一、大数据运营已为大势所趋

电信与媒体市场调研公司Informa Telecoms & Media在2013年的调查结果显示，全球120家运营商中约有48%的运营商正在实施大数据业务。该调研公司表示，大数据业务成本平均占到运营商总IT预算的10%，并且在未来五年内将升至23%左右，成为运营商的一项战略性优势。可见，由流量经营进入大数据运营已成为大势所趋。

二、采取大数据运营的原因

第一，数据资源的先天优势。电信运营商拥有多年的数据积累，在掌握用户行为方面有先天优势，主要体现在数据资源的丰富性、完整性和连续性。

第二，数据爆炸式增长。移动互联网时代，新型应用不断涌现，客户行为习惯也随之改变，电信运营商从以语音收入为主的业务模式，进入到了语音和流量双经营的业务模式，IT支撑每天面对数以PB级的海量数据。

第三，OTT服务商的威胁。目前来看，OTT厂商在电信业的平台之上提供应用和内容，并获取用户相关数据，获取红利，运营商面临被管道化的威胁。

上述分析得出，我们进行大数据运营是有资源更是迫在眉睫。

三、大数据分析如何提升电信行业绩效

在大数据背景下，运营商数据分析对本行业绩效的提升主要分为三大方面：一是提升现有商业模式的竞争力，二是发掘新的商业模式，三是发挥大数据社会价值。

第一方面主要有网络管理和优化、客户洞察、市场营销、客户关系管理、企业运营管理。

1、网络管理和优化。此方向包括对基础设施建设的优化和网络运营管理及优化。

（1）基础设施建设的优化。如通过分析话单和信令中用户的流量在时间周期和位置特征方面的分布，对2G、3G的高流量区域设计4G基站和WLAN热点；建模发现基站建设是否存在资源浪费。

（2）网络运营管理及优化。通过大数据分析网络的流量、流向变化趋势，及时调整资源配置，同时还可以分析网络日志，进行全网络优化，不断提升网络质量和网络利用率。

2、客户洞察。包括客户画像、关系链研究。

（1）客户画像。基于客户终端信息、位置信息、通话行为、手机上网行为轨迹等丰富的数据，为每个客户打上人口统计学特征、消费行为、上网行为和兴趣爱好标签，并借助数据挖掘技术（如分类、聚类、RFM等）进行客户分群，完善客户的360度画像，帮助运营商深入了解客户行为偏好和需求特征。

（2）关系链研究。通过分析客户通讯录、通话行为、网络社交行以及客户资料等数据，开展交往圈分析。

3、市场营销。方法是分析用户的终端偏好和消费能力，进行精准营销、实施营销和个性化推荐。

（1）精准营销和实时营销。在客户画像的基础上对客户特征的深入理解，建立客户与业务、资费套餐、终端类型、在用网络的精准匹配，并在在推送渠道、推送时机、推送方式上满足客户的需求，实现精准营销。

（2）个性化推荐。利用客户画像信息、客户终端信息、客户行为习惯偏好等，为客户提供定制化的服务，优化产品、流量套餐和定价机制，实现个性化营销和服务，提升客户体验与感知；或者在应用商城实现个性化推荐，在电商平台实现个性化推荐，在社交网络推荐感兴趣的好友。

4、客户关系管理。包括客服中心优化和客户生命周期管理。

（1）客服中心优化。客服中心拥有大量的客户呼叫行为和需求数据。我们可以利用大数据技术深入分析客服热线呼入客户的行为特征、选择路径、等候时长，并关联客户历史接触信息、客户套餐消费情况、客户人口统计学特征、客户机型等数据，建立客服热线智能路径模型，预测下次客户呼入的需求、投诉风险以及相应的路径和节点，这样便可缩短客服呼入处理时间，识别投诉风险，有助于提升客服满意度；另外，也可以通过语义分析，对客服热线的问题进行分类，识别热点问题和客户情绪，对于发生量较大且严重的问题，要及时预警相关部门进行优化。

