unstrukturierte daten im windschatten von social media · 2013. 5. 15. · im windschatten von...
Post on 20-Aug-2020
0 Views
Preview:
TRANSCRIPT
Unstrukturierte Datenim Windschatten von Social Media
Albert LabermeierBI Center Swisscom (Schweiz) AG7. Mai 2013
2
Explodierende Datenflut
• Datenexplosion seit 2000• 80 % der Daten unstrukturiert als
Text– Kundenfeedbacks– E-Mails– Twitter– Facebook– Webseiten
Erkennen von relevanten Informationen
Quelle: http://sureshparmar702.blogspot.ch/
3
Herausforderung: Ordnung ins Datenchaos bringen
Use Case: Social Media Analytics
5
Pilotprojekt: Social Media Analytics mit SAS
SAS Inhouse-Lösung
SAS Social Media Analytics
Social Media Analyticsmit SAS Text Analytics
Pilot-Projekt mit OnDemand-und Inhouse-Komponenten
SAS OnDemand-Lösung
6
Pilotprojekt: Social Media Analytics mit SAS
SAS Social Media Analytics
SAS OnDemand-Lösung
7
Projektablauf
November 2011 bis Februar 2012:
Pilotstudie
März 2012 bis Mai 2012: Testbetrieb, Roadshow bei möglichen Anwendern
Juni 2012: Entscheid, SMA einzusetzen
Juli 2012 bis November 2012: Überarbeitung Cockpit und Verbesserung Sentimentserkennung
Dezember 2012: Übergabe an Business
8
Erreichte Ziele
• Die installierte Lösung erlaubt Aussagen darüber,– Wann, wo und wieviel über Swisscom im Netz geschrieben wird– Was und wie wird über Swisscom geschrieben– Wer schreibt über Swisscom
• Neben der ursprünglich angedachten Zielgruppe interessieren sich immer mehr Fachabteilungen für die Lösung
9
Das SMA-Cockpit: Einstiegsseite
1010
Das SMA-Cockpit: Trendanalyse
1111
Das SMA-Cockpit: Drill down
1212
Das SMA-Cockpit: Drill down
13
Pilotprojekt: Social Media Analytics mit SAS
SAS Inhouse-Lösung
Social Media Analyticsmit SAS Text Analytics
Use Case: Analyse von Service Requests
15
Ausgangssituation
• Kunden rufen in einem Callcenter der Swisscom an und melden Probleme (Servicerequests)
• Einmal im Monat findet eine manuelle Auswertung der Servicerequests statt
• Dabei werden die Mitschriften der Callcenteragenten gelesen und Strichlisten geführt
• Die Auswertung eines zufällig ausgewählten Tages dauert ca. 4 Stunden
Auswertung dauert lange ist nicht vollständig ist von Tagesform abhängig ist verspätet
16
Ziel
• Regelmässige Analyse der Servicerequests• Kurze Periodizität• Detaillierte „Problemcluster“• Gleichbleibende Qualität• Geringer Aufwand• Automatisierung der Analyse
Einsatz von SAS Text Mining
1717
Vorgehensweise
• Voranalyse
18
Vorgehensweise
• Workshops zur– Bestimmung der interessierenden Topics
19
Vorgehensweise
• Workshops zur– Bestimmung der interessierenden Topics– Erstellung einer Synonymbibliothek
20
Vorgehensweise
• Workshops zur– Bestimmung der interessierenden Topics– Erstellung einer Synonymbibliothek
• Analyse der Servicerequests• Review der Ergebnisse• Feintuning
21
Text Mining Prozess
2222
Ergebnisse
• SAS Text Mining bewältigt grosse Datenmengen, für die manuelle Bearbeitung nicht praktikabel ist
• Es ist eine detaillierte Analyse der Problemfelder möglich• Die Kategorisierung ist nicht abhängig von „Tagesform“• Die Analyse ist sehr schnell• Die Lösung erlaubt eine beliebige Periodizität• Dadurch erhält Swisscom zeitnahe Information über die Probleme
ihrer Kunden und kann schnell reagieren• Es ist möglich, den Prozess zu automatisieren
Ziele vollumfänglich erreicht
Nachfrage nach regelmässigen Reports und Adhoc-Analysen steigt sprunghaft!
23
Next Steps
• Zusätzliche Sprachen• Neue Themen• Integration von Text Mining in Data Mining Modelle• Integration von Social Media Analytics
24
Vielen Dank für Ihre Aufmerksamkeit!
25
Contactinformation
Swisscom (Schweiz) AGAlbert LabermeierSCS-MKT-BIX-CAIHardturmstrasse 3CH-8005 Zürich
Phone +41 79 348 05 58Mail albert.labermeier@swisscom.comwww.swisscom.ch
top related