고객의 위치, 장치 및 사용을 기반으로 실시간 맞춤형 제안 제공

맥락에 기반한 실시간 맞춤형 제안을 제공하여 고객 만족도 향상

경쟁이 치열한 시장에서 CX(고객 경험)을 우선시하는 통신업체는 독특한 이점을 갖습니다. 또한 통신업체는 고객 행동, 선호도 및 위치에 대한 다양한 정보 등 수집한 방대한 양의 데이터를 활용하여 탁월한 고객 경험을 제공할 수 있습니다. 위치 데이터를 기반으로 고객에게 실시간으로 개인화된 서비스를 제공하는 것은 통신업체가 고객 경험을 개선하고 수익성을 높이는 데 도움이 되는 강력한 방법입니다.

실시간 맞춤형 제안은 개인의 특정 요구 사항, 선호도 및 위치에 맞게 조정되며 제품, 서비스 또는 플랫폼과 상호 작용하는 순간에 제공됩니다. 이는 고객에게 즉각적인 요구 및 관심사와 관련성 높은 콘텐츠 및 서비스를 제공하면 기업이 고객 만족도를 높이고 고객 참여를 유도하며 궁극적으로 매출 증가 또는 고객 충성도 및 유지율 향상 등 더 나은 결과를 달성할 수 있다는 발상에서 착안한 것입니다.

기업은 사용자의 현재 맥락 및 행동에 맞는 콘텐츠, 추천 및 경험을 제공하기 위해 데이터를 처리하고 알고리즘을 적용하여 이러한 수준의 개인화를 달성할 수 있습니다. 고객의 스마트폰은 위치 데이터를 계속 전송하며, 이를 수집 및 분석하면 실시간 인사이트를 도출할 수 있습니다. 위치 데이터는 통신업체가 보유한 매우 강력한 도구입니다. 통신업체는 인구 통계 및 사용 패턴 등의 고객 프로파일과 위치 데이터를 결합하여 개별 사용자를 종합적으로 파악할 수 있으며, 이를 통해 관련성 높고 시의적절한 제안 및 서비스를 제공할 수 있습니다. 날씨 데이터, 트래픽 패턴 및 로컬 이벤트에 대한 정보와 같은 제3자 출처의 데이터를 통합하면 맞춤형 제안에 대한 추가적인 맥락을 제공할 수 있습니다. 실시간 데이터 분석 기술은 이 모든 데이터를 실행 가능한 인사이트로 전환하는 데 중요한 역할을 합니다. 고급 분석 도구는 빛의 속도로 정보를 처리 및 분석하여 통신업체가 신속하게 의사 결정을 내리고 맞춤형 제안을 실시간으로 제공할 수 있도록 해줍니다.

위치에 기반한 실시간 맞춤형 제안은 보다 관련성 있고 매력적인 사용자 경험을 제공하여 고객 행동에 상당한 영향을 미칠 수 있습니다. 통신업체가 과거 사용자 데이터(과거 상호 작용, 구매 이력 및 선호도 등)와 실시간 데이터(위치, 장치 유형 및 현재 작업 포함)를 함께 사용하여 고도로 개인화되고 맥락 관련성이 높은 고객 경험을 제공할 수 있는 몇 가지 예는 다음과 같습니다.

• 해외 여행을 떠나는 고객에게 국제 로밍 패키지를 제안하거나 특정 지역에 있는 사용자에게 현지 할인 혜택 제안
• 네트워크 문제 및 중단을 파악하여 문제를 주도적으로 해결하고, 영향을 받는 고객과 소통하여 고객 불만 해소
• 맞춤형 서비스 제공, 타겟팅 프로모션 제공, 네트워크 성능 최적화 등을 통해 경쟁 우위를 확보하고 고객에게 최상의 경험 제공
• 고객의 데이터 사용량이 요금제를 초과하려는 시점에 데이터 업그레이드를 제안하여 초과사용 요금 발생을 방지하고 고객 만족도 개선
• 통신업체 매장 또는 파트너 비즈니스와 같은 특정 위치를 방문할 때 고객에게 보상을 제공하는 로열티 프로그램 소개
• 사용자가 현재 탐색 중이거나 최근 구매 기록과 일치하는 제품 추천

모바일 마케팅은 효과적이고 잠재 수익이 높지만 위험을 동반할 수 있습니다. 개인화는 이러한 위험을 줄이는 데 도움이 됩니다. 유용한 정보가 포함된 관련 마케팅 메시지를 통해 고객 경험을 향상시킬 수 있지만, 대상이 지정되지 않은 관련성 없는 메시지는 스팸 메시지가 되며 고객의 피로도를 높이고 고객 이탈로 이어질 수 있습니다.

