經營分析系統

系統建設的背景有兩個方面。一方面隨着電信市場的開放，客户選擇電信業務及電信企業的餘地越來越大，電信企業之間對客户的爭奪也越來越激烈。由於市場競爭的加劇和產品的同質化，電信企業紛紛拿起價格利器搶佔市場份額。經過兩三年的“價格戰”，電信市場出現了嚴重的“增量不增收”現象。大量低忠誠度的客户轉網或變更業務。即使採取相應的預防措施，也不能有效的遏制大規模客户流失的現象。比如，某些電信公司採用“租機”、“返還話費”等具有一定優惠期限的活動來降低客户的流失率。在活動的優惠期，客户流失率明顯降低，客户流失現象似乎得到了遏制。但是，一旦優惠期結束後，很多客户享受完了優惠，便紛紛離網或變更到本網其他的業務。結果是客户流失現象與平時相比變得更為嚴重，呈突發、集中、大規模的特點，致使電信企業的業務收入急劇下滑。另一方面，電信客户近幾年高速增長，形成龐大、需求差異很大的客户羣體。同時，由於電信技術的發展和創新不斷生成各種新型業務。如何細分市場、客户羣，將最合適的業務推銷給最需要的客户，實現業務和客户的最佳匹配成為電信企業的重要課題。

基於以上兩方面的背景，電信企業逐漸意識到以客户中心經營的必要性，開始從業務驅動向客户驅動轉化。企業嘗試新的方法，通過分析業務支撐系統中海量的數據，對市場、客户進行理性分析，實現精細化營銷。電信行業是信息化程度最高的部門之一，各類業務系統的建設，積累了海量的數據，這些數據不僅是歷史紀錄的呈現，也藴涵了客户的消費模式，為客户分析提供了豐富的素材，也為經營分析系統提供了寬廣的用武之地。

經營分析系統採用先進的數據分析技術，即聯機分析處理和數據挖掘兩大類。

聯機分析處理是一種軟件技術，使分析人員能夠迅速、一致、交互地從各個方面觀察信息，以達到深入理解數據的目的。這些信息是從原始數據直接轉換過來的，他們以用户容易理解的方式反映企業的真實情況。聯機分析處理大部分策略都是將關係型的或普通的數據進行多維數據存貯，以便於進行分析，從而達到聯機分析處理的目的。這種多維數據存儲可以被看作一個超立方體，沿着各個維方向存貯數據，它允許分析人員沿事物的軸線方便地分析數據，分析形式一般有切片和切塊以及下鑽、挖掘等操作。

數據挖掘是從海量、不完全的、有噪聲的數據中挖據出隱含的、未知的、用户可能感興趣的和對決策有潛在價值的知識和規則。這些規則藴含了數據庫中一組對象之間的特定關係，揭示出一些有用的信息，可以為經營決策、市場策劃和金融預測等方面提供依據。數據挖掘技術典型的分析方法有分類、聚類、關聯等。每類方法有很多不同特點的算法，如分類方法有決策樹算法、神經網絡算法，聚類算法有劃分聚類算法、分層聚類算法等。

聯機分析處理與數據挖掘本質的區別：OLAP更多地依靠分析人員輸入的問題和假設，受分析人員業務水平因素影響很大。在進行數據分析時，分析人員對業務發展情況建立一系列假設，然後利用聯機分析處理技術驗證假設的正確性。而數據挖掘技術能幫助企業以更全面的視角洞察客户，依靠強大的挖掘工具自動化地挖掘數據，發現隱藏在數據背後的商業機會。

經營分析系統的主要功能有四個，即關鍵指標監控(KPI)、統計報表、綜合分析和數據挖掘。

關鍵指標監控是對電信企業業務指標實時的監控和預警功能。KPI藉助表格和圖形方式直觀的展現使得管理者能以宏觀的角度及時瞭解現有用户數量、業務收入以及和同期發展的比較，也能以微觀的角度瞭解具體某個地區、某類業務用户的具體情況。管理者根據業務發展不同時期的情況，可以通過選擇或輸入的方式對關鍵指標的門限值進行相應設置，達到對業務發展實時監控的目的。

統計報表功能指在制訂的統計週期之內，按市場部門的要求生成統計結果數據，進行彙總或分析處理，形成規定格式的報表圖形，並向相關部門提供有關的業務預測與經營分析資料。報表生成具有很高的靈活性，支持按指定時間段自動彙總、統計各級報表數據自動生成彙總報表，支持選擇各種統計元素。同時，提供報表模板，可以靈活選擇特定的模版，也可自定義所需要的模版。

