经营分析系统

1、经营分析系统的商业驱动
　　系统建设的背景有两个方面。一方面随着电信市场的开放，客户选择电信业务及电信企业的余地越来越大，电信企业之间对客户的争夺也越来越激烈。由于市场竞争的加剧和产品的同质化，电信企业纷纷拿起价格利器抢占市场份额。经过两三年的“价格战”，电信市场出现了严重的“增量不增收”现象。大量低忠诚度的客户转网或变更业务。即使采取相应的预防措施，也不能有效的遏制大规模客户流失的现象。比如，某些电信公司采用“租机”、“返还话费”等具有一定优惠期限的活动来降低客户的流失率。在活动的优惠期，客户流失率明显降低，客户流失现象似乎得到了遏制。但是，一旦优惠期结束后，很多客户享受完了优惠，便纷纷离网或变更到本网其他的业务。结果是客户流失现象与平时相比变得更为严重，呈突发、集中、大规模的特点，致使电信企业的业务收入急剧下滑。另一方面，电信客户近几年高速增长，形成庞大、需求差异很大的客户群体。同时，由于电信技术的发展和创新不断生成各种新型业务。如何细分市场、客户群，将最合适的业务推销给最需要的客户，实现业务和客户的最佳匹配成为电信企业的重要课题。
　　基于以上两方面的背景，电信企业逐渐意识到以客户中心经营的必要性，开始从业务驱动向客户驱动转化。企业尝试新的方法，通过分析业务支撑系统中海量的数据，对市场、客户进行理性分析，实现精细化营销。电信行业是信息化程度最高的部门之一，各类业务系统的建设，积累了海量的数据，这些数据不仅是历史纪录的呈现，也蕴涵了客户的消费模式，为客户分析提供了丰富的素材，也为经营分析系统提供了宽广的用武之地。2、经营分析系统使用的数据分析技术
　　经营分析系统采用先进的数据分析技术，即联机分析处理和数据挖掘两大类。
　　3.1联机分析处理（OLAP）
　　联机分析处理是一种软件技术，使分析人员能够迅速、一致、交互地从各个方面观察信息，以达到深入理解数据的目的。这些信息是从原始数据直接转换过来的，他们以用户容易理解的方式反映企业的真实情况。联机分析处理大部分策略都是将关系型的或普通的数据进行多维数据存贮，以便于进行分析，从而达到联机分析处理的目的。这种多维数据存储可以被看作一个超立方体，沿着各个维方向存贮数据，它允许分析人员沿事物的轴线方便地分析数据，分析形式一般有切片和切块以及下钻、挖掘等操作。
　　3.2数据挖掘
　　数据挖掘是从海量、不完全的、有噪声的数据中挖据出隐含的、未知的、用户可能感兴趣的和对决策有潜在价值的知识和规则。这些规则蕴含了数据库中一组对象之间的特定关系，揭示出一些有用的信息，可以为经营决策、市场策划和金融预测等方面提供依据。数据挖掘技术典型的分析方法有分类、聚类、关联等。每类方法有很多不同特点的算法，如分类方法有决策树算法、神经网络算法，聚类算法有划分聚类算法、分层聚类算法等。
　　3.3联机分析处理和数据挖掘的区别
　　联机分析处理与数据挖掘本质的区别：OLAP更多地依靠分析人员输入的问题和假设，受分析人员业务水平因素影响很大。在进行数据分析时，分析人员对业务发展情况建立一系列假设，然后利用联机分析处理技术验证假设的正确性。而数据挖掘技术能帮助企业以更全面的视角洞察客户，依靠强大的挖掘工具自动化地挖掘数据，发现隐藏在数据背后的商业机会。3、经营分析系统的主要功能
　　经营分析系统的主要功能有四个，即关键指标监控(KPI)、统计报表、综合分析和数据挖掘。
　　4.1关键指标监控
　　关键指标监控是对电信企业业务指标实时的监控和预警功能。KPI借助表格和图形方式直观的展现使得管理者能以宏观的角度及时了解现有用户数量、业务收入以及和同期发展的比较，也能以微观的角度了解具体某个地区、某类业务用户的具体情况。管理者根据业务发展不同时期的情况，可以通过选择或输入的方式对关键指标的门限值进行相应设置，达到对业务发展实时监控的目的。
　　4.2统计报表功能
　　统计报表功能指在制订的统计周期之内，按市场部门的要求生成统计结果数据，进行汇总或分析处理，形成规定格式的报表图形，并向相关部门提供有关的业务预测与经营分析资料。报表生成具有很高的灵活性，支持按指定时间段自动汇总、统计各级报表数据自动生成汇总报表，支持选择各种统计元素。同时，提供报表模板，可以灵活选择特定的模版，也可自定义所需要的模版。
　　4.3综合分析
