Data Science dalam Industri Telekomunikasi (Bagian 1)
Setelah sebelumnya membahas profesi seperti apa yang bisa digeluti dalam dunia Data Science, kali ini saya akan bertutur tentang praktek Data Science yang dilakukan di industri Telekomunikasi. Berdasarkan pengalaman kerja saya selama 7 tahun di industri tersebut, sebenarnya praktek Data Science secara parsial sudah sering dilakukan oleh para pegiat Telekomunikasi, baik saat perencanaan, perawatan, atau pengembangan.
Baca juga: “ Jenis Profesi yang Bisa Digeluti dalam Data Science “.
Salah satu contoh adalah bagaimana tim OSS Engineer menghimpun ribuan data dari jaringan selular untuk “dibersihkan”, kemudian diolah lebih lanjut sesuai kebutuhan. Atau bagaimana tim Performance yang setelah mengolah banyak data hasil monitoring, kemudian memvisualisasikannya dalam laporan berkala. Pemecahan masalah oleh tim Optimisasi jaringan juga didapat dari hasil mengolah banyak variabel data dari jaringan perangkat yang luas.
Seiring berkembangnya volume, variety, dan velocity data yang berbanding lurus dengan semakin barunya sistem jaringan telekomunikasi, penanganan data pun akan ikut naik level. Berdasarkan data dari Strategy Analyctics, di semester pertama pasca launching jaringan 5G, dalam 1 bulan SK Telecom mengalami 2,6x kenaikan trafik data dibanding jaringan 4G nya. Di sinilah urutan kerja Data Science secara keseluruhan dapat ambil andil untuk tetap mendapatkan insight yang diinginkan dari banyaknya data yang ada. Berdasar pada pengalaman penulis sendiri dan sejumlah sumber bacaan, berikut ada beberapa use cases Data Science dalam industri Telekomunikasi:
Mendeteksi Fraud
Operator telekomunikasi memiliki banyak pengguna tiap hari dengan trafik data yang besar, sehingga memiliki potensi fraud yang tinggi. Resiko fraud-nya bisa berupa abusive call, SIMBox fraud, high traffic international call, atau yang berhubungan dengan data pelanggan seperti akses ilegal, otorisasi, dan pencurian profil pelanggan. Hal seperti ini jelas ingin dihindari karena berpengaruh pada engagement perusahaan dan pengguna layanan.
Dengan menerapkan algoritma unsupervised machine learningpada sebagian besar data yang masuk, operator dapat mengetahui karakteristis trafik data yang normal, sehingga anomali yang bisa berkaitan dengan fraud dapat didefinisikan dan divisualisasikan untuk dianalisa. Hal tersebut memberikan efesiensi yang tinggi untuk memberi respon yang hampir real time terhadap aktivitas mencurigakan.
Analisa Prediktif
Banyak jenis modeling Machine Learning bersifat prediktif yang bisa diterapkan dalam keseharian kerja Contohnya di pekerjaan saya sebelumnya yang mendesain penambahan kapasitas di sisi kontroler (BSC/RNC). Dengan Analisa Prediktif menggunakan model Linear Regression, bisa lebih cepat dan akurat menentukan penambahan lisensi atau kapasitas hardware di setiap projek Roll Out yang berjalan tiap tahunnya. Implikasinya tim bisa membelanjakan capex/opex dengan lebih akurat. Metoda ini bahkan bisa diterapkan pada level node yang lebih banyak seperti BTS/NodeB/eNodeB.
Customer Segmentation
Kunci kesuksesan bagi perusahaan telekomunikasi adalah untuk membagi pasar mereka dan menargetkan konten sesuai dengan masing-masing kelompok. Kita tahu beberapa operator telekomunikasi di Indonesia punya beberapa brand untuk menyasar segmen customer yang berbeda. Seperti XL Axiata dengan XL , XL Prioritas dan Axis atau Telkomsel dengan SIMpati dan KartuHALO nya. Pengelolaan data dengan level advance memungkinkan Operator bisa memprediksi kebutuhan, preferensi, dan reaksi pelanggan terhadap layanan/produk yang ditawarkan. Hal tersebut memungkinkan penargetan bisnis bisa ditingkatkan.
Network Management and Optimization
Machine Learning dapat membantu Operator untuk mengukur KPI jaringan secara otomatis dan menampilkannya secara real time agar para Engineer dapat fokus pada penyelesaian problem aktualnya. Beberapa model dapat mengurangi waktu investigasi masalah pada seluruh jaringan secara end to end. Cara optimisasi jaringan dengan lebih efisien ini secara tidak langsung akan berimbas pada meningkatnya customer experince.
Beberapa use case lainnya akan tayang dalam tulisan bagian kedua. Opini saya di atas sangat terbuka untuk dikoreksi, didiskusikan, atau akan lebih senang bila ada pembaca yang menambahkan data lainnya. Ciao!
Originally published at http://erwindrarusli.wordpress.com on June 21, 2020.