綜合分析是基於OLAP的多維分析技術。綜合分析內容包括客户分析、收益分析、業務量分析、新業務綜合分析一些綜合性較強的分析等。分析維度包括時間、地區、申請類型、用户性質、用户狀態、通話類型、受理方式等。綜合分析根據某個分析主題，選擇與主題相關的維度，進行多維度分析。綜合分析提供靈活多樣的展現方式，常用的展現方式有：固定（預定義）報表、圖表、即席查詢、多維動態分析等。

高級數據挖掘時利用數據挖掘方法和技術，從大量的數據中尋找數據之間的關係模式。高級數據挖掘內容包括客户價值分析、業務預測、消費層次變動分析、客户流失分析、客户細分等。與前面分析不同，數據挖掘分析不是一個單步驟的分析，而是一個迭代、螺旋式上升的流程。流程包括數據準備、數據建模、模型評價和解釋三個階段。當最後階段的模型評價解釋不能達到要求時，就重新回到第二階段數據建模階段，甚至有時必須回到第一階段數據準備。比如客户流失分析，數據準備階段，獲取與主題有關的所有數據，如客户狀態變動、消費變動、市場競爭強度、投訴申告強大等數據和信息，然後預處理消除噪聲，導出與主題關係更強的變量。接着是數據建模階段，採用決策樹、神經網絡學習等方法，分析客户流失的主要特徵，建立客户的流失模型，預測發現流失概率較大的客户。第三階段是數據評價和解釋階段，對模型評分和解釋，如果達到要求，就保存模型並應用所得結果於市場行動。這類分析涉及的變量數目多，變量的關係複雜，需導出主題相關的變量，數據分佈缺少較強的規律性，因此分析的綜合性、難度和深度比前三種分析大的多，對分析人員要求很高。如果沒有對數據挖掘算法和業務的深入理解，分析的效果往往很難得到保證。

在經營分析系統沒有投入使用之前，市場部門往往通過向計費中心人員提出某種數據需求獲取數據，利用EXCEL工具作一些簡單的描述性統計分析。系統投入使用後，市場部門人員還是習慣於報表形式的分析模式，對經營分析系統承擔的任務認識不夠清晰。由於客户主題分析和數據挖掘方面的知識較新，市場部門對這方面的認識還處於初步的學習和了解階段，相應的分析和從數據挖掘圖表獲取信息的能力還較為欠缺。具有強大分析和預測功能的經營分析系統退化為一個報表系統。

經營分析系統具有主要四類分析功能，這四類功能操作分析難度差異很大，對分析人員的要求也不同。像關鍵指標監控，統計報表這些功能，一般市場部人員只需使用鼠標點擊就可以實現。像聯機分析處理、數據挖掘分析，一方面由於分析變量數目多，需要利用數據挖掘算法或是數據倉庫的操作，技術方面要求高，即使經營分析系統的分析界面非常友好，市場部人員由於能力所限，也不能很好的開展綜合性較強的高級分析。另一方面，分析主題性強、非結構化，數據挖掘分析不等同於數據庫操作。與數據庫操作遵循統一的數據結構化查詢標準不同，挖掘分析受人的主觀因素很大。分析過程中所選用的數據、處理數據的方式和採用的模型都會因為分析人員個人不同的理解而不同。計費中心人員雖有紮實的數據庫基礎和熟悉帳表的優勢，但是缺乏系統的數據挖掘知識和電信業務知識，經過短期培訓很難掌握經營分析系統。因此很難在數據挖掘高層分析中起到主導作用，只能在數據準備階段提供支持。

經營分析系統缺乏一套有效的閉環經營流程管理機制。經營分析系統建設初期僅被認為將企業中現有的數據轉化為知識，幫助企業決策層做出正確的業務經營決策。系統側重後台分析，忽視了前台營銷和客服，造成系統功能大打折扣。在實際工作中，分析人員和市場一線的經營、客服人員缺乏密切的相互學習和交流。前台人員得不到分析結果有力支持。比如，當客户經理被要求對可能流失的客户做挽留工作時，只能從客户分析人員獲得客户名單，得不到有關客户流失的詳細信息，如用户的基本信息資料，用户的忠誠度、離網率、欠費率以及用户最近一個月的通話行為、用户的狀態變更、套餐變更等，很難真正的瞭解客户流失原因以及開展“一對一營銷”。

在客户分析的過程中，分析人員往往單就某個客户主題進行分析。當再分析其他客户主題時，不是利用以前的知識，而是從頭做起。當直接分析綜合性很強的主題時，由於主題的綜合度越高，所涉及的變量、維度越多，難度也就越大。像客户流失分析涉及的簡單變量達到三四十個之多，如果不考慮客户主題層次的話，不加選擇放在一起分析，很可能出現“維度災難”，難以得到有價值的結果。

