京公网安备 11010802034615号
经营许可证编号:京B2-20210330
爱立信:用大数据提升运营商NPS
2015年世界移动通信大会(MWC)期间,爱立信发布了大数据分析套件Expert Analytics 15.0。这套方案可以帮运营商预测NPS,并且提出改进方案。
NPS是目前最流行的客户忠诚度分析指标,用以计量客户向其他人推荐企业业务的可能性。在同一个用户调查样本中,业务推荐者的比例减去业务贬损者的比例,即为NPS。苹果、飞利浦等公司很早就启动了NPS考核,并将其视为“未来利润”。
对当前的运营商而言,更高的NPS不仅意味着领先于其他运营商,同样也可以在面对OTT冲击时降低用户流失率。
但是,3月3日,爱立信副总裁兼OSS&CEM产品管理主管Shamir Shoham在接受记者采访时表示,目前绝大部分电信运营商的NPS都低于5%,甚至很多为负值。而相比之下,苹果、Google等互联网公司的NPS超过70%。
“运营商的用户忠诚度远不及互联网企业。”Shamir Shoham对记者表示,“5%是很危险的,运营商至少要提升到30%以上。”
运营商的挑战
据Shamir Shoham透露,目前爱立信的大数据分析套件已经在数个运营商网络中得到验证。
其中,中国移动于2015年正式引入NPS(净推荐值)考核指标,启动经营策略转型,试图通过重视客户生命周期管理,培养忠诚客户。
在此之前的2014年8月,中国移动耗时半月在广东、北京等10个省市进行用户满意度调研。在调研报告中,中国移动称其NPS值为39.7%,而4G业务NPS值则为48%,两项NPS数值均远高于行业平均水平。该报告认为网络、自费、服务要素的提升是用户满意度较高的主要原因。
但是,需要指出,该报告只提到了“推荐者”的关注点,对于更受重视的“贬损者”,该报告并未分析原因。
同时需要指出的是,中国移动的此份NPS报告采用了业内最常用的问卷调查方式,这种方式很容易受到调查手段、调查时间、调查样本、客户心态、企业考核指标,甚至活动礼品等多方面的影响,导致这一重要数据失真。
“即便数据可靠,运营商仍然需要去分析影响用户忠诚度的原因和关键要素。”Shamir Shoham认为:运营商需要有效的方法准确判断NPS,并且搞清楚用户为什么不满意,然后才能改进服务体验,“整个流程耗时长、准确率低,这是运营商最大的挑战”。
德瑞咨询首席顾问宋永军在谈及中国移动NPS战略时也曾表示:运营商需要制定清晰的操作方案,比如针对NPS贬损者指标的深入调查分析,确保贬损者背后原因的挖掘;同时考虑将贬损度的调查与满意度调查结合,确保能找准客户感知的“痛点”。
除此之外,如果缺少清晰的操作方案,运营商在执行NPS时很有可能“沉迷于得分”。湖北移动客户服务中心康黎曾撰文指出:“目前使用NPS的企业普遍沉迷于‘得分’本身,而不是关注在驱动‘得分’改善的策略、行动以及由此所影响的客户体验上。”他建议,企业应该充分利用客户标签、大数据技术构建高效的策略。
用大数据改进NPS
运营商希望提高NPS,但却始终没有成熟的分析模型支撑运营商在庞大的用户群、复杂的网络环境中得出精准的结论。
Shamir Shoham表示,爱立信针对这一诉求推出了Expert Analytics 15.0分析套件,其可以在线、随时为运营商生成用户服务报告,并且根据爱立信服务水平指数(SLI)预测NPS,“明确告诉运营商,是哪些因素影响了用户满意度”。
他以欧洲某家运营商的案例介绍说,该运营商在某小区的用户中有25%的高价值用户,爱立信收集并分析这些用户的行为,以及对应的网络要素。比如,在线收集用户观看视频的时间,此时的缓冲、下载速率、以及时延指标。对应网页浏览,则采集网页打开时长;而对于用户通话行为,则采集通话时长、质量、计费等等。
“整个过程不影响用户感知。”Shamir Shoham表示,根据爱立信的分析模型,该运营商的SLI为6.09,通过SLI测算出的NPS也非常低。
Shamir Shoham表示,运营商可以针对SLI提出的问题加以改进,而前文提及的欧洲运营商,通过这套系统使得其高价值用户忠诚度明显提升,NPS超过了30%,“整个过程,运营商都不需要进行问卷调查”。
对于高忠诚度用户,运营商可以进一步开展位置信息、定向广告等业务。“目前我们正在与很多运营商进行这些尝试,很快会公布成果。”Shamir Shoham将此称之为大数据的“货币化”,是运营商通过NPS实现经营转型的下一步。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12在数字化转型深度渗透的今天,企业管理已从“经验驱动”全面转向“数据驱动”,数据思维成为企业高质量发展的核心竞争力,而CDA ...
2026-03-12在数字经济飞速发展的今天,数据分析已从“辅助工具”升级为“核心竞争力”,渗透到商业、科技、民生、金融等各个领域。无论是全 ...
2026-03-11上市公司财务报表是反映企业经营状况、盈利能力、偿债能力的核心数据载体,是投资者决策、研究者分析、从业者复盘的重要依据。16 ...
2026-03-11数字化浪潮下,数据已成为企业生存发展的核心资产,而数据思维,正是CDA(Certified Data Analyst)数据分析师解锁数据价值、赋 ...
2026-03-11线性回归是数据分析中最常用的预测与关联分析方法,广泛应用于销售额预测、风险评估、趋势分析等场景(如前文销售额预测中的多元 ...
2026-03-10在SQL Server安装与配置的实操中,“服务名无效”是最令初学者头疼的高频问题之一。无论是在命令行执行net start启动服务、通过S ...
2026-03-10在数据驱动业务的当下,CDA(Certified Data Analyst)数据分析师的核心价值,不仅在于解读数据,更在于搭建一套科学、可落地的 ...
2026-03-10在企业经营决策中,销售额预测是核心环节之一——无论是库存备货、营销预算制定、产能规划,还是战略布局,都需要基于精准的销售 ...
2026-03-09金融数据分析的核心价值,是通过挖掘数据规律、识别风险、捕捉机会,为投资决策、风险控制、业务优化提供精准支撑——而这一切的 ...
2026-03-09