　　综合分析是基于OLAP的多维分析技术。综合分析内容包括客户分析、收益分析、业务量分析、新业务综合分析一些综合性较强的分析等。分析维度包括时间、地区、申请类型、用户性质、用户状态、通话类型、受理方式等。综合分析根据某个分析主题，选择与主题相关的维度，进行多维度分析。综合分析提供灵活多样的展现方式，常用的展现方式有：固定（预定义）报表、图表、即席查询、多维动态分析等。
　　4.4高级数据挖掘功能
　　高级数据挖掘时利用数据挖掘方法和技术，从大量的数据中寻找数据之间的关系模式。高级数据挖掘内容包括客户价值分析、业务预测、消费层次变动分析、客户流失分析、客户细分等。与前面分析不同，数据挖掘分析不是一个单步骤的分析，而是一个迭代、螺旋式上升的流程。流程包括数据准备、数据建模、模型评价和解释三个阶段。当最后阶段的模型评价解释不能达到要求时，就重新回到第二阶段数据建模阶段，甚至有时必须回到第一阶段数据准备。比如客户流失分析，数据准备阶段，获取与主题有关的所有数据，如客户状态变动、消费变动、市场竞争强度、投诉申告强大等数据和信息，然后预处理消除噪声，导出与主题关系更强的变量。接着是数据建模阶段，采用决策树、神经网络学习等方法，分析客户流失的主要特征，建立客户的流失模型，预测发现流失概率较大的客户。第三阶段是数据评价和解释阶段，对模型评分和解释，如果达到要求，就保存模型并应用所得结果于市场行动。这类分析涉及的变量数目多，变量的关系复杂，需导出主题相关的变量，数据分布缺少较强的规律性，因此分析的综合性、难度和深度比前三种分析大的多，对分析人员要求很高。如果没有对数据挖掘算法和业务的深入理解，分析的效果往往很难得到保证。4、系统应用中出现的问题
　　5.1经营分析系统退化为报表系统。
　　在经营分析系统没有投入使用之前，市场部门往往通过向计费中心人员提出某种数据需求获取数据，利用EXCEL工具作一些简单的描述性统计分析。系统投入使用后，市场部门人员还是习惯于报表形式的分析模式，对经营分析系统承担的任务认识不够清晰。由于客户主题分析和数据挖掘方面的知识较新，市场部门对这方面的认识还处于初步的学习和了解阶段，相应的分析和从数据挖掘图表获取信息的能力还较为欠缺。具有强大分析和预测功能的经营分析系统退化为一个报表系统。
　　5.2缺少专业人员利用系统挖掘功能进行高层次主题分析。
　　经营分析系统具有主要四类分析功能，这四类功能操作分析难度差异很大，对分析人员的要求也不同。像关键指标监控，统计报表这些功能，一般市场部人员只需使用鼠标点击就可以实现。像联机分析处理、数据挖掘分析，一方面由于分析变量数目多，需要利用数据挖掘算法或是数据仓库的操作，技术方面要求高，即使经营分析系统的分析界面非常友好，市场部人员由于能力所限，也不能很好的开展综合性较强的高级分析。另一方面，分析主题性强、非结构化，数据挖掘分析不等同于数据库操作。与数据库操作遵循统一的数据结构化查询标准不同，挖掘分析受人的主观因素很大。分析过程中所选用的数据、处理数据的方式和采用的模型都会因为分析人员个人不同的理解而不同。计费中心人员虽有扎实的数据库基础和熟悉帐表的优势，但是缺乏系统的数据挖掘知识和电信业务知识，经过短期培训很难掌握经营分析系统。因此很难在数据挖掘高层分析中起到主导作用，只能在数据准备阶段提供支持。
　　5.3分析和挖掘结果不能充分应用到实际工作中
　　经营分析系统缺乏一套有效的闭环经营流程管理机制。经营分析系统建设初期仅被认为将企业中现有的数据转化为知识，帮助企业决策层做出正确的业务经营决策。系统侧重后台分析，忽视了前台营销和客服，造成系统功能大打折扣。在实际工作中，分析人员和市场一线的经营、客服人员缺乏密切的相互学习和交流。前台人员得不到分析结果有力支持。比如，当客户经理被要求对可能流失的客户做挽留工作时，只能从客户分析人员获得客户名单，得不到有关客户流失的详细信息，如用户的基本信息资料，用户的忠诚度、离网率、欠费率以及用户最近一个月的通话行为、用户的状态变更、套餐变更等，很难真正的了解客户流失原因以及开展“一对一营销”。
　　5.4进行客户主题分析缺乏层次性，不注意知识的积累。
　　在客户分析的过程中，分析人员往往单就某个客户主题进行分析。当再分析其他客户主题时，不是利用以前的知识，而是从头做起。当直接分析综合性很强的主题时，由于主题的综合度越高，所涉及的变量、维度越多，难度也就越大。像客户流失分析涉及的简单变量达到三四十个之多，如果不考虑客户主题层次的话，不加选择放在一起分析，很可能出现“维度灾难”，难以得到有价值的结果。5、对策
　　6.1利用企业外部资源
