京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据带来大机会运营商需关注四大课题
随着网业分离的加速实施以及OTT厂商和虚拟运营商的逐渐崛起,电信运营商正逐步沦为“流量管道”,运营商的语音、短信等传统业务受到前所未有的冲击。
有专家认为,改变当前专注于粗放式的用户规模增长,寻找更加精细化的盈利新方式来服务客户,挖掘新兴业务的市场价值,以及降低IT系统建设成本和培育内部系统自生能力是运营商在发展转型阶段的重要课题。
支撑精细化运营,全面提升传统电信服务水平
据悉,目前我国的移动业务渗透率已经接近90%,依靠新增用户已经无法长期支撑运营商收入的稳步增长。虽然4G建设力度增大使得中国移动和中国联通的新增移动用户数出现正增长,但是中国电信上半年的新增移动用户数连续数月出现负增长。同时国资委向三大运营商下发通知,要求在未来三年内,连续每年降低20%的营销费用。这样使得运营商的终端补贴策略被迫进行重大调整,放缓用户增长速度。利用数据资源对存量用户进行价值深挖、提升ARPU,降低经营成本,调整收益结构,才是运营商进行用户维系、价值提升的利器。
存量用户维系的前提在于对用户群体的准确分类。以往用户细分的数据来源是业务支撑系统(Business Support System, BSS)的用户消费习惯和消费特征数据。这些数据可以支撑处于成长型或者稳定型的用户维系工作,但当用户进入到波动或者离网阶段,营销侧数据无法展示深层次的用户业务数据。在大数据挖掘技术的带动下,运营商通过整合用户访问记录、位置信息、终端信息、信令监控等网络侧数据,强化营销侧数据和网络侧数据的关联关系。数据分析部门通过构建离网用户数据模型,预判潜在离网用户,加强对VAP (Very Annoying Person)用户的预防式管理,通过主动关怀降低用户离网预期。
“在面对成长型或者稳定型的用户时,运营商同样可通过强化网络侧数据挖掘以对用户价值进行深层次刻画,根据分析结果对用户进行正确的聚类分群以寻找潜在高价值客户。对不同分类的用户制定有针对性的营销计划,为不同用户群体提供其喜爱的产品组合,以实现分客户群的精准营销。”赛迪顾问通信产业研究中心分析师杨光建议。
加快“去电信化”进程,挖掘新兴业务的市场价值
当前在互联网浪潮的冲击下,电信运营商已经认识到基础电信业务市场将持续低迷,未来业务的增长点主要由增值电信业务带来,“去电信化”的发展思路成为运营商转型调整的主要手段。但是“去电信化”并不意味着“互联网化”,运营商在基础网络上的优势意味着未来发展支柱依然是为其带来丰厚用户群体的管道。即使在网业分离的趋势背景下,运营商将继续以管道为主,依托管道中的流量信息,发展增值业务,延伸产业链条向个性化定制化发展,向信息服务领域延伸。
大数据正是迎合当今发展态势,成为加快运营商“去电信化”的利器之一。以集客用户为例,传统上的运营商集客业务大致分为三类,即基础业务、行业应用和行业解决方案。在互联网时代,集客用户的营销策略制定很大程度上取决于终端用户信息的分析程度。但由于集客用户只专注所在行业领域,缺乏宏观数据视角。因此,运营商在网络资源方面的优势可以为集客用户提供更加完善的IT解决方案。通过定制化报表分析等手段,指出用户发展现状和未来发展趋势,支撑用户进行科学决策,同时为运营商预埋商业机会,进一步推出定制化服务产品,实现精细化运营。
打破烟囱式系统架构,降低IT系统建设成本
据了解,经过多年的建设,电信运营商已经建成了完善的IT支撑系统,形成了从集团公司到各省级公司的两级支撑模式。在支撑系统发展之初,由于业务和数据量较少,运营商普遍采用烟囱式架构。目前虽然各系统之间相互独立,各自管理,但却造成了大量的“数据孤岛”,而且由于数据模型和系统入口缺乏统一规划,软硬件资源共享度低。
随着大数据的到来,系统数据共享和综合应用将成为大数据产业链的发展基础。运营商的IT支撑系统也面临向集中化、标准化和服务化的方向发展。整合BSS系统、运营支撑系统(Operation Support System, OSS)等多系统数据,构建数据分散采集、独立存储、集中应用的IT系统,实现支撑系统的集中化和数据模型的标准化,推动集约化的运维体系和端到端服务体系的建立,将有效促进网络质量和运行维护效率提升。
推动运维部门职能转变,培育内部系统自生能力
在大数据概念来临之前,运营商的经营决策通常依靠BSS系统支撑。BSS系统内的用户营账信息、计费数据等内容能为决策者提供决策分析支持。大数据的到来让运营商意识到网络侧数据将成为价值蓝海,OSS系统内的网络运行和监控数据隐含着业务质量与用户感知的真实情况。
对此,建议运维部门可通过对现有组织、流程、指标和系统多维度的优化调整,建立面向用户感知的运维综合评估体系。运维部门配合市场部门将用户业务质量监控纳入日常工作,将客户服务和市场支撑意识真正融入运维工作,支撑市场部门营销活动。如此,运维部门将从被动响应走向主动运维,从而实现运维部门从网络运营中心(Network Operation Center, NOC)向业务运营中心(Service Operation Center, SOC)的转型。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26在数字化浪潮下,数据分析已成为企业决策的核心支撑,而CDA数据分析师作为标准化、专业化的数据人才代表,正逐步成为连接数据资 ...
2026-01-26数据分析的核心价值在于用数据驱动决策,而指标作为数据的“载体”,其选取的合理性直接决定分析结果的有效性。选对指标能精准定 ...
2026-01-23在MySQL查询编写中,我们习惯按“SELECT → FROM → WHERE → ORDER BY”的语法顺序组织语句,直觉上认为代码顺序即执行顺序。但 ...
2026-01-23数字化转型已从企业“可选项”升级为“必答题”,其核心本质是通过数据驱动业务重构、流程优化与模式创新,实现从传统运营向智能 ...
2026-01-23CDA持证人已遍布在世界范围各行各业,包括世界500强企业、顶尖科技独角兽、大型金融机构、国企事业单位、国家行政机关等等,“CDA数据分析师”人才队伍遵守着CDA职业道德准则,发挥着专业技能,已成为支撑科技发展的核心力量。 ...
2026-01-22在数字化时代,企业积累的海量数据如同散落的珍珠,而数据模型就是串联这些珍珠的线——它并非简单的数据集合,而是对现实业务场 ...
2026-01-22