数据化运营

数据化运营（共12篇）

数据化运营 篇1

众所周知, 大数据技术源自于互联网公司, 研究这项技术的初衷是为了解决那些海量非结构化网页数据的存储、分析与检索等相关问题, 从而有效获取人们所需要的海量数据。值得大家注意的是, 这项技术与过去的那种集群技术差别是非常大的, 我们能够通过超大规模 (可以以万计) 集群 (或者冗余设计) 来大大的节省成本的投入。与此同时, 随着电信运营商的全业务化运营提供给电信运营商巨大的商机, 他们可以在不需要大量增加网络投资的前提下达到自己的预期目标, 大数据体系极有可能成为未来企业新的价值增长点。

1 电信运营商大数据的适用性分析

电信运营商的最主要任务就是为用户与用户、用户与设备、设备与设备之间提供必要的通信信道。总的来说, 电信运营商掌握着三大类数据:第一大类是用于维持网络正常运营的相关数据, 这类数据与用户是不会产生任何交集的, 是单纯的信道数据而以, 但是它是网络优化扩容中的重要组成部分之一;第二类是直接与用户实现对接的相关数据, 这一部分数据又可以分为两小部分, 第一部分是可以用来体现用户身份的账号数据 (我们通常称之为静态数据) , 这一部分数据在开通用户业务的同时就会产生了, 第二部分是实时数据 (包括各种类型的用于用户通话的信令以及用户行为数据等) , 这种数据非常的具体而有很大的参考性意义, 同时也是对经营情况进行分析的关键组成部分;第三类属于增值服务类数据, 比方说网页数据、视频监控数据等。经过以往大量的实践结果表明, 第一类数据通常是以结构化的形式出现在我们的眼前, 主要是处理一些逻辑相对来说没有那么复杂的问题。但是这种类型的数据局限性也是很强的, 据以往的研究结果表明, 它只能使用于单独的区域网络, 并且数据量不多的前提才能顺利的完成任务。但随着时代的进步和社会的迅猛发展, 传统技术已无法实现长时段、全网级的统计分析, 已经淡出了人们的视线。第二类数据一个家喻户晓的的特点就是4V特征, 换言之就是规模大、价值高、类型比较复杂。具体地说, 目前国内运营商的主流用户数已经破亿, 由于互联网已经走进了各大小企业以及千家万户, 用户用于记录网络行为的日志数据量是极其庞大的, 从这一点而言可以与顶级互联网公司相媲美, 而且数据的传输和更新速度也是越来越快。在类型方面具有多种多样。这体现在多个方面, 首当其冲的就是在数据来源方面。众所周知, 我们通常所看到的各类数据来源也是可有不同:宽带网络、无线网络等;然后是体现在结构方面, 非但包含具有明显结构特征的用户账号数据, 与此同时还包含半结构化的用户访问日志。还有就是体现在价值方面。事实表明, 不管是对电信企业或者是对外部互联网企业, 都具有重大的价值。但我们在进行数据处理的过程中往往需要对事务性、可靠性以及实时性都有相当高的要求, 就目前的大数据解决方案还无法从根本上满足这些要求。鉴于这种情况, 我们目前最好是定位于分析处理 (补充性的) , 比方说用于日常查询的用户话单、访问日志等方面。而第三类数据与第一类和第二类数据相比较而言最大的特性在于具有较为显著的非结构化特性, 据以往的应用结果表明, 这种类型的数据非常适合应用于大数据技术的相关处理。比方说流媒体和数据的视频 (进程或者远程都可以) 监控, 因此我们可以使用分布式文件系统将传统的存储系统给完全替代掉, 最好的办法就是使用实时流计算平台来编解码:另外, 我们还可以在互联网增值应用过程中用来分析、抓取和索引需要的网页数据。

2 应用电信运营商的大数据的有效策略

从以往的经验表明, 为了更好的让电信运营商的大数据为我们所用, 可以通过以下几种方式加以努力。

2.1 培养相关的综合性人才

事实表明, 不管是在哪个行业, 大数据的应用不仅仅需要对行业知识了如指掌, 同时还需要精通大数据分析以及综合应用大数据技术到实际的综合性人才。如果我们从业界观点看的话, 大数据已经从过去一直所推崇的“样本分析”转变为“全量分析”。当前那些具有现代化意义的企业需要的数据人才主要包括以下三大类:产品和市场分析人才、安全和风险分析人才以及商业智能人才。这部分人群不仅仅精通数据分析和研发, 与此同时还能够根据实际需要建立合理的电信运营商数据架构。而且还应对电信自身的业务了然于胸, 换言之就是电信行业的数据专家。因此电信运营商应当想方设法 (可以通过外聘或者内部挖掘等多种方式) 来储备一批大数据的专业性人才。

2.2 加快平台建设的进度

众所周知, 电信企业的每一套运营系统绝大多数都需要大数据的相关支持才能顺利实施。这些都需要专业人士进行操作方可达到理想的效果, 而且就算构建成功在很多时候也只是一种资源的巨大浪费。大数据在基础设施层面要最大限度的实现共享, 这样做就是为了更好的凸显出大数据规模集群的优势。就具体地说, 可建设国家级或者省级大数据中心, 其中国家级大数据中心应当定位于满足全国性的大数据需求。省级大数据中心定位于满足该省大数据的需求。

2.3 进一步加强技术研发

一般地说, 大数据研发工作大体包括两个方面:平台型研发与应用型研发。但是就当前的状况来看的话, 电信运营商同时兼顾基础设施与应用, 但要以应用型研发为主。也就是首先能够有效使用大数据, 然后进行适度的平台型研发, 事实表明这样做可以更好的支撑大数据应用。在积累到一定经验程度后 (具体是什么程度应当根据实际情况而定) , 逐步加大平台型研发的资金投入, 从而通过这种方式一步一步的从对内服务朝着对外运营进行转变。虽然说大数据的应用极其广泛, 但想要对其进行完整部署尚且需要很长的一段路要走, 在这种情况下最好的办法就是应用切入的方式, 这样做可以同时兼顾近期运营与长远规划。

3 结束语

综上所述, 随着互联网时代的到来, 电信运营商需要顺应发展的潮流对大数据加以有效的处理。而且我们有充足的理由相信, 云计算服务模式必然会成为未来的趋势, 因为在这种模式下可以大大的拉近企业、网络运营商与用户之间的距离。从以往的经验上来看, 大数据的不断推广可以让三者形成彼此依赖的关系。这样一来就会为电信运营商提供给客户更为优质的服务创造重大机遇。

参考文献

[1]黄勇军, 冯明, 丁圣勇, 范永兵.电信运营商大数据发展策略探讨[J].中国新技术新产品, 2013 (03) .

