Professional Documents
Culture Documents
Tài Liệu Buổi 2 - 2. GT - SAN - PHAM - PTDL
Tài Liệu Buổi 2 - 2. GT - SAN - PHAM - PTDL
tích dữ liệu
VIETTEL SOLUTIONS
Nội dung 1. Thực trạng của một số doanh nghiệp
02 -
-
-
Thủ công
Ra quyết định sai
Chậm trễ
- …
03 Không hiểu
chân dung Khách hàng
4
01. Thực trạng của một số Doanh nghiệp
Các nhu cầu của Doanh nghiệp Hiểu chân dung Khách hàng
KH rời Phân
mạng nhóm
02
Phát Độ hài
hiện lòng
gian lận
01
tiềm KH
Hiệu Dự năng
Quả Báo
Biến
Động
Gia tăng lợi nhuận
03
- Recommend sản phẩm dịch
vụ phù hợp với từng khách
hàng
- Tối ưu hành trình khách hang
để gia tăng thêm Conversion
rate
- …
5
01. Thực trạng của một số Doanh nghiệp
Giải pháp cho Doanh nghiệp
6
01. Thực trạng của một số Doanh nghiệp
7
01. Giải pháp của Viettel
Viettel sẽ giúp Doanh nghiệp giải quyết vấn đề gì?
à Viettel Datalake
8
NỀN TẢNG XỬ
02 LÝ DỮ LIỆU
VDP
02. Nền tảng Viettel Data Platform
10
02. Nền tảng Viettel Data Platform
Thiết kế kiến trúc VDP
11
02. Nền tảng Viettel Data Platform
Mô tả kiến trúc Viettel data lake
LỚP THU THẬP DỮLIỆU LỚP TỔNG HỢP DỮLIỆU LỚP LƯU TRỮ DỮ LIỆU LỚP PHÂN TÍCH DỮLIỆU LỚP QUẢN TRỊ DỮ LIỆU
Lấy dữ liệu từ các hệ Tổng hợp dữ liệu o Lưu trữ nhiều định o Quản lý siêu dữliệu
o o o Tạo môi trường
từ nhiều nguồn dạng khác nhau o Quản lý dữ liệu chủ, dữ
thống bên ngoài phân tích dữ liệu
o Tạo bảng dữ liệu như text, video, ảnh, liệu tham chiếu
o Nơi nhận dữ liệu đẩy o Áp dụng các
có giá trị từ dữ o Đảm bảo an toàn, bảo
vào âm thanh và mức
công nghệ AI, mật qua cơ chế mã
liệu chi tiết độ khác nhau như
o Xử lý real-time, mini- ML hỗ trợ ra hoá, xác thực, phân
file, block, object quyền
batch và batch quyết định
o Đáp ứng xử lý big o Giám sát log tác động
data
o Cảnh báo chất lượng dữ
liệu real time
o Quản trị kiến trúc dữ liệu
12
02. Xây dựng hệ thống Data Lake
Xây dựng hệ thống Datalake với khả năng lưu trữ, xử lý mạnh mẽ
13
NỀN TẢNG
03 CUSTOMER DATA
PLATFORM
03. Nền tảng Customer Data Platform
15
03. Nền tảng Customer Data Platform
PROFILE UNIFICATION
o Các khách hàng nằm trên nhiều hệ thống khác
RECOMMENDATION
nhau
o Giúp liên kết các profile trong các CSDL để có • Bài toán giúp gợi ý những sản phẩm, dịch vụ phù hợp
profile duy nhất về khách hàng với sở thích của từng khách hàng
CDP
CUSTOMER SEGMENTATION
Phân khúc Khách
hàng theo các tiêu chí
16
NĂNG LỰC CỦA
04 VIETTEL
04. Năng lực & Kết quả của Viettel
NĂNG LỰC VÀ KINH NGHIỆM: TRIỂN KHAI HỆ THỐNG DATA LAKE CHO CHÍNH VIETTEL
Lưu trữ
v 100+ Triệu
thuê bao tại Việt Nam & 10 TT nước
ngoài
Phục vụ
v 70+ Tỷ/ngày
bản ghi transaction: Voice, SMS, Vas,
MSC, URL,.. v 16.000+ job nghiêp vụ, hàng
>1000 nguồn dữ liệu trên trăm ứng dụng
toàn cầu, tích hợp near- real v Hoạt động 24/7
v 24/7 time
dữ liệu real-time 24/7, 365 ngày/năm
Dữ liệu
18
04. Năng lực & Kết quả của Viettel
Kết quả triển khai cho các thị trường của Viettel
TỐI ƯU VIỆC LẤY DỮ LIỆU
Phục vụ 12.000 lượt/ tháng
Tự khai thác số liệu, thời gian khai thác giảm từ 1-3
1 ngày xuống 15 phút
UPSALE
2-6 lần
2 Tỉ lệ phản hồi của khách hàng tăng từ 2 - 6 lần
với các sản phẩm được giới thiệu
19
