电信运营商大数据发展策略与价值挖掘
发布时间:2017-12-20
张云帆
(江苏省邮电规划设计院有限责任公司,江苏 南京 210019)

【摘要】大数据资产变现是国内外电信运营商普遍关注的问题,从分析通信运营商的数据来源及特点入手,从对内对外两个方面,分多个场景对数据资产的价值挖掘及应用模式进行了阐述,全面规划了电信运营商的大数据发展策略,并就实施路径给出了具体建议。
【关键词】大数据    运营商    数据资产    价值挖掘

1   引言
    近年来随着社交网络的兴起、移动互联网的快速发展、数据传感器的大量应用,数据量出现了爆炸式的增长,大数据时代正式来临。电信运营商在长期的运营过程中也积累了大量特有的数据,但由于种种原因,数据并没有得到很好的“价值挖掘”,如何充分利用这些数据资源,开发出能产生现金流的服务或应用,即大数据资产变现,是国内外电信运营商普遍关注的问题。本文接下来将对此进行分析,规划电信运营商的大数据发展策略,并就实施路径给出了具体建议。

2   电信运营商的数据资源
    用户在通话、短信、上网等过程中,产生了大量记录,运营商由于其业务特点,积累了很多特有的数据,包括人们的身份信息、实时位置信息、上网行为信息等。可以说,运营商记录了人们现代生活的“指纹”,如何对这些数据资源进行挖掘和分析,发挥数据的潜在价值,是当前业界人士普遍关注的问题。
    如图1所示,运营商的数据主要来源于以下三个方面:


图1    运营商数据来源示意图


(1)通信业务数据

    这部分数据由CRM(客户关系管理系统)、计费帐务、客服、渠道等IT(信息系统)系统在通信业务的开展过程中产生。例如用户资料、语音、短信、数据等使用记录(话单)、费用记录(账单)、业务订购记录等。这些数据原本的作用是提供更好的客户服务、实现更加准确和灵活的计费等,在大数据时代,它们可以被赋予更丰富的内涵。
    (2)网络类数据
    这部分数据内容最为丰富,用户上网时的IP地址结合客户资料信息,可以很准确地追溯到人们的身份信息、家庭住址、上网时间、地点等。DPI(Deep Packet Inspection,深度包检测)数据经过分析后,可以清楚知道用户的网络行为,比如访问过哪些网站,购买过哪些商品,从而判断出用户的兴趣及关注点。通过移动位置信令,还可以实时的获取用户当前的所处的位置。
    (3)互联网业务数据
    这部分数据来自Web(互联网)和App(应用程序)客户端的数据,一般通过JS(一种脚本语言)插码或SDK(Software Development Kit,软件开发工具包)的方式收集,包括支付记录、商铺信息、终端数据、内容订购以及消费记录等信息。

3   电信运营商发展大数据面临的问题
    (1)数据质量不高,未充分挖掘
    现阶段运营商的数据大多分散在不同领域的多个独立系统中,各平台之间数据模型缺乏统一规划,数据质量不高,并存在较多的不一致性问题。另一方面现有系统对数据的采集挖掘不够深入及全面,无法支撑更精准的分析及应用。
    (2)数据分析能力欠缺
    缺乏既精通数据挖掘分析,又熟悉电信业务的人员,复合型大数据人才的磨合及培养是一个较为长期的过程。市场瞬息万变,如果不能在有效时间内形成分析结果,那么就失去了意义。而面对海量的数据,如何在短时间内确定分析维度,建立合适的模型,这都需要一个知识及经验的积累过程。
    (3)相关法律不够健全
    法律边界模糊,运营商虽然拥有大量的客户信息及行为数据,但由于可能触犯客户隐私,所以并不能随意使用,这也大大限制了运营商大数据业务的拓展。