数据化运营 篇2

付费率=付费用户÷活跃用户x100 活跃率=登陆人次÷平均在线人数 ARPU值=收入÷付费用户

用户流失率=游戏当前活跃用户规模÷历史注册总量 同时在线峰值=24小时内同时在线最高达到人数

平均在线=24小时每小时同时在线相加总和÷24小时

中国大陆运营游戏平均同时在线用户=ACU 【有称ACCU】 采用道具收费模式游戏活跃付费用户=APC 活跃付费账户=APA 付费用户平均贡献收入=ARPU 当日登录账号数=UV 用户平均在线时长=TS 最高同时在线人数=PCU 【有称PCCU】

同时在线人数=CCU

付费人数一般是在线人数2～4倍。

活跃用户（玩家）：是指通过你的推广代码注册，不属于小号或作弊情况、正常进行游戏一个月以上未被官方删除的用户视为活跃用户。

您推广的两个用户目前还没有通过至少1个月的审查时间，您可以在您的推广纪录中查看您推广用户的注册时间。且这两个用户需要满足上述对活跃玩家的定义才 能称为活跃玩家！

活跃付费账户=APA。

每个活跃付费用户平均贡献收入=ARPU。

【活跃天数计算定义】

活跃天指用户当天登陆游戏一定时间、认定用户当天为活跃、活跃天数加1天。

当天0：00-23：59登陆游戏时间2小时以上用户当天为活跃天、活跃天数累积1天。当天0：00-23：59登陆游戏时间0.5小时至2小时、活跃天数累积0.5天。当天0：00-23：59登陆游戏时间0.5小时以下、不为其累积活跃天数。

每日： －－－－－－－－－用户数量描述 在线人数：（取的当日某个时刻最高在线，一般发生在9:30左右）新进入用户数量：（单日登录的新用户数量）当日登录用户数量： 每日登录/在线：

－－－－－－－－－盈利状况描述 每日消耗构成：（根据金额和数量做构成的饼状图）每日消耗金额： 每日消费用户数量： 每日充值金额： 每日充值用户数量： 每日充值途径：

－－－－－－－－－产品受关注程度描述 官网首页访问量： 客户端安装量：（根据安装完成弹出的页面）客户端下载量： 客户端下载点击量：

安装率：下载安装/下载量

－－－－－－－－－游戏系统描述 每日金钱增量、消耗和净增值： 等级分布：

忠诚用户等级分布：

特征物品市场价格（如联众游戏豆）： 每周：

－－－－－－－－－用户群体描述

活跃用户数量：当周登录过游戏的用户数量

忠诚用户数量：本周登陆3次以上（当天重复登陆算1次），最高角色等级超过15级，在线时长超过14小时的帐号

流失用户数量：上周登录但本周没有登录的用户数量 流失率：流失用户/上周活跃数量

忠诚流失率：上周忠诚用户当周没有登录用户的数量/上周忠诚用户数量 忠诚度：忠诚用户数量/活跃用户数量*修正值（新进人数的变化比例）转化率：上周登录的用户在本周转化为忠诚用户的比例 －－－－－－－－－盈利变化描述 ARPU值（周）：当周充值总额/当周付费用户数量；当周充值总额/当周平均最高在线 付费用户：该周有过付费行为的玩家数量 新增付费用户数量：本周新增的付费用户 付费率：该周付费用户数量/该周登录用户

付费用户流失数量：上周付费用户本周未登录数量 付费流失率：上周付费用户本周未登录的比例

注册转付费：某一天注册的用户在一周后付费的用户数量及比例

每月：

ARPU值：该月充值总额/当月付费用户数量；当月充值总额/当月平均最高在线 付费用户：该月有过付费行为的玩家数量 新增付费用户数量： 付费用户流失数量： 付费流失率：

活跃用户数量：该月登录过的用户；

针对道具：

每日购买量： 每日使用量：

转卖数量：购买然后在手里出售给其他玩家的数量 转卖价格：

流通速度：转卖总次数/参与转卖的道具数量 购买者等级分布： 使用者等级分布：

产品分析为游戏包装、盈利设计提供非常必要的支持，也是指导日常运营的重要参考。是运营工作中的核心内容之一。但和其他行业一样，即便做了非常多的数据分 析和其他信息收集，我们往往依然很难获得足够的信息来得到一个非常清晰的结论，经验和直觉在决策中还是扮演重要的地位。

产品分析分为：

一、从信息收集渠道上来看：

（一）数据分析（通过数据库或后台查询的数据）

1.例行数据分析（每日、每周、每半月、每月，每季度……）

2.项目数据分析（非例行/重复，如开区效果评估，游戏修改评估等）项目数据调查一般遵循这样的过程：

1.确定调查分析目的（证实、探索、预测）2.达到这个调查分析目的你需要哪些结论来支撑 3.获得原始数据后如何分析（分析模型）4.如何获取原始数据

（二）客服问题反馈（流程）

（三）自身游戏体验

（四）玩家直接交流（游戏交互、日常沟通、QQ群、小型见面会等）

二、从内容上来看：(例行的)

（一）产品现状描述：通过参数来反应目前游戏系统和运维平台的情况

1.游戏世界描述（高峰/均在线，金钱监控，等级分布，特征怪物/物品/道具价格等）2.运维平台及其它（下载量、下载完成率、注册量、硬件使用率、客服相关数据等）

（二）玩家游戏行为分析：物理特征+外部行为+游戏行为+群体描述 1.用户物理特征（性别、年龄等）

2.外部行为特征（登陆频率、时长、时间段等）3.游戏行为特征（流失等级及变化）

4.群体行为描述（峰值、活跃用户/忠诚用户及相关比例、新进用户、活跃度、忠诚度、流失率、转化率等）

（三）玩家消费行为分析：修正盈利设计，捕捉用户需求，新增道具设计 1.付费用户描述（付费用户数量、ARPU、付费用户游戏行为分析等）2.盈利描述（盈利状况、消耗构成及变化趋势等）

3.道具分析（使用范围、使用深度、使用/放弃原因等）4.付费意愿分析

（1）消费偏好分析（换金/个性/增强（经验、装备、技能）/方便互动/其它）（2）消费与游戏设置的联系（道具对应等级、玩家习惯行为（如某种技能）、游戏任务、场景的开放等）5.付费行为分析

（1）单位玩家道具数量情况分析（拥有量、拥有的道具之间的联系）（2）付费等级分布（首次购买等级、当前购买道具的等级分布）（3）付费数额分布（首次付费数额、续费数额）（4）付费用户分类（根据一段时间内的付费额）

（5）续费行为分析（未流失的玩家中，中止消费、消费转移的分析）（6）重点用户的跟踪

【名词解释和计算方式】平均同时在线用户 = ACU 游戏活跃付费用户 = APC 活跃付费账户 = APA 付费用户平均贡献收入 = ARPU 当日登录账号数 = UV 用户平均在线时长 = TS 最高同时在线人数 = PCU 累积注册用户 = AccRu 收入 /

付费用户 = ARPU 游戏当前活跃用户规模 /

历史注册总量 = 用户流失率 付费用户 /

活跃用户

*

= 付费率 登陆人次 /

平均在线人数 = 活跃率

24小时内同时在线最高达到人数 = 同时在线峰值(PCU)24小时每小时同时在线相加总和 /

24小时=平均在线(ACU)

【活跃天数计算定义】

活跃天指用户当天登陆游戏一定时间、认定用户当天为活跃、活跃天数加1天

运营商的数据之殇 篇3

10月21日，中国移动公布今年前三季度业绩。数据显示，公司前9个月实现的净利润为915亿元，同比下滑1.9%，这是中国移动自2000年成立以来首次净利润同比下滑。中移动将业绩下滑的原因归结为OTT业务（“Over The Top”，指互联网公司越过运营商，发展基于开放互联网的各种数据业务）的冲击。中移动称，“OTT业务对传统通信业的冲击和影响加速显现，移动通信普及率不断提高，行业内同质化竞争愈演愈烈，中移动经营发展面临极大的困难和挑战。”

虽然有投资机构仍憧憬一旦移动推出4G服务，公司将重拾收入增长动力。但多数专家早就指出“4G不是救世主”，韩国便是例证之一。韩国是全球LTE商用最快的国家之一，其移动运营商LG U+发布的2012年第三季度业绩报告显示，由于LTE市场营销费用大幅增加，使该公司在第三季度出现净亏损；另一运营商SKT业绩同样大幅下滑40%。SKT公司会长李锡采在某非公开场合表示“4G彻底失败”。

有不愿具名专家告诫运营商，在行业热炒4G牌照发放时间表的时候，运营商需要冷静思考大数据时代的应对之策，否则将重蹈3G时代的数据之殇。

失意“移动梦网”

