Oggi l’industria delle telecomunicazioni opera con margini estremamente ridotti: servizi voce, dati e Internet sono ormai così “commoditizzati” che la differenziazione strategica e la diversificazione diventano imperativi. I clienti non solo si aspettano prestazioni di rete impeccabili, ma le pretendono. E per le telco diventa necessario adottare un approccio completamente incentrato sul cliente nella fornitura dei servizi. Anche grazie all’AI.
Ce ne ha parlato Benjamin Lorenz, Head of Industry Solutions Telco, Media & Content, di MongoDB.
“Di fronte a costi operativi elevati e alla pressione di agili concorrenti digital-native che sconvolgono i modelli di business tradizionali, le telco storiche si stanno rivolgendo all’AI e al machine learning per automatizzare processi mission-critical, ottimizzare le operazioni di rete con un SLA che garantisce un uptime del 99,995% e trasformare grandi volumi di dati in insight in tempo reale“, afferma Lorenz. “Allo stesso tempo, stanno individuando nuove fonti di ricavo per tutelare il proprio business, offrire servizi pertinenti ai clienti e stimolare l’innovazione”.
L’adozione dell’AI e l’automazione sono, dunque, vitali nel percorso di modernizzazione delle telco: promuovono l’innovazione, aiutano a ridurre i costi e sostengono le strategie di diversificazione e per la Customer experience.
Indice degli argomenti
Telco e AI, il binomio funziona
“L’adozione dell’AI sta crescendo a una velocità vertiginosa e le telco osservano con attenzione come il decision-making automatizzato possa migliorare l’efficienza operativa e ridurre i costi”, secondo Lorenz. “L’AI ha il potenziale trasformativo per rivoluzionare il settore. Grazie all’automazione delle attività di routine, al miglioramento delle esperienze dei clienti e all’introduzione di prodotti e servizi affidabili, può aiutare gli operatori telco ad aumentare l’efficienza operativa, la redditività e il vantaggio competitivo”.
Secondo il sondaggio “TM Forum Digital Transformation Tracker 7“, il 73% degli intervistati delle tlc e dei media ha dichiarato che efficienza operativa e riduzione dei costi sono driver molto importanti nel percorso di trasformazione digitale, rispetto al 69% del 2022 e al 65% del 2018. Eliminando le attività manuali e riducendo gli errori dovuti all’intervento umano, l’automazione sta migliorando le performance end-to-end e riducendo il numero di passaggi e di touchpoint.
Nel caso del decision-making automatizzato, è possibile sfruttare i grandi volumi di dati già presenti all’interno delle aziende telco, insieme a tecniche di data science e machine learning, per generare insight e inferenze data-driven al fine di servire meglio i clienti e sviluppare risparmi sui costi.
Tre casi d’uso dell’AI nel settore telco: garanzia del servizio
Lorenz ci ha indicato tre modi in cui gli operatori telco possono innovare con l’AI e l’automazione.
Il primo è la garanzia del servizio: i provider devono garantire prestazioni di rete di altissimo livello per soddisfare le aspettative dei clienti e rispettare gli accordi di servizio. Per farlo utilizzano strumenti come il monitoraggio delle prestazioni, la gestione della qualità del servizio (QoS) e le analisi predittive per rilevare e prevenire problemi di servizio prima che abbiano un impatto sugli utenti.
“Oggi l’AI rivoluziona la garanzia del servizio grazie a diverse capacità chiave. Il machine learning può costituire una solida base per la manutenzione predittiva, analizzando pattern e prevedendo i guasti di rete prima che si verifichino, consentendo interventi preventivi e riducendo significativamente i tempi di inattività”, evidenzia Lorenz.
Le tecniche di AI possono inoltre setacciare sistemi di rete complessi per identificare con precisione le radici dei problemi, migliorando l’efficacia di troubleshooting. L’AI può infine avere un impatto enorme sull’ottimizzazione della rete, analizzando i log per individuare opportunità di miglioramento, aumentando l’efficienza e quindi riducendo i costi operativi, oltre a ottimizzare le prestazioni di rete in tempo reale.
Rilevamento e prevenzione delle frodi
Un secondo ambito in cui l’AI aiuta le telco è quello del rilevamento e prevenzione delle frodi. I provider utilizzano oggi una serie avanzata di tecniche per rilevare e prevenire le frodi, adattandosi costantemente alla natura dinamica delle minacce. Le attività di routine per il rilevamento delle frodi comprendono il monitoraggio di andamenti anomali nelle chiamate e nell’utilizzo dei dati, oltre alla protezione contro episodi di Sim swap, un metodo frequentemente utilizzato per il furto d’identità.
Il machine learning offre agli operatori uno strumento potente per migliorare le capacità di rilevamento e prevenzione delle frodi, addestrando modelli ML su dati storici come i call detail record (CDR). Inoltre, questi algoritmi possono valutare il profilo di rischio individuale di ciascun cliente, adattando le strategie di rilevamento e prevenzione ai loro specifici schemi di utilizzo. I modelli possono evolvere nel tempo, imparando dai nuovi dati e dalle tattiche di frode emergenti, consentendo così il rilevamento in tempo reale e l’automazione delle misure di prevenzione, riducendo i controlli manuali e accelerando i tempi di risposta.
