漆晨曦

（中国电信股份有限公司广东研究院 广州 510630）

高级分析在电信企业中的应用和发展探讨

漆晨曦

（中国电信股份有限公司广东研究院 广州 510630）

高级分析被Gartner公司列为2010年十大具有战略意义技术的第二位，对于很多人来说却很陌生。本文在界定高级分析的涵义的同时，将其与商业智能、数据挖掘加以区别，结合电信企业保存激增的营销目标，指出全业务运营环境下，高级分析对于电信企业的重要意义，同时回顾和展望了电信企业数据分析从经营分析向高级分析的发展历程，最后，针对目前电信企业要实现高级分析实践还存在的4点问题提出相应的策略建议。

高级分析；商业智能；数据挖掘；精确营销；经营分析；报表分析；数据仓库

1 何谓高级分析

2009年底，国际权威IT研究与顾问咨询公司Gartner发布了有关2010年十大科技发展趋势的报告，报告中排出2010年十大具有战略意义技术的顺序，依次是云计算、高级分析（advanced alalytics）、客户端计算、环保IT技术、数据中心重塑、社交计算、基于活动监测的安全防护、闪存、实用虚拟化技术和移动应用程序。其中排在榜上第二名的“高级分析”技术，对于很多人来说，都极为陌生。

何谓高级分析？泛泛地说，高级分析就是利用更高级的数据分析技术来回答问题，从而为企业经营决策提供数据分析支撑，但是这个简单的定义并不足以覆盖目前高级分析在企业实践中所完成的工作。事实上，目前高级分析的应用让曾经的企业经营难题——当然不是完全不可能解决的难题——得以一一解决，这些难题包括：企业某个客户参加营销活动A而不参加营销活动B的倾向性评估；关于6个月后目前客户中会有哪些客户离网的预测；企业新推出一项产品，哪些客户是这项产品的潜在目标等。

高级分析区别于商业智能（BI），高级分析实际上是从曾经位于2009年十大技术趋势第二位的商业智能升级而来。传统意义上的商业智能系统通常是由数据采集工具、数据仓库和前端报表系统三大部分构成，商业智能主要支撑的分析由定制报表或多维报表来实现，因此这些分析又可称为报表分析。相对高级分析来说，商业智能的报表分析代表的是“低级分析”。传统BI支撑的报表分析可以为我们揭示某（段）时间某个区域某项业务的发展状况，与去年同期或某一基准比较发现存在的问题以及一定程度上的总体发展趋势，但是，它并不能告诉我们为什么会出现这种状况，我们需针对具体哪些客户来采取应对措施，当我们采取措施后效果预期会如何。这三个商业智能不能解决的问题恰恰就是需要高级分析解决的问题。

另外，高级分析也区别于数据挖掘。数据挖掘能够高效率地处理海量数据，能够帮助分析人员从繁杂无序的海量数据中找出事物潜在的规律，但是，如果缺乏对业务问题有深刻理解而能够提出有意义假设、对企业数据有充分认识而能够设计出有价值变量的专业分析人员，数据挖掘的功能再强大也是发挥不出来的。从某种程度上讲，数据挖掘仅仅是一个强有力的工具，而高级分析正是由专业人员灵活利用这个强有力的工具为企业回答问题并解决经营难题的工作，数据挖掘工具与专业分析人员、企业高质量而完善的客户数据一道，构成高级分析必备的三要素。

2 高级分析在电信企业的现实应用意义

全业务运营环境下，三大运营商面对同一客户群提供不再有任何差异的同质产品，客户焦点愈发集中，竞争程度必然空前的激烈。保存激增是各大运营商亘古不变的营销主题，但是如何保存，如何激增，则不再是以前非全业务运营环境下，企业不需要了解客户行为，单凭产品的差异化优势即可取胜的粗放营销手段所能完成的。全业务运营环境下，电信企业必须借助精确营销手段，方能最终取胜。