中国电信运营商的数据之路，始于2G时代的移动梦网。

2G时代的数据业务很简单，中国移动效仿日本运营商NTT DoCoMo i-Mode模式推出了“移动梦网”服务，构筑了一个手机上网平台。

现在看移动梦网就是移动互联网的雏形，它像一个大超市，囊括了短信、彩信、手机报、邮箱、IM工具等各种信息服务。这些信息服务的资费标准由通信费和信息服务费组成。通信费由运营商收取，信息服务费由运营商每月从手机话费中代扣，然后与合作伙伴分成。在互联网的寒冬，移动梦网模式拯救了新浪、腾讯、搜狐、网易等如今的互联网巨头，它们围绕在运营商周围，遵守运营商制定的游戏规则，一起在“带围墙的花园”里赚钱。

但是游戏规则被乔布斯和iPhone颠覆了。内容和应用提供者可以绕开运营商直接面向消费者，它们把APP放在软件商店里供消费者下载，消费者向苹果付费，苹果与开发者分成。在苹果的规则里，运营商只是一个提供手机上网的通道。

运营商被管道化的论调由此甚嚣尘上。尤其3G发牌后，移动互联的高速公路越修越宽，各类应用越来越丰富，运营商管道里的流量越来越大，内容提供商占用的通信资源越来越多，管道化的趋势越发严重。运营商与OTT提供商之间的关系日益剑拔弩张。

2012年12月5日中国移动2012年全球开发者大会上，总裁李跃抛出“腾讯威胁论”直指OTT对传统运营商的挤压明显，“比如腾讯QQ占用运营商信令资源非常大，原来的一些机制不太适合传统运营商的网络设计，中国移动和腾讯相互之间应该有沟通，如果没有相互合作的好机制，所提供的服务就不能长久，不能优质。”

这不是中国移动第一次向腾讯发难。早在6年前，腾讯和中国移动就曾因“QQ以极低代价吞噬GSM网络流量”而爆发冲突。2006年底，中国移动调整SP政策，腾讯被迫取消移动QQ业务。2010年，李跃与腾讯CEO马化腾直接面对面交涉，要求腾讯必须为手机QQ额外支付费用，否则就不再允许QQ走WAP通道。

2012年12月7日，中国联通总裁陆益民也称“微信确实给运营商业务带来严峻挑战”。面对两大运营商高管的“当头棒喝”，马化腾不得不站出来回应。他用商业地产和店铺关系作比表示，OTT开发商和运营商是共赢关系。

马化腾说这些话是有底气的，因为游戏规则变了，现在轮到运营商底气不足。在回答了“如何看待微信”的问题后，李跃甚至用“不敢得罪”四个字调侃自己。

“流量经营”之困

自2010年始，三大运营商先后提出“从话务量经营转向流量经营”的口号，打响转型第一枪。

在苹果主导的模式中，运营商、OTT提供商、消费者是三边关系。运营商向消费者以包月套餐形式收取流量费。表面上看，消费者使用APP越多流量越多，运营商收到的钱就越多。

但如果对比流量增长曲线和收入增长曲线就会发现，两者增速不对等，中国电信科技委主任韦乐平把这一现象称为“剪刀差”。

根据中国移动2012年半年财报公布的数据，其无线上网业务流量3892亿MB，同比增长184%，但无线业务收入292亿元，同比仅增长51.6%。

管理咨询公司科尔尼曾就欧洲运营商的流量经营压力发布了一份定量分析报告，该报告推导了流量对网络承载一次性支出要求，同时基于历史趋势和收入预测指出，2014年欧洲运营商需要从固定流量上寻求90亿欧元的额外收入，从移动流量上寻求190亿欧元的额外收入才能弥补网络投资的缺口。

不少运营商主张向OTT提供商收取网络使用费以填补网络扩容所需资金缺口，正如中国移动要求腾讯为手机QQ支付额外费用。但也正如马化腾所暗示的那样，假如不是他们提供丰富的内容，没有用户会愿意购买运营商的流量套餐，运营商向用户收取的流量费中已经包括了OTT的贡献。专家指出，流量产权不明晰是这一商业模式的症结所在。

不甘心：从飞信到易信

因为不甘心沦为纯管道商，三大运营商纷纷在移动互联网的各个战略要地落子，布局自己的OTT围城。

飞信，是中国移动曾经辉煌一时的互联网产品，市场份额一度位列三甲。但自从微信占据手机端IM工具绝对霸主位置之后，飞信的地位便一落千丈。尽管后续中国移动推出飞聊对抗微信，但因为用户体验不佳、功能累赘而被市场抛弃。

飞信的折戟并没有阻止运营商对即时通信软件的梦想。在电信业看来，通信这一最基本的沟通方式，理应牢牢掌控在自己手中。所以中国移动之后，中国电信依托浙江的统一通信基地又适时推出翼聊。接着在翼聊的基础上，今年8月19日，中国电信与网易成立合资公司浙江翼信科技有限公司，并推出新一代即时通信社交软件易信。

nlc202309011841

相比微信，易信具备跨网免费短信、免费电话留言等独特功能，APP与手机、固定电话可以互通。即使易信好友没有登陆易信，甚至手机上没有安装易信，也可以收到信息。此外，用户可通过易信发送电话语音留言到手机和固定电话，对方收听电话语音留言后可回复。

显然，易信的做法依然延续飞信打通IP网络和通信网的思路，这使得无论飞信还是易信，本质上都是一款通信产品而非互联网产品。

“运营商做产品的思路是围绕手机号码这一核心资源展开的，这就决定了像飞信、易信这样的产品跟QQ、微信有本质不同。”曾任飞信产品经理的毛亮（化名）表示，通信产品很“重”，因为要满足电信级服务的要求。所谓电信级服务有两个核心要素：一是普遍性，满足各行各业、各种人群最基本的需求；二是端到端必须有QoS保障。而这些恰恰是互联网业务刻意规避的两点，更快速灵活的部署业务，就必须有针对性，放弃部分质量保障。

据易信产品总经理阮良透露，截至9月份，易信上线1个多月的时间，用户数已经突破千万。在8月19日中国电信与网易联合召开的发布会上，翼信总经理张政公开表示，易信的短期目标是六个月内注册用户过亿，活跃用户超过5000万。

不过就在易信风头正劲之时，日前阿里巴巴又高调推出同类产品“来往”， 马云更是要求全体阿里员工不遗余力进行推广。烽烟四起的即时通信社交软件领域一时巨头云集。相比中国移动，中国电信联姻网易突破体制藩篱的做法，也许会趟出一条运营商探索移动互联网的新路，但究竟能否成功，还需等待时间检验。

“沉睡”的大数据

在3G时代与OTT企业的竞争中落败，给了傲慢的电信业一记当头棒喝。但这声棒喝并没有指明方向，整个行业茫然无措。4G即将来临，大数据和云计算会不会又一次成为电信运营商之殇？

电信行业是天然的大数据行业。电信行业仅日常运营产生的各类话单数据（xDR）和信令数据规模已相当可观，如果再加入网络流量的数据采集，数据规模将呈爆炸式增长。一个大型城市的每分钟产生超过8万条位置更新信息，一天通过网络承载的数据流量可高达100TB。

仅以中国移动自身为例，在业务量方面，用户总数超过6亿，全年受理营业300多亿次，完成统计报表数亿张；支撑网连接数十万万台营业和客服终端，既包括中国移动自有营业厅，也包括部分合作营业厅、代销代办点和第三方等。在支撑能力方面，全年处理几万亿张计费话单，几千万张结算单，全网OLTP（联机事务处理）处理能力接近40亿tpmC（每分钟内系统处理的新订单个数），存储的有效容量将近20PB。这些数据都表明中国移动是一家名副其实的大数据拥有者。

但这些数据目前基本都处于“沉睡”状态。因为电信行业一直以来关注的多是电信业务运营过程数据、资源信息、话单记录等结构化的数据类型，随着互联网数据业务的发展，运营商需要收集处理更多的业务应用类数据，由此带来了数据量、数据类型和分析能力的巨大变化——原有的业务运营系统所产生的结构化数据量大约只占所拥有数据量的2成，超过80%的新数据来自互联网、物联网等新业务应用，并且以视频流量、文本、网络点击行为等各类非结构化的形式存在。