통신업체는 고객 위치 데이터를 기반으로 실시간 맞춤형 제안을 제공하여 모두가 만족하는 상황을 만들고, 고객 만족도를 높이며 수익 증대를 촉진할 수 있습니다. 이러한 사전 예방적 접근 방식은 고객의 경험을 단순화하고 예기치 않은 요금 발생의 위험을 낮춰 만족도와 충성도를 높입니다. 마진이 작고 상당한 자본 투자가 필요한 통신업체의 경우 데이터 기반 개인화 및 위치 기반 제안을 통해 고객 경험을 개선하면 수익성에 상당한 영향을 미칠 수 있습니다. 위치 기반 개인화를 통해 여러 가지 방법으로 수익 증대를 촉진할 수 있습니다.

• 현재 위치와 관련된 제안을 받는 고객은 자발적으로 구매하거나 업그레이드할 가능성이 높습니다.
• 맞춤형 제안을 사용하면 고객의 참여를 유도할 수 있고 고객이 이탈할 가능성이 줄어듭니다.
• 사용자는 통신업체가 자신의 요구를 이해하고 있다고 느낄 때, 충성 고객으로 남을 가능성이 더 높습니다.
• 타겟팅된 제안은 대량 마케팅 캠페인보다 비용 효율적입니다.
• 프리미엄 데이터 패키지 또는 스마트 홈 솔루션과 같은 추가 서비스를 상향 판매하거나 교차 판매할 수 있는 기회가 늘어나면 고객 생애 가치를 높일 수 있습니다.

고객 데이터를 사용하여 실시간 맞춤형 제안을 제공할 때 통신업체는 항상 데이터를 책임감 있게 처리하고 규제 요건을 준수하며 데이터 사용과 관련하여 투명하게 소통해야 합니다. 개인화와 프라이버시 간의 적절한 균형을 맞추는 것이 성공적인 구현의 핵심 요소입니다. 이를 위해 통신업체는 보안을 보장하고 서비스 및 배포 유연성을 제공하는 동시에 일관성, 확장성 및 성능을 제공할 수 있는 데이터 플랫폼이 필요합니다.

포괄적인 데이터 플랫폼을 사용하여 개인화 서비스 및 프라이버시의 균형 유지

통신업체는 데이터를 수집, 선별, 처리 및 분석하여 고객의 위치를 기준으로 실시간 맞춤형 제안을 제공할 수 있습니다. 여기에는 사용자 장치에서 제공하는 위치 데이터를 실시간으로 처리한 다음 맞춤형 제안을 트리거하는 작업이 포함됩니다.

하단의 아키텍처는 권장 Oracle 구성 요소를 결합하여 분석 아키텍처를 구축하는 방법을 보여줍니다. 전체 데이터 분석 수명 주기를 확인할 수 있으며, 통신업체 및 디지털 서비스 제공업체가 실시간으로 맥락 기반 제안을 고객에게 제공하고 상단에 설명된 광범위한 비즈니스 이점을 달성할 수 있도록 돕기 위해 디자인되었습니다.

이 이미지는 Data Platform for Telecommunications를 통해 위치, 사용량, 장치 기본 설정에 기반하여 맥락 기반 제안을 제공함으로써 고객 경험을 개선하는 방법을 보여줍니다.

본 플랫폼의 구성 요소들은 다음의 5가지 제품군으로 분류됩니다:

1. 1. 데이터 소스, 검색
2. 2. 수집, 변환
3. 3. 유지, 선별, 생성
4. 4. 분석, 학습, 예측
5. 5. 측정, 실행

데이터 소스, 검색 제품군에는 4가지 범주의 데이터가 포함되어 있습니다.