　　考虑到经营分析系统的数据挖掘功能不能充分发挥功能的问题，短期之内又难以建成完善的数据挖掘环境，有的电信企业利用外部资源，不失为明智的选择。企业将挖掘分析项目外包给电信咨询公司，聘请数据挖掘专家进行数据挖掘分析。这些专家具有专业的数据挖掘知识，熟悉电信业务。通过外包给专业、有经验的分析人员，不仅减少了电信企业的工作量、降低了成本，而且也能获得数据挖掘技术带来的好处。
　　但是对电信企业来说，外包并不是长远之计。数据挖掘要分析的客户主题不是一时发生的问题，而是始终伴随企业成长的问题。比如，客户流失是任何一个电信企业任何时候都无法避免的。流失是一个始终伴随企业成长的问题。虽然专家对当时的问题做出了很有说服力的报告，但是市场瞬息万变，可能经过很短的时间又出现了一个与当时完全不同的流失问题。另外，分析结果的最终目的是指导、应用到实际工作中。即使分析的结论再正确，如果得不到有效地应用、实施，也是徒劳的。应用环节是重中之重。但是在实际的项目工作中，提交令电信企业市场部门满意的分析报告预示着外部专家的任务就宣告结束。外部专家忽视了对市场、客服人员提供后期指导，不能长期监控指导市场人员实施根据报告制定的举措，无法及时发现和解决实施过程中的问题。
　　6.2完善企业内部经营分析环境。
　　6.2.1招募、培养专业的数据挖掘分析人员。
　　由于数据挖掘技术受到国内重视时间不是很长，从事数据挖掘行业的分析人员大多是统计出身，缺少计算机基础，不能深刻理解数据挖掘算法。高校作为向社会输送人才的地方，有关数据挖掘和分析的培养还有些落后。在计算机专业课程，并没有开设数据仓库、数据挖掘相关课程。另外，经营分析人才是典型的综合性人才，而目前除了一些具有邮电、金融行业背景的院校，大部分高校有关数据挖掘的研究侧重算法改进而非商业应用。电信企业应注重从具有行业背景的邮电院校招募相关方向的人才，制定培养计划，用较短时间培养出更多适应经营分析系统需要的人才。
　　6.2.2加强经营分析对前台的业务支撑。
　　一方面加强经营分析系统的对一线营销客服人员日常业务运营的支撑，赋予前台人员一定权限了解某一客户的基本消费情况，在与客户接触之前深刻了解客户需求，做好有关客户关系管理的准备。另一方面，加强分析人员与营销、客服有关挖掘结果的沟通和探讨，建立一套有效的闭环经营流程管理机制，
　　6.2.3注重层次，有计划地分析客户主题。
　　虽然客户分析主题比较多，各主题综合度、分析难度有较大的差异，但是某些主题相对具有一定的层次性。可以建立一个有关客户分析的层次结构。同一层次的主题分析涉及的变量数目相差不大，数据粒度同一。各层次中的主题相对独立，具有完整的意义。上层分析的主题较下层分析的主题综合性更强。下层分析的结论可以为上层分析提供数据支撑。有了客户分析层次，上层分析不必从原始数据开始分析，大大减少了工作量和分析的难度。如果只做低层分析，也能获得有价值的分析结果。
　　客户主题层次可以分为低中高三个层次。低层次包括消费行为模式、消费层次变动、客户状态变动、投诉申告强度等。中层次包括客户信用度、忠诚度、客户价值等。高层次包括客户流失、客户细分、客户欺诈等。低层次分析是上层分析的基础。低层次分析的数据直接从业务支撑系统获取。这些原始数据能够真实的反映用户行为情况。因此低层次是各层次中最为重要的分析。如果已经分析了低层或中层主题，可以直接利用分析的结果。如果没有低层主题的分析结果，可以先从低层分析再到高层分析服务。比如，在客户流失分析当中，参考的重要信息包括消费变动、投诉申告强度、客户价值都不能从电信运营商的业务运营支撑系统中直接获取。可以先从客户消费变动、投诉申告强度、客户价值等低层次的主题入手。6、结束语
　　电信企业建立和完善经营分析环境是一个长期、渐进的过程。硬件方面完善经营分析系统功能，加强经营分析对前台的业务支撑；软件方面一方面转变市场、客服部门的经营分析理念，加强非专业分析人员的理论培训，学习基本的数据分析知识，培养从统计图表和数据挖掘的多种展现图表获取信息的能力，另一方面注重招募、培养专业的数据挖掘分析人员。随着经营分析系统的应用逐步向深层次发展，功能得到充分利用，必将为企业创造重要的价值、提升企业核心竞争力。
　　参考文献
　　[1]段云峰等数据仓库及其在电信领域中的应用北京：电子工业出版社,2003
　　[2]中国移动通信集团公司中国移动经营分析系统技术规范（V1.0版）
　　[3]Berry,Linoff, 袁卫等译, 数据挖掘——客户关系管理的科学与技术 北京：中国财政经济出版社,2004