“Per avere successo nel rilevamento delle frodi è necessario prendere in considerazione molte dimensioni dei dati, il che rende il tempo di reazione un fattore critico per prevenire il verificarsi dei peggiori scenari”, spiega Lorenz. “La soluzione deve quindi supportare decisioni rapide, anche entro frazioni di secondo. Vettorizzando i dati con un modello ML appropriato, è possibile definire ciò che costituisce un’attività normale (“healthy business”) e, di conseguenza, identificare deviazioni dalla norma, come attività sospette degli utenti”.
Gestione più efficace dei problemi dei clienti
Un terzo modo con cui l’AI supporta le telco nel percorso di innovazione è potenziando la gestione dei problemi dei clienti.
“Tutti abbiamo avuto esperienza con i chatbot utilizzati nell’ambito di assistenza clienti B2C. Man mano che i chatbot diventano più sofisticati, potenzialmente grazie alle moderne tecniche della Gen AI, un numero sempre maggiore di richieste di Customer care sarà automatizzato”, illustra Lorenz. “Questo cambiamento non solo ridurrà i costi dei call center, ma velocizzerà anche i tempi medi di risoluzione dei problemi dei clienti”.
Oltre ai call center, i Communication service provider (Csp) stanno utilizzando l’AI e la Gen AI in diversi modi, attraverso tutti i canali, per migliorare le proprie operazioni e i propri servizi. Tra questi rientrano il potenziamento dell’esperienza cliente omnicanale con lo sviluppo di assistenti virtuali per il supporto in tempo reale e la collaborazione con le migliori piattaforme commerciali per creare strategie di cross-sell e upsell sempre più data-driven.
Il futuro: decision-making automatizzato
Sfruttando la potenza dell’AI e della data science, le telco possono anche portare queste tecnologie a livelli più avanzati nell’ambito della sicurezza di rete e della mitigazione delle frodi. Tuttavia, raggiungere l’automazione con dati non strutturati non è semplice.
Gli studi dimostrano che oltre il 50% del tempo dei data scientist è dedicato al “data wrangling” e più dell’80% di tutti i dati essenziali non è strutturato. Per sviluppare un nuovo sistema basato su AI/ML, è necessario disporre sia di capacità di elaborazione dei dati che di ML. Queste due soluzioni sono tipicamente fornite da sistemi differenti con punti di integrazione ben definiti.
“Qualsiasi soluzione basata su AI/ML richiede grandi quantità di dati storici per addestrare il modello. L’archiviazione e l’alimentazione di questi dati è di solito compito di un sistema di data warehouse tradizionale. La situazione si complica quando le decisioni devono essere prese in tempo reale con dati live, come nei casi d’uso legati all’anti-frode”, osserva Lorenz. “Per ottenere risultati in tempo reale è necessario integrare un database operativo nell’architettura per trasmettere dati e richieste in tempo reale al modello e per conservare l’output del modello stesso. In questo esempio di sistema ibrido coesistono quindi requisiti sia operativi sia analitici, e questa interazione aumenta la complessità architetturale complessiva del sistema. È importante sottolineare che i dati grezzi non possono essere utilizzati dai modelli di AI così come sono. Prima devono essere puliti, eventualmente deduplicati e trasformati in features. I database moderni come MongoDB sono in grado di gestire tutti i requisiti sopra descritti da un’unica piattaforma”.
Lorenz spiega che, una volta che i modelli di decision-making producono i nuovi dati in output, questi possono essere reinseriti nel database transazionale e azionati automaticamente tramite ulteriori strumenti di automazione.
“I modelli di decision-making saranno in continua evoluzione e richiederanno l’utilizzo di nuovi tipi di dati. Il modello di documento e lo schema dinamico supportano naturalmente l’inserimento di nuovi tipi e formati di dati senza la necessità di complesse modifiche agli schemi”, afferma il manager.
L’AI come bussola per la rinascita delle telco
“Di fronte allle sfide della differenziazione e della diversificazione dei ricavi in un contesto di servizi commoditizzati e di mercato disruptive, gli operatori devono dare priorità all’efficienza dei costi, migliorare il servizio clienti e potenziare l’esperienza degli utenti”, conclude Lorenz. “L’intelligenza artificiale offre alle telco la possibilità di orientarsi nelle complessità del panorama digitale, innovare e fornire servizi a valore aggiunto”.
Automatizzare la garanzia del servizio, la prevenzione delle frodi e il customer care non solo riduce drasticamente i costi, ma assicura l’agilità necessaria per competere in un mercato in rapida evoluzione. Adottando l’AI all’interno di architetture ibride e ponendo l’intelligenza dei dati e l’approccio customer-first al centro delle proprie strategie, “gli operatori tlc possono trasformare le sfide di oggi nelle opportunità di crescita di domani”.
