今年十九大，中国电信集团公司党组书记、董事长杨杰19日在北京透露，截至8月底，全国移动电话用户13.8亿，普及率已经达到百分之百，用户数全球第一，其中4G用户9.3亿，占比远高于全球平均水平。
由此可见，电信运营商拥有的用户规模是惊人的。但是如今是移动互联网时代、是云服务大数据时代、是人工智能时代……运营商如果只靠传统语音+流量的方式获取收益那是远远不够的，一方面人口红利时代已经过去，传统的业务模式并非长久之计，而且近几年三大运营商将严格贯彻落实国家“提速降费”政策要求，漫游费取消了，流量也全都免费了。最重要的是，如果不契合今天这个“机敏时代”开展业务，似乎真的说不过去。
“大数据”今天已深度附着在各行各业，对运营商而言如果要开辟新的蓝海，就必须在用户运营方面有所突破。比如个性化精准推荐、第三方数据服务、行业分析报告等领域，这些都是可以助力运营商数据变现的方向，当然这也需要运营商在数据挖掘和探索领域做出成绩。在这个阶段，运营商的目标主要是面向特定行业、特定场景、提供成熟数据探索模型和自助探索工具。做基于大数据的标准化建模探索平台，围绕企业最关注的、普遍的数据探索需求，提供分行业、分场景的数据探索解决方案。这就需要运营商在数据领域具备一定的分析能力，具体包括：
关键特征分析：关键特征分析的对象可以是用户自身特征，可以是客户服务管理，也可以是行为事件触发，主要用于分析量化事物的关键特征，并能根据关键特征自动建立识别模型，对数据进行自动归类。如垃圾短信、垃圾电话自动甄别等，目的是使客户收益最大化；
影响因素分析：分析事件的真正原因，到底是在哪个环节出现的问题，可以引用“漏斗理论”，从而量化每个因素对事件的影响程度，从而能够快速、准确的制定解决方案。如用户离网原因分析等，分析的目的是“对症下药”；
用户标签挖掘：虽然每个用户都有自己的基础属性“姓名、性别、年龄”，但是这些信息并不足以支撑大数据精准营销业务需求，必须还要进一步挖掘用户偏好，比如内容偏好、渠道偏好、生活偏好、消费偏好……所以必须要构建用户标签体系，并根据用户画像建立多维度的分析平面，通过数据聚类自动在数据中挖掘用户标签。在这个环节所形成的就是用户360度画像和统一视图；
信用评估引擎：个人信用在今天已经是很多企业用于评估客户信用等级的重要手段之一，评估客户信用可以精确衡量业务风险，并且进行有效地风险管理。通过客户信用度评估可以大大降低用户的违约风险；
智能推荐引擎：挖掘产品的潜在客户，发现最有可能的新客户，从而扩大产品营销的客户范围，提升产品销量。如个性化应用、内容、套餐、终端推荐等。这个分析环节主要用于运营商卖出更多的产品；
所以，电信运营商在上述分析领域的探索，很大程度取决于大数据基础能力的支撑。
举个例子说明：运营商某管理人员从统计数据中发现，公司每月都有约100万户客户流量增长3倍以上。因此，管理人员需要找到驱动这些用户流量阶跃的具体原因，从而有针对性的制定营销策略，提升整体流量规模并增加收入。
在这种场景下，数据挖掘的前提就先了解当前的实际情况，可以通过大数据中心的基础数据情况，了解这100万户的基础特征，包括：新增使用应用个数、是否参与流量促销活动、是否变更为智慧手机用户、是否变更为4G手机用户。
接下来，就是执行流量提升影响原因分析，这些分析结果会直接影响客户在合适的时间、合适的地点、下载合适的应用，而最终影响用户使用更多的流量。当然，这些分析不仅会涉及非常复杂的业务模型和算法支持，也需要海量数据的支持，但这不恰恰就是分析价值的所在吗？
再有，就是智能推荐引擎，可以结合分析的结论决定向用户推荐哪些应用（游戏、音乐）、推荐给谁（高端用户、屌丝用户）、使用什么渠道（网厅、微信）、什么时机（午休时间、晚间时间），推荐的背后，将为运营商带来巨大的广告收益、推荐分成……
这还没有结束，服务是永恒的，推荐的效果直接影响下一次推荐的策略，所以最后还需要生成用户推荐策略和潜在用户标签，实现营销活动的效果评估。
综上所述，电信运营商就是通过这样的方式，基于大数据价值挖掘实现了“数据变现”，从而契合了今天的市场形态——机敏的时代。
閱讀更多 分析世界講方案 的文章
