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
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 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 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21