Data Lakes y

Analytics - Casos
de Uso de Telco
en AWS
Amazon Web Services | Data Lakes y Analytics en casos de uso de AWS Telco 1
Data Lakes y Analytics - Casos de Uso de
Telco en AWS
Para que una organización se convierta en líder del mercado la gran
diferencia es invertir en datos. Las organizaciones que generan con éxito valor
comercial a partir de sus datos superarán a sus pares. Una encuesta de
Aberdeen vio a las organizaciones que implementaron un Data Lake
superando a compañías similares en un 9% en crecimiento de ingresos
orgánicos*. Estos líderes pudieron hacer nuevos tipos de análisis como
Machine Learning a través de nuevas fuentes como archivos de registro,
datos de clics, redes sociales y dispositivos conectados a Internet
almacenados en Data Lake.

El tamaño y la complejidad de los datos que deben analizarse hoy en día son
de la misma tecnología y enfoque que en el pasado, pero hoy ya no funcionan.
Debido a tres razones:

• Primero: los datos crecen exponencialmente con los mismos datos que se
generan a raíz de cada dispositivo conectado a Internet y que crecen 10
veces más rápido que los datos de las aplicaciones comerciales. Esto hace
que sea poco práctico para los clientes comprar e instalar hardwares más
grandes y más potentes cada vez que se alcanzan los límites de capacidad
de almacenamiento y de cómputo, y mover grandes cantidades de datos a
un sistema de análisis separado antes de analizarlo.

• Segundo: los tipos de datos están migrando de datos operativos

tradicionales, que a su vez están estructurados como tablas y columnas, a
datos generados por nuevas fuentes como redes sociales, aplicaciones
móviles, sitios web y dispositivos. Los clientes ya no pueden restringir sus
análisis a datos relacionales sino que necesitan almacenar y analizar
cualquier tipo de datos, incluidos los datos no asociados sin relaciones o
esquemas de inidos.

*Lock, Michael (Aberdeen), Angling for Insight In Today’s Data Lake (Oct 2017), página 7

Amazon Web Services | Data Lakes y Analytics - Casos de Uso de Telco en AWS 2
 • Tercero: a medida que los datos se generan en tiempo real, los clientes
deben ir más allá de analizar datos históricos a analizar datos en tiempo real.

Casos de uso de Data Lakes en Telecomunicaciones

En términos generales, vemos 4 áreas clave para Data Lakes en
telecomunicaciones:

1. IA en la Experiencia del Cliente

• Personalización y Marketing Directo

• Predictive Churn

• Cuidado proactivo

• Customer Journey

2. AI y ML en Operaciones de Red y Automatización

• Monitoreo en tiempo real

• Gestión adaptativa de redes

• Planificación de la capacidad y optimización

Amazon Web Services | Data Lakes y Analytics - Casos de Uso de Telco en AWS 3
3. Optimización de OpEx

• Detección y mitigación de fraude de fugas de ingresos

• Controles de seguridad y gestión de la información

• Optimización de rentabilidad (precios, contratos, etc.)

• Optimización de pedido a efectivo

4. Monetización de Datos

• Datos como servicio

• Cumplimiento normativo

• Análisis de IoT / M2M

• Datos y contenido dinámico que admiten Connected Home, Connected X

Data Driven Enterprise View –S3 es el Data Lake

Silos y falta de una capa de abstracción de datos común: Los CSP
históricamente han tenido múltiples organizaciones internas sin una estrategia
integral de datos. Como resultado, hay stakeholders y conjuntos de datos
aislados, sin el beneficio de un data lake o una capa de abstracción común. Esto
agrega fricción a la extracción y enriquecimiento de datos con AIML.

Amazon Web Services | Data Lakes y Analytics - Casos de Uso de Telco en AWS 4
Atención al cliente de T-Mobile

Desafío:

• PNL requiere grandes cantidades de “intenciones” etiquetadas para una

formación precisa.

• Los humanos sólo podían etiquetar alrededor de mil preguntas por

semana.

• Los ingenieros de datos expertos están haciendo un etiquetado de bajo

valor

Solución:

• El equipo de inteligencia artificial de T-Mobile usa Amazon SageMaker

Ground Truth para administrar los datos de entrenamiento y organizar el
etiquetado manual y luego el etiquetado automático escalado.

