京公网安备 11010802034615号
经营许可证编号:京B2-20210330
运营商BI系统走向精细化
近年来,运营商在BI领域的进展有目共睹,一些电信运营商开始在用户的账单上精准营销,通过整合客户数据,利用数据挖掘技术,在每月消费账单中内置营销服务,从而开辟了全新的营销渠道。那么,对于BI未来规划和近期目标,企业专家又有哪些见解?
对话嘉宾:
亚信联创市场咨询部解决方案咨询部经理 彭怀湘
亚信联创业务运营咨询部经理 冀振明
爱立信中国及东北亚区运营与业务支撑系统总监 林 鹏
驱动BI价值走上台前
记者:在采访中,有运营商人士对于BI理解并不深刻,认为其建设投入与实际带来的经济效益不成正比,您如何看待这一问题?
彭怀湘:我认为这是一个误区,错误地将BI系统归为了生产系统,就如同运营商后台系统的计费系统、BSS系统一样。对于BI的实际价值,举一个例子说明,比如我们要开一家杂货店需要选择地段,我们去考察分析决定开在某街道,开张后果然生意很好。我们看到是这家店的盈利能力,而不是当初那个点子。BI则像那个点子,无法直接评估其经济效益。
BI作为分析决策支撑系统,它对于运营商的作用虽然不如其他生产系统那样直接,但却也是在潜移默化地影响着整个后台的系统决策和运作,同时让生产流程系统更加智能化。
林鹏:目前的系统宏观分析有余,微观分析不足;事后分析有余,事先预测不足;静态分析有余,动态挖掘不足;战略分析有余,战术支撑不足;客户服务团队不能得到信息化端到端的有效支撑。
这种情况直接产生了两个后果:企业高层的决策产出多少效益,有多少直接来源于BI系统难以度量。这使得系统成为企业高层经营分析的工具,对基层营销实践指导不足。
举个例子来说,某运营商A因为新型的智能手机广受大量高端用户的青睐,因此A运营商针对B运营商的高价值客户进行了不同策略的吸引,但似乎在B运营商的BI系统并没有事先预测到VIP客户潜在的流失,甚至在事中事后也没有任何客户挽留行动。[page] 以客户接触点为基准
记者:运营商希望通过BI系统不断实现深度营销,但这是一个贯穿多系统的复杂项目,您认为现阶段亟需解决哪些问题?
冀振明:BI系统的深度营销离不开包括电子渠道系统、CRM系统的支撑,我也认为,最关键的是,真正实现以客户接触点为基点,全面打通业务系统流程。毕竟处在客户的角度,他们并不关心运营商的后台究竟有多少系统在运转,只希望能够解决切身问题。
因此,我们需要以每一个客户接触点为基准,通过BI算出客户消费模型,与CRM产品库的产品做匹配,与电子商务网站信息联动,统一底层数据接口,实现整个业务流程的精细化运营。
更值得注意的是,由于运营商部门设置庞大且复杂,这也使得市场营销活动成为一个多部门跨域合作的项目,因此如何缩短市场营销部门和技术支撑部门的响应时间,强化前后台之间的沟通交流,也将成为BI能否真正体现价值的关键所在。
各级BI系统区别定位
记者:据了解,一些省级运营商的BI系统仅限于本地网存在,请问这与运营商集团层面的BI统一规划是否存在冲突,集团和省公司的BI系统在功能上是如何区分的?
彭怀湘:不会造成影响,因为集团层面和省公司的BI系统在业务范畴、关注层面都用明显的定位差别,两套系统间应该是互补关系。
集团层面BI系统主要负责管理和监控,各省BI系统主要负责市场和经营,而地市公司则借用省公司的数据仓库,远程访问省公司的BI系统,实现市场经营分析活动;同时省公司也将自身BI系统数据定期上传集团公司,以便集团对各省业务数据进行指标考核。
林鹏:全国集中的BI系统着眼的是面向全国的大事。而各地的BI系统,着眼研究各地的特殊问题。我们不能指望用一个数据挖掘的建模就能满足全国各地的要求。各地的情况千差万别,应分享经验、分别建模、独立分析。
重视数据整合和质量提升
记者:BI系统在运营商方面已经建立了完备的演进脉络,请问现阶段运营商的投入和建设重点在哪里,将着重解决实际应用中的哪些难点问题?
冀振明:BI系统建设是一个不断完善的过程,运营商会针对BI系统的不同阶段制定不同的业务目标,以中国移动为例,在2011年,其经分系统将着重精细化迈进,细分客户群,深度运营渠道。
由于运营商每天都在生成数以百万计的数据信息,后台系统又由于种种历史原因导致整体架构并不统一,存在严重的数据割裂现象,这些无疑将加剧运营商BI系统建设难度。作为BI系统的基础,解决数据一致性问题也将成为运营商一项长期工作。厂商一方面要重点关注在如何实现数据整合和质量提升等方面;另一方面,灵活构建切实满足业务人员营销与服务的BI应用。
林鹏:构建系统体系首先要着眼于数据的系统性和全面性,以支撑相应的经营决策。省公司和地市公司的重点会有所不同,地市公司可以在省公司的数据支持下,建立专业系统,对数据进行主题化、深入的分析。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19