El desafío
La empresa se propuso desarrollar un proceso estandarizado de encuestas diarias de satisfacción para el Net Promoter Score (NPS). Sin embargo, el Net Promoter Score relacional (rNPS) se subcontrató y carecía de la flexibilidad necesaria para el negocio. No se alcanzaron las tasas de respuesta mensuales previstas. Además, los procesos de cuarentena y bloqueo no dieron los resultados esperados.
Para satisfacer las necesidades de diversas fuentes de datos, la solución debe admitir tanto el NPS transaccional (tNPS) como el NPS de producto (pNPS). El muestreo estratificado resulta esencial tanto para el rNPS como para el pNPS.
Además, se requieren al menos siete puntos de contacto diferentes para tNPS. Para mejorar la recopilación de datos, la base de datos debe incluir direcciones de correo electrónico y números de teléfono válidos para garantizar el contacto y reducir el desperdicio. Para la gestión de los enlaces de las encuestas, un proveedor externo (Medallia) supervisará el proceso, optimizando las operaciones y aumentando la eficiencia general.
¿Por qué AWS?
BTC integró con éxito todas las fuentes de datos y la generación de tablas en el entorno de AWS, creando un lago de datos centralizado para consultas y análisis por parte del equipo de análisis. La solución más sencilla para crear un proceso estandarizado de encuestas diarias para NPS se encontró en el versátil conjunto de herramientas de AWS. Aprovechando la experiencia de Strata en AWS, se estableció una canalización de datos optimizada que gestiona de manera eficiente los nuevos datos, el preprocesamiento y la generación de muestras de clientes específicas.
En resumen, la combinación de la visión de BTC y la destreza de AWS, junto con la experiencia de Strata, dio como resultado una solución extraordinaria que potenció las iniciativas de la organización basadas en datos.
Por qué el cliente seleccionó al socio
En un proyecto anterior, Strata se asoció con BTC para desarrollar un Data Lake integral en AWS. También creamos procesos para mapear diversas fuentes de datos, establecer mecanismos para la carga de datos, verificar la coherencia de los datos y crear tablas analíticas dentro del entorno de AWS. El despliegue exitoso de esta solución basada en AWS sentó una base sólida para nuestra experiencia en la gestión del modelo actual solicitado.
La elección de Strata como socio preferente para este proyecto estuvo plenamente justificada. Nuestra experiencia en el diseño de soluciones AWS integrales para el sector de las telecomunicaciones y otros ámbitos nos convierte en la opción ideal para esta tarea. Aportamos un amplio conocimiento y experiencia, lo que garantiza resultados excepcionales también en este proyecto.
Solución de socio
La solución propuesta se basa en extraer información del ADN de los clientes B2C de pospago, fijo y prepago para crear un conjunto de datos completo. Las condiciones para crear el conjunto de datos varían entre tNPS, rNPS y pNPS. Mientras que tNPS se basa en las acciones de los clientes del día anterior (hace 7 días), rNPS y pNPS no; se incluyen todos los clientes con actividad en el ADN.
Esta solución se rige por un orden de prioridad diario: primero se reservan los clientes para los puntos de contacto de alta prioridad, como t-onboarding, t-install y otros. A continuación, se aborda rNPS, luego los puntos de contacto de menor prioridad, como t-change, y finalmente se evalúa pNPS.
La solución emplea un enfoque de varias etapas. Esta es la secuencia en la que se ejecutó:
1. Muestreo de filtros de inteligencia empresarial: Este proceso consiste en tomar el conjunto de datos creado para todo el proceso NPS y aplicar filtros basados en la base de datos de clientes en cuarentena y la lista negra. El resultado es la base de datos "Espacio de muestra". Solo se seleccionan los clientes con al menos un método de contacto, como correo electrónico o teléfono móvil.
2.a. Para tNPS: Filtros de atención al cliente para el muestreo: Partiendo del archivo de espacio de muestra, se filtran aún más los clientes, conservando solo aquellos que cumplen con criterios de elegibilidad específicos para cada punto de contacto. El resultado es una base de datos de clientes potenciales para encuestar.
2.b. Para rNPS y pNPS: Muestreo de filtros de atención al cliente: Partiendo de los resultados del paso anterior, se vuelve a filtrar a los clientes para conservar solo un subconjunto específico. La elegibilidad del cliente se determina según el número objetivo de clientes que se identificarán al final del mes, de acuerdo con el proceso de "autoescalado" que se describe más adelante.