首先，企业要实现保存目标，即要在保住现有客户不离网的基础上最终实现业务收入不下降的目标。保住现有客户不离网，即要提高或者至少保持现有客户的忠诚度，而要提高或保持一定的客户忠诚度，要求企业提供的产品或服务大于或至少不低于客户的预期期望值。客户能够对企业保持一定的满意度，自然就没有离网的理由。那么，客户对企业的产品和服务需求预期如何，如何才能满足客户对产品的需求且不让客户对企业所提供服务失望？客户流失虽然是难免的，但是如何在流失结果还没完全出现之前就能够察觉那些有流失先兆的客户，并针对其中企业不希望失去的有价值客户主动提出有效挽留措施……要回答以上问题，则要求企业建立客户需求模型、客户价值模型、客户忠诚度模型（如图1所示），定期跟踪每个客户的消费行为，判断其需求的满足程度及价值发展趋势，及时察觉客户新增需求和流失倾向，并将需要特别对待的客户名单实时交付销售或服务渠道，提供针对性营销措施，以最终实现保持存量客户的目标。

其次，企业要实现激增目标，要么增加新客户，要么提高现有客户的钱包份额，最终实现企业收入增加的目标。增加新客户，要求对企业产品的潜在目标客户作识别；而提高客户的钱包份额，则要求引导和激发现有客户的潜在需求，并帮助客户最终转化潜在需求为现实需求。了解客户当前消费行为是预测客户未来消费行为的重要依据，因此，要对企业产品的潜在目标客户作识别或者判断现有客户的潜在需求，离不开对现有客户消费行为的分析，在此基础上，总结产品与客户消费行为的匹配程度，从而帮助判断哪些客户具备使用新产品的特征，并将具备相应特征的客户名单交与销售和服务渠道，实现主动营销。

无论是保存，还是激增，都离不开专业分析人员对每一个客户群及每一个客户消费特征的洞察和预测，而这些分析不再是传统商业智能系统的报表分析所能提供支撑的，它需要利用数据挖掘工具，对几万甚至几十万客户的几十乃至几百个特征变量的海量数据进行处理和分析，方可以总结出客户消费特征，从而支撑企业保存激增的精确营销决策。

总之，全业务运营环境下，电信企业的核心竞争力就在于其对客户需求和消费行为的了解程度，了解越多越准确，并能及时将结果付诸于销售和服务环节的企业，一定是最终的胜出者。这种分析也即为电信企业支撑精确营销的高级分析，高级分析在电信企业的应用可见是迫切而意义重大。

另外，从国外情况来看，高级分析已经成为众多BI（商业智能）和DW（数据仓库）厂商的最热门话题，比如，Netezza宣布要在2010年大力推动高级分析的发展，Teradata与其合作伙伴SAS宣称要准备一道在高级分析上并驾齐驱，才在2009年7月收购SPSS的IBM则宣布了其开始提供商业分析服务和“Smart Analitics”（类似高级分析）的分析黑盒子应用。根据数据仓库权威研究机构TDWI的研究，目前有40%的商业智能和数据仓库厂商在实施高级分析，并且预测，到2012年，将近85%的企业和组织将实施高级分析应用。

图1 电信企业客户保持体系

3 电信企业从报表分析向高级分析的发展趋势

因为自身经营管理的需要，电信企业需要将客户受理业务的记录留下，以此作为为客户提供业务的依据；需要将客户在任何时间、任何地点与任何人发生的每一次通话/上网/发短信的通信活动记录下来，以此作为对用户收费的依据。前者为客户购买行为，后者为客户消费行为，加上销售服务渠道每次与客户接触的交互行为，所有这些海量信息累计下来，成为完成客户细分、客户流失预警、客户生命周期价值、客户欺诈预警、交叉销售以及RFM等客户分析的完善而客观的数据信息。正因为电信比其他行业具备更完善、客观的客户购买、消费和服务交互信息，因此，电信企业的数据分析工作也比其他行业开始得更早一些。

电信企业的数据分析发展可大致划分为三个阶段，如图2所示。

从图3可以看出，数据分析的发展首先受企业外部环境因素影响，如竞争的加剧、产品的更多样化、客户的选择更多并且更挑剔，企业为了实现保存激增的经营目标，不得不更关注客户，企业的经营管理也就从原有的产品驱动向客户驱动转型，从粗放营销向精确营销转型。这种转型，不能仅仅停留在理念上，需要付诸行动，客户驱动需要对客户的需求以及消费行为都有深刻的分析和理解，而精确营销的核心概念本身就是用数据说话，因此，电信企业的数据分析工作从最初的只是帮助管理者了解宏观业务运营状况的所谓“经营分析”，逐渐转变为面向客户面向营销等微观层面提供数据分析支撑的客户分析和营销分析。其次，为了适应数据分析的发展，实现企业从“经营分析”向“高级分析”的转型，企业数据仓库的建设和改造（从原有主要支撑产品分析的数据仓库改造为现在主要支撑客户和营销分析）、分析工具的升级（从原有具备简单统计分析功能的工具升级到能够处理海量数据的数据挖掘工具）以及客户数据库信息的进一步完善，支撑客户分析高效运作的企业客户统一视图的建设，都提上议事日程。当然，建立商业智能系统与销售服务系统之间的接口，让客户分析结果能够实时主动派单到销售和服务渠道，支撑企业一线客服人员、营业人员以及客户经理的销售服务工作，建立并培养专职从事客户分析、营销分析工作的专业分析团队，也都极为关键。