面对数据对象的新变化，传统的电信运营数据库系统在处理能力和处理效率上都无法满足要求，转变势在必行。

中国联通研究院副院长童晓渝认为，运营商有接触数据和感知数据的能力，在运营商服务消费者过程中，用户的身份识别、终端识别、业务识别、位置识别、关系识别、消费能力和信用识别等特征尤其有商业价值。所以运营商应当抓住大数据的机遇实现从网络运营商向数据资产运营商转型。

中国移动集团项目经理何鸿凌也表示，从大数据掘金将成为企业竞争力的分水岭，运营商下一步将不断发展BI（商业智能）系统。

据悉，中国移动的2003年开始经营分析系统建设，经过基础搭建、分析深化、平台整合、智能支撑、能力突破五个阶段。2010年数据仓库数据规模超过8PB，其中集团总部经营分析系统数据量达1PB。

中国移动研究院“大云”项目负责人钱岭介绍，中国移动的云计算项目“大云”2.0平台已有ETL（数据提取、转换和加载）业务、大数据查询业务及大数据挖掘业务等应用案例。

“大数据ETL业务，可实现应用大数据，降低使用成本，并实现开源软件。大数据查询业务，可实现高运算。而大数据挖掘业务中，通过后台学习和运算，可以做很多有意义的事。”钱岭介绍说，“包括全国各个地区的经济消费情况，都可以通过大数据挖掘产生效果。”

中国电信北京研究院副院长赵慧玲说在公开演讲中表示，中国电信的大数据策略用一句话总结就是“数据驱动的智慧运营”。她解释道，中国电信内部将数据资产集约化管理，对外则开放大数据分析能力，这样既提高了数据支撑和服务能力，又提高了客户的商业运营效率。

中国电信也在尝试大数据领域的应用，比如通过感知优化流量使得网络畅通，通过分析用户偏好进行精准营销，结合行业客户自身数据进行品牌分析等服务。除此之外，中国电信大数据也在试水社会和企业中的应用，例如根据客户行为和位置分析进行商铺选址和实施营销，使用非结构化大文本分析的呼叫中心智能服务。

钱岭指出，对于电信运营商而言亦面临着诸多大数据挑战，包括系统不集中、资源难以共享、模型不统一、业务难以整合，及未与业务系统紧密结合等问题。“大数据用什么架构实现，怎么变成服务，是电信运营商真正应该考虑的问题。”

数据化运营 篇4

然而在淘宝店铺的运营中, 如何在众多的工具中找到适合自己店铺的工具, 正确使用这些数据, 实现“数据变现”、提升销售、降低成本、加快周转等目的值得我们研究。

一、数据化运营存在的问题

虽然现在数据化运营发展的十分迅速, 但目前电子商务的数据化运营存在以下问题。

1.数据化运营工具实用性有待提高。目前, 针对淘宝店铺的数据化运营工具可谓琳琅满目, 有针对提高流量的, 有针对网站推广的, 有针对客服规范的, 有针对店铺美化的, 这些工具都相当的专业。因为电子商务的整个两条十分复杂, 从网站推广、网站引流, 到营销策略、订单审核、客服、售后、每个部分都是很复杂的。而一些数据分析者由于经验不足, 对电子商务运作模式理解不够, 只是从数据角度出发, 做的只是电子商务过程中的数据统计与分析, 并不能把数据和电子商务的过程结合起来, 电子商务的数据化运营, 需要对电子商务每个步骤有深入理解才能完成, 简单的数据应用, 会使数据化运营的效果大打折扣。

2.店铺运营者的数据化运营观念不够。有些电子商务运营者都是从常规营销、运营做起的, 对于常规运营、营销的各个环节都已经非常熟练, 他们熟悉市场、了解客户、熟悉供应链、擅长营销, 因此, 他们在电子商务过程中做得十分顺利, 但他们只是将传统的营销技巧生搬硬套地运用到了电子商务中, 并没有意识到电子商务数据化运营的重要性, 他们的电子商务的数据化运营观念十分淡薄。

二、做好数据化运营要关注的店铺数据

要做好淘宝店铺的数据化运营, 重点要注意店铺的以下的数据。

1.首页数据。首页数据主要观察以下几项, 浏览量 (pv) 、 访客数 (uv) 、访问深度、首页跳失率。浏览量 (pv) 可以反映店铺页面被访问的总次数, 浏览量 (pv) 的主要构成包括买家收藏、买家分享、直通车、博客等站外推广等方面。访客数 (uv) 指访问店铺的总人数, 一个用户一天内多次访问店铺只计算为一个访客, 这个数据可以很好地反映实际访问店铺的人数。 访问深度指用户一次连续访问的店铺页面数 (即每次浏览店铺的页面数) 。这个数据可以反映浏览者从主页进淘宝店铺是深入到二三级页面中, 还是只在主页浏览一下就走了, 访问的深度越深交易的可能性越高。首页跳失率指用户访问首页后, 直接跳出的用户数占首页访客总数百分比, 这个数据可以反映店铺对浏览者的吸引力, 跳失率越低, 店铺对浏览者的吸引力越大, 可以反映出店铺装修等问题。店铺首页内容要精致且重点突出, 要让消费者较容易地找到自己感兴趣的主题或者是商家设定的活动, 提高首页吸引力。

2.详情页面。详情页面的数据要注意以下几个:详情页面浏览量、详情页面停留时间。详情页面浏览量指店铺详情页面被访问的总次数。店铺的详情页面被点击一次, 即被记为一次浏览 (IPV) , 一个用户多次点击或刷新同一个页面, 会被记为多次浏览 (IPV) , 累加不去重。详情页面停留时间指平均每个用户在连续访问店铺时, 在每个详情页上停留的时间。这个数据可以反映出详情页面对浏览者的吸引程度, 可以反映商品的图片、文字、详情页面布局等方面存在的问题。所以运营者在优化商品时一定要注意商品页面内容的美化, 商品详情的丰富、美观, 让进来的买家能够更可能多地访问多个页面, 停留更长的时间

3.动态店铺评分系统DSR。淘宝店铺的动态评分系统主要包括以下几个指标:宝贝相符DSR、发货速度DSR、服务态度DSR。宝贝相符DSR指近180天内“宝贝与描述相符”店铺动态评分数据。可以反映出以下问题: (1) 宝贝的细节实拍方面; (2) 宝贝的描述真实详实方面; (3) 品牌细节的描述方面。发货速度DSR指近180天“卖家发货速度”店铺动态评分数据。影响因素包括: (1) 库存管理; (2) 应季商品的管理; (3) 售前的服务技巧; (4) 与快递公司的协调。服务态度DSR指近180天内“卖家服务态度”店铺动态评分数据。影响因素包括: (1) 提升服务体验; (2) 客服标准化培训; (3) 客服的专业性; (4) 客服的响应时间。这几项评分都是相互关联的, 也最能体现店铺的运营状态。店铺运营者应该定期检查DSR值, 如果发现DSR值下降了, 就要及时排查客服、商品、物流存在的问题。

4.成交转化率。成交转化率指本店成交人数占总访客数的比率。不同类目、同一类目不同阶段、同一类目相同阶段的转化率都是不一样的, 会受到商品价格等因素的影响。要提高成交转化率就要注意以下两个方面的问题: (1) 浏览者向咨询者的转换。即当浏览者进入店铺, 看过商品信息, 如何转换为有购买意愿的买家进而咨询商品的买家的转换。这个转化的影响因素包括页面设计、商品展示、商品陈列、促销活动、产品及品牌、促销政策、品质保障、销量口碑等。 (2) 咨询者向付款成交者的转换。这一部分的主要影响因素有商品的质量、客服的说服能力等。一般来说, 能够咨询的买家下单意愿都很高, 只要客服稍微用心, 这个转化过程应该不成问题。