• Los conjuntos de datos etiquetados alimentan un modelo de ML que

aprende activamente a etiquetar automáticamente las entradas de datos

Resultados:

• Libera recursos calificados de alto costo para hacer ciencia de datos de

alto valor

• Infinitamente escalable

• Ayuda a construir modelos específicos basados en conversaciones /

intentos poco frecuentes debido a una mayor escala de extracción de
intenciones

Amazon Web Services | Data Lakes y Analytics - Casos de Uso de Telco en AWS 5
ML para calidad de servicio y mantenimiento predictivo (Top5
operador de telecomunicaciones y cable de EE. UU. - ML para
reducir la frecuencia y duración de la interrupción)

Desafío:

• Las interrupciones que afectan al cliente aumentan los costos a través de

truck rolls y llamadas de soporte.

• Actualmente solo puede detectar fallas “duras”, pero no tenía forma de

derivar los indicadores principales a la falla

Solución:

• Ingreso de datos de telemetría a través de servicios de correo electrónico

y de voz para clientes en una plataforma de Big Data basada en la
arquitectura Lambda.

• Produzca detección de anomalías de baja latencia (<1 min) e inferencia

de predicción de falla utilizando el aprendizaje lineal. Aproveche PCA para
obtener información sobre contribuyentes clave a los problemas.

• Amazon Elasticsearch y Kibana para visualización

• AWS Glue and Amazon Athena permiten la consulta S3 SQL y la interfaz

JDBC para herramientas 3P, es decir, Tableau.

Resultados:

• Menores costos operativos a través de la reducción de truck rolls

• Mejora de la satisfacción del cliente.

Amazon Web Services | Data Lakes y Analytics - Casos de Uso de Telco en AWS 6
Ejemplo de solución de abandono (Top10 US Telecom and Cable
Operator –ML para predecir el abandono del cliente)

Desafío:

• Pronostique de manera proactiva cuándo cada cliente abandonará en

función de los metadatos del cliente, el comportamiento y la información
de interrupción obtenida de varias fuentes de datos en toda la
organización.

Solución:

• Implemente un modelo de ML automatizado y de aprendizaje continuo

que proporcionará un puntaje de propensión de abandono a través de un
endpoint / API utilizando XGBoost

• Proporcionar un panel de control y un modelo de segmentación para

destacar a los clientes de alta propensión en función de sus características

Resultado / Beneficios:

• Agentes de atención facultados con datos para tomar medidas basadas

en la “puntuación de churn” de los clientes junto con CLV

• Proporciona puntos de datos para campañas de retención amplias y

específicas

• Modelado A / B para ajustar los tratamientos del cliente

Amazon Web Services | Data Lakes y Analytics - Casos de Uso de Telco en AWS 7
Verizon Ciudades inteligentes

Desafío:

• La solución ingiere información de congestión en tiempo real de múltiples

fuentes que está basada tanto en cámaras de tráfico como en GPS: Yahoo
Maps (que ahora posee VZ), Google Maps y Waze

• Esto se une con datos históricos de la ruta de respuesta tomada en

llamadas anteriores, que se ponderan por el tiempo de respuesta
promedio

Solución:

• Amazon SageMaker luego se usa para predecir la ruta óptima basada

en un análisis de los datos enriquecidos utilizando los algoritmos Linear
Learner y DeepAR. Los datos procesables se utilizan para seleccionar
una ruta de tráfico apropiada para que los Recursos de Respuesta a
Emergencias de la ciudad de San José tomen para cumplir con los
requisitos contractuales con el condado de Santa Clara.

Beneficios:

• Al cumplir con los SLA establecidos por el condado de Santa Clara, la

ciudad de San José podría recuperar $8 millones al cumplir con el tiempo
de respuesta de ocho minutos para las ambulancias

Amazon Web Services | Data Lakes y Analytics - Casos de Uso de Telco en AWS 8
Gestión de incidentes mayores de Verizon

• Como los incidentes mayores se trabajan en Verizon, el equipo de gestión

de incidentes mayores debe determinar rápidamente la causa del
problema para dirigir el problema al equipo apropiado.

• El equipo utiliza SageMaker y el algoritmo XGboost incorporado y

optimizado.

• El problema se empuja para elevar un ticket de servicio. Se inicia un

puente de conferencia.

• La voz del puente de la conferencia se transcribe al texto y se agrega al

ticket.

• Al determinar rápidamente la causa probable del incidente y capturar

detalles, Verizon puede reducir el MTTR y disminuir el impacto en sus
clientes.

Las soluciones utilizadas en estos casos fueron Amazon SageMaker, Data

Lake y Machine Learning. Ayudaron a Telco a identificar y actuar sobre las
oportunidades de crecimiento empresarial más rápido al atraer y retener clientes,
aumentar la productividad, mantener dispositivos de forma proactiva y tomar
decisiones informadas.

Amazon Web Services | Data Lakes y Analytics - Casos de Uso de Telco en AWS 9
Amazon Web Services | Data Lakes y Analytics - Casos de Uso de Telco en AWS 10