数字化转型的重点：向智慧型管理模式转变

文/袁棠棣 中国电信昆明分公司 李晓刚 云南省高校数据化运营管理工程中心

精细化管理理念在电信企业已被提出和推行了近20年，这一管理理念力求通过创新管理制度，优化企业经营模式，提升企业价值，实现企业利润最大化。

在通信运营商数字化转型背景下，通过大数据技术对市场行为进行精准分析，以此指导网络资源配置、预测客户潜在需求、适时调整经营策略，是实现企业价值与客户价值同步增长的有效途径。

组织模式中暴露出的问题

电信运营商的生产组织主要采用预算管理模式，年初制定企业收入预算，根据CAPEX、OPEX占比确定固定资产投资额度和营销成本费用，额度一旦确定便成为全年各类项目支出的依据。

在通信资源相对短缺时期，只要有网络规模增长就能带动市场规模增长，投资与成本的管理决策相对粗放一些。随着通信市场逐步饱和，运营商提供给市场的通信产品缺乏差异化竞争优势，电信企业为提升价值大幅压缩CAPEX、OPEX占比时，传统预算模式存在的问题和矛盾就突显出来。这些问题主要集中在以下方面：

网络建设以技术驱动，缺乏市场输入。电信有面向销售的前端部门和面向网络建设与维护的后端部门，部门之间的职责相对清晰。网络建设部门习惯于根据自身经验与技术趋势来确定网络投资类型和区域，往往缺乏市场需求的指导，具有一定的主观性和盲目性，其结果是有市场需求的区域没有网络覆盖，而有网络覆盖的区域市场空间又没有想象中的发展规模，导致网络利用率不够充分。

营销策略依靠传统路径，缺乏深度分析。电信提倡“千人千面”的营销策略，但是在面对一个客户群体制定营销产品时，营销团队往往凭借个人经验，参考相似产品的营销策略。

产品定价依靠价格竞争，缺乏效益意识。电信所提供的无论是话音产品还是流量产品都需要网络投资与维护，存在相应的刚性成本，然而前端在产品定价时往往忽略了成本计算，缺乏对产品销售利润、投资回报周期等评估指标的综合考量。

大数据在电信企业的应用现状

大数据（big data）是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。大数据具有四个特征（4V特征），分别是海量的数据规模（Volume）、快速的数据流转和动态的数据体系（Velocity）、多样的数据类型（Variety）、巨大的数据价值（Value）。

当前，三大运营商公布的移动用户总和突破16亿户，我国电信运营商在用户大数据收集方面具有强大的规模优势，在具体的大数据应用方面，已呈现以下特色：

数据平台能力及数据类型。目前，Y省电信大数据平台经过几年的建设，已经形成了一定规模，建成了以hadoop+GP数据库模式的大数据平台，数据采集范围包括B（营销）域、O（网络）域、M（管理）域近150个数据源，数据采集容量2-5PB。

这些海量数据既有用户基本特征的静态数据，又有用户通话、实时位置、上网行为等动态数据，既有结构化数据又有非结构化数据，这些实时可靠的用户、业务信息及数据具有很高的价值，为运营商大数据的应用奠定了坚实的基础。按类型分类如图3-1。

图3-1 电信大数据类型

大数据的应用现状。当前，电信大数据技术主要应用于存量用户经营。此类通过对BMO采集的数据进行分类、组合，还可挖掘出更多新的信息，这些信息便是用户的标签，标签的组合形成用户画像，把用户画像与营销政策相结合，便可覆盖用户流失预测、用户增值包潜在需求预测、用户套餐迁改预测，把这些预测数据下派一线客户经理开展针对性的营销活动，可以提升一线营销成功率。

智慧型管理是发展方向之一

电信拥有突出的数据优势，但是在电信企业的应用也存在一定的局限性。通过用户数据分析，优化管理模式，以数据驱动资源投放，推动企业从计划型管理的模式向动态弹性的智慧型管理模式转变将是一个重要发展方向。

大数据在网络建设中的应用。电信有线和无线接入网的覆盖建设与用户密度紧密相关，为避免投资的盲目性，可从现有的B、O、M数据基础上，从用户分布、用户价值、竞争策略、网络能力、资源占用和能力造价等多维度建模分析，计算单位用户的网络造价。利用BSS系统中的待装用户数驱动接入网络建设，从移动用户位置信息、用户终端类型驱动无线网络基站站型的选择，从而可分析投资建设的必要性，以数据驱动网络建设，满足业务发展需要和价值提升目标。

确定网络建设方案前应充分挖掘用户流量数据，深入掌握客户的需求和行为偏好，为客户提供最佳的网络产品，使客户与各种类型的业务匹配更加精准。

数据驱动的网络建设必须基于体系化、迭代优化的思想，模型必须综合考虑各专业间的协同关系，以及网络建设与市场策略、发展空间、投资收益间的关系，并持续通过数据的不断纠偏完善及精准输入，实现模型的不断优化。数据驱动网络建设流程示意图如图4-1所示。

图4-1 网络建设流程示意图

大数据在毛利分析及控制中的应用。成本对于企业来说是至关重要的，通过大数据挖掘，建立一系列业务毛利模型，是实现对资源的监控和动态调控的有效途径。业务毛利模型可通过建模、数据关联、系统加载和流程嵌入等环节入手，逐步形成价值闭环管理，其应用可以有以下几种场景：

毛利预估模型。在销售品上架、渠道建设之前通过大数据平台推送相关成本使用和效益情况，为决策提供数据参考，为后续毛利跟踪提供参照标准。

毛利跟踪评价模型。通过大数据采集，跟踪实时收入、成本和效益数据，向经营者提供毛利数据参考，支撑其诊断运营问题、提高经营效益。

毛利预警模型。以大数据平台为基础加载毛利模型，根据业务部门的毛利预警阈值，对低效营销实时预警，及时纠正营销策略，针对异常数据向数据使用者派单。

大数据开展毛利模型的应用，应确定所有数据的取数源、取数频率、取数时间点，搭建价值管理的数据平台，通过平台完成数据的自动提取与加工，向数据使用者推送毛利信息，针对异常数据向数据使用者发出派单预警，从而实现数据在管理中的闭环。

大数据技术应用的要点

大数据的应用与建设是未来电信提升价值的要点，也是数字化转型的重点之一，大数据运营成功的关键是必须把握好以下几个要点：

建立依靠数据做决策的文化。避免单靠经验的决策方式，大数据模型只有不断使用，不断优化，对决策指导的精准度才能不断提高，其价值也更加显性。

重视大数据平台的建设。数据平台的建设要求大算力、大存储，大投资。电信企业应把大数据基础设施与应用的建设纳入常规投资，切实提升数据处理效率，提高自身竞争力。

重视数据质量。基础数据的质量将直接影响大数据输出结果的准确性，过去由于不重视数据基础管理，数据存在重复收集与重复储存现象，不同平台的数据没有统一口径，不同系统中相同名称的数据表述不一致，导致应用数据不具备准确性和及时性、数据质量低下，数据缺失、不完整等问题，这种情况必须得到改变。

重视人才培养。电信不断提出ABCI人才培养，大数据的挖掘与运用同样需要培养一批懂业务、懂电信通信技术、了解电信管理的“复合型”人才。“复合型”人才培养既要有计划，又要有耐心，只有为人才提供成长的空间和时间，才能为电信的数据架构工作奠定坚实的基础。商