04. Năng lực & Kết quả của Viettel
31 bài toán
Up-sell/ Cross-
TELCOS
v Recommend ưu đãi trên Viettel++
sell Churn Prediction
v Tìm kiếm KH tiềm năng dùng FTTH
v Tỷ lệ mua gói tốt hơn: 1.4- 5.4 lần Churn rate tốt hơn năm trước: -54%
v Dự đoán nguy cơ lỗi, hỏng thiết bị
v Doanh thu & ARPU tốt hơn: 1.5- 3.6 lần
v Dự đoán lưu lượng data 4G sector
Prepaid to
Postpaid FINTECH
Tỷ lệ chuyển đổi
Recharge
tốt hơn: ~2.6 lần v Kích thích KH mới
Tỷ lệ nạp thẻ tốt hơn: 2.1- 3 lần
v Giữ chân KH
v Tái kích hoạt KH
Nâng cao lòng trung
thành khách hàng Reactivate khách hàng
LOGISTICS
v Dự kiến 35% tập khách hàng sẽ
Gìn giữ & nâng tỷ lệ duy trì từ 70% lên quay lại dịch vụ
v Phân tích nhóm KH tiềm năng
80% trong 2020, (dự kiến 2021 là 85%) v Tái kích hoạt khách hàng ngừng sử dụng
v Giữ chân KH
dịch vụ ViettelPay tháng trước.
20
8 lĩnh vực Phân tích dữ liệu
ABOUT US
08 lĩnh vực
21
22
Kinh nghiệm triển khai use cases cho Ngân hàng số tại Viettel
UPSALE
2 Kích thích khách hàng đăng ký mới phát sinh giao
dịch trong tháng từ 30% lên 40% năm 2020 và đạt
62% năm 2021
REACTIVATE KHÁCH HÀNG
3 Dự kiến 35% tập khách hàng sẽ quay lại dịch vụ
Tái kích hoạt khách hàng ngừng sử dụng dịch vụ
ViettelPay tháng trước.
23
24
Nhận diện khách hàng mới, khách hàng có tiềm Ứng dụng PTDL dự đoán dung lượng sử dụng, giúp tối
năng upsell cho dịch vụ giải trí. Tỷ lệ phản hồi ưu tài nguyên và tự động quy hoạch mạng và đề xuất
phát triển khách hàng mới gấp 10 lần và tỷ lệ danh mục mua sắm.
phản hồi upsell dịch vụ gấp 4.6 lần so với tỷ lệ
Dự đoán tập khách hàng trải nghiệm thoại tồi có khả
phản hồi BAU. ARPU trung bình tăng 162% đối với
năng phản ánh lên tổng đài, thực hiện chủ động Happy
dịch vụ game Free Fire
Call thực hiện chăm sóc khách hàng.
04. Năng lực & Kết quả của Viettel
25
04. Năng lực & Kết quả của Viettel
Ứng dụng trên thiết bị di động
26
04. Năng lực & Kết quả của Viettel
NĂNG LỰC VÀ KINH NGHIỆM: CASESTUDY – DATALAKE TCT TÂN CẢNG SÀI GÒN
• Tiếp xúc KH • Khảo sát hiện trạng • Xây dựng Data Lake • Nghiệm thu
• Tìm hiểu nhu cầu • Xây dựng Prototype • Xây dựng Dashboard • Bàn giao
1 2 3 4 5
27
04. Năng lực & Kết quả của Viettel
NĂNG LỰC VÀ KINH NGHIỆM: CASESTUDY – CẢNG BIỂN
29
ĐỀ XUẤT
05 USECASE
Các bài toán
giúp Gia tăng
lợi nhuận
01. Bài toán Recommendation
Lợi ích giải pháp Khuyến nghị đa kênh
- Tối ưu hoá danh sách sản phẩm cho từng khách hàng hiện hữu
dựa trên dữ liệu cá nhân.
- Thu hút khách hàng tiềm năng được cá nhân hóa dựa trên phân
khúc đối tượng, thông tin thu nhập... Đề xuất sản phẩm ngân hàng
phù hợp với nhu cầu của khách hàng - thẻ tín dụng tốt hơn dựa
trên chi tiêu, APR thế chấp thấp hơn dựa trên tỷ giá hiện tại, v.v..
32
01. Bài toán Recommendation
Các mô hình recommendation
Content based RS (Product related to this product)
Gợi ý sản phẩm dựa trên đặc tính của sản phẩm
so với các sản phẩm quá khứ
Mô hình: Linear Regression, Cosine similarity
Phù hợp với các usecase upsale
DH
33
01. Bài toán Recommendation
Các mô hình recommendation
Gợi ý sản phẩm dựa trên tác động thời gian và chuỗi
tương tác lịch sử trong hành vi tiêu dùng của KH.
