Uno de los mayores problemas de los operadores de telecomunicaciones es determinar la calidad de experiencia (QoE) de sus clientes de televisión (IPTV).

A diferencia de la calidad de servicio (QoS), que mide el desempeño a través de los valores que toman ciertas magnitudes predefinidas como velocidad, latencia o jitter en relación con unos rangos de valores aceptables, la QoE de un servicio es tan buena o tan mala como lo perciba el cliente.

Existen métodos y algoritmos basados en la combinación de encuestas (por ejemplo Net Promoter Score – NPS) y medidas de QoS mediante pruebas automáticas que ofrecen una aproximación generalmente aceptada para el operador. En esta entrada queremos presentar un enfoque ligeramente diferente basado en analítica avanzada con menos dependencia de las encuestas.

El problema

Este enfoque responde a la necesidad de un operador de comunicaciones de asignar una nota a la QoE de sus clientes de IPTV. Para ello puso a nuestra disposición un conjunto de datos recogido de cientos de miles de decodificadores que contenía:

• Para cada descodificador, más de 30 KPI tanto de desempeño como de uso de IPTV, agregados diariamente, diferenciando por tipo de servicio. Muchos de estos KPI consistían en conteos de errores en diferentes protocolos e interfaces.
• Parámetros de configuración de cada descodificador.
• La lista de llamadas al servicio de atención al cliente (SAC) relacionadas con el servicio de televisión.

El enfoque

El enfoque que seguimos consistió en agrupar los descodificadores en clusters de similar uso, configuración y desempeño, y a continuación medir la densidad de llamadas al SAC en cada uno, la cual se puede entender como una nota de QoE en sí misma (un descodificador en un cluster con alta densidad de llamadas seguramente esté percibiendo una calidad de servicio peor que si estuviese en otro cluster con baja densidad de llamadas).

Con este estudio, el operador puede decidir a qué grupo de descodificadores con características de uso y configuración similares dedicar mayor atención. Nótese que el objetivo no consistía en predecir si un cliente en concreto realizaría una llamada al SAC o no.

Las principales ventajas de este método es que primero, alinea la definición de la métrica de QoE con el proceso de atención al cliente del operador y, segundo, la adapta por diseño a una medida de feedback del cliente a la calidad con la que percibe el servicio, sin necesidad de recurrir a encuestas (aunque se pueden incorporar si están disponibles), ni muestreos estadísticos, ni ajustes periódicos de indicadores.

Su inconveniente es que los resultados no son comparables a lo largo del tiempo en el modo en el que tradicionalmente estamos acostumbrados, ya que no devuelve una métrica tradicional de QoS para cada descodificador, sino una categorización asociada a la probabilidad de una llamada al SAC. Este inconveniente puede salvarse recurriendo a las métricas clásicas de QoS.

¿Qué encontramos?

Como en cualquier proyecto de datos, en este fue necesario limpiar y redimensionar el dataset para poder manipularlo. Contábamos con más de 70 dimensiones que era necesario reducir. Este mismo proceso es extremadamente interesante porque equivale a identificar qué variables tienen impacto sobre la calidad percibida por el usuario.

Otro paso a resaltar es la estimación del número óptimo de clusters, para el que hubo que realizar diferentes iteraciones. En este caso lo acotamos a entre 8 y 15. Conviene destacar que al considerar configuración, uso y desempeño, los clusters agrupaban dispositivos similares con unos valores de KPI que reflejaban incidentes similares – información muy útil para el ingeniero a cargo de la supervisión del servicio.

Entre estos clusters pudimos encontrar algunos con una proporción de llamadas al SAC que variaba entre el 30% y 700% de la muestra completa, y curiosamente esta distribución se mantuvo en las sucesivas iteraciones del algoritmo.

Para cada servicio de TV empleado, diferenciamos los clusters con baja y alta densidad de llamadas. En un servicio concreto, el cluster de alta densidad, en el que dominaba un error concreto, presentaba 16.000 registros con un 2,15% de llamadas (alrededor de 340 en total), mientras que el de baja densidad (buena QoE) presentaba un 0,12% de llamadas.

Es decir: 340 llamadas al SAC por un error concreto, pero 15.700 clientes que también lo sufrían y no llamaron.

En definitiva, con este método fuimos capaces de vincular derivas en los KPI con la QoE, y cuantificar su impacto de manera sistemática en términos de negocio (llamadas al SAC) y descubrir la mayoría silenciosa de clientes que a pesar de experimentar una calidad de servicio mejorable, no llaman al SAC: en total, más de 80.000.

¿Qué más se puede hacer?

Este proyecto demostró cómo la capacidad de la analítica avanzada para encontrar patrones en sistemas complejos resulta de gran utilidad en la industria de las telecomunicaciones, pero se puede elaborar más para devolver más valor.

Por ejemplo, el modelo se puede enriquecer con encuestas (NPS) de tal manera que la categorización no responda únicamente a las llamadas al SAC sino también a reacciones positivas como un NPS de 9 o 10, y además, considerar para cada cliente los clusters a los que ha sido asignado durante el tiempo.

El modelo también puede ser adaptado al trabajo inmediato de supervisión de servicio incorporando evolución intradía de los indicadores por cluster, de tal forma que se pueda detectar de manera temprana si un descodificador va a ser asignado a un cluster en concreto, lo que permitiría la toma proactiva de decisiones.

Si estás interesado en saber más sobre cómo emplear analítica avanzada para la gestión de la QoE de tu servicio, ponte en contacto con nosotros. Estaremos encantados de atenderte.