4   运营商大数据的内部应用
    运营商不仅是大数据的生产者,而且也是传输者和使用者。由于市场和隐私问题,目前运营商在大数据的使用上还是以内部应用为主,用大数据优化网络质量、提升客户体验,更好地支撑前端营销及后端运营。
4.1  辅助网络建设及优化
    采集和分析大量现网数据,通过用户行为对网络关键性能指标的影响,分析用户行为规律的内在机理。将用户的话务、流量变化与时间周期、位置分布、人员属性等用户行为,与网络的节点分布、容量配置等网络资源进行关联分析。通过分析各种因素的内在联系,找出其规律,建立网络关联模型,使得网络规划、建设更加准确高效。另一方面,运营商还可以建立评估模型对现网的效率和成本进行评估,及时调整资源配置,对网络进行优化,不断提升网络质量和网络利用率。
4.2  提升客户服务质量
    运营商积累了大量的客户行为和需求数据,利用大数据技术对客户的行为特征(例如等候时长,关联用户接触纪录、套餐订购及消费、投诉纪录等)进行深入分析,可以更准确得识别热点问题、客户情绪、客户兴趣,从而更好地进行客户关怀。还可以针对客户兴趣进行精准营销,主动向客户推荐合适的业务及套餐。通过大数据方法进行客户分群,提前发现高流失风险客户,并作相应的客户关怀及挽留措施,可以有效避免客户流失,甚至可以“策反”部分异网客户。
4.3  提高企业运营管理效率
    从网络、业务、用户、终端等多个维度全面监控运营商的业务运营状况,构建各类业务的综合指标体系及评价模型,从业务贡献度、对网络资源的占用、用户感知、业务替代性等多个维度对业务进行全面评估,从而更好地支撑业务的创新与改进。还可以通过数据分析对业务和市场经营状况进行总结和分析,相对于传统的经营分析系统,利用大数据技术能够处理更大的数据量,进行更深层次的挖掘分析,从而更好地支撑经营决策。

5   运营商大数据的价值挖掘
    大数据的价值绝不仅限于企业内部应用,探索大数据的外部应用、挖掘数据价值、实现海量数据资产的“变现”、加速数据流向现金流的转换成为今后的主要方向。
    对数据的某些敏感信息通过某些规则进行数据的变形,或者采用群体性的,趋势性的分析,取代个人明细信息等方式,实现数据“脱敏”,以规避用户隐私方面的法律风险。结合运营商数据的特点,也参考国外的先进经验,主要推荐以下几种典型应用:
5.1  精准广告
    传统的广告采用普遍撒网的方式进行大量投放,但命中率很低,理想的方式是只把广告投放给需要的人,大数据的出现使得这样的精准营销成为了可能。运营商利用客户的网络行为数据挖掘分析其长期喜好和短期关注,并打上相应的标签。通过DMP(Data-Management Platform,数据管理平台)将这些客户标签信息以实时查询的方式提供给DSP(Demand-Side Platform,广告平台),DSP通过IP地址、Cookie(储存在用户本地终端上的识别数据)、终端等各种方式向DMP查询客户的兴趣偏好,从而实现针对性的广告投放。在这个过程中DPS并不知道客户具体是谁,也不能获取客户的具体信息,一定程度上保护了个人隐私。
5.2  市场洞察
    对网民行为、用户群体特征等信息进行跟踪和分析,形成群体趋势性的统计分析报告,为咨询机构、行业用户、政府等提供经过分析挖掘而形成的价值服务。如: 
    (1)零售研究。针对某种特定商品的市场占用率、品牌影响力、各渠道销售状况、客户反馈,对竞争对手的情况进行分析,助力商家把握市场脉搏,洞悉行业趋势。
    (2)消费者研究。通过分析告诉商家商品的客户群有哪些共性特征,潜在客户群喜欢访问哪些媒体等,从而辅助商家制定更加合理的营销计划。
    (3)地理商业智能。以用户网络行为反映出的行为信号,与其日常位置轨迹相结合,将用户线上行为投射到线下地理空间,洞察区域价值,为商铺选址、户外广告、人流监测等线下营销策略提供支持。
5.3  征信服务
    金融系统的传统征信评估存在一定局限性,只能覆盖使用过信用卡或有贷款记录的少数人员。而运营商可以根据自己的数据特点,从客户属性、终端信息、消费偏好、业务帐单、网络行为等维度,构建能一定程度反映客户信用评价的子模型,再与银行、保险公司等金融机构合作,形成更加全面的客户征信评估报告,供第三方进行查询,并收取相关费用。
5.4  数据交易
    随着大数据的成熟和发展,大数据的应用越来越广泛,有关大数据的交互、整合、交换、交易的例子也日益增多。随着中国贵阳大数据交易所的成立,数据交易也受到越来越多的关注,运营商掌握客户的网络行为、实时位置等信息,作为一种重要的独特资源,具有很高的交易价值。

