Stiamo assistendo alla nascita di una nuova società, iper-connessa e ultraveloce. In questo contesto, i Csp si trovano di fronte a una nuova serie di sfide, legate alle complessità della nuova tecnologia 5G, ai continui cambiamenti del mercato, alla crescente pressione normativa e regolatoria, e a una base clienti sempre più attenta, da una parte, alla qualità del servizio che riceve e, dall’altra, alla spesa mensile che deve sostenere.
In particolare, la rete 5G – in quanto “rete delle reti” – ha di per sé una complessità intrinseca ben diversa da quelle viste finora; è inoltre in grado di abilitare nuovi use cases cross-mercato, funzionali a sostenerne gli investimenti e con requisiti estremamente differenziati: velocità inaudita, bassa latenza ed enorme densità di connessioni per km quadrato (immaginate gli scenari V2X, Vehicle-to-Everything).
A oggi, l’Intelligenza Artificiale è stata applicata principalmente sotto forma di automazione, supportando le attività umane per svolgerle in modo più rapido, più accurato e a un costo inferiore. Il 5G, per la sua complessità, sarà invece così dipendente dall’AI nella sua accezione più ampia, che non potrà andare a regime senza sfruttarne il pieno potenziale per la pianificazione, l’implementazione, e la gestione della rete. Gli analytics e l’AI hanno una lunga serie di applicazioni nell’ambito del network planning, dalla modellazione predittiva del traffico di ogni segmento di rete, all’ulteriore sviluppo delle self-organizing networks (o SONs) fino ad arrivare a modelli avanzati di efficientamento degli investimenti tesi a massimizzare i Kpi più in linea con una strategia a medio-lungo termine, per lo più correlata a obiettivi di ROI e customer satisfaction.
In particolare, gli operatori sono consapevoli di dover cambiare paradigma, spostandosi da una vista network-centric a una vista centrata sull’utente finale e di dover stabilire le priorità di investimento in base alla qualità del servizio da garantire e ai segmenti di utenti impattati. I criteri di scelta delle iniziative diventano, quindi, oltre al costo e alla complessità tecnologica, anche le revenues medie per cella e la churn propensity. Si può quindi parlare di “next generation customer value management” strettamente legato al network planning. Si tratta cioè di partire dall’analisi delle aree da far evolvere, identificando allo stesso tempo i clienti a più alto valore e ad alto rischio di churn. Nella valutazione degli investimenti cui dare priorità, gli indicatori di qualità del servizio in un’area specifica vanno quindi incrociati con queste variabili con il fine di massimizzare l’impatto degli investimenti sui clienti ed espandere la rete secondo iniziative chirurgicamente mirate.
Parallelamente, un’altra area chiave di applicazione dell’AI nel contesto della diffusione del 5G, è quella delle operations. Nuovi servizi digitali richiedono un’elaborazione più rapida e, con il drastico aumento del numero di transazioni e della complessità della infrastruttura di servizio, il ricorso all’AI è un passaggio obbligato.
In particolare, sono tre le dimensioni strategiche su cui si articola l’adozione dell’AI nelle operations: l’Asset Monitoring & Predictive Maintenance, che sfrutta l’elevato potenziale delle tecnologie IoT per il monitoraggio in tempo reale dei dispositivi ai fini di una manutenzione predittiva e proattiva; l’Intelligent Automation@Operations, ad esempio la graduale iniezione di automazione e di AI nei processi di service operation e nelle piattaforme su cui fa leva; infine l’Augmented Reality for Field Service Assistance, ossia l’utilizzo di soluzioni innovative di realtà aumentata in grado di automatizzare l’accesso interattivo e visuale alle informazioni tecniche e operative e facilitare la comunicazione tra tecnici sul campo e operatori remoti.
Si tratta di dimensioni che prevedono una transizione da paradigmi operazionali di tipo “proactive” a paradigmi di tipo “prescriptive”, basate su un approccio a step che consenta di testare i nuovi modelli inizialmente su piccola scala e in tempi brevi, seguendo un approccio a “use case factory”, finalizzata allo sviluppo di MVP. Da non trascurare poi, l’importanza dei dati e della data governance: l’assenza di una base informativa omogenea e consistente rappresenta per molti operatori uno dei principali ostacoli all’adozione dell’intelligenza artificiale in tutte le sue potenzialità. Anche qui un approccio “start small & think big” è chiave e suggerisce di indirizzare use case, inizialmente contenuti, da ottimizzare e scalare gradualmente.
