πίεσης χρόνου και  μεγάλων προσδοκιών για γρήγορα αποτελέσματα

 

Ø Ολοκληρωμένη επίβλεψη από 1-2 άτομα όλης της διαδικασίας, από τη σχεδίαση πίνακα στο data warehouse μέχρι το τηλεφώνημα στο πελάτη.

Όταν ο καθένας που εμπλέκεται στη διαδικασία ασχολείται με το  περιορισμένο πεδίο ευθύνης του , κάτι θα «χαθεί» στη πορεία.

 

 

Τα Predictive Αnalytics και τα Real-Time Dynamic Analytics είναι το επόμενο στάδιο εξέλιξης. Σε μια εταιρία σαν τη δικιά σας τι αντίκτυπο θα είχε η χρήση τους; Έχετε ξεκινήσει την χρήση ή πιλοτική-δοκιμαστική εφαρμογή τους;

 

Η hellas online ξεχωρίζει στον κλάδο της για την άμεση υιοθέτηση προηγμένων τεχνολογικών λύσεων που στοχεύουν στη βέλτιστη εμπειρία του πελάτη.    Όταν φτάσουμε στην εφαρμογή του ΝBA (Next Best Activity), μέσω του οποίου σε κάθε πελάτη θα αντιστοιχούμε τη βέλτιστη για αυτόν πρόταση και θα προκύψει η ανάγκη καταχώρησης του response του πελάτη σε real time επίπεδο, θα το  εξετάσουμε άμεσα.