Керівник напряму Big Data у «Київстар» Андрій Железняк про персоналізацію, маркетинг та передбачення клієнтської поведінки

Андрій Железняк — керівник напряму Big Data у «Київстар». Має понад 20 років досвіду у сфері Big Data, Machine Learning та створенні продуктів для комплексних телекомунікаційних та ІТ-проєктів. Поєднує технічну експертизу в системах оброблення даних, data science, хмарних технологіях та мистецтво перетворення даних на знання, що дає змогу створювати продукти для різних галузей бізнесу в національному масштабі.

1 березня на Kyiv AI & BigData Day Андрій Железняк розповів про AI асистентів, що від них очікувати та які підходи щодо їхнього впровадження у великих компаніях. Після доповіді SPEKA поспілкувалася з керівником напряму Big Data у «Київстар» про те, як саме телеком-оператор використовує штучний інтелект, які виклики виникають у роботі з великими даними та що нового чекати від AI-рішень компанії.

Насправді це почалося років 20 тому. На телеком-ринку більшість клієнтів користуються послугами у форматі prepaid, передплати. Тобто, коли вони звертаються до нас, єдине, що ми про них знаємо, — їхній номер телефону. А тому розуміти більше про цих клієнтів можливо лише за рахунок аналітики та побудови певних прогностичних та сегментаційних моделей на тих даних, що накопичуються під час використання послуг. Таким чином ШІ став невід'ємною частиною нашого бізнесу дуже давно. 

Однак варто зауважити, що «Київстар» дотримується українського законодавства щодо захисту персональних даних і не передає третім особам персональні дані абонентів: записи розмов, тексти SMS/MMS, історію браузера тощо. Усі аналітичні моделі Big Data є суто прогностичними. Вони будуються на основі великої кількості зашифрованих деперсоніфікованих даних, а також алгоритмах машинного навчання.

Як приклад використання ми сегментуємо аудиторію наших клієнтів і за допомогою моделей машинного навчання:

Ці дані є основою для так званого Customer Value Management (розуміння та управління цінністю клієнтів для бізнесу) чи Campaign Management (планування, запуск та оптимізація маркетингових кампаній), де ми керуємо ціннісною пропозицією для клієнтів і доставляємо максимально релевантні офери у правильний час у правильному місці, через найбільш зручний для клієнта канал комунікації. 

Стратегія використання цих нових можливостей AI розроблена для покращення ціннісної пропозиції та клієнтського досвіду, а також створення нових продуктів для наших бізнес-клієнтів. 

По-перше, дуже важливо мати відповідну інфраструктуру — сучасне сховище даних, яке здатне не тільки ефективно зберігати та обробляти величезні обсяги інформації, а й дозволить гарантувати безпечність, масштабованість, контроль витрат тощо. Такі інструменти надають хмарні провайдери Azure, AWS, і у «Київстарі» вони вже використовуються. 

Підписуйтеся на наші соцмережі

По-друге, повинні бути побудовані правила та процеси по роботі з даними, що забезпечують їхню повноту, безперервність та якість. 

По-третє, використовувати можливості сучасних інструментів ML для пошуку «прихованих» інсайтів, а також інструментів для візуалізації даних у вигляді звітів, дашбордів тощо  

Майже всі великі компанії вже багато років збирають власні дані, мають Data Warehouses (сховище даних), системи звітності. І, маючи великий досвід у цьому, ми наразі пропонуємо нашим бізнес-клієнтам консалтингові послуги з будови сучасних аналітичних рішень, де імплементовано весь той багаторічний досвід, який є у «Київстар»: і з побудови систем звітності, і з побудови команд, які займаються моделюванням, машинним навчанням.

І от з'являється нова дисципліна, скажімо так, віртуальні асистенти, генеративний штучний інтелект. Цю експертизу теж ми готові надавати нашим бізнес-клієнтам.

Наприклад, генеративний штучний інтелект добре вміє працювати з текстом, картинками, але він погано працює із скриншотами з якихось інтерфейсів. І він таким чином буде неправильно інтерпретувати дані і неправильно відповідати.

Аби отримати якісний ефект від роботи GenAI-моделі, дуже важливо надати йому інформацію у тому вигляді, в якому він найбільш ефективно зможе її використовувати.