考慮到經營分析系統的數據挖掘功能不能充分發揮功能的問題，短期之內又難以建成完善的數據挖掘環境，有的電信企業利用外部資源，不失為明智的選擇。企業將挖掘分析項目外包給電信諮詢公司，聘請數據挖掘專家進行數據挖掘分析。這些專傢俱有專業的數據挖掘知識，熟悉電信業務。通過外包給專業、有經驗的分析人員，不僅減少了電信企業的工作量、降低了成本，而且也能獲得數據挖掘技術帶來的好處。

但是對電信企業來説，外包並不是長遠之計。數據挖掘要分析的客户主題不是一時發生的問題，而是始終伴隨企業成長的問題。比如，客户流失是任何一個電信企業任何時候都無法避免的。流失是一個始終伴隨企業成長的問題。雖然專家對當時的問題做出了很有説服力的報告，但是市場瞬息萬變，可能經過很短的時間又出現了一個與當時完全不同的流失問題。另外，分析結果的最終目的是指導、應用到實際工作中。即使分析的結論再正確，如果得不到有效地應用、實施，也是徒勞的。應用環節是重中之重。但是在實際的項目工作中，提交令電信企業市場部門滿意的分析報告預示着外部專家的任務就宣告結束。外部專家忽視了對市場、客服人員提供後期指導，不能長期監控指導市場人員實施根據報告制定的舉措，無法及時發現和解決實施過程中的問題。

6.2.1招募、培養專業的數據挖掘分析人員。

由於數據挖掘技術受到國內重視時間不是很長，從事數據挖掘行業的分析人員大多是統計出身，缺少計算機基礎，不能深刻理解數據挖掘算法。高校作為向社會輸送人才的地方，有關數據挖掘和分析的培養還有些落後。在計算機專業課程，並沒有開設數據倉庫、數據挖掘相關課程。另外，經營分析人才是典型的綜合性人才，而目前除了一些具有郵電、金融行業背景的院校，大部分高校有關數據挖掘的研究側重算法改進而非商業應用。電信企業應注重從具有行業背景的郵電院校招募相關方向的人才，制定培養計劃，用較短時間培養出更多適應經營分析系統需要的人才。

6.2.2加強經營分析對前台的業務支撐。

一方面加強經營分析系統的對一線營銷客服人員日常業務運營的支撐，賦予前台人員一定權限瞭解某一客户的基本消費情況，在與客户接觸之前深刻了解客户需求，做好有關客户關係管理的準備。另一方面，加強分析人員與營銷、客服有關挖掘結果的溝通和探討，建立一套有效的閉環經營流程管理機制，

6.2.3注重層次，有計劃地分析客户主題。

雖然客户分析主題比較多，各主題綜合度、分析難度有較大的差異，但是某些主題相對具有一定的層次性。可以建立一個有關客户分析的層次結構。同一層次的主題分析涉及的變量數目相差不大，數據粒度同一。各層次中的主題相對獨立，具有完整的意義。上層分析的主題較下層分析的主題綜合性更強。下層分析的結論可以為上層分析提供數據支撐。有了客户分析層次，上層分析不必從原始數據開始分析，大大減少了工作量和分析的難度。如果只做低層分析，也能獲得有價值的分析結果。

客户主題層次可以分為低中高三個層次。低層次包括消費行為模式、消費層次變動、客户狀態變動、投訴申告強度等。中層次包括客户信用度、忠誠度、客户價值等。高層次包括客户流失、客户細分、客户欺詐等。低層次分析是上層分析的基礎。低層次分析的數據直接從業務支撐系統獲取。這些原始數據能夠真實的反映用户行為情況。因此低層次是各層次中最為重要的分析。如果已經分析了低層或中層主題，可以直接利用分析的結果。如果沒有低層主題的分析結果，可以先從低層分析再到高層分析服務。比如，在客户流失分析當中，參考的重要信息包括消費變動、投訴申告強度、客户價值都不能從電信運營商的業務運營支撐系統中直接獲取。可以先從客户消費變動、投訴申告強度、客户價值等低層次的主題入手。

電信企業建立和完善經營分析環境是一個長期、漸進的過程。硬件方面完善經營分析系統功能，加強經營分析對前台的業務支撐；軟件方面一方面轉變市場、客服部門的經營分析理念，加強非專業分析人員的理論培訓，學習基本的數據分析知識，培養從統計圖表和數據挖掘的多種展現圖表獲取信息的能力，另一方面注重招募、培養專業的數據挖掘分析人員。隨着經營分析系統的應用逐步向深層次發展，功能得到充分利用，必將為企業創造重要的價值、提升企業核心競爭力。

[1]段雲峯等數據倉庫及其在電信領域中的應用北京：電子工業出版社,2003

[2]中國移動通信集團公司中國移動經營分析系統技術規範（V1.0版）

[3]Berry,Linoff, 袁衞等譯, 數據挖掘——客户關係管理的科學與技術 北京：中國財政經濟出版社,2004