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