4 高级分析在电信企业中应用存在的问题及策略建议

目前很多电信企业已经开始重视高级分析，但是在高级分析的发展过程中还存在以下问题。

（1）高级分析所需要的基础数据条件还有待完善

图2 电信企业数据分析发展的三个阶段

对于分析人员来说，没有足够完善、细致而且持续更新的数据源，不可能做出高质量的数据分析。因为了解客户过去的行为是预测客户今后行为的基础，所以对于以客户洞察为核心的高级分析来说，以单个客户为对象，基于各类业务计费、客服、销售、营销、缴费等内部业务管理系统的原始记录，按照一定业务规则，抽象出关于每一个客户的价值、消费行为的特征/习惯以及其变化趋势等变量，并将这些变量整合起来，完成客户统一视图的建立并持续数据更新，即，以支撑客户洞察、高级分析为直接目标的客户统一视图的建立和持续更新，对于企业高级分析的发展至关重要。

对于很多电信企业（无论国内或国外运营商）来说，客户数据不完善，数据质量不高，是非常普遍的问题，但是足够完善、细致并且持续更新的客户数据对于高级分析来说，却是一个不可逾越的问题，所以，企业要有充分的思想准备，为了完善客户数据，需要付出一定的人力和成本费用。

（2）高级分析需要升级改造企业现有的商业智能或数据仓库系统

在电信企业，商业智能或数据仓库系统一般被称为经营分析系统。从通常意义上讲，目前电信企业的经营分析系统设计和建设一般以支撑经营分析工作为基本功能，所以一般以产品为对象建立底层数据立方体，主要支撑定制报表或多维报表等OLAP报表功能，采集的原始数据颗粒度则多以客户账单数据为主。而高级分析一般以客户或用户作为分析对象，需要商业智能或数据仓库系统能够高效支撑数据挖掘软件来完成预测、分群、序列分析、关联分析等高级统计分析算法功能，采集的数据颗粒度则除了账单级数据，更以用户计费清单数据为主，因为高级分析除了要从账单数据抽象出客户/用户价值特征之外，更需要从清单数据抽象出客户/用户区别于其他客户/用户的个性化的消费行为特征和习惯，以帮助其预测客户/用户今后的消费潜力或特征，实现高级分析的基本功能。

另外，与客户账单数据相比，用户清单数据的数据量数以百倍甚至千倍的扩展，原有采集、清洗、整合原始账单数据的ETL工具如果要继续保证高效运作，必然也面临升级改造的问题；而随着数据量的海量扩充，高级分析应用得越来越广，系统要继续高效支持数据量更大、粒度更细、操作更频繁的即席查询功能，同样面临升级改造的问题。

总之，由于高级分析与经营分析在数据源、分析对象、分析方法、分析工具等方面本质上存在不同，如果电信企业决定采用高级分析技术，将不得不慎重对待现有主要支撑OLAP报表功能经营分析系统的升级改造问题。

笔者的经验是，在将高级分析逐步引进的阶段，可以尝试在现有数据仓库中，建立相关支持客户洞察、数据挖掘功能的，以客户/或用户为对象整合了客户购买行为、消费行为、缴费行为、客户服务交互行为以及客户价值、消费结构等多方面信息的数据集市，作为现有商业智能系统和数据仓库系统升级改造的过渡，一方面保证高级分析功能能够高效开展；另一方面则可以在现有基础上，逐步探索商业智能和数据仓库系统对高级分析支撑的应用模式。毕竟，目前即使对于很多国际领先数据仓库厂商来说，如何高效支撑高级分析功能也都还在试水过程中。