Mô hình: Transformer4Rec, GRU4Rec
Phù hợp với usecase cross-sale
34
02. Phân tích hành trình KH (Path analysis)
• Các nguồn dữ liệu đầu vào
o Dữ liệu cấu trúc: Dữ liệu KH, Dữ liệu phàn nàn của KH, Nhật ký
Callcenter • Xây dựng các giải pháp: Dựa trên các insight phát hiện từ
o Dữ liệu bán cấu trúc: Lịch sử web log (clickstream) bước 2, xây dựng các giải pháp tương ứng: Tìm ra các bước mà
khách hàng thường mất nhiều thời gian trong quá trình sử dụng sản
phẩm, từ đó có đề xuất cải tiến trải nghiệm khách hàng trên
• Phân tích quy trình: Đồ thị hoá hành trình KH từ đây phân tích các website.
điểm nghẽn trong hành trình khiến KH từ bỏ việc hoàn thành. “Struggling to find the
right product? Can we
help you with that?”
35
03. Tái kích hoạt KH ngủ đông
36
Các features cơ bản của KH sẽ được khai thác
• Khối lượng của dữ liệu tăng, dẫn tới việc liên kết các
profile trong các CSDL trở nên khó khăn
• Mỗi hệ thống có một cách nhập dữ liệu riêng
• Khách hàng không có một bản profile duy nhất mà
bị dàn trải thông tin giữa các CSDL khác nhau
Đưa ra những chiến lược marketing phù hợp với từng khách
3 hàng, cải thiện tỷ lệ churn (churn rate tốt hơn năm trước: -
54%)
Giữ chân khách hàng sử dụng dịch vụ, nâng tỷ lệ duy trì
4 dịch vụ từ 70% lên 80% , năm 2021 là 85%
Phát hiện các giao dịch bất thường, cảnh báo real-time
3
cho khách hàng, giảm thiểu thất thoát tài chính thẻ tín
dụng.
Tăng độ hài lòng của khách hàng khi sử dụng dịch vụ,
4 giữ chân khách hàng.
06. Bài toán Phân tích cảm xúc
à Việc phân tích thái độ và cảm xúc từ văn bản và lời nói có thể cải
thiện chất lượng dịch vụ thông qua việc:
+ Đánh giá trải nghiệm, phản hồi khách hàng
+ Đo lường chất lượng tổng đài viên
43
07. Bài toán phân tích cảm xúc cấp độ chủ đề
Phân tách câu Phân tích cảm xúc Phát hiện thực thể Tổng hợp kết quả
từng câu trong câu
Tổng hợp kết quả trên từng
Trích xuất các câu và
Sử dung các mô hình phân Xác định thực thể trong mỗi câu thực thể trong các câu. Tạo ra
cụm từ dữ liệu đầu vào
tích cảm xúc trên mỗi câu. một bản báo cáo cuối cùng.
Bài toán phân tích cảm xúc cấp chủ đề được chia thành hai nhiệm vụ:
- Phân loại cảm xúc: Phân loại tình cảm xác định xem các ý kiến là tích cực, tiêu cực hoặc trung tính. Phương pháp tiếp cận hiện
nay phân loại cảm xúc từng câu hoặc cụm từ, sử dụng các mô hình phân loại như Bert, Roberta, Longformer..
- Xác định chủ đề: Trích xuất các khía cạnh liên quan của thực thể. Mô hình xác định chủ đề đề xuất sẽ sử dụng thuật toán tiên tiến
transformer-based mang lại độ chính xác cao.
44
Thiết kế campaign
Đo lường hiệu quả campaign
Kết quả: Thu thập kết quả dựa trên các
Tác động khách hàng tiềm năng trên kênh
tiêu chí đo lường như: doanh số, tỷ lệ
digital conversion của từng campaign. Tiến
hành a/b test chứng minh hiệu quả giữa
Khách hàng chuyển đổi quan nhóm được áp dụng mô hình phân tích
tâm dữ liệu và nhóm truyền thống
KH chuyển đổi
thành công
Lộ trình triển khai bài toán Phân tích dữ liệu
Design:
Khai thác dữ liệu, phương án phân tích và kế hoạch
Thí điểm mở rộng từ Sample test:
giải pháp.
+ Triển khai các giải pháp thử nghiệm với
+ Xây dựng kế hoạch chi tiết cho use case
quy mô lớn hơn sample test
+ Xây dựng mô hình dữ liệu (Data model)
+ Phân tích trước/sau quá trình triển khai
+ Phân tích &kế hoạch triển khai campaign
giải pháp phục vụ tối ưu
+ Lựa chọn các mô hình ML phù hợp
1 2 4 5
3
Tổng: 4 Tháng
TRÂN TRỌNG CẢM ƠN !