La importancia de la data se ve reflejada en los resultados económicos de la compañía de telecomunicaciones, que la aplica desde hace años a sus procesos internos y de negocio para mejorar aspectos como la experiencia de cliente.
El impacto anual del uso del Big Data en procesos internos en Telefónica España se sitúa actualmente por encima de los 150 millones de euros, según informa la compañía en un comunicado. Actualmente Telefónica España tiene en marcha 40 iniciativas de Big Data aplicadas a los procesos internos y se prevé incorporar 50 más a lo largo del próximo año, dando prioridad a los que más impacto tengan en el negocio. En todos los casos los datos manejados son anonimizados y agregados.
Tal y como ha indicado Óscar Candiles, director de Estrategia de Telefónica España, “Telefónica ha sido pionera entre las grandes empresas en el uso del Big Data para hacer más eficientes sus procesos internos y de negocio. El crecimiento de esta área y las nuevas capacidades del Big Data con la inteligencia cognitiva, el machine learning y las nuevas fuentes de información, junto con el valor que han aportado los casos de uso en los últimos años, explican que el Big Data interno se haya incorporado a la estrategia de la compañía”.
Los casos de uso en marcha se orientan a impulsar el servicio Movistar+, mejorar la experiencia de cliente, dinamizar la oferta comercial, potenciar la transformación de los canales comerciales y hacer eficientes la red de comunicaciones y su operación. En definitiva, «con el Big Data ayudamos a optimizar e innovar en los procesos para incrementar el ahorro y capturar eficiencias internas», afirman desde la compañía.
Ejemplos de la aplicación del Big Data
Geo-optimización de carteras de clientes: desarrollo de una herramienta que permite optimizar geográficamente las carteras de clientes de Pequeña Empresa en la red de comerciales que tenemos por toda España en función de la ubicación del cliente. De esta forma hemos conseguido reducir los tiempos de desplazamiento en las visitas a los clientes mediante una “reagrupación” de carteras reduciendo el radio de acción de cada comercial.
Optimización de stock de terminales en el punto de venta: modelo de machine learning que sobre series históricas es capaz de hacer una previsión de necesidad de cada modelo de terminal por cada Tienda Movistar antes de que empiece el mes, actualizándolo quincenalmente teniendo en cuenta las ventas reales para corregir si es necesario. De este modo se minimiza el stock de terminales por punto de venta asegurando que no se produzcan roturas de stock.
El análisis de los momentos de enganche y abandono en los contenidos de producción propia de Movistar+: modelo analítico que permite minuto a minuto identificar los elementos narrativos de una serie que provocan caídas y subidas de audiencias con el objetivo de mejorar las audiencias sostenidas de los próximos contenidos de producción propia de Movistar+.