此外, 店铺在日常运营中, 还要重点关注店铺的收藏人数、好评率、纠纷退款率, 店铺服务情况数据里面的退款数据、成交数据中的客单价、以及客户营销数据中的店内回头客数量、老客成交占比等数据, 以及行业同级卖家成交数据, 为自己店铺的运营提供更有力的依据。

电子商务的数据化运营, 运营者必须认真分析各项工具的功能, 清晰了解各项数据对于店铺运营的意义, 并认识到数据化运营对于电子商务的重要性, 加强电子商务的数据化运营观念, 随时注意店铺的各项数据, 并能制定出正确的措施, 让店铺健康运行, 这样才能让数据更好地为电子商务服务, 使网店脱颖而出。

摘要：电子商务近几年发展迅猛, 电子商务的买家、卖家数量, 以及交易额不断的突破记录, 电子商务渐渐成为经济发展的重要力量。然而在电子商务的快速发展中, 电子商务的数据化运营的不成熟问题也逐渐显露出来, 以淘宝网为例, 探讨了电子商务中的数据化运营存在的问题以及在淘宝店铺运营过程中应该如何进行数据化运营。

关键词：电子商务,数据化运营,淘宝店铺

参考文献

[1]陈广明.数据分析与网店经营[J].电子商务, 2012, (1) .

[2]蒋元芳.淘宝店铺数据化运营的研究[J].中国商贸, 2013, (5) .

[3]王旭坪, 陈傲.基于电子商务的供应商评价与优化[J].管理科学, 2004, (4) .

[4]刘满凤, 黎志成.基于电子商务的营销绩效评价指标体系设计[J].企业经济, 2003, (9) .

数据运营岗位职责具体概述 篇5

2、对运营数据进行监控，及时发现运营中存在的问题，对运营环节提出改进建议;

3、负责日常运营相关报表模型的开发、维护及数据波动的跟踪处理;

4、对业务数据进行分析，研究会员行为特征，挖掘需求，监控会员行为状态，对会员活跃度提升提供数据分析与诊断;

管理者应该关注哪些企业运营数据 篇6

数字管理强调将所有企业活动量化、具体化和数字化，才能跳脱活在自我感受的迷失，确实了解企业真正的利润所在，也就是把企业管理和数字多倾靠一点。

除了熟悉损益表、资产负债表和现金流量表等财务报表外，到底哪些数字是基本而重要的？

获利 企业应该先弄清楚“营收”、“毛利”、“净利”这3个名词，免得被数字给牵着走。

有些企业常是自愚愚人地对外大肆宣传营收（实际收入的金额），但对毛利乃至最重要净利（真正赚的钱）却是避而不谈。

现金 很多骄傲的企业家都不是因为销售问题而出现状况，而是花钱没有控制，不知帐上有多少现金，现金流一旦被阻断，随时都有可能被一刀毙命。

损益平衡点 随时掌握公司的损益平衡分析，了解月营收要多少才能收支平衡，心中随时有数，便无须等到财务报表出来才知有没有赚钱。

库存 为了维持一定的营运活动，大部分的企业或多或少都有存货，却要适当。存货是要成本的，多一天存货，就多一天现金支出。但若抓得太紧，不仅原物料与生产无法正常衔接，更糟的是客户可能就一去不返了。

订单和退货记录 企业订单若未即时处理，误了交期，恐得面临赔偿的问题。盯紧订单才能实践营收；有了订单，却频遭退货，表示质量管理有问题，不只造成损失，长此下去必将声名扫地，淡出市场。

员工数 企业组织常在不知不觉中变大，但收益和利润成长未见得成正比。有些经理阶层常以直接管理的人数多寡，作为自己在组织里重要性的依据，如此“大头病”换得的是人事费用只上不下。

移动数据驱动运营商定价创新 篇7

如今收费与定价创新是电信运营商最关心的领域之一。运营商正在尝试一些新的定价计划、制定新的定价模式实现产品差异化, 以此吸引新用户并提高现有用户的忠诚度。Ovum对定价创新的跟踪表明, 目前推出的大多数定价创新都集中在移动数据领域, 包括互联网接入与数据资费、共享数据计划以及移动社交数据计划 (如图) 。

与此同时, 在这些新的定价创新中, 发达国家和新兴市场国家之间存在着特征性差异。在发达市场, 特别是在美国, 运营商持续关注共享数据计划, 而这些计划均吸引了巨大的人气, 帮助运营商提升客户忠诚度;西欧运营商则提供折扣捆绑等多重组合套餐以增强吸引力;而在新兴市场中, 在过去一年中运营商要么是耕耘社交数据计划, 要么与OTT公司合作, 发布以APP为中心的数据计划或绑定服务。

新兴市场:社交数据计划兴盛

Ovum数据显示, 移动数据业务社交计划占全部定价创新的23%, 并且大部分集中在新兴市场, 主要包括免费访问Facebook、Twitter、Whats App以及一些当地的App, 如俄罗斯的Vkontakte。亚洲和拉丁美洲的运营商鉴于“免费访问”的普及, 正在推出You Tube和其他音乐与视频流的接入促销套餐;而网页的免费浏览则在非洲十分突出。即使在发达市场, 内容服务也是一个关键的差异化因素, 运营商都推出社交数据套餐、优质内容套餐与订阅服务, 如Sky Sports、Spotify和Netflix。

实际上, 免费的数据服务已经存在一段时间了。运营商承担着移动数据接入的费用, 主要是为了创造在后期向客户追加服务销售的机会, 从而提高移动数据的采用。一些运营商, 如美国AT&T以及中国三大运营商也开始尝试这类赞助式的数据模式, 其与免费模式相似, 不同之处在于前者的数据访问费用将通过寻找更广泛的受众的赞助商或广告商来承担。

网络中立的争论仍在继续

我们希望在不远的将来, 能看到更多的社交数据计划, 然而“免费访问模式”正步入一个不确定的时期, 因为它可能与互联网开放规则相冲突。去年, 智利监管部门叫停了所有免费访问的应用程序;同时在印度, 运营商们正与电信监管机构讨论OTT的监管框架。随着网络中立的争论在世界范围内加剧, 运营商将迫于压力开发新的定价模式, 因此运营商正在尝试新的商业模式, 包括以付费为基础的计量和收费访问。

差异化的互联网接入和数据套餐

运营商会继续提供按数据流量多少分级的套餐, 同时对高速数据补贴的新趋势已出现。这些被视为“无限制数据”的套餐, 包括一定量的高速3G、LTE数据, 超出限定值后调至其他低速数据。速度的节流调整对于新数据用户或预付费客户而言, 是一种既可以缓解对巨额账单的恐惧, 又可鼓励数据使用的一种切实可行的办法。

除了速度的节流调整, 一些发达市场和新兴市场的运营商, 正在启动数据超额选择的移动宽带计划。运营商的计费程序和数据统计系统使得用户能够实时跟踪他们的数据使用情况, 一旦流量达到门限便通知他们, 并且提醒用户使用后续的超额数据。这套系统比限速更有效, 因为用户可以获得连续的数据服务体验, 而运营商也可以实现额外流量的“变现”。然而, 大多数的超额数据模型仍是基于每兆字节进行收费的。运营商不应局限于这种传统的定价, 而应该提供更多带超额流量包的捆绑套餐。

给用户更多自主权

一些运营商正在尝试定制计划, 用户 (预付费和后付费用户均可) 能够创建自己的语音和数据套餐。这些自主定制计划的目标是提供用户更多的透明度和灵活性, 使他们能够选择不同用量的语音、短消息, 并根据自己的使用行为选择数据量。此类计划有两种模式:一种是只给用户有限的控制权, 固定语音、短信和数据使用增量;另一种是用户拥有完全灵活性, 客户能够进行语音、短信和数据的任意组合, 并且每月可以调整套餐用量。不过, 自主定制的资费方案并没有被广泛使用, 因为要支持这样的定制计划所需的策略控制和计费系统会相当复杂。

