جالب‌ترین دوره‌های تاریخ مخابرات

مخابرات ما (محمد – دنیای اقتصاد ) – واقعیت این است که اپراتورهای موبایل نباید منتظر آینده باشند، چون آنها همین حالا روی یک گنجینه درست و حسابی نشسته‌اند.  این گنجینه از حجم عظیمی از داده‌هایی که در شبکه‌های مخابراتی در گردش هستند، تشکیل شده است. امروزه شبکه‌های مخابراتی مهم دارای تجهیزات گران‌قیمت و مقاومی هستند که برای انتقال داده‌ها و اطلاعات بهینه‌سازی شده‌اند، اما این تجهیزات برای تحلیل داده‌ها طراحی نشده‌اند. در نتیجه اغلب اپراتورها همچنان استراتژی‌های موثری را برای تبدیل جریان داده‌های کاربران به اطلاعات قابل استناد مشتریان، توسعه نداده و به‌کار نگرفته‌اند. باید بگذاریم این فرآیند به مرحله بعدی برود تا مبتنی بر تحلیل داده‌ها شده و کسب و کارهای دیجیتال بتوانند بر سر ارائه سرویس‌های اینترنتی بر مبنای اطلاعات مشتریان، با هم به رقابت بپردازند.

برای آنکه این اتفاق بیفتد، اپراتورها باید مدل فعلی‌شان را متوقف کرده و الگوریتم‌های یادگیری ماشینی را برای داده‌هایی  به‌کار ببرند که امروزه در شبکه‌های مخابراتی جریان دارند. این کار به آنها اجازه می‌دهد تا از ترکیب پیچیده اتفاقات، الگوهای ترافیک داده‌ها و تعاملات موبایل‌های هوشمند برای ایجاد گروه‌های مختلف و رفتارهایی رمزگشایی کنند که هر مشتری را متمایز و مشخص می‌کند. داده‌های خام که از طریق یک شبکه موبایل در جریان هستند، می‌توانند به اطلاعات رفتاری کاربر تبدیل شوند تا اطلاعات قابل استنادی را برای واکنش‌های در لحظه به نیازها و علایق مشتریان تولید کنند.

تبدیل اپراتورهای موبایل به بنگاه‌های تجاری داده محور

بنابراین، ما امروزه کجا قرار داریم؟ اپراتورهای موبایل معمولا به منابع بسیار متنوعی از اطلاعات مشتریان شامل سیستم‌های تجاری استاندارد یا پلت‌فرم‌های ارتباط با مشتری، دسترسی دارند. این منابع اطلاعاتی می‌توانند شامل داده‌های ثابت یا در جریان درباره مشتریان باشند. چالش این سیستم‌ها آن است که ارزیابی و بررسی شرایط فعلی مشتری و درک الگوهای اصلی است که رفتار مشتری را شکل می‌دهند. با این حال چه می‌شود اگر اپراتورها بتوانند ببینند که یک مشتری آنلاین است و در حال تماشای آنلاین فیلم یا ویدئو؟ چه می‌شود اگر بتوانند ببینند که مشتریان در حال استفاده از یک اپلیکیشن برای جست‌وجوی مقصد سفرشان هستند؟ یا چه می‌شود اگر بتوانند تشخیص بدهند که دستگاه مورد استفاده یک مشتری توسط بدافزاری آلوده شده است؟ درک این شرایط فرصت‌های نامحدود و زیادی را به اپراتورها می‌دهد که بتوانند به یک شریک تجاری یا منبعی مفیدتر برای مشتریان، تبدیل بشوند. اپراتورها معمولا به خوبی می‌دانند که باید به بنگاه‌های تجاری داده‌محوری تبدیل بشوند که وابسته و مرتبط باقی بمانند. خبر خوب اینکه اکثر اپراتورهای جهان در حال حاضر فرآیند تحولات دیجیتالی خودشان را آغاز کرده‌اند. تنها هشدار ما به اپراتورها این است که باید تضمین کنند که مردم یا در واقع مشتریانشان، در برابر هر پروژه تحول دیجیتالی در اولویت قرار دارند.

مدیریت اطلاعات موبایلی برای درک وضعیت هر کاربر

واقعیت این است که اپراتورها در حال حاضر همه آنچه در شبکه‌های اصلی‌شان نیاز دارند تا شرایط مشتریان را به خوبی درک کرده و خدمات بهتری به آنها ارائه بدهند، در اختیار دارند. البته چالش اصلی آن است که این حجم بزرگ اطلاعات از تعاملات کاربران با موبایل‌هایشان را به چشم‌اندازی واقعی و قابل اعتماد از رفتار و نیازهای مشتریان، تبدیل کنند. ایجاد ساختاری مفیدتر و قابل مدیریت یا چیزی شبیه به دریاچه‌ای از اطلاعات که به‌صورت خودکار مدیریت و سازماندهی می‌شود، نیازمند قدرت پردازشی زیاد و سرعتی است که تقریبا بی‌چون و چرا ما را به سمت استفاده از رایانش ابری (کلاد) و هوش مصنوعی سوق می‌دهد. این حجم عظیم داده‌های پردازش شده توسط کلاد و هوش مصنوعی، می‌توانند به دانشی جدید و ارزشمند از کاربران موبایل تبدیل شوند. با استفاده از تکنولوژی درست برای این موقعیت، این اطلاعات به‌طور مستقیم از شبکه مخابرات استخراج شده و اپراتورها با به‌کارگیری الگوریتم‌های یادگیری ماشینی روی آنها، می‌توانند با دقت بیشتری آنچه را که می‌خواهند یا نیاز دارند را شناسایی، درک و پیش‌بینی کنند.

کاربردهای تجاری این فرآیند بی‌شمار هستند. اولین قدم آن ارائه پیشنهاد‌های کاملا هدفمند به مشتریان بر اساس اطلاعات و عملکرد در لحظه آنهاست. به‌عنوان مثال، کاربری که به‌طور منظم از اپلیکیشن پخش آنلاین ویدئو HBO استفاده می‌کند و یک موبایل هوشمند جدید مبتنی بر نمایشگر ۴K دارد، در حال حاضر متصل است. با این اوصاف احتمال زیادی وجود دارد که بشود فهمید فیلم یا سریال بعدی که او به احتمال زیاد می‌بیند، چه خواهد بود. قدم دوم آن است که اپراتورها می‌توانند با عملکرد هوشمندتر و هماهنگ‌سازی عادت‌های آنلاین کاربران و اطلاعات به‌دست آمده از آنها، کارآیی تجاری خودشان را بهبود بدهند. و قدم آخر آنکه اپراتورها می‌توانند پیش‌بینی بهتر و دقیق‌تری از درآمد آینده‌ای که هر مشتری می‌تواند برای آنها به ارمغان بیاورد، داشته باشند. با این اوصاف اپراتورها باید اشتیاق و هیجان بیشتری برای مواجهه با پتانسیل‌های درآمدزایی و مدل‌های تجاری سودآور آینده خودشان داشته باشند؛ اطلاعات و داده‌ها گنجینه مهمی هستند که می‌توانند چشم‌انداز تجاری اپراتورها و تعامل آنها با تکنولوژی‌های آینده را تضمین کنند.

***