3. Los clientes seleccionados de los diferentes procesos (rNPS, tNPS y pNPS) se combinan y se añaden las variables de interés pertinentes. Posteriormente, este archivo se envía a Medallia para realizar las encuestas.
Para rNPS y pNPS, se crea un proceso llamado Autoescalado para ajustar automáticamente la cantidad de encuestas que se enviarán durante el resto del mes en función de la cantidad de respuestas recibidas en los días anteriores.
El proceso de escalado automático se define estableciendo un número fijo de respuestas por producto al mes, con el objetivo de alcanzarlo al final del mes. Las encuestas se envían desde el primer día hábil del mes; sin embargo, por razones obvias, no todos los clientes responden. Aquí es donde entra en juego el proceso de escalado automático, que trabaja para obtener las respuestas necesarias antes de que finalice el mes, determinando diariamente cuántas encuestas deben enviarse.
Arquitectura HL
Debido al elevado volumen diario de datos, se requería un sistema de procesamiento de datos distribuido, y AWS Glue para Apache Spark fue el mejor servicio para satisfacer las necesidades del cliente.
Las fuentes de datos mencionadas anteriormente se procesan mediante un evento programado, y un trabajo ETL de AWS Glue se ejecuta para filtrar y limpiar cuidadosamente los datos, descartando las entradas incompletas o claramente erróneas. Además, se aplican filtros de clientes en la lista negra y en cuarentena (en ese orden). La base de datos de la lista negra es generada por Amazon Athena a partir de las encuestas de retroalimentación recibidas y se actualiza diariamente.
El marco de muestra, que es el primer conjunto de datos "limpio" en el área de preparación, es creado por el proceso de trabajo de AWS Glue y sirve como entrada para la siguiente actividad de filtros CC de muestreo. Siguiendo el orden de prioridad, el conjunto de datos generado actúa como una muestra maestra, y los puntos de contacto de alta prioridad, rNPS, los puntos de contacto de baja prioridad y pNPS se procesan secuencialmente. Tanto los procesos pNPS como rNPS están sujetos al escalado automático. El proceso de escalado automático, junto con la generación de salidas para tNPs, pNPS y rNPS, se ejecuta utilizando trabajos de AWS Glue para Apache Spark, conectados al catálogo de datos de AWS Glue, y almacena los datos particionados en el bucket del proyecto. De manera similar a la lista negra, el proceso de escalado automático se basa en la retroalimentación recibida, ajustando la cantidad de usuarios a contactar según un algoritmo matemático simple.
Una vez creado el conjunto de datos que se va a contactar, se activa una máquina de estados de AWS Step Functions para coordinar el proceso posterior, que completa cada encuesta con información adicional, principalmente mediante AWS Lambda y Amazon Athena. Al finalizar, se generan archivos de salida en formato CSV y se almacenan en un bucket de Amazon S3 designado con una política de ciclo de vida. Este script activa un evento a través de Amazon Simple Notification Service (SNS). Estos archivos se envían diariamente y se registran en el catálogo de datos de AWS Glue.
Una vez que la empresa que realiza las encuestas completa el proceso NPS, el archivo CSV resultante se publica en un bucket específico de Amazon S3. El tema de Amazon SNS correspondiente activa una función de AWS Lambda que actualiza los resultados de la encuesta y, simultáneamente, crea un archivo en el catálogo de datos de AWS Glue para agregar la información al DNA. Esto sirve como retroalimentación para todo el ciclo y proporcionará el conjunto de datos que Amazon Quicksight utilizará en el futuro.
Resultados
La solución implementada es totalmente automática; cuando se dispone de nueva información, se activa todo el proceso, generando un resultado en aproximadamente 45 minutos. La solución se diseñó para ser flexible, permitiendo posibles modificaciones en el orden de ejecución y las prioridades en el futuro sin mayores inconvenientes.
Próximos pasos
Los siguientes pasos tienen como objetivo generar una orquestación casi en tiempo real, similar a la que implica envíos tres veces al día para los puntos de contacto: t-Installs (instalaciones), t-Install self-service (instalaciones realizadas por el cliente) y t-Truck rolls (reparaciones). Esto se logrará mediante la utilización directa de las actualizaciones en tiempo real de las Órdenes de Servicio (SO).