注重业务相关创新

大数据营销落地案例与运营思维 篇8

当大数据的概念在零售行业逐步热起来的时候, 大家在想有没有落地的案例?有没有成功的启示?我们需要如何转变运营思维以适应大数据的应用?功典科技作为一家专门从事大数据分析的公司做了很多的案例。

大家都知道零售关键三个要素是人、货、场。我听到几位朋友分享关于人这方面, 这里结合人的部分和大家分享大数据营销的落地案例与运营思维。

面对大数据应用需要思考的更多

功典科技在北京、上海、深圳、台北设有分公司。在今年初, 成为阿里巴巴大数据应用合作伙伴, 也是目前唯一一个可以应用所有阿里巴巴的大数据的合作商, 今年7月初产品上市, 已经有200多位的国际大客户在里面。在这两三年, 主要服务在大零售行业, 像超市、百货、服饰和品牌等, 下面通过其中一个客户的案例与大家做分享。

我们接触了不同的老板和企业。他们想听到更细的怎么做, 数据怎么帮助企业。目前听到最多的问题, 要不要开线上的商城?数据很重要, 但怎么变现?哪个沟通工具最有效?消费者喜欢什么?应该怎么跟他们沟通?为什么现在与以前一样都在做会员活动, 但效果愈来愈差。

大数据的应用从改变运营思维开始

1、建立以消费者为核心的理念

用数据做到消费者核心导向, 要做数据驱动的精准化个人营销, 应该是要对每一个人。现在很多企业的老板和企业运营者比较多专注在商品方面, 商品与上下游之间的关系。销货率、折扣率这几个部分怎么做好, 怎么样把商品比较好的卖给消费者。在活动方面, 负责市场会员营销的人, 活动的周期已经定了, 应该推出什么样的优惠, 最后再决定与哪个消费者沟通。这里在谈消费者核心导向, 但是消费者都是最后才被决定的。

服务过的一个客户做很成功, 以前自己做代工, 后来自己跑到前线开一个品牌, 他做了三年, 做了好几十个亿, 销货率百分之九十多, 他非常在意消费者的数据, 他跟我说如果你只重视商品怎么卖出去的企业, 你很容易被消费者忘记, 他说现在销售要跳出来做销售。所以功典做的大数据营销先算人, 算好人之后再去找商品。

2、准确掌握顾客购买周期模型

我们做NES的方法与传统比较不一样, 是用实际线下消费者的交易数据, 通过演算, 算出来说每个人有不同的到店频率, 会算出来A会员过了150天之后开始进入沉睡, B会员到60天就进入沉睡, 不活跃。在座所有人去家里附近的超市, 有人可能两天去一次, 一个礼拜去一次, 每个人的频次不一样, 这样与消费者沟通分群的时候, 不能用一刀切的方式, 利用这样的模型抓到每个人所处的不同阶段。

这里预测每个人, 下一次掏钱购买的时间点是在什么时候?横轴是时间轴, 纵轴是购买机率。假设今天推一个活动, 这时候模型会告诉你应该找A顾客的这群人挑出来做沟通, A群人产生购买的机率是最大的。刚刚谈的都是对应到每一个人, 抓住生命周期, 抓购物的时间点, 这两个模型都不是最重要的。

通过科学的KPI指标准确掌握顾客状态

1、会员再购活跃度是最重要的指标

在服务客户的时候发现最重要的问题, 并不在于说演算法多么难。每年都在制定KPI, 已有会员的活跃、连单率, 在于找到哪个对提升企业营收最有效。

这里用一个案例去回答刚才所有的问题, 在我们的帮助下建立了对营销重新的理解。该企业整个中国有将近1500家的门店, 这个老板跟我说面临三个大的问题, 他们近三年的营收呈现腰斩, 他们每个月招新的活动持续进行, 他找不到任何有效的方案。他们的折扣率、连带率、客单价在正常的范围, 既有顾客流失的速度非常快, 他们每半年都会找VIP的客户来做类似的访谈, 说现在的产品哪个不好, 作为他们下一个季度或半年之后的订货, 他们要去进货考量的依据。

他现在面临的问题, 他们有来6年会员线下庞杂的数据, 他们有近20万的会员, 我问他你们怎么做的?他说我要拉新, 因为拉新进来我的营收就起来, 就可以给老板交代。透过数据的演算模型发现他招进来的新会员第二次再购只有6.9%, 其实客户真正忽略的是会员再购, 活跃度才是这家企业应该重视的。

2、唤醒沉睡的会员比招募新会员更重要

这里做了两个不同的数据的矩阵, 左边是新会员招募, 右边是既有会员的唤醒, 左边成效表现是说, 如果在这个横轴以上, 代表会员招募, 这上面的门店表现的比较好。今天如果总部一声令下, 我要说新会员招募, 这几个门店已经做的不错, 拉新对于这几个门店来讲很重要, 你要去做加强, 因为他表现的不够好。但是拉新对于现在的企业, 这几家分店来讲确实提升很重要。可能有些门店既有的会员让他再购远比你招新来的更重要。

要帮到细到每一个门店, 发现说在不同的门店里面, 到底现在问题点出在哪儿?是磕睡会员还是沉睡会员出的问题?很快的看得到, 抓到问题在哪儿去跟他沟通。

刚刚说要细到每一个会员, 这个图是客户的其中一个会员购买的频次, 发现他有两个时间点, 一个是83天, 这83天对于他的企业来讲, 当他第一次跟你产生购买以后, 这个人在83天之内会有一半的机率跟你做第二次购买, 所以你不要放弃83天前后的时间点。第二个时间点是386天, 距离这个会员上一次购买, 已经超过了386天, 模型告诉他有九成的机率不会回来买, 这个是你错过了很多关键的时间点, 所以才会有前面的两个格子, 磕睡会员和半睡会员。在不同的阶段有拉新的二购、拉活的再购、拉沉的回购, 都是扣住不同的阶段产生不同的购买阶段。

把所有的问题找出来之后, 花了两周的时间, 大到整个门店、大KPI指标问题, 细到每个会员KPI阶段。自动的沟通线是其中一个会员的沟通线, 其实每个会员都有不同的关键时间点, 这个关键时间点是数据驱动演算法, 这个会员在加入第一天开始, 应该在不同的时间点安排你的沟通线, 目的把他的会员对应零售的贡献发挥到最大, 这时候才是做到数据驱动精准化, 每个点都有安排不同的沟通内容, 会有不同的目的。

这个企业之前做的方式是不断地拉新, 他们那时候用优惠券的方式, 他们的转化率没有超过千分之五, 三个月的时间, 我们帮他唤醒他的会员, 他的数字在不同的阶段有不一样的变动, 他是看到了成效。

3、通过会员营收方程式重构营收KPI

对我们来讲, 最难的并不是在于模型, 不管是大数据、中数据、小数据, 最终数据都是帮企业做转变, 这个关键是什么?我们先谈人的部分, 会员的方程式是顾客数乘以活跃度、乘以客单价。需要看十个指标, 新增、主力、沉睡等就能看好会员部分。透过功典的平台, 可以用NES不同的阶段, 跟十个营收指标做一个交叉的呈现, 不管是有效会员、活跃度可以很清楚的交叉看到。从人的维度来看, 可以看新手、既有沉睡会员, 我们帮客户总结说, 今天会员的问题, 再怎么看会员就只有五种状态而已, 不用考虑太多, 你的问题在哪些就看刚才说的十个指标就可以了。

