
大数据带来大机会 运营商需关注四大课题
随着网业分离的加速实施以及OTT厂商和虚拟运营商的逐渐崛起,电信运营商正逐步沦为“流量管道”,运营商的语音、短信等传统业务受到前所未有的冲击。
有专家认为,改变当前专注于粗放式的用户规模增长,寻找更加精细化的盈利新方式来服务客户,挖掘新兴业务的市场价值,以及降低IT系统建设成本和培育内部系统自生能力是运营商在发展转型阶段的重要课题。
支撑精细化运营,全面提升传统电信服务水平
据悉,目前我国的移动业务渗透率已经接近90%,依靠新增用户已经无法长期支撑运营商收入的稳步增长。虽然4G建设力度增大使得中国移动和中国联通的新增移动用户数出现正增长,但是中国电信上半年的新增移动用户数连续数月出现负增长。同时国资委向三大运营商下发通知,要求在未来三年内,连续每年降低20%的营销费用。这样使得运营商的终端补贴策略被迫进行重大调整,放缓用户增长速度。利用数据资源对存量用户进行价值深挖、提升ARPU,降低经营成本,调整收益结构,才是运营商进行用户维系、价值提升的利器。
存量用户维系的前提在于对用户群体的准确分类。以往用户细分的数据来源是业务支撑系统(Business Support System, BSS)的用户消费习惯和消费特征数据。这些数据可以支撑处于成长型或者稳定型的用户维系工作,但当用户进入到波动或者离网阶段,营销侧数据无法展示深层次的用户业务数据。在大数据挖掘技术的带动下,运营商通过整合用户访问记录、位置信息、终端信息、信令监控等网络侧数据,强化营销侧数据和网络侧数据的关联关系。数据分析部门通过构建离网用户数据模型,预判潜在离网用户,加强对VAP (Very Annoying Person)用户的预防式管理,通过主动关怀降低用户离网预期。
“在面对成长型或者稳定型的用户时,运营商同样可通过强化网络侧数据挖掘以对用户价值进行深层次刻画,根据分析结果对用户进行正确的聚类分群以寻找潜在高价值客户。对不同分类的用户制定有针对性的营销计划,为不同用户群体提供其喜爱的产品组合,以实现分客户群的精准营销。”赛迪顾问通信产业研究中心分析师杨光建议。
加快“去电信化”进程,挖掘新兴业务的市场价值
当前在互联网浪潮的冲击下,电信运营商已经认识到基础电信业务市场将持续低迷,未来业务的增长点主要由增值电信业务带来,“去电信化”的发展思路成为运营商转型调整的主要手段。但是“去电信化”并不意味着“互联网化”,运营商在基础网络上的优势意味着未来发展支柱依然是为其带来丰厚用户群体的管道。即使在网业分离的趋势背景下,运营商将继续以管道为主,依托管道中的流量信息,发展增值业务,延伸产业链条向个性化定制化发展,向信息服务领域延伸。
大数据正是迎合当今发展态势,成为加快运营商“去电信化”的利器之一。以集客用户为例,传统上的运营商集客业务大致分为三类,即基础业务、行业应用和行业解决方案。在互联网时代,集客用户的营销策略制定很大程度上取决于终端用户信息的分析程度。但由于集客用户只专注所在行业领域,缺乏宏观数据视角。因此,运营商在网络资源方面的优势可以为集客用户提供更加完善的IT解决方案。通过定制化报表分析等手段,指出用户发展现状和未来发展趋势,支撑用户进行科学决策,同时为运营商预埋商业机会,进一步推出定制化服务产品,实现精细化运营。
打破烟囱式系统架构,降低IT系统建设成本
据了解,经过多年的建设,电信运营商已经建成了完善的IT支撑系统,形成了从集团公司到各省级公司的两级支撑模式。在支撑系统发展之初,由于业务和数据量较少,运营商普遍采用烟囱式架构。目前虽然各系统之间相互独立,各自管理,但却造成了大量的“数据孤岛”,而且由于数据模型和系统入口缺乏统一规划,软硬件资源共享度低。
随着大数据的到来,系统数据共享和综合应用将成为大数据产业链的发展基础。运营商的IT支撑系统也面临向集中化、标准化和服务化的方向发展。整合BSS系统、运营支撑系统(Operation Support System, OSS)等多系统数据,构建数据分散采集、独立存储、集中应用的IT系统,实现支撑系统的集中化和数据模型的标准化,推动集约化的运维体系和端到端服务体系的建立,将有效促进网络质量和运行维护效率提升。
推动运维部门职能转变,培育内部系统自生能力
在大数据概念来临之前,运营商的经营决策通常依靠BSS系统支撑。BSS系统内的用户营账信息、计费数据等内容能为决策者提供决策分析支持。大数据的到来让运营商意识到网络侧数据将成为价值蓝海,OSS系统内的网络运行和监控数据隐含着业务质量与用户感知的真实情况。
对此,建议运维部门可通过对现有组织、流程、指标和系统多维度的优化调整,建立面向用户感知的运维综合评估体系。运维部门配合市场部门将用户业务质量监控纳入日常工作,将客户服务和市场支撑意识真正融入运维工作,支撑市场部门营销活动。如此,运维部门将从被动响应走向主动运维,从而实现运维部门从网络运营中心(Network Operation Center, NOC)向业务运营中心(Service Operation Center, SOC)的转型。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10