Arize AI > 实例探究 > 利用机器学习增强电信服务：新西兰 Spark 案例研究

利用机器学习增强电信服务：新西兰 Spark 案例研究

技术

分析与建模 - 机器学习
平台即服务 (PaaS) - 应用开发平台

适用行业

设备与机械
电信

适用功能

采购
产品研发

用例

预测性维护
时间敏感网络

服务

数据科学服务
培训

关于客户

Spark 新西兰是该国最大的电信和数字服务公司。该公司提供移动、宽带和数字服务。在过去的十年中，Spark New Zealand 推出了多项新的数字服务，其中包括支持卫生部门数字化转型的 Spark Health。该公司的高层领导制定了一个雄心勃勃的目标，帮助整个新西兰在数字世界中赢得巨大胜利。为了实现这一目标，他们的目标是详细了解新西兰人的需求和需求。机器学习在这一努力中发挥着至关重要的作用。该公司拥有 50 多个生产模型，以及一支由 20 多名数据科学家和机器学习工程师组成的团队。

登录后查看完整内容

挑战

Spark 新西兰是该国最大的电信和数字服务公司，面临着详细了解客户需求以提供更好服务的挑战。该公司的目标是扩大整个组织内机器学习 (ML) 用例的数量，以实现这一目标。他们通过尝试预测客户流失和了解客户偏好开始了机器学习之旅。然而，随着用例数量和团队规模的扩大，他们面临着模型性能和监控的问题。数据的动态特性以及对模型进行持续监控和故障排除的需求带来了重大挑战。每周检查 50 多个模型的性能是一项乏味且耗时的任务。该公司需要一种解决方案来帮助他们更有效地监控这些变化并主动处理模型的输出。

登录后查看完整内容

解决方案

为了应对这些挑战，Spark New Zealand 采用 Azure ML 平台进行端到端模型开发和生产。他们还实施了 Arize（一个 ML 可观察性平台）来监控模型性能并进行故障排除。 Arize 因其易用性、计算和可视化数据漂移的能力以及警报功能而被选中。该平台还提供了公平和偏见、绩效跟踪和可解释性工具。借助 Arize，Spark New Zealand 能够监控模型并更好地理解和改进它们。例如，他们可以分析客户是否因为服务或其他原因而离开，以及这些功能是否捕获了该行为。如果没有，他们可以进行一些特征工程，将注意力集中在根据反馈改进模型的方法上。该公司还使用 Arize 将模型预测与业务投资回报或其他关键绩效指标 (KPI) 联系起来。

登录后查看完整内容

运营影响

The implementation of machine learning and the adoption of the Arize platform have brought significant operational benefits to Spark New Zealand. The company has been able to move away from a reactive strategy to a more proactive approach in managing model performance. They can now monitor models and better understand and improve them, leading to enhanced customer understanding and service delivery. The company has also been able to tie model prediction to business return on investment or other key performance indicators (KPIs), ensuring that their machine learning initiatives are delivering tangible business value. Furthermore, the use of Arize has made it easier for the company to present technical material to a wider group of stakeholders, enhancing understanding and collaboration across the organization.

登录后查看完整内容

数量效益

Improved marketing efficiency by almost sixteen percent year-on-year through in-house data capability.
Over 50 models in production running on a weekly or monthly basis.
Over 20 data scientists and machine learning engineers managing the models.

登录后查看完整内容