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
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16