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
在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02