Kooperation
SilverEngine / Cubro

Home>SilverEngine>Aktuelles>Kooperation SilverEngine/Cubro

SilverEngine bietet zusammen mit unserer Technologiepartnerschaft Cubro Dienstleistungen an, um die von Netzwerksonden gelieferten Daten auszuwerten.

Die intelligente Analyse der Sondendaten hilft Mobilfunkbetreibern, Probleme in ihrem Netzwerk zu analysieren und zu beheben, das Netzwerk- und Benutzerverhalten zu verstehen und Einblicke in Kundensegmente und User-Experience-Trends zu erhalten, die dann für Marketingzwecke oder für gezielte Netzoptimierungen genutzt werden können.

Die Netzbetreiber erhalten aus den von den Sonden generierten Daten unmittelbar umsetzbare Erkenntnisse. So können beispielsweise die die User-Experience verbessert und die Leistung des Mobilfunknetzes mithilfe von Analytics- und Machine Learning-Techniken optimiert werden.

So können Betreiber eine bessere Netzwerkleistung, niedrigere Kosten für die Netzwerkinfrastruktur, eine geringere Teilnehmerabwanderung aufgrund einer besseren Netzwerkqualität und ein verbesserter Return on Investment (ROI) erzielen.

Je nach Bedarf und Wünschen des Betreibers bieten wir Service Packs für VoLTE, Mobile Broad Band (MBB), Customer Experience Management (CEM), Applications, 5G und IoT an. Dazu gehören unter anderem folgende Elemente:

  • Identifizieren von Zellen mit schlechter Leistung und  Vorschläge zur Netzwerkoptimierung
  • Erkennen von Problemen mit Elementen des Kernnetzes
  • Erkennen von Problemen mit Endgeräten des Nutzers
  • Für Nutzer mit unbefriedigender Netzleistung: Sicherstellen, dass VIP-, High- RPU- und Inbound-Roaming-Teilnehmer den erwarteten Service erhalten
  • Informationsgewinnung für Marketingkampagnen zur Verhinderung von Abwanderung und für Upsells

SilverEngine bietet zusammen mit unserem Partner Cubro folgende Servicepakete an:

  1. VoLTE

    • Beispiel-KPIs: Erfolgsrate der IMS-Registrierung, Sprachqualität (MOS), Raten stummer Anrufe, abgebrochener Anrufe und wiederholter Anrufe
    • Maschinelles Lernen zur Identifizierung von Radio-KPIs, die mit stummen Anrufen und schlechter Sprachqualität verbunden sind

  2. Mobile Broadband (MBB)

    • Beispiel-KPIs: Attach issues, APN-Fehler, Streaming-Datendurchsatz, DNS- Probleme
    • Performance von Teilnehmer Geschwindigkeits-Tests z.B. Ookla

  1. Customer Experience Management (CEM)

    • Clustern der Teilnehmererfahrungen und Prognosen
    • QoE-Index [0-100] für jeden Teilnehmer oder jedes Teilnehmersegment, bestehend aus relevanten KPIs der C- und U-Ebene
    • Optimiertes QoE-Indexmodell für Teilnehmer basierend auf maschinellem Learning
    • Teilnehmersegmentierung

  2. Applications

    • Anwendungsprofile, Zugriffsmuster und verwendete Protokolle
    • Anwendungs-QoE: QoE-Modell mit maschinellem Lernen
    • Verbessern von relevanten KPIs für beliebte Anwendungen
    • Videoleistung, z.B. von YouTube und Netflix
    • Bewertung des lokalen Video- oder Gaming-Cache

5G

  • Zeitaufwand für 5G vs LTE bei der 5G NSA-Bereitstellung pro Teilnehmer
  • Leistungsvorteil bei 5G gegenüber LTE
  • Maschinelles Lernen, um relevante Radio- und Backhaul-KPIs zu ermitteln, die mit langer RTT und geringem Durchsatz verbunden sind

IoT

  • Kommunikationsmuster verschiedener Klassen von IoT-Geräten verstehen und erlernen
  • Erkennen von Anomalien und Ausfällen

Mobility

Aus den Mobilitätsmustern können Vertriebspakete für Mobilitätsdaten für Werbung, Grundeigentum/Immobilien und Verkehrsplanung erstellt werden. Zum Beispiel:

  • Ob eine neue Filiale an einem bestimmten Ort eröffnet werden soll
  • Wo lohnt sich die Verbesserung der Verkehrs-Infrastruktur am meisten?

Umgesetzt mittels:

  • Analyse der Bewegungsvektoren und Geschwindigkeiten von Teilnehmern zwischen Funkzellen
  • Dichteverteilung und Aktivitätsmuster von Teilnehmern als Funktion der Zeit in den Zielbereichen
  • Korrelation der Mobilitätsmuster mit den CRM Daten

 

handcrafted by vividblack