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
在问卷调研的数据分析流程中,“先检验信效度,再开展进阶统计分析”是通用的规范逻辑。很多从业者会听到“问卷效度高,后续可以 ...
2026-07-30【核心关键词】大数据、统计学、专业、毕业生、论文、课程、计算机、建模、知识、数据分析、机器学习、数据科学、大数据技术、 ...
2026-07-30 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 ...
2026-07-30在业务数据分析中,按天拆分统计夜间时段的数据是高频需求——比如电商夜间订单监测、平台夜间用户活跃度分析、运维系统夜间异常 ...
2026-07-29在机器学习建模与特征工程实践中,判断不同特征对模型预测效果的贡献度,是特征筛选、模型解释、业务归因的核心环节。特征置换重 ...
2026-07-29 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 ...
2026-07-29【核心关键词】岗位、数字化、经验、课程、方法论、决策、企业、大方向、数据分析、销售管理、理论知识、思维方式、分析销售、 ...
2026-07-28在问卷调研、用户分群、效果对比等业务数据分析中,分类变量的关联性与差异性验证是高频需求。卡方检验作为针对离散分类数据的经 ...
2026-07-28 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, ...
2026-07-28在Excel数据分析与报表制作中,数据透视表是快速完成多维度汇总、分组统计的核心工具。很多从业者在得到透视表汇总结果后,为了 ...
2026-07-27 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”“ ...
2026-07-27当下,我们已然步入数据要素价值全面释放的智能时代。数据不再只是零散的数字记录,更是驱动新质生产力运转的核心动能、滋养人工 ...
2026-07-27【核心关键词】客户、数据分析、指标体系、数据采集、数据指标、业务数据、分析思路、业务需求、分析方法 【专访摘要】本次 CDA ...
2026-07-24在数据分析、业务建模与数字化运营体系中,原始业务数据普遍存在缺失、重复、异常、口径不一致等质量问题,直接用于分析与建模会 ...
2026-07-24 很多数据分析师能熟练计算均值、标准差,但当被问到“如何用一张图让业务方3秒内看懂核心结论”“面对不同数据类型该怎么选 ...
2026-07-24在数据驱动的精细化运营体系中,指标是业务判断、效果复盘、策略优化的核心依据。随着企业数据化程度提升,指标数量持续膨胀,但 ...
2026-07-23在用户运营与产品增长体系中,留存是衡量产品真实价值与用户粘性的核心标尺,也是决定用户生命周期价值、获客投产比的底层因素。 ...
2026-07-23 很多数据分析师精通Excel、SQL、Python等工具,但当被问到“面对一个具体的业务问题,该用什么分析方法”“描述性分析和诊断 ...
2026-07-23【核心关键词】埋点、产品、互联网、数据库、决策、数据分析、产品经理、商业模式、移动互联网、指标体系、运营模块、大数据平 ...
2026-07-22在高并发、大数据量的业务系统中,单表数据量达到千万级甚至亿级后,会出现查询性能骤降、索引维护成本飙升、存储扩容困难等问题 ...
2026-07-22