
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
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01