Telefonica ha incorporado el Big Data a su estrategia de compañía y ha impulsado su uso con el objetivo de hacer más eficientes los procesos y servicios al optimizar los procesos, aumentando así el ahorro y mejorando los ingresos. De hecho, el impacto anual del uso del Big Data interno en Telefónica España se sitúa actualmente por encima de los 150 millones de euros.

“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”, ha indicado Óscar Candiles, director de Estrategia de Telefónica España.

Actualmente Telefónica España tiene en marcha 40 iniciativas de Big Data aplicadas a los procesos internos y se prevén 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.

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".

Casos de uso

En concreto, algunos ejemplos de los casos de uso en los que Telefónica se ha valido del Big Data para ponerlos en marcha son:

- La 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.

- La 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 tendencias en Internet para la gestión del portfolio de terminales: iniciativa que analiza el volumen de búsquedas de cada modelo de terminal, su tendencia y los comentarios en Redes Sociales, así como la tonalidad de los mismos (sentimientos generados) para recomendar todos los meses entradas y salidas de terminales en el portfolio de Movistar con anticipación al mercado.

- La personalización de la publicidad en Movistar+: caso de uso para que los anunciantes mejoren su efectividad al insertar su publicidad en los programas y franjas horarias en las que hay público más afín con el tipo de producto que van a anunciar.

- 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+.

- El desarrollo de un nuevo Buscador de contenidos en Movistar+: funcionalidad de desarrollo propio que profundiza en la categorización de los contenidos, actores, personajes y tendencias de búsqueda del momento para diseñar un buscador más ágil.