1. 1. 애플리케이션은 CRM, 서비스, 청구, 사용량 및 제품 카탈로그에서 수집한 데이터로 구성됩니다.
2. 2. 비즈니스 기록은 BSS, OSS, CDR 및 구매 기록의 데이터로 구성됩니다.
3. 3. 기술 입력은 네트워크 이벤트, 장치 데이터 세트 및 네트워크 품질 데이터로 구성됩니다.
4. 4. 제3자 데이터는 Oracle Data Cloud, 소셜 데이터 및 오퍼 패키지로 구성됩니다.

연결, 수집, 변환 제품군은 4가지 기능으로 구성됩니다.

1. 1. 일괄 수집은 OCI Data Integration, Oracle Data Integrator 및 DB 도구들을 사용합니다.
2. 2. 일괄 전송은 OCI FastConnect, OCI Data Transfer, MFT, OCI CLI를 사용합니다.
3. 3. 변경 데이터 캡처는 OCI GoldenGate를 사용합니다.
4. 4. 스트리밍 수집은 OCI Streaming, 및 Kafka Connect를 사용합니다.

4가지 기능 모두 유지, 선별, 생성 제품군 내의 서빙 데이터 저장소 및 클라우드 스토리지에 단방향으로 연결됩니다.

또한 스트리밍 수집은 분석, 학습, 예측 부문의 스트림 처리에 연결됩니다.

유지, 선별, 생성 제품군은 4가지 기능으로 구성됩니다.

1. 1. 서빙 데이터 저장소는 Oracle Autonomous Data Warehouse 및 Exadata Cloud Service를 사용합니다.
2. 2. 클라우드 스토리지는 OCI Object Storage를 사용합니다.
3. 3. 일괄 처리는 OCI Data Flow를 사용합니다.
4. 4. 거버넌스는 OCI Data Catalog를 사용합니다.

이상의 기능들은 해당하는 제품군 내에서 서로 연결됩니다. 클라우드 스토리지는 서빙 데이터 저장소에 단방향으로 연결되고, 일괄 처리와는 양방향으로 연결됩니다.

2개의 기능이 분석, 학습, 예측 제품군에 연결됩니다. 서빙 데이터 저장소는 분석 및 시각화 기능은 물론, 데이터 제품, API 기능에도 모두 연결됩니다. 클라우드 스토리지는 머신러닝 기능에 연결됩니다.

분석, 학습, 예측 부문은 4가지 기능으로 구성됩니다.

1. 1. 분석 및 시각화 기능은 Oracle Analytics Cloud, GraphStudio, ISV를 사용합니다.
2. 2. 데이터 제품 및 API는 Autonomous Data Sharing, API Gateway 및 Functions를 사용합니다.
3. 3. 머신러닝은 OCI Data Science, Oracle Machine Learning, Oracle ML Notebooks을 사용합니다
4. 4. 스트리밍 처리는 OCI Goldengate Stream Analytics 및 타사 솔루션을 사용합니다.

측정, 실행 제품군은 데이터 분석이 사용되는 방식을 캡처합니다: 사람 및 파트너별.

1. 1. 인력 및 파트너는 고객 세분화, 예측 분석, 이탈 예측, 동적 가격 모델, 교차 판매 및 상향 판매, 분석/예측, 생애 가치 예측으로 구성됩니다.
2. 2. 애플리케이션은 추천 시스템/위치 기반 서비스, 실시간 행동 분석 및 감정 분석으로 구성됩니다.
3. 3. 3가지 주요 제품군(수집, 변환/유지, 선별, 생성/분석, 학습, 예측)에는 인프라, 네트워크, 보안 솔루션, IAM 등이 활용됩니다.

데이터의 연결, 수집 그리고 변환

Oracle의 솔루션은 3가지 주요 제품군으로 구성되어 있으며, 각각 특정 데이터 플랫폼 기능들을 지원합니다. 첫 번째 제품군은 데이터의 연결, 수집, 변환 관련 기능을 제공합니다.

