
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