Arquitectura de referencia de Next Best Action para telecomunicaciones: clonada

Establezca una arquitectura de telecomunicaciones que permita implementar Next Best Action en tiempo real a escala

Flujos de datos y de plataforma:

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

1. Ingesta de datos desde sistemas operativos de telecomunicaciones
   Los datos de comportamiento del cliente, facturación, CDRs (registros de llamadas/datos/SMS), CRM, recargas y transacciones fintech se recopilan de sistemas híbridos o locales (on-prem) a través de interfaces de integración BSS/OSS o conectores de datos de terceros como Informatica y Lakeflow. Estos flujos de datos se envían casi en tiempo real o por lotes (batch) a la capa de ingesta de streaming (por ejemplo, Kafka, Azure Event Hub), donde se realiza un preprocesamiento ligero (por ejemplo, filtrado de PII, conversión de protocolos).
2. Almacenamiento unificado en Lakehouse y preparación de datos sin procesar
   Los datos ingeridos se depositan en las tablas Bronze de Delta Lake, particionadas por atributos como OpCos, ID de sitio o canal. En esta etapa, se pueden realizar operaciones como la aplicación de esquemas y el enmascaramiento de PII. A partir de ahí, los datos avanzan hacia las tablas Silver, donde se eliminan los duplicados, se combinan y se enriquecen para crear perfiles de Cliente 360, resúmenes de uso e indicadores de churn, lo que genera una base armonizada y lista para el análisis.
3. Ingeniería de características y entrenamiento de modelos
   Los datos limpios de las tablas Silver alimentan pipelines de transformación avanzados mediante Lakehouse Pipelines. Esta etapa incluye:
   • Derivar características de intención (intent features) y registrarlas en un Feature Store centralizado, desacoplado de la lógica específica de canales, regiones o países.
   • Permitir el enriquecimiento a un punto en el tiempo (point-in-time) y la unificación de la identidad de la audiencia.
   • Entrenar modelos de NBA mediante Databricks, lo que incluye casos de uso como la predicción de churn, la puntuación de aceptación de ofertas y el aprendizaje por refuerzo para la optimización dinámica de ofertas.
   • Los modelos se entrenan y gestionan dentro de la plataforma unificada con linaje, observabilidad y gobernanza a través de Unity Catalog.
   • Un bucle de retroalimentación crítico en esta arquitectura son las pruebas A/B:
     1. Los modelos se evalúan continuamente mediante pruebas de incremento (lift testing) por lotes integradas en el proceso de CICD, midiendo el impacto comercial (por ejemplo, incremento, retención, conversión).
     2. Esta información permite saber si los modelos actuales superan a las líneas de base para tomar decisiones objetivas sobre el despliegue o el reentrenamiento.
4. Información comercial y activación de CX
   Los resultados puntuados de los pipelines de ML se almacenan en las tablas Gold, listas para aplicaciones de BI y CX en tiempo real:
   • Databricks SQL permite obtener KPIs en tiempo real, analizar el comportamiento de los suscriptores y medir el ROI de las campañas de NBA.
   • Los equipos directivos y de marketing acceden a estos datos a través de herramientas conocidas como Power BI, Tableau y Looker.
   • Las aplicaciones de Lakehouse permiten la segmentación de audiencias, simulación de campañas y estrategias de venta cruzada y venta adicional (cross-sell/up-sell) para los equipos de CX.
5. Despliegue de modelos e inferencia en tiempo real
   Los modelos de NBA entrenados se exponen para su activación en tiempo real a través de:
   • APIs de Model Serving alojadas en Databricks o Databricks Model Serving, compatibles con despliegues híbridos.
   • Las APIs se despliegan o se redirigen mediante proxy a entornos operativos locales (on-prem) o en la nube para una integración directa con sistemas de SMS, centros de llamadas, aplicaciones móviles o IVRs.
   • Los resultados de NBA se monitorean continuamente con dashboards, resultados de pruebas A/B y el seguimiento del rendimiento del modelo para garantizar la relevancia y minimizar la desviación (drift).