통신업체가 실시간으로 맞춤형 제안을 제공할 수 있도록 아키텍처에 데이터를 삽입하는 네 가지 주요 방법이 있습니다.

• 프로세스를 시작하기 위해 실시간 또는 실시간에 가까운 추출을 사용하여 엔터프라이즈 CRM 제품에서 데이터를 추출하고 Oracle Cloud Infrastructure (OCI) GoldenGate를 통해 시스템을 제공합니다. 실시간에 가까운 수집은 "적시" 수집이라고도 하며, 이는 일정 시간 범위 내에 데이터를 수집하고 특정 맥락이 유지되는 동안에 고객의 맥락을 파악하고 제안을 제시하는 것을 의미합니다. 옵트인/옵트아웃 및 규제 규칙이 엄격히 준수되도록 오퍼 카탈로그 데이터, 가용성 및 자격요건 규칙 데이터를 거의 실시간으로 수집해야 합니다. 이 데이터는 일반적으로 관계형 데이터이며 엔터프라이즈 애플리케이션에서 추출됩니다. OCI GoldenGate는 변경 데이터 캡처(CDC)를 사용해 서비스 대상 운영 프로세스를 제공하는 시스템의 기반 구조에 변경이 발생하면 이를 감지합니다(예: 새로운 제안 생성, 고객 네트워크 문제, 고객이 새로운 장치 사용, 신규 서비스 이용 등). 그리고 이 데이터를 실시간으로 지속성 계층 및/또는 스트리밍 계층으로 전송합니다. OCI GoldenGate는 완료된 트랜잭션의 로그 파일을 처리하고 수집된 변경 사항을 데이터베이스와 독립된 외부 추적 파일에 저장하여 소스 변경 사항을 비침습적으로 처리할 수 있는 CDC 메커니즘을 제공합니다. 이후 변경 사항은 스테이징 데이터베이스로 안정적으로 전송됩니다. Journaling Knowledge Module(JKM)은 Oracle Data Integrator에서 관리하는 메타데이터를 사용하여 모든 OCI GoldenGate 구성 파일을 생성하고 스테이지 영역에서 OCI GoldenGate가 감지한 모든 변경사항을 처리합니다. 이러한 변경사항은 Oracle Data Integrator의 선언적 변환 매핑을 사용하여 대상 데이터 웨어하우스로 로드됩니다. 이 아키텍처를 사용하면 데이터를 로드하고 분석 데이터 웨어하우스 테이블로 변환하는 것 외에도 정규화된 스테이지 영역 테이블에 대한 별도의 실시간 보고가 가능합니다.
• 다음으로 모델 학습 및 오퍼 성향 분석을 위해 과거 운영 트랜잭션 데이터의 일괄 전송을 사용으로 설정합니다. 일괄 전송 서비스는 대량의 데이터를 최초로 Oracle Cloud Infrastructure로 이전해야 하는 경우 사용됩니다(예: 기존 온프레미스 분석 저장소 또는 타 클라우드 소스의 데이터 이전). 어떤 일괄 전송 서비스를 사용하게 될지는 데이터의 위치와 전송 빈도에 따라 달라집니다. 예를 들어 과거 계획 또는 데이터 웨어하우스 저장소로부터 대량의 온프레미스 데이터를 로드할 때 OCI Data Transfer 서비스 또는 OCI Data Transfer Appliance를 사용할 수 있습니다. 대량의 데이터를 지속적으로 이전해야 하는 경우, 고객사의 데이터 센터와 OCI 간의 고대역폭 전용 프라이빗 네트워크 연결을 제공하는 OCI FastConnect 사용이 권장됩니다.
• 여러 소스의 고객 위치 데이터를 실시간으로 분석하는 기능은 맥락에 맞는 적절한 제안을 제공하기 위해 중요합니다. 이 사용 사례에서는 스트리밍 수집을 사용해 모바일 상호 작용, 사물인터넷, 머신 간 커뮤니케이션 및 기타 수단을 통해 고객 또는 내부 이벤트로부터 읽어온 모든 데이터를 수집합니다. 스트림은 다양한 내부(네트워크) 및 외부(비콘) 소스에서 생성될 수 있으며, 위치 데이터, 고객 상호 작용 데이터, 이동 데이터 및 소셜 미디어 데이터를 포함할 수 있습니다. 수집된 데이터(이벤트)는 몇 가지 기본적인 변환/집계 처리를 거친 후 OCI Object Storage에 저장됩니다. 추가 스트리밍 분석을 사용하여 상관관계가 있는 위치 이벤트를 식별하고, 고객에게 맥락 기반 제안을 전송할 수 있으며, 식별된 패턴은 OCI Data Science를 사용하여 원시 데이터의 조사를 위해 (수동으로) 피드백할 수 있습니다.
• 실시간 데이터 처리에 대한 니즈가 증가 중이지만, 제품, 고객, 마케팅 기본 설정 관리 시스템에서 가장 일반적으로 사용되는 데이터 추출법은 ETL 프로세스를 통한 일종의 일괄 수집(batch ingestion) 방식입니다. 일괄 수집은 데이터 스트리밍을 지원할 수 없는 시스템으로부터 데이터를 임포트할 때 사용됩니다(예: 일부 레거시 청구 및 등급 시스템). 10분 또는 15분 간격으로 자주 데이터를 수집할 수도 있지만, 개별 트랜잭션이 아닌 트랜잭션 그룹 단위로 데이터를 추출 및 처리하는 만큼 본질적으로는 일괄 수집에 해당하는 방식입니다. OCI는 전용 OCI Data Integration 및 OCI Compute 인스턴스에서 구동되는 Oracle Data Integrator와 같이 다양한 일괄 수집 서비스를 제공합니다. 어떤 서비스를 선택할지는 주로 기술적 요구 사항이 아닌 고객 선호도를 기반으로 결정됩니다.

