Arquitetura de Referência de Next Best Action para Telecomunicações - Clonada

Estabeleça uma arquitetura de telecomunicações que permita o next best action em tempo real e em escala

Fluxos de dados e de plataforma:

Next Best Action (NBA), Next Best Experience (NBX)

1. Ingestão de dados de sistemas operacionais de telecomunicações
   Dados de comportamento do cliente, faturamento, CDRs (registros de chamadas/dados/SMS), CRM, recarga e transações de fintech são coletados de sistemas híbridos/on-prem por meio de interfaces de integração BSS/OSS ou conectores de dados de terceiros, como Informatica e Lakeflow. Esses fluxos de dados são enviados em tempo quase real ou em lote para a Camada de Ingestão de Streaming (por exemplo, Kafka, Azure Event Hub), onde ocorre um pré-processamento leve (por exemplo, filtragem de PII, conversão de protocolo).
2. Armazenamento unificado em Lakehouse e preparação de dados brutos
   Os dados ingeridos chegam às tabelas Bronze do Delta Lake, particionados por atributos como OpCos, ID do site ou canal. Nesta etapa, podem ocorrer operações como imposição de esquema (schema enforcement) e mascaramento de PII. A partir daí, os dados avançam para as tabelas Silver, onde são deduplicados, combinados e enriquecidos para criar perfis de Customer 360, resumos de uso e indicadores de churn, criando uma base harmonizada e pronta para análise.
3. Engenharia de atributos e treinamento de modelos
   Os dados limpos da camada Silver alimentam pipelines de transformação avançados usando Lakehouse Pipelines. Esta etapa inclui:
   • Derivação de atributos de intenção e seu registro em uma Feature Store centralizada, desacoplada da lógica específica de canal, região ou país.
   • Permissão de enriquecimento point-in-time e consolidação de identidade do público (identity stitching).
   • Treinamento de modelos de NBA usando o Databricks, incluindo casos de uso como previsão de churn, pontuação de aceitação de ofertas e Aprendizado por Reforço (Reinforcement Learning) para otimização dinâmica de ofertas.
   • Os modelos são treinados e gerenciados na plataforma unificada com linhagem, observabilidade e governança por meio do Unity Catalog.
   • Um ciclo de feedback crítico nesta arquitetura é o teste A/B:
     1. Os modelos são avaliados continuamente por meio de testes de lift em lote integrados ao processo de CICD, medindo o impacto nos negócios (por exemplo, uplift, retenção, conversão).
     2. Esses insights informam se os modelos atuais estão superando as linhas de base (baselines) para permitir decisões objetivas sobre implantação ou retreinamento.
4. Insights de negócios e ativação de CX
   Os resultados pontuados dos pipelines de ML são armazenados em tabelas Gold, prontos para aplicações de BI e CX em tempo real:
   • Databricks SQL permite KPIs em tempo real, análise de comportamento do assinante e medição de ROI de campanhas de NBA.
   • As equipes executivas e de marketing acessam esses dados por meio de ferramentas familiares, como Power BI, Tableau e Looker.
   • Os aplicativos de Lakehouse permitem segmentação de público, simulação de campanha e direcionamento de venda cruzada/venda incremental (cross-sell/up-sell) para equipes de CX.
5. Implantação de modelos e inferência em tempo real
   Os modelos de NBA treinados são expostos para ativação em tempo real por meio de:
   • APIs de Model Serving hospedadas no Databricks ou Databricks Model Serving, oferecendo suporte a implantações híbridas.
   • As APIs são implantadas ou direcionadas por proxy para ambientes operacionais baseados em nuvem e/ou locais (on-prem) para integração direta com sistemas de SMS, centrais de atendimento, aplicativos móveis ou IVRs.
   • Os resultados de NBA são monitorados continuamente com painéis, resultados de testes A/B e acompanhamento de desempenho do modelo para garantir relevância e minimizar o desvio (drift).