（3）高级分析需要依托有效的运营管理流程来帮助最终落地

经营分析的重要性已经得到电信企业的普遍认可，从集团到县区分公司各层各级几乎每个月都要召开经营分析会，以帮助管理层了解企业运营总体状况，并发现存在的运营问题。但是对于企业众多的营销、销售和服务三方面的管理、策划、执行人员来说，目前每个月的经营分析报告给予他们的直接支撑作用却不大。对于这些人员来说，他们需要支撑他们工作的数据分析结果包括：6个月后目前客户中会有哪些离网的预测；某个客户参加营销活动A而不参加营销活动B的倾向性；企业新推出一项产品，哪些客户是这项产品的潜在目标客户等面向微观层面的具体业务问题，以客户群、单个客户或某套餐、某营销活动为对象的数据分析结果，根据前面对高级分析作的界定，这些问题也即高级分析所需要面对并解决的问题。

如果说目前电信企业的经营分析主要面向管理层，主要为企业宏观运营管理决策提供支撑，那么高级分析则主要面向企业的业务策划及执行人员，为营销、销售和服务等微观层面的工作提供具体的操作指导。如果说经营分析以一套“心中有数”的关键指标体系、几张具备多维度钻取的灵活报表、一份专题分析报告就可以达到目标的话，高级分析则需要完成产品/套餐/营销活动的目标客户清单，做到某个捆绑套餐多少个档次最合适以及不同包月档次的具体参数设计，实现对某个营销活动效果好坏的具体定量评价并根据评价提出下一步优化建议等工作。如果说一份经营分析报告就是一次经营分析工作的最终结果的话，高级分析的结果则需要落实到企业市场运营管理流程中，通过支撑贯穿流程的各个环节工作，帮助各个环节工作人员改变原有“拍脑袋”的决策行为，转变为用数据说话、依据定量分析的精确管理和精确决策行为。基于高级分析的精确营销运营管理流程如图3所示。

所以，高级分析需要依托有效的运营管理流程来帮助最终落地，以体现其重要作用。如果不能直接嵌入企业的市场运营管理流程，高级分析所起的作用将大打折扣。

（4）高级分析的发展有赖于专业分析人员队伍的培养

以客户统一视图为对象的数据抽取、清洗、整合、存储和持续更新的数据仓库或数据集市，高效处理数万、十万条记录的成百甚至更多变量的海量数据的数据挖掘工具，都是高级分析需要具备的必要硬件条件，但是，无论数据仓库或数据挖掘工具，目前都已经算是成熟技术，需求设计基本标准化，软硬件产品可复制、可移植，甚至可现成购置，之所以高级分析能够位于2010年十大技术趋势第二，就在于其虽然部分工作需要借助现成的商业智能、数据仓库和数据挖掘分析工具，但其更大部分的工作得借助人脑，所以，从某种程度上说，高级分析其实更体现为一项专业人员的智力活动。

如果要给分析简单地下个定义，可以总结为：分析的过程就是先有假设，然后对假设加以判断的过程。要把分析做好，首先得做有意义的假设，假设做得没意义，判断的过程再科学再合理也无济于事；当有了好假设，还得有科学合理的方法和手段来进行求证，不能保证求证过程的科学、准确和高效，再好的假设也是白搭。所以有人说，分析是一门艺术与科学综合的学科，其含义在于，假设的过程更偏向艺术，面对同一业务问题，每个人囿于自己的已有认识和视角，都会用不同的假设，而如何让提出来的假设更接近本质，则需要分析人员具备对业务知识的充分了解和长期跟踪积累；判断的过程则是借助统计或数学算法，论证假设的对否，为已有的前提假设提供依据，所以相对越科学越高效越好，属科学范畴。

分析是一门艺术与科学综合的学科，更是一门实践的学科，分析人员需要对业务知识全面了解，对统计算法和分析手段熟练把握，掌握一定的数据库知识，还需要了解企业生产管理系统、数据仓库系统，所以，优秀的分析人员需要综合掌握几门专业学科，需要有很强的学习能力，更需要在分析实践中不断总结和积累。

对于高级分析来说，尤其需要培养既懂“艺术”又懂“科学”，热爱数据，具备综合学科能力和较强学习能力的专业分析人员队伍。

1 Mike Rote.Advanced analytics:what every enterprise should know.NCR’s Data Minig Lab

2 Ian Michiels. Customer analytics-segmentation beyond demographics,August 2008

3 Stephen Swoyer.Advanced analytics set to soar,November 2009

4 Eckerson W W.Beyond reporting-delivering insights with next generation analytics,Third Quarter 2009

2010-03-19）