데이터의 지속, 처리, 선별

데이터 지속성 및 처리는 3개의 구성 요소를 기반으로 구축됩니다. 모든 구성 요소를 사용하는 고객도 있고, 하위 구성 요소만 선택하는 고객도 있습니다. 데이터의 양 및 유형에 따라 데이터를 객체 스토리지로 로드하거나, 영구적 저장을 위해 정형 관계형 데이터베이스로 직접 로드할 수 있습니다. 데이터 과학 기능의 적용이 예상되는 경우, 데이터 소스로부터 원시 형식(처리되지 않은 원시 파일 또는 추출)으로 검색된 데이터를 캡처하여 트랜잭션 시스템에서 클라우드 스토리지로 로드하는 것이 보다 일반적인 방식입니다.

• 클라우드 스토리지는 Oracle의 데이터 플랫폼에 사용되는 가장 일반적인 데이터 지속성 계층입니다. 또한 정형 및 비정형 데이터 저장에도 사용할 수 있습니다. OCI Object Storage, OCI Data Flow, Oracle Autonomous Data Warehouse는 그 근간이 되는 서비스입니다. 데이터 소스에서 원시 형식으로 검색된 데이터는 캡처된 뒤 OCI Object Storage로 로드됩니다. OCI Object Storage는 기본 데이터 지속성 계층이고, OCI Data Flow의 Spark는 기본 일괄 처리 엔진입니다. 일괄 처리는 기본 노이즈 처리, 누락된 데이터 관리, 사전 정의된 아웃바운드 데이터 세트에 기반한 필터링을 비롯한 여러 작업으로 구성된 과정입니다. 처리된 데이터는 요구되는 처리 방식 및 사용된 데이터 유형에 따라 객체 스토리지의 다양한 계층 또는 영구 관계형 저장소에 다시 작성됩니다.
• 이제 서빙 데이터 저장소를 사용해 선별된 데이터를 쿼리 성능에 최적화된 형식으로 유지하고 고객의 운영에 대한 전방위적인 뷰를 제공할 수 있습니다. 서빙 데이터 저장소는 SQL 기반 도구를 활용하여 최종 사용자에게 직접 선별된 고품질 데이터를 제공하기 위해 사용되는 영구 관계형 계층을 제공합니다. 본 솔루션에서 Oracle Autonomous Data Warehouse는 엔터프라이즈 데이터 웨어하우스의 서빙 데이터 저장소로, 필요한 경우 보다 특화된 도메인 레벨 데이터 마트로서 인스턴스화됩니다. 또한 데이터 과학 프로젝트의 데이터 소스, 또는 Oracle Machine Learning에 필요한 저장소로서의 기능도 수행합니다. 서빙 데이터 저장소로는 Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service, Oracle Exadata Cloud@Customer를 비롯한 다양한 서비스 중 하나를 채택할 수 있습니다.