6   运营商大数据业务实施路径
6.1  规范数据资产
    前文提到,运营商的数据分散的各业务系统中,数据的一致性和有效性存在很大问题。首先必须梳理各渠道的数据资源,制定数据资产规范,架构跨域的统一数据模型,对数据类型、来源、内容、格式、时效性等各方面进行严格的定义。数据的真实性,准确性、有效性得到保证后,才能更好地进行数据价值的挖掘。
6.2  集中进行数据汇聚、分析
    建议按照省-集团两级架构,建设集中的数据汇聚平台,根据数据接口规范,定时从各域进行数据采集,采集的原始数据还必须经过转换、清洗等过程,以统一数据格式、删除冗余或低价值内容后,才入库进行长期保存。数据挖掘、分析平台建议综合考虑非结构化数据与传统结构化数据的处理需求,两种数据库技术互为补充。至少提供语义分析、模式分析、行为轨迹分析、客户交往圈分析等功能,并能够根据需求,灵活得从客户、产品、竞争、渠道、流量等多个维度进行组合分析。
6.3  商业模式转型
    (1)“数据资产”转型:构建数据开放平台,利用网络及业务运营中长期积累的各类数据,通过深度挖掘和分析形成数据资产,与第三方进行数据共享及交易,汇聚各方优势资源,强强联合,实现价值最大化。
    (2)“媒体广告”转型:依托用户属性、行为特征、关系拓朴、实时位置等运营商特有的数据,结合在渠道与终端等方面的固有优势,形成以精确营销为特点,全面覆盖线上、线下各渠道及终端的全方位立体广告体系。
    (3)“商业渠道”转型:以客户体验为中心,打通线上线下各渠道,综合分析各方信息,给客户真正想要的关怀及服务。对终端、网络、业务全面进行综合评价及建档,以支撑持续优化及改进。形成以客户为中心、各渠道无缝衔接、有特色的智能商业渠道。

7   结束语
    由于受到OTT业务的冲击和国家提速降费政策的影响,运营商传统业务逐步下滑,急需寻求新的利润增长点。大数据时代的到来提供了这样一个机会,运营商必须及早开始转型,加强对数据资产的规范和应用。从网络优化、客户服务、经营分析等内部应用着手,逐步对外开放并尝试新的数据运营模式,深入挖掘数据价值,实现数据流向现金流的转变,从而增强企业竞争力,摆脱被管道的命运,重新踏上快速发展的道路。

参考文献:
[1] Viktor Mayer-Schönberger. 大数据时代[M]. 浙江: 浙江人民出版社, 2012.
[2] 涂子沛. 大数据:正在到来的数据革命[M]. 广西: 广西师范大学出版社, 2012.
[3] 涂子沛. 数据之巅[M]. 北京: 中信出版集团, 2014.
[4] 赵伟. 大数据在中国[M]. 江苏: 江苏文艺出版社, 2014.
[5] 王忠. 大数据时代个人数据隐私规制[M]. 北京: 社会科学文献出版社, 2014.
[6] 童晓渝,张云勇,房秉毅,等. 大数据时代电信运营商的机遇[J]. 信息通信技术, 2013(1): 5-9.
[7] 黄小刚. 电信行业大数据应用的四个方向[J]. 信息通信技术, 2013(6): 26-28.
[8] 杨岚兰,石磊. 大数据技术及其在通信领域的应用[J]. 信息与电脑, 2015(15): 68-69.
[9] 曹星雯. 移动互联网时代运营商大数据应用模式重要性突显[J]. 世界电信, 2015(12).
[10] 傅志华. 大数据在电信行业的应用[EB/OL]. (2014-11-17)[2016-02-14]. http://www.36dsj.com/archives/16804. ★

作者简介
张云帆:高级工程师,现任职于江苏省邮电规划设计院有限责任公司,主要从事数据通信网络、业务平台、云计算领域规划、设计等工作。

请输入评论内容
登录注册访问网站首页。

copyrights @ 2013  版权所有:中国电子科技集团公司第七研究所《移动通信》杂志社

粤ICP备17061932号-2     粤公网安备 44010502000212号