（2）客户关怀与客户生命周期管理。客户生命周期管理包括新客户获取、客户成长、客户成熟、客户衰退和客户离开等五个阶段的管理。在客户获取阶段，我们可以通过算法挖掘和发现高潜客户；在客户成长阶段，通过关联规则等算法进行交叉销售，提升客户人均消费额；在客户成熟期，可以通过大数据方法进行客户分群（RFM、聚类等）并进行精准推荐，同时对不同客户实时忠诚计划；在客户衰退期，需要进行流失预警，提前发现高流失风险客户，并作相应的客户关怀；在客户离开阶段，我们可以通过大数据挖掘高潜回流客户。

5、企业运营管理。可以分为业务运营监控和经营分析。

（1）业务运营监控。基于大数据分析从网络、业务、用户和业务量、业务质量、终端等多个维度为运营商监控管道和客户运营情况。构建灵活可定制的指标模块，构建QoE/KQI/KPI等指标体系，以及异动智能监控体系，从宏观到微观全方位快速准确地掌控运营及异动原因。

（2）经营分析和市场监测。通过数据分析对业务和市场经营状况进行总结和分析，主要分为经营日报、周报、月报、季报以及专题分析等。在大数据时代，这些经营报告和专题分析报告均可以自动化生成网页或者APP形式，通过机器来完成。数据来源则是企业内部的业务和用户数据，以及通过大数据手段采集的外部社交网络数据、技术和市场数据。分析师变为报告产品经理，制定报告框架、分析和统计维度，剩下的工作交给机器来完成。

第二方面发掘新的商业模式，指通过企业自身拥有的大数据资产进行对外商业化，获取收益。但是面对数据所有权、隐私、体制等诸多因素限制，国内似乎目前只有电信在将固网的一些数据用来做RTB的互联网广告，除此之外看到的所有对外的商业应用基本都来自国际运营商。

1、对外提供营销洞察和精准广告投放。

· 营销洞察：美国电信运营商Verizon成立了精准营销部门Precision Marketing Division。该部门提供精准营销洞察(Precision Market Insights)，提供商业数据分析服务。

· 精准广告投放：Verizon的精准营销部门基于营销洞察还提供精准广告投放服务；AT&T提供Alert业务，当用户距离商家很近时，就有可能收到该商家提供的折扣很大的电子优惠券。

2、基于大数据监测和决策支撑服务。

· 客流和选址：西班牙电信于2012年10月成立了动态洞察部门DynamicInsights开展大数据业务，为客户提供数据分析打包服务。该部门与市场研究机构GFK进行合作，在英国、巴西推出了首款产品名为智慧足迹（Smart Steps）。智慧足迹基于完全匿名和聚合的移动网络数据，帮助零售商分析顾客来源和各商铺、展位的人流情况以及消费者特征和消费能力，并将洞察结果面向政企客户提供客流分析和零售店选址服务。

第三方面，发挥大数据社会价值。

1、旅游方面。利用大数据帮助旅游景区了解游客来源、分布等信息。比如大家在北京市旅游局的网站上可以看到景点的舒适指数，这个就是我们根据位置信令来分析景区用户数量得出的。

2、交通方面。帮助一些高速公路公司和交通厅估算通过率，发现拥塞和事故。比如在成渝高速，以及南京的智慧城市项目。这需要一些模型来进行评估，比如识别同行的人等等。在定位方面，无线定位准确度不高，所以只是作为一些辅助的数据。交通管理部门还有线圈数据、出租车的采集数据等，哪些数据精确度更高，是GPS级别，我们的数据覆盖更广。

3．便民服务。NTT docomo把手机位置信息和互联网上的信息结合起来，为顾客提供附近的餐饮店信息，接近末班车时间时，提供末班车信息服务。

4、安全和反恐等。

四、电信行业大数据运营障碍。

电信行业大数据最大的障碍是数据孤岛效应严重，由于国内运营商的区域化运营，电信企业的数据分别存储在各地区分公司，甚至分公司不同业务的数据都有可能没打通。而互联网和大数据则是没有边界。因此，对于国内电信运营商，要真正利用大数据，数据的统一和整合是最重要的一步。

五、总结

总的来看，电信行业的大数据依然处于探索阶段，但相信在未来几年，无论是内部大数据应用还是外部大数据商业化都有很大的成长空间，届时，数据分析将会使电信行业产生巨大飞跃。