데이터 분석, 학습 및 예측

분석, 학습, 예측 기능은 3가지 기술 접근 방식을 기반으로 구축됩니다.

• OCI GoldenGate 스트림 분석을 통해 소스에서 위치 데이터를 포함하여 스트리밍 데이터를 지속적으로 수집할 수 있습니다. 이 데이터는 GPS 장치 및 모바일 앱에서 실시간으로 추출되며 이를 통해 고객의 위치와 행동을 파악할 수 있습니다. 이는 데이터가 일련의 이벤트로 처리되는 이벤트 기반 아키텍처를 제공합니다. 이 경우 이벤트는 사용자의 이동, 지오펜싱 트리거 또는 기타 관련 이벤트가 발생했음을 나타냅니다. 사용자가 사전 정의된 지리적 영역에 들어오거나 밖으로 나갔음을 나타내는 지오펜싱 이벤트는 실시간으로 처리됩니다. 이러한 지오펜스 트리거는 사용자의 현재 위치를 기반으로 맞춤형 제안에 대해 사전 정의된 규칙을 평가하는 등의 작업을 즉시 시작할 수 있습니다. 이 솔루션을 통해 외부 데이터 소스와 원활하게 통합할 수 있어 추가적인 맥락을 바탕으로 실시간 분석을 강화할 수 있습니다. 기상 조건 또는 로컬 이벤트와 같은 외부 데이터를 처리 파이프라인에 동적으로 통합하여 제안의 관련성과 개인화를 향상시키고 실시간 대응을 활성화할 수 있으며, 작업을 트리거하고, 사용자의 현재 맥락 및 위치를 기반으로 맞춤형 제안을 생성할 수 있습니다.
• 고급 분석 기능은 고객 행동을 식별하여 활용 성향 및 맥락 분석을 포함한 맞춤형 제안을 알리기 위해 중요합니다. 본 사용 사례에서는 Oracle Analytics Cloud를 사용하여 분석 및 시각화 작업을 수행합니다. 이를 통해 통신업체는 기술 분석(현재의 추세를 히스토그램 및 차트로 설명), 예측 분석(미래 이벤트 예측, 추세 파악, 불확실한 결과의 발생 가능성 추산), 처방 분석(최적의 의사결정 지원을 위해 적합한 조치 제안)을 활용할 수 있습니다.
• 처방 분석은 결과 예측을 넘어 최적의 조치를 위한 권장 사항을 제공합니다. 통신업체는 처방 분석을 사용하여 개별 고객의 선호도를 파악하고 고객의 니즈와 관심사에 따라 위치 기반 제안을 조정할 수 있습니다. 예측 모델을 과거 데이터에 적용함으로써 통신업체는 향후 결과를 예측하고 이에 따라 선제적인 의사결정을 내릴 수 있습니다. 예를 들어 예측 분석은 고객에게 가장 적합한 제안을 식별하고 고객 행동을 예측하며 맥락 기반 제안의 잠재적 기회를 식별하고 제안 활용을 최적화하는 데 도움이 될 수 있습니다.
• 고급 분석 외에도 데이터 과학, 머신러닝, 인공지능 등의 기술을 활용하여 이상 징후를 파악하고, 프로세스 지연이 발생할 수 있는 위치를 예측하고, 고객의 여정을 최적화하는 사례가 늘고 있습니다. 예를 들어 머신러닝 모델은 맥락 식별, 고객 세분화 및 개인화된 마케팅에 사용될 수 있습니다. 새로운 데이터를 계속 학습하는 이 모델들은 시간이 지날수록 성능이 조정되고 개선될 수 있기 때문에, 고객 만족도가 향상되고 수익성이 높아집니다. OCI Data Science, OCI AI Services, Oracle Machine Learning이 데이터베이스에서 사용될 수 있습니다.
• 우리는 머신러닝과 데이터 과학을 사용해 우리의 예측 모델을 구축하고 훈련시킵니다. 이후 해당 머신러닝 모델들은 API를 통해 점수 부여용으로 배포되거나, OCI GoldenGate 스트림 분석 파이프라인의 일부로서 내장될 수 있습니다. 경우에 따라 Oracle Machine Learning Services REST API를 사용하여 해당 모델들을 데이터베이스에 배포할 수도 있습니다(Open Neural Network Exchange 형식 모델에 한해 가능). 또한 Jupyter/Python 중심 노트북용 OCI Data Science, 또는 Zeppelin 노트북 및 머신러닝 알고리즘용 Oracle Machine Learning을 서빙 또는 트랜잭션 데이터 저장소에 배포할 수 있습니다. 마찬가지로 Oracle Machine Learning 및 OCI Data Science를 단독으로, 또는 함께 사용하여 권장/결정 모델을 개발할 수 있습니다. 이러한 모델들은 서비스 형식으로 배포 가능하고, Oracle은 해당 모델들을 OCI API Gateway를 통해 배포함으로써 '데이터 제품' 및 서비스 형식으로 제공할 수 있습니다. 마지막으로, 머신러닝 모델들은 운영 결정 시스템의 일환인 애플리케이션에 배포될 수 있습니다(허용되는 경우).
• 마지막 주요 구성요소는 데이터 거버넌스입니다. 데이터 거버넌스는 데이터 플랫폼 생태계의 모든 데이터 소스에 대한 데이터 거버넌스 및 메타데이터 관리(기술 및 비즈니스 메타데이터 모두 해당)를 제공하는 무료 서비스인 OCI Data Catalog를 통해 제공됩니다. 또한 OCI Data Catalog는 저장 방식에 관계없이 모든 데이터를 빠르게 검색할 수 있는 방법을 제공하기 때문에 Autonomous Data Warehouse에서 OCI Object Storage로의 쿼리를 위한 중요한 구성 요소이기도 합니다. 이를 통해 최종 사용자, 개발자, 데이터 과학자는 아키텍처 내의 모든 영구 데이터 저장소에서 공통의 액세스 언어(SQL)를 사용할 수 있습니다.

