KI in der Telekommunikation: Eine Datenbasis für Churn-Prognose, Netzqualität und Real-Time-Fraud

Die tragenden Domänen sind Churn-Prognose mit Netzqualitäts-Bindung, Netzwerk-Analytik zur Rollout-Priorisierung mit Kundensicht und Real-Time-Fraud auf CDR- und Signalisierungs-Streams. Voraussetzung ist eine Datenbasis, die BSS-Kundendaten, OSS-Netzdaten und Streaming-Signale zusammenführt. Copiloten im Customer-Care und automatisierte Netz-Optimierung folgen, sobald diese Basis steht.

KI in der Telekommunikation bezeichnet den Einsatz von Machine Learning und statistischen Modellen auf den Datenklassen eines Netzbetreibers oder MVNOs: Kunde, Vertrag, Netz-Telemetrie, Verbindungsdaten und Signalisierung. Ziel sind erklärbare Entscheidungen für Retention, Netz-Investitionen, Fraud-Erkennung und operative Steuerung. Sie unterscheidet sich von KI in anderen Branchen durch die Volumen der Streaming-Daten und die Schärfe der Regulatorik.

Weil die Vertikal-Tools der einzelnen Domänen (Churn, Fraud, Netz-Analytik) sich um dieselben Kundendaten streiten und die Netzausrüster-Analytik-Plattformen keine BSS-Verknüpfung leisten. Eine eigene Plattform trägt die BSS-OSS-Brücke, hält die CDR-Volumen ökonomisch und macht TKG-Retention und DSGVO-Zweckbindung zu einer governten Standardfunktion statt zur Compliance-Sonderlast.

Business Support Systems (BSS) tragen Kunde, Vertrag, Tarif und Billing. Operations Support Systems (OSS) tragen Netz, Alarme, Konfiguration und Telemetrie. Die Verknüpfung entscheidet über Churn mit Netzqualitäts-Kontext, Rollout-Priorisierung mit Kundensicht und Real-Time-Fraud mit Vertragskontext. Ohne diese Brücke bleibt jede Modell-Erklärung halbfertig.

Vertragsdaten wie Laufzeit, Tarif, ARPU und Cross-Sell-Status, CRM- und Beschwerde-Historie, Verbindungsdaten aus dem CDR und Netzqualitäts-Aggregate aus der RAN-Telemetrie auf der Home-Zelle des Kunden. Die letzte Klasse ist die, die klassische Churn-Modelle meistens nicht haben und die den erklärbaren Netz-Hebel für Retention-Kampagnen liefert.

Auto Loader und Structured Streaming ziehen RAN- und SON-Telemetrie kontinuierlich ins Lakehouse, Delta trägt die Rohdaten mit Time-Travel für Snapshots, Unity Catalog trennt die OSS-Sicht mit klarer Zugriffssteuerung von den BSS-Daten. Darüber laufen Aggregate für Zell-Qualität, Handover-Auffälligkeiten und QoE-Kennzahlen, die mit Kunden-Kohorten verknüpft werden können. Databricks ersetzt nicht die Netzausrüster-Analytik, es holt die Netz-Daten in die eigene Datenhoheit.

Das TKG regelt in §§ 174 ff. Verkehrsdatenspeicherung und Zweckbindung, das TTDSG das Kommunikationsgeheimnis. Die BNetzA erwartet Datenqualität, Störungsmeldungen mit definierten Fristen und Nachweisbarkeit der Aufbewahrungsklassen. Der rechtliche Rahmen der Vorratsdatenspeicherung ist über EuGH- und Bundesverfassungsgericht-Rechtsprechung in Bewegung. Eine Plattform-Architektur behandelt die Aufbewahrungsdauer als Datenklasse und macht Änderungen konfigurierbar.

Klassische Fraud-Regeln arbeiten auf Aggregaten über Zeitfenster und laufen typischerweise im Batch, mit Reaktionszeiten von Stunden bis Tagen. Real-Time-Fraud-Scoring bewertet jede Verbindung im Stream innerhalb von Sekunden über einen Model-Serving-Endpoint, in Kombination mit einem schnellen Regel-Layer. Der Effekt ist ein Fraud-Stopp statt eines Fraud-Reports und deckt Muster ab, die die Regeln nicht sauber treffen, etwa SIM-Box-Fraud und Wangiri-Callbacks.