Ми маємо великі обсяги інформації про поведінку SIM-карток наших абонентів у мережі, зокрема й географічну. Наприклад, у зоні яких базових станцій картка переважно перебуває — вночі чи вдень, як саме відбувається переключення між ними тощо. Ми розуміємо, де SIM-картки перебувають вночі, тобто, скоріш за все, це буде місце проживання/відпочинку, а де вони вдень — найімовірніше, місце роботи. 

Таким чином можна розуміти, що певний портрет користувача живе чи працює, чи переміщується транзитом через певну географічну територію. Це узагальнені деперсоніфіковані дані, і вони можуть показати ті чи інші тенденції.

Наприклад, якщо ми розглянемо магазин кормів для домашніх тварин, його аудиторія — це власники тварин. У нас є модель, яка прогнозує, хто потенційно може бути власником домашніх улюбленців. Ми можемо візуалізувати на мапі місця, де їх буде більше, і це допоможе магазину і власникам чотирилапих знайти одне одного. 

По-перше, щоб дані, які заходять у систему, були повними і якісними. Це великі обсяги даних, тисячі процесів, які їх обробляють, і нам важливо на кожному етапі мати контроль за безпекою та якістю цих даних. І це в принципі основний челендж будь-якої аналітичної платформи — побудувати якісні процеси контролю якості даних незалежно від їхньої складності та обсягу. 

Другий великий челендж пов’язаний з побудовою прогностичних моделей. Наприклад, моделі, яка передбачає те, що клієнт може від нас відключитися. З часом модель може змінюватися: змінюються вхідні дані, змінюється поведінка. І нам треба підтримувати якість цієї моделі на належному рівні. Тому повинен бути моніторинг, який дозволяє розуміти відхилення і реагувати вчасно, а не тоді, коли вже пізно.

Третє. Згідно з законодавством та для цілей математичного аналізу деякі дані повинні зберігатися до трьох років. А це дуже великі обсяги даних — петабайти (тисячі терабайт). Тому важливо мати інфраструктуру, що легко масштабується, і при цьому є можливість керувати витратами на таке зберігання залежно від частоти доступу до таких даних.  

Умовно, ми будуємо модель, яка передбачатиме, чи змінить клієнт тарифний план. Беремо клієнта, який уже це зробив. Але будуємо модель на даних про його користувацьку поведінку, яка була до зміни тарифного плану. Таким чином можна перевірити якість цієї моделі — чи вгадала модель у переважній більшості випадків, що клієнт змінив тарифний план.

А не маючи цієї історії, не маючи великих обсягів даних, неможливо досягти ефекту роботи ML.

Наразі не співпрацюємо. З погляду ефекту, який можна було б принести іншим бізнесам, якщо б ми об'єднали наші дані, це б могло дати більший ефект. Тому що ми, як «Київстар», знаємо тільки про абонентів «Київстар» і можемо допомагати бізнесам працювати з ними, про абонентів інших мереж ми нічого не знаємо. Інші оператори — так само. І бізнеси вимушені працювати з трьома, аби охопити одразу всю аудиторію. 

У середньостроковій перспективі може з'явитися нова технологія, над якою ми працюємо. Вона називається Data Clean Room і дозволить об'єднувати дані, не поширюючи їх. І ми вважаємо, що це може стати цим поворотним моментом. Таким чином бізнеси зможуть працювати не окремо з кожним оператором, а одночасно з усіма даними. Але при цьому оператори будуть впевнені, що їхні дані не поширюються, не передаються комусь, і вони compliant навіть з GDPR.

Наприклад, якщо в одному запиті кілька питань: я вчора поповнив рахунок, а сьогодні не зміг подзвонити, а потім у мене перестав працювати телевізор. «Зоряна» буде краще розуміти більш складні, багатокомпонентні питання. Це буде досягатися за рахунок технології NLU (Natural Language Understanding). 

А для більш складних кейсів також буде застосовуватися нова технологія на базі  GenAI, на базі LLM-моделей (як у ChatGPT), де клієнт зможе спілкуватися із «Зоряною» більш людською мовою, отримувати більш персоналізовані відповіді. І таким чином ми розраховуємо значно збільшити кількість закриття питань клієнта через чатбот.