데이터를 사용하여 고객 경험 개선 및 로열티 증대

전체 데이터 분석 수명 주기를 지원하는 Oracle Modern Data Platform은 통신업체에 위치를 기반으로 실시간 맞춤형 제안을 제공하는 데 필요한 도구, 성능, 보안 및 유연성을 제공합니다. 이 마케팅 접근 방식은 고객과 통신업체 모두에게 다음과 같은 상당한 이점을 제공할 수 있습니다.

• 고객 경험 향상: 고객은 가장 중요한 시기와 장소에서 유용한 제안을 받을 수 있으며 최소한의 노력으로 이를 수용할 수 있습니다.
• 제안 수락률 증가 및 고객 생애 가치 개선: 고객은 실제로 원하고 필요로 하는 제안을 받아들일 확률이 더 높으며, 이에 따라 판매가 늘어날 수 있습니다.
• 고객 확보 및 유지 능력 향상: 효율적인 서비스 제공, 경쟁력 있는 가격, 혁신적인 오퍼링과 결합된 탁월한 고객 경험을 통해 고객 충성도를 높이고 이탈률을 낮출 수 있습니다.
• 비용 효율성 개선: 타겟팅된 제안은 일반적으로 대량 마케팅 캠페인보다 성공률이 높아 통신업체는 더 강력한 투자 수익을 얻을 수 있습니다.
• 매출 성장: 고객 충성도와 참여를 높이고, 목표 교차 판매 및 상향 판매 기회를 확대하며, 마케팅 지출을 최적화하고 고객 생애 가치를 개선하면 통신업체가 경쟁 시장에서 우위를 확보하고 매출 성장을 촉진하는 데 도움이 될 수 있습니다.