Documentos de Académico
Documentos de Profesional
Documentos de Cultura
telecomunicaciones
Casos de uso prácticos apalancados por
analítica avanzada
Big Data_
800
EXABYTES
80
EXABYTES
20
EXABYTES
2400
800 PETABYTES
200 TERABYTES
TERABYTES
1.2 MM peticiones a
servidores
Network
Analytics
4ta Revenue
Plataforma Assurance
Risk
Monetización Management
Externa
Marketing en
Calidad/Exper tiempo real
iencia
Operaciones Channel
Analytics
Business
Analytics
Una mirada conceptual de arquitectura de Big Data
Interaction Channels
Internal channels 3rd party channels
INTERNAL
LUCA
USE CASES
AURA
1st Platf.
1. Conectividad
2. Personas 3. Cosas
4. IA
5. Blockchains
1.
Conectividad
+
25B de dispositivos conectados en el 2020
3. Cosas
4. AI
El avance significativo en el poder de procesamiento de datos ha dado lugar en los
últimos años a una nueva generación de estadística llamada “Machine Learning”… 4. AI
Automotriz Salud
Pero va a ser
relevante!
Cómo transformar datos
en insights para una
ciudad inteligente?
LOS INSIGHTS TRADICIONALES SON INSUFICIENTES PARA LAS NUEVAS DEMANDAS
Depende de si el
usuario tiene la
4 1 Muestras pequeñas,
comportamiento
aplicación descargada y APPS ENCUESTAS
declarado, poco
los servicios de ágil y caro.
localización activados.
Muestra sesgada
19
INPUTS GENERADOS
Zonificación
Zonificación
Viajes Estadías
POI Motivo
Medio
20
INPUTS GENERADOS
Viajes - Estadías
Zonificación
Viajes Estadías
POI Motivo
Medio
21
INPUTS GENERADOS
Motivo de viaje
Zonificación
Viajes Estadías
POI Motivo
Medio
22
INPUTS GENERADOS
Motivo de viaje
Zonificación
Viajes Estadías
POI Motivo
Medio
23
¿CÓMO SE PROCESA LA INFORMACIÓN QUE SE ALMACENA EN LA PLATAFORMA SMART STEPS?
PROCESO
OBTENCIÓN
DE
INFORMACIÓN
EXTRACCIÓN ANONIMIZACIÓN EXTRAPOLACIÓN AGREGACIÓN
Se extrae la información Todos los datos Una vez anonimizados, se Una vez anonimizados y
de los sistemas de red personales se eliminan y extrapolan, de modo que extrapolados se agregan
sobre cada se reemplazan por un se pueden establecer de modo que se cumplan
desplazamiento identificador que impide conclusiones sobre la las restricciones
(usuario móvil) y su dar marcha atrás. población total (no solo impuestas por la
localización en cada clientes de Telefónica) Dirección Nacional de
celda Protección de Datos de
Argentina.
32 100
% %
92% 45
%
Usuario Población
Se eliminan los datos personales Usuarios Nacionales Hombres
Movistar total
Localización y datos
del usuario
LA SOLUCIÓN LUCA TRANSPORTE PROVEE INFORMACIÓN AGREGADA DE ALTO VALOR
La información recogida y procesada en LUCA TRANSPROTE genera una Matriz
Origen - Destino con los siguientes atributos:
MOTIVO
Movilidad ocupacional, movilidad
personal, vuelta a casa ocupacional y
VOLUMEN DE vuelta a casa personal
DESPLAZAMIENTOS
Trabajamos con distintos niveles
geográficos: barrio, distrito, municipio,
provincia, comunidad autónoma o
agregaciones de secciones censales PERFIL DEL USUARIO
Género, edad, lugar de residencia
nivel socioeconómico
CASO DE ÉXITO: LUCA TRANSPORTE- MUNICIPALIDAD DE NEUQUÉN
30,499
68,775
27,960 8,098
30,213
37,040
17,651
22,087
18,504
1 2 3 4 5 6 7 8 9 10 11 Total
Cómo crear un score de
riesgo con Big Data?
Agenda
29
1.- Modelo actual: marco conceptual
Tipo de modelo: Modelo basado en metodología de credit risk
scorecard.
Período de análisis: Últimos 6 meses.
Débito automático
Antigüedad
Facturación promedio
31
1.- Modelo actual: análisis de sensibilidad – Cambio de terminales financiados contra factura
CATERS EFECTIVOS:
Este concepto hace referencia a considerar los 2 escenarios que
enfrentamos en las operaciones de CATER.
CATER NO MOROSO: operación de cater abonado. A nivel cantidad,
suma en 1 unidad.
CATER MOROSO: operación de cater no abonado. A nivel cantidad, resta
tantas veces como operaciones de CATER NO MOROSOS son necesarias
para cubrir el costo en el que se incurrió al no cobrar la venta del
terminal. Costo
C. CATER MOROSO= C.D. DEL TERMINAL + C.O. DEL BENEFICIO
Para ser comparado con un CATER NO MOROSO, lo dividimos por su
margen bruto, y definimos así los #CATERS EFECTIVOS:
#𝐶𝐴𝑇𝐸𝑅𝑆 𝑀𝑂𝑅𝑂𝑆𝑂𝑆
#𝐶𝐴𝑇𝐸𝑅𝑆 𝐸𝐹𝐸𝐶𝑇𝐼𝑉𝑂𝑆 = #𝐶𝐴𝑇𝐸𝑅𝑆 𝑁𝑂 𝑀𝑂𝑅𝑂𝑆𝑂𝑆 −
𝑀𝐴𝑅𝐺𝐸𝑁 𝐵𝑅𝑈𝑇𝑂
32
1.- Modelo actual: análisis de sensibilidad – Cambio de terminales financiados contra factura
Pero en esa misma proporción, entrarán en mora los clientes que hacen
caters incrementales.
33
2.- iScore – El modelo adaptativo
ENTRADA SALIDA
Variables duras Variables de SMS
Clientes scoreables:
• Antigüedad • Q SMS entrantes y
• Activos con más de 3
• Edad salientes
•
•
Zona vivienda
Zona trabajo
• Entropía diaria de
SMS
iScore facturas en los últimos 6
meses.
Score = __ __ __
Variables de pago Variables de Datos
• ARPU • MB navegados
Ensamble de modelos: Indicador para Score indicando
• Recargas • Entropía diaria de marcar clientes probabilidad de
• Días de mora datos • XGBoost morosos, fraude, NO morosidad
prepagos, durante el mes en
• Q moras mes de • Random Forest control, full, curso.
antigüedad
Variables de Movilidad • Regresión Logística habilitado a 00 -> 0%: Mal pagador
• Días desde financiación 99 -> 99%: Buen pagador
• KMs recorridos contra factura,
última mora etc
• Factura sin papel • Entropía diaria de Fase 1:
• Método de pago distancia Entrenamiento Ej. Cliente control = 367
• Q suspensiones
por falta de pago Fase 2: Relativamente buen
Variables de SNA Validación pagador, tiene un 67%
(3 indica cliente
• Q clientes con control) de probabilidad de no
Variables de voz mismo rango de Fase 3: caer en MORA.
34