京公网安备 11010802034615号
经营许可证编号:京B2-20210330
爱立信:用大数据提升运营商NPS
2015年世界移动通信大会(MWC)期间,爱立信发布了大数据分析套件Expert Analytics 15.0。这套方案可以帮运营商预测NPS,并且提出改进方案。
NPS是目前最流行的客户忠诚度分析指标,用以计量客户向其他人推荐企业业务的可能性。在同一个用户调查样本中,业务推荐者的比例减去业务贬损者的比例,即为NPS。苹果、飞利浦等公司很早就启动了NPS考核,并将其视为“未来利润”。
对当前的运营商而言,更高的NPS不仅意味着领先于其他运营商,同样也可以在面对OTT冲击时降低用户流失率。
但是,3月3日,爱立信副总裁兼OSS&CEM产品管理主管Shamir Shoham在接受记者采访时表示,目前绝大部分电信运营商的NPS都低于5%,甚至很多为负值。而相比之下,苹果、Google等互联网公司的NPS超过70%。
“运营商的用户忠诚度远不及互联网企业。”Shamir Shoham对记者表示,“5%是很危险的,运营商至少要提升到30%以上。”
运营商的挑战
据Shamir Shoham透露,目前爱立信的大数据分析套件已经在数个运营商网络中得到验证。
其中,中国移动于2015年正式引入NPS(净推荐值)考核指标,启动经营策略转型,试图通过重视客户生命周期管理,培养忠诚客户。
在此之前的2014年8月,中国移动耗时半月在广东、北京等10个省市进行用户满意度调研。在调研报告中,中国移动称其NPS值为39.7%,而4G业务NPS值则为48%,两项NPS数值均远高于行业平均水平。该报告认为网络、自费、服务要素的提升是用户满意度较高的主要原因。
但是,需要指出,该报告只提到了“推荐者”的关注点,对于更受重视的“贬损者”,该报告并未分析原因。
同时需要指出的是,中国移动的此份NPS报告采用了业内最常用的问卷调查方式,这种方式很容易受到调查手段、调查时间、调查样本、客户心态、企业考核指标,甚至活动礼品等多方面的影响,导致这一重要数据失真。
“即便数据可靠,运营商仍然需要去分析影响用户忠诚度的原因和关键要素。”Shamir Shoham认为:运营商需要有效的方法准确判断NPS,并且搞清楚用户为什么不满意,然后才能改进服务体验,“整个流程耗时长、准确率低,这是运营商最大的挑战”。
德瑞咨询首席顾问宋永军在谈及中国移动NPS战略时也曾表示:运营商需要制定清晰的操作方案,比如针对NPS贬损者指标的深入调查分析,确保贬损者背后原因的挖掘;同时考虑将贬损度的调查与满意度调查结合,确保能找准客户感知的“痛点”。
除此之外,如果缺少清晰的操作方案,运营商在执行NPS时很有可能“沉迷于得分”。湖北移动客户服务中心康黎曾撰文指出:“目前使用NPS的企业普遍沉迷于‘得分’本身,而不是关注在驱动‘得分’改善的策略、行动以及由此所影响的客户体验上。”他建议,企业应该充分利用客户标签、大数据技术构建高效的策略。
用大数据改进NPS
运营商希望提高NPS,但却始终没有成熟的分析模型支撑运营商在庞大的用户群、复杂的网络环境中得出精准的结论。
Shamir Shoham表示,爱立信针对这一诉求推出了Expert Analytics 15.0分析套件,其可以在线、随时为运营商生成用户服务报告,并且根据爱立信服务水平指数(SLI)预测NPS,“明确告诉运营商,是哪些因素影响了用户满意度”。
他以欧洲某家运营商的案例介绍说,该运营商在某小区的用户中有25%的高价值用户,爱立信收集并分析这些用户的行为,以及对应的网络要素。比如,在线收集用户观看视频的时间,此时的缓冲、下载速率、以及时延指标。对应网页浏览,则采集网页打开时长;而对于用户通话行为,则采集通话时长、质量、计费等等。
“整个过程不影响用户感知。”Shamir Shoham表示,根据爱立信的分析模型,该运营商的SLI为6.09,通过SLI测算出的NPS也非常低。
Shamir Shoham表示,运营商可以针对SLI提出的问题加以改进,而前文提及的欧洲运营商,通过这套系统使得其高价值用户忠诚度明显提升,NPS超过了30%,“整个过程,运营商都不需要进行问卷调查”。
对于高忠诚度用户,运营商可以进一步开展位置信息、定向广告等业务。“目前我们正在与很多运营商进行这些尝试,很快会公布成果。”Shamir Shoham将此称之为大数据的“货币化”,是运营商通过NPS实现经营转型的下一步。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化转型浪潮中,企业数据已从“辅助资源”升级为“核心资产”,而高效的数据管理则是释放数据价值的前提。企业数据管理方法 ...