我们在BI模型上面帮客户定义说, 不管你是整个集团, 或者是大区, 到底这一刻对会员经营上面的问题点改善在哪儿?会用关联分析的方式帮客户点出来, 目的让他们知道你现在在会员经营上该看到什么样的问题, 下什么样的策略, 让他知道精准营销数据化应该怎么做。知道方向之后, 你可以细到不一样的大区跟门店产生你的沟通人群, 这边有名单, 直接按一个按键把人提取出来。要针对说沉睡会员高消费的人群, 把他拉出来沟通按一个按键也可以, 把人群提取完之后, 下一步做到的就是沟通这件事情。

沟通透过后台, 前面简单编辑一下活动的内容, 再到人群的提取, 再到用微信、短信平台发放, 最后的目的去设定沟通的时间, 就直接发出去了。所以从前面的数据到所谓的BI模型的运算, 到沟通的工具选择, 到最后活动的编辑全部在这边完成, 而且都是数字驱动化营销。

这次做的活动有没有效果, 不只是看营收, 而是如何定义活动的目的。如果活动的定义是在唤醒主力会员的复购, 就去看主力会员复购有没有提升, 除了看营收之外, 可以解释方法是不是对于现在的活动真的有效, 是人群挑错了, 还是沟通内容错了, 去通过不断的循环去达到自我学习。

4、通过NES动能模型及时把握消费者状态

最后, NES动能模型, 其实每一个人是动态的, 当企业花了很多的钱在所谓的把潜客变成新会员, 这个会员在做一个滚动跟流动, 会随着时间的推移变到主力会员, 磕睡、半睡到沉睡。但是我们的目的, 当花了很多的钱, 把这个人拉进我们的池子之后, 怎么样运用数据演算的方法, 让他最长的时间停留在池子里面, 让他可以帮你们贡献营收, 停留在最长的时间点。所以在每一个阶段, 会配搭不一样的活动, 比如说所谓的推介模型的活动, 就会在不同的阶段搭配不同的演算法, 让会员停留在这个时间是最长的。

基于数据仓库模型的运营分析系统 篇9

进入21世纪,信息科技迅猛发展,市场瞬息万变,企业要想在激烈的市场竞争中立于不败之地,就需要对客户和市场的信息做出快速、及时地搜集与响应,同时对自身的运营状况也要做出全面的预测与分析。企业要想通过信息化的手段,按照自身的需求以全方位、精确的粒度来分析自身生产、经营的情况,使用数据仓库是一个行之有效的方法。

本系统的设计完成了从类似于ERP等相关的联机业务系统(OLTP)到联机分析系统(OLAP)的数据抽取与清洗(ETL)过程、运营分析系统基础数据的定义过程、数据仓库模型的建立过程以及分析指标的多维度查询与分析过程四个步骤。四个步骤紧密相连、相互支撑、缺一不可,共同构建起基于数据仓库模型的运营分析系统。

1 基本概念

1.1 运营分析系统

本系统为企业的中高层管理者提供及时、全面、详细的综合数据分析。为企业的决策层分析企业经营状况,制定战略计划,以及考核体系提供最全面的分析结果。

1.2 数据仓库

数据仓库是一个面向主题的(Subject Oriented)、集成的(Integrated)、相对稳定的(Non-Volatile)、反映历史变化(Time Variant)的数据集合,用于支持管理决策(Decision Making Support)。

面向主题:操作型数据库的数据组织是面向事务处理任务,各个业务系统之间各自分离,而数据仓库中的数据是按照一定的主题域进行组织的。

集成:数据仓库中的数据是在对原有分散的数据库数据抽取、清理的基础上经过系统加工、汇总和整理得到的,必须消除源数据中的不一致性,以保证数据仓库内的信息是关于整个企业的一致的全局信息。

相对稳定:数据仓库所涉及的数据操作主要是数据查询,一旦某个数据进入数据仓库以后,一般情况下将被长期保留,也就是数据仓库中一般有大量的查询操作,但修改和删除操作很少,通常只需要定期的加载、刷新。

反映历史变化:数据仓库中的数据通常包含历史信息,系统记录了企业从过去某一时点(如开始应用数据仓库的时点)到目前的各个阶段的信息,通过这些信息,可以对企业的发展历程和未来趋势做出定量分析和预测。

2 系统软件平台及构造

2.1 软件平台

软件主要包括前台展现页面、WEB应用程序服务器、后台数据库系统。其中前台展现页面是基于B/S架构的JSP页面;WEB应用服务器使用IBM公司的WebSpere Application Server 6.0;后台数据库使用Oracle 10g 10.2.0。

2.2 系统结构

图1展示了基于数据仓库模型的运营分析系统的体系结构:其中ETL包括:数据抽取、转换、清洗、过滤、装载这几个步骤;业务数据经过ETL的过程,以另一种方式存入一个逻辑上独立于业务系统的新数据库中。这个数据库对业务系统是完全封闭的,并且是按照待分析的指标存放在多个类似于“数据集市”的多个表中。基于海量的分析数据,我们按之前设定好的参数来进行数据仓库模型的建立,也就是所谓的“多维度”的数据模型,模型建立好以后,就可以在模型框架的基础上进行多角度的海量数据的查询分析。

结构特点:

1)独立性

本系统和外界的业务系统是完全独立的、不依赖于某种特定的业务系统而存在的。数据的抽取实际上是实现和外部业务系统的数据接口,而接口是可以由多种方式来实现的,如数据库后台的存储过程、JAVA程序等。

外界业务系统数据的变化也不会实时的、直接的影响到分析系统的数据,分析系统反应的只是某一个时点上业务数据的情况。

2)安全性

由于系统数据存放在独立于外部业务系统的数据库中,拥有外部业务系统访问权限的用户不一定可以访问分析系统。本系统通过基础数据定义中角色的授权来控制访问、查询分析分析数据的权限。对于后台存储的数据也进行了加密的处理。

3 系统的多维度数据模型

多维度结构模型是基于多张维度表和一张事实表的星型模型结构,如图2所示。每个维度表存放的是按属性分类的维成员。如时间维度表中的时间维成员有:2009年、2008年、2007年...组织维度表中的组织维成员有:销售部、国际业务部...往来单位维度表中的维成员有:客户A、客户B、客户C...那么在指标事实表中的数据就可以查询到如“2008年国际业务部与客户A所签的订单额度”、“2009年销售部与客户C所签的订单额度”、“2009年所有部门与所有客户所签的订单额度”...

可见每个维度表的主键构成了事实表的外键,这样的结构保证事实表中存在每个维度的每个维成员组合的数据。我们可以把事实看成是各个维交叉点上的值。

我们把业务系统中待分析的数据归类,每一类称为一个“指标”。如销售收入、成本总额、应收账款都是指标,指标之间大多数没有彼此的关联,但有一类指标是需要通过其它指标的公式计算得到数据值的,如主营业务利润率=主营业务利润/主营业务收入×100%。所以我们把指标分为非计算类指标和计算类指标两大类。而非计算类指标的数据值来源于业务系统。

4 运营分析系统的设计

4.1 ETL数据抽取、转换、装载模块的设计

系统设置自动的数据库任务,定时地执行存储过程(或者通过定时启用JAVA的线程)将外部业务系统中的数据写入到每个指标的中间表中。

4.2 基础数据定义模块的设计

基础数据定义的步骤:

1)定义分析指标及相关属性

2)定义统一的维度与维成员

3)定义与每个指标相关联的维度与维成员

4)定义系统角色,为角色指定有权限的指标与维成员

5)定义登录系统的用户分配角色

4.3 数据仓库建模的设计

1)生成每个指标的维度表

2)生成每个指标的事实表

数据仓库的建模需要根据基础数据的定义模块的相关数据,由指标与维度的关联可以动态生成每个指标的维度表;由指标与维成员的关联可以生成每个指标维度表中的数据;由每个指标的维度表可以动态生成其事实表。

