Les opérateurs de télécommunications sont confrontés à un taux de retombée des commandes plus élevé, ce qui a une incidence sur les coûts d'exploitation et la croissance des revenus. Il s'agit d'un défi courant pour tous les opérateurs de télécommunications, peu importe les outils maison ou commerciaux prêts à l'emploi (COTS) dans le domaine de la gestion des commandes.

Principaux défis :

• Pertes de commandes à volume élevé
  • Environ 2,5k commandes par jour, taux de perte de commandes d’environ 2%
• Identification réactive des pertes de commandes
• Taux d’annulation de commandes plus élevé
  • Environ 45 commandes par jour
• Hausse des coûts opérationnels (TMT)
• Silos opérationnels entre les domaines
• Pénalités SLA causées par les retards de traitement des pertes
• Manque de visibilité et processus incohérents
• Incohérences de données et de validation lors de la saisie et de l’exécution des commandes
• L’absence d’analyse des données de commandes reproduit les erreurs

Ces défis mettent en évidence la nécessité d'une approche proactive, axée sur les données et intelligente.

La nécessité d'un cadre intelligent

Dans le domaine de la gestion des commandes, le processus de traitement couvre de multiples flux de travail et étapes au niveau de la commande afin d’assurer la clôture de la commande dans le délai imparti. Avec une architecture guidée par un catalogue, il permet la décomposition des produits et l’exécution des règles requises pour enrichir les données nécessaires aux flux de traitement. La solution Jeopardy offre un suivi des commandes basé sur le délai de traitement et la capacité de prendre différentes actions en cas de non-respect du SLA. Toutes ces solutions et processus sont des standards de l’industrie dans le domaine de la gestion des commandes.

Cependant, les opérateurs de télécommunications font encore face à un taux plus élevé de défaillances, malgré une telle architecture stratégique conforme aux normes de l’industrie. Les défaillances peuvent survenir en raison de données insuffisantes recueillies, d’un manque de validations lors de la saisie de la commande ou d’autres raisons dans le flux de provisionnement et de traitement des commandes.

Avec un cadre proactif alimenté par l’IA pour la prédiction des défaillances, les opérateurs peuvent combler de telles lacunes à l’aide de modèles LLM d’IA. En créant une taxonomie structurée des erreurs avec une boucle de rétroaction, il aide à identifier les schémas d’erreurs historiques et sert de référence pour l’analyse des commandes en cours. Grâce à des invites LLM améliorées, la solution offre une plus grande précision à l’entreprise pour prédire les retards ou les défaillances possibles pour les commandes en cours à chaque étape clé. La solution prédit le niveau de risque avec les raisons possibles qui déterminent les défaillances.

Le cadre aide à passer d’un modèle réactif de type « corriger plus tard » à une stratégie préventive en identifiant les commandes à risque avant qu’elles n’atteignent un état d’échec.

L’intégration de l’apprentissage automatique (ML) et de l’IA agentique dans les systèmes de soutien opérationnel permet une intelligence opérationnelle proactive grâce aux principales caractéristiques ci-dessous :

• Détection d'anomalies : Les modèles d’IA analysent les données historiques de milliers de commandes réussies et échouées afin d’identifier les tendances qui précèdent généralement des échecs, telles que des attributs manquants, des détails d’adresse incorrects ou des problèmes d’intégration.
• Validations : L’IA automatise les vérifications de disponibilité en temps réel pendant le processus de vente, afin de s’assurer que le service proposé est effectivement livrable, ce qui réduit considérablement les « échecs de devis ».
• Analyse en temps réel : Analysez les données quasi en temps réel pour signaler d’éventuels blocages à mesure qu’une commande avance dans les différentes étapes du parcours de réalisation.
• Remédiation : À l’aide d’« Agents d’échec de commande », il est possible de résoudre de façon autonome des problèmes comme les incohérences de facturation ou l’indisponibilité des stocks en proposant des parcours de réalisation alternatifs.

Voici le cadre de prédiction proactive des défaillances de commandes :

Diag. 1 – Cadre de prédiction des défaillances de commandes

Le cadre ci-dessus est divisé entre le frontal (interaction utilisateur), le dorsal (systèmes et outils) et les agents orchestrateurs.

La couche frontale interprète l’intention de l’utilisateur ou les composantes interactives comme entrée, telles que les formulaires et structures JSON. Elle délègue les tâches au dorsal par un orchestrateur qui convertit l’intention utilisateur en entrées structurées.

L’orchestrateur est un composant central, gérant les interactions entre plusieurs agents.

Les agents dorsaux utilisent les écosystèmes par l’entremise d’API et une base de données pour extraire les données.

Quelques agents sont définis ci-dessous :

• Agent de réception des commandes : Reçoit les commandes et les événements pour des types de commande spécifiques à travers toutes les commandes.
• Agent de suivi des commandes : Fournit des détails de prévision des commandes, y compris le niveau de risque et les raisons par événement.
• Agent orchestrateur : Agit comme gestionnaire central, démontrant la coordination entre les agents frontend et backend. Effectue les flux de travail et applique les règles de gouvernance.
• Agent de prédiction : Prédit les événements, prend des mesures de façon autonome afin de prendre des décisions en temps réel et auto-correctives dans des flux de travail complexes.
• Agent décisionnel : Prise de décision contextuelle basée sur les données les plus récentes et pertinentes. Analyse des données complexes, évaluation et prise de décisions indépendantes et en temps réel.
• Étape clé de la commande – agent de vérification : Sur la base des événements de commande, effectue la validation et la vérification des commandes.

Avec plusieurs agents, cela garantit la responsabilité de chaque agent pour l’exécution des tâches, qui identifient et remédient aux rejets de commande à un stade précoce.

La maturité du cadre peut être davantage améliorée et alignée sur les besoins de l’entreprise ainsi que sur la pile de gestion des commandes actuelle.

Résultats d’affaires transformationnels

Le modèle de prédiction des rejets de commandes propulsé par l’IA fournit non seulement des prédictions proactives de rejets, mais aussi des mesures correctives, réduisant le taux de rejet, les coûts opérationnels, tout en augmentant la satisfaction de la clientèle et les revenus.

En tirant parti des capacités avancées de l’IA et de l’automatisation, les opérateurs peuvent débloquer des avantages significatifs sur les principaux indicateurs financiers et opérationnels à travers différents secteurs d’activité.

• Augmentation du taux de conversion des commandes et de la satisfaction client grâce à un délai de clôture des commandes plus rapide
• Efficacité opérationnelle, évolutif, précision améliorée
• Augmentation des revenus avec une valeur client accrue
• Auto-réparation et remédiation
• Gestion et suivi des commandes complexes
• Expérience client améliorée
• Évolutif dans tous les secteurs

Un avenir plus prometteur pour les télécommunications

L'industrie des télécommunications est à un tournant, où les méthodes traditionnelles de gestion des défaillances de commande, de réduction des coûts opérationnels et de croissance des revenus ne suffisent plus. Le modèle de prédiction des défaillances de commande propulsé par l’IA offre une voie d’avenir en combinant des modèles d’IA sophistiqués, l’automatisation, la remédiation et une compatibilité sans faille avec l’écosystème pour révolutionner la façon dont les entreprises de télécommunications opèrent.

Cette plateforme avancée ne prédit pas seulement les défaillances de commande, mais améliore également activement l’expérience client, réduit le temps de réalisation des commandes et accroît l’efficacité opérationnelle, assurant que les opérateurs télécoms puissent prospérer dans un environnement hautement concurrentiel.