2026-01-21在数字化商业环境中,数据已成为企业优化运营、抢占市场、规避风险的核心资产。但商业数据分析绝非“堆砌数据、生成报表”的简单 ...
2026-01-20定量报告的核心价值是传递数据洞察,但密密麻麻的表格、复杂的计算公式、晦涩的数值罗列,往往让读者望而却步,导致核心信息被淹 ...
2026-01-20在CDA(Certified Data Analyst)数据分析师的工作场景中,“精准分类与回归预测”是高频核心需求——比如预测用户是否流失、判 ...
2026-01-20在建筑工程造价工作中,清单汇总分类是核心环节之一,尤其是针对楼梯、楼梯间这类包含多个分项工程(如混凝土浇筑、钢筋制作、扶 ...
2026-01-19数据清洗是数据分析的“前置必修课”,其核心目标是剔除无效信息、修正错误数据,让原始数据具备准确性、一致性与可用性。在实际 ...
2026-01-19在CDA(Certified Data Analyst)数据分析师的日常工作中,常面临“无标签高维数据难以归类、群体规律模糊”的痛点——比如海量 ...
2026-01-19在数据仓库与数据分析体系中,维度表与事实表是构建结构化数据模型的核心组件,二者如同“骨架”与“血肉”,协同支撑起各类业务 ...
2026-01-16在游戏行业“存量竞争”的当下,玩家留存率直接决定游戏的生命周期与商业价值。一款游戏即便拥有出色的画面与玩法,若无法精准识 ...
2026-01-16为配合CDA考试中心的 2025 版 CDA Level III 认证新大纲落地,CDA 网校正式推出新大纲更新后的第一套官方模拟题。该模拟题严格遵 ...
2026-01-16在数据驱动决策的时代,数据分析已成为企业运营、产品优化、业务增长的核心工具。但实际工作中,很多数据分析项目看似流程完整, ...
2026-01-15在CDA(Certified Data Analyst)数据分析师的日常工作中,“高维数据处理”是高频痛点——比如用户画像包含“浏览次数、停留时 ...
2026-01-15在教育测量与评价领域,百分制考试成绩的分布规律是评估教学效果、优化命题设计的核心依据,而正态分布则是其中最具代表性的分布 ...
2026-01-15在用户从“接触产品”到“完成核心目标”的全链路中,流失是必然存在的——电商用户可能“浏览商品却未下单”,APP新用户可能“ ...
2026-01-14在产品增长的核心指标体系中,次日留存率是当之无愧的“入门级关键指标”——它直接反映用户对产品的首次体验反馈,是判断产品是 ...
2026-01-14在CDA(Certified Data Analyst)数据分析师的业务实操中,“分类预测”是高频核心需求——比如“预测用户是否会购买商品”“判 ...
2026-01-14在数字化时代,用户的每一次操作——无论是电商平台的“浏览-加购-下单”、APP的“登录-点击-留存”,还是金融产品的“注册-实名 ...
2026-01-13在数据驱动决策的时代,“数据质量决定分析价值”已成为行业共识。数据库、日志系统、第三方平台等渠道采集的原始数据,往往存在 ...
2026-01-13在CDA(Certified Data Analyst)数据分析师的核心能力体系中,“通过数据建立模型、实现预测与归因”是进阶关键——比如“预测 ...
2026-01-13在企业数字化转型过程中,业务模型与数据模型是两大核心支撑体系:业务模型承载“业务应该如何运转”的逻辑,数据模型解决“数据 ...
2026-01-12