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MySQL数据库运维与开发实践中,经常出现一种典型现象:数据库实际存储的数据量很小,数据表条数少、文件体积低,但服务器整体 ...
2026-09-11 很多数据分析师能熟练计算均值、标准差,但当被问到“总体和样本有什么区别”“参数和统计量有什么关系”“数据级别的高低如 ...
2026-09-11CDA数据分析师 出品 作者:李诗怡 定义: 将同一时间段内因具备相同属性或共同经历的用户划分为群体,分析其留存与生命周期价值 ...
2026-09-11在零售、商超、餐饮、线下门店等实体商业运营中,客流与销售额是衡量门店经营状态的两大核心指标。销售额是门店经营的最终结果, ...
2026-09-10在数据可视化体系中,柱形图是最基础、应用最广泛的图表类型,其中**累计柱形图(堆积柱状图)**是兼顾整体总量与内部结构的核心 ...
2026-09-10 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-09-10在Python Pandas数据分析中,DataFrame是承载结构化数据的核心载体,数据清洗、数据修正、条件赋值、字段更新等实操场景,都离不 ...
2026-09-09 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-09-09卡方检验(Chi-Square Test)是统计学中针对分类数据的经典显著性检验方法,核心用于判断两个离散分类变量是否相互独立、数据实 ...
2026-09-09CDA数据分析师 出品 作者:李诗怡 1. 销售漏斗阶段判断 题目:销售漏斗模型中,通过广告、社交媒体等方式触达品牌信息(如浏览品 ...
2026-09-07在Python数据分析中,Pandas库的DataFrame是最核心、最常用的结构化数据表对象,类似于Excel的二维表格,具备规整的行列结构、字 ...
2026-09-07在数据分析、经营复盘、业绩预测与经济统计工作中,平均增速(平均增长率)是衡量数据长期变化趋势、业务发展快慢的核心指标。不 ...
2026-09-07 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-09-07随着大数据技术的快速发展,商业竞争逐步从传统的经验式经营转变为数据驱动的精细化运营。海量的用户行为数据、交易数据、运营数 ...
2026-09-04CDA数据分析师 出品 作者:李诗怡 1. 波士顿矩阵(BCG Matrix) 定义: BCG于1970年提出的业务组合分析工具,以"市场增长率"(纵 ...
2026-09-04 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-09-04数据透视表是Excel与Power BI中最核心的数据分析工具,具备快速汇总、维度拆分、动态筛选的能力,可高效完成数据归类与统计展示 ...
2026-09-03在Power BI数据分析可视化场景中,堆积柱状图+折线图是最常用的复合图表组合。堆积柱状图适合展示各细分维度当期数值、结构占比 ...
2026-09-03 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-09-03CDA数据分析师 出品 作者:李诗怡 一、8个核心数据清洗函数 1. TRIM:一键清除多余空格(最常用) 作用:仅保留文本中"单词/字 ...
2026-09-02