4.4 数据查询与分析的设计

数据的查询与分析其实是对所有指标在多维度模型上的一个展示。包括某个指标在同一个维度的不同层次的维成员上做“上卷”、“下钻”的查询操作、某个指标在某年度的指标值进行“同比”、“环比”的查询操作。此外,针对分析查询的结果,系统支持多维度报表的生成、打印等功能。

5 结论

本系统将企业的联机业务系统与联机分析系统很好的联系起来,定义灵活、人机交互界面友好。解决了企业管理者以灵活的方式从各个角度全方面的了解企业生产运营状况的需求。提高了其决策的效率,降低了分析的成本,反应了企业存在的问题。为今后企业的发展方向与领导的决策提供了准确的数据依据。

摘要：本文介绍了运营分析系统及数据仓库的基本概念,系统软件平台的结构特点,特别重点阐述了数据仓库的多维度结构的模型,又简要描述了系统整体的设计思路。将整个系统从模型的建立到系统设计的实现有机地结合了起来。

关键词：数据分析系统,多维度模型,多维度查询与分析

参考文献

数据化运营 篇10

伴随着巨大网络流量涌来的各类数据, 其价值的重要性已日益突出。按照Gartner预测, 到2020年大约75%的企业都将大数据分析融入其日常经营决策中, 未来大数据分析将成为企业经营的一项基本能力。

大数据技术的应用, 起到的是实实在在的效果。根据Sysbase的统计分析, 电信行业通过在运营中应用大数据, 人均产值提升了17%, 而在行业价值贡献方面更是排在了所有行业的首位。在电信行业收入增幅日趋放缓的今天, 这样的产值增幅令人鼓舞。

通过构建行业大数据分析系统让运营商具备了大数据分析处理的技能, 但这只是在大数据时代获得成功的基础;运营商还需要从企业战略和经营思维层面改变, 发现新的机遇和模式并付诸实施, 才能真正将自己所掌握的大数据资产和大数据技能转变为企业价值。

需求变化快挑战大数据应用

在很多行业尤其是电信行业中, 大数据的“大”并不仅仅指的是数据的体量, 在应用层面, 大数据的真正挑战是来源于其需求变化快, 如果缺乏一个灵活、可扩展的基础架构和运营平台作为基础, 企业就很难真正挖掘大数据价值。

对此, 中兴通讯股份有限公司中心研究院副院长陈坚称, 要满足企业对数据价值挖掘的需求, 基础架构与运营平台至少需要满足四个特征。

一是平台在架构上需要具备可伸缩性。不仅模块具备可裁剪性, 而且系统的规模也具备可扩展性。这样, 系统初始建设时可以按需建设, 将初始投资压缩在可接受的范围, 然后, 系统随着业务量增长而扩展, 以架构的可伸缩性, 兼顾初始投资与业务增长的平衡。

二是必须具备数据的开放能力。无论是在平台上开发各类业务, 还是与第三方进行数据交换, 都要求平台具备数据的开放能力。

三是要具备集成与被集成能力。如果大数据系统是主系统, 则需要具备集成原有生产的能力;如果大数据系统是辅助系统, 则需要具备被原有生产系统集成的能力。只有这样, 大数据系统才能无缝地与原有系统对接, 在不干扰原有系统稳定运行的前提下, 提高生产力。

四是要有一套强大的统一管理系统。大数据平台需要将多种开源软件, 以及多厂家的软硬件模块集成在一起, 其面临的一个很大的困难与问题, 就是统一管理的问题。所以大数据平台必须具备统一管理其集成的开源软件, 以及第三方软硬件的能力。只有具备统一管理能力的平台, 才是一个真正可用的大数据平台。

直面非结构化数据的分析难点

大数据处理的技术, 特别是云存储与云计算技术的成熟应用, 为大数据的存储与处理提供了技术可能性。企业可以利用生产系统以及管理系统中产生的大量数据, 一方面可以对自己的生产活动进行更为准确的预测与指导, 从而提高企业生产活动的准确性;另一方面还可以利用通过对数据价值的挖掘, 产生新的业务。

中兴通讯针对电信大数据进行了专家级的建模, 其大数据平台DAP可以利用云存储与云计算的技术, 对海量的数据进行存储、挖掘分析, 以帮助企业充分开发数据的价值。

但现阶段大数据的数据分析被认为是难点, 尤其是非结构化数据的分析。对此, 陈坚表示, 当前对结构化数据的处理技术相对成熟, 但对非结构化数据的处理上, 的确是难点。不同的非结构化数据, 往往需要不同的技术去处理, 才能让这些数据产生效益。目前, 中兴DAP平台对非结构化数据处理有很大的投入。例如, 在电信领域自研DPI硬探针, 可以解析电信信令、上网记录等电信领域的非结构化数据;在安全领域, 通过图像算法, 可以从运动图像中做车牌号码识别以及人脸识别等等。

大数据平台的特色

一个功能完备的大数据应用平台可以极大地简化数据处理与分析的繁琐, 并能更有效地挖掘各类数据的价值。中兴通讯中心研究院总工王德政总结DAP大数据平台时提到三个有别于其他系统的“不同”:一, DAP采用货架式架构, 采用企业总线ESB的技术, 可以灵活地对各个组件模块进行裁剪与拼装, 满足“集成”与“被集成”的两种角色要求, 在不影响生产系统稳定性的前提下, 与原有生产系统无缝集成, 引入大数据系统;二, DAP在数据分析挖掘层面的智慧生成的特征, 可以提高企业活动的准确性, DAP通过针对性的挖掘算法改进, 可以做出超越人类专家经验与直觉的智慧建议, 提升人类活动准确性, 提高社会生产能力;三, DAP具备平台特性, 聚焦于数据的存储、处理时效、以及挖掘算法, 可为上层应用解决大数据应用的技术难点与障碍, 上层应用可以根据自身的需求, 快速地进行定制开发, 以很短的时间周期与研发成本推出新的大数据应用, 未来, DAP还可以对第三方开放, 支撑第三方的大数据业务开发。

大数据平台的功能与特色, 只有在实际应用中才能体现出真正价值。

据王德政称, 当前各家运营商已经认识到电信数据所蕴含的价值, 并都已经在做积极的尝试, 进行各类大数据平台的建设, 并在其上规划各类业务规划。例如, 中国移动的资源池建设、中国电信的号百公司等等。

数据化运营 篇11

DT时代，社会的发展以云计算为基石，经济的联动以数据流动为要素，百行百业的创新以“互联网+”为依托，数据的开放融合以安全可控为前提。数梦工场正以“以云为基、数据环流、互联网+、安全可控”为四大着力点，秉持开放合作之理念，携手阿里云及其他合作伙伴全面助力社会发展走向智慧。

美好的未来生活

“早上， 我打开电视，看到一则关于台风袭击的新闻，海上有一艘渔船被困，政府通过综合数据平台，让气象、民政、交警和医院形成联动机制，大大缩短了救援时间。”

“我在政务服务网上买了一张地铁票，然后在地铁口直接刷手机进站。”

“我作为公司的CEO，收到一条钉钉通知，政府通过政企互通的服务平台，对公司下发了最新税收减免政策。财务通过钉钉上的人工智能咨询平台，了解到了政策细则以及移动端报税途径，然后在手机上完成办理。”

“我刚刚换了一个手机号码，将号码告诉了数据银行，数据银行自动更新了我的数据资产，然后帮我通知了所有亲朋好友，以及各种政府机构、保险、物业、4S店、银行等。”

“下班后我去超市买东西，收到一条超市的推送信息，食物大数据根据我每日购买的食物，帮我自动进行营养搭配，提醒我今天该多吃蔬菜。我不再担心食品安全问题，因为所有食物只要扫一下条形码，都会被跟踪起来，它的产地、成分、运输、处理都可以调出数据和影像，随时查看，全程监控。”

“回家路上，我看到路灯忽明忽暗，便用手机拍了一张照片，上传到城市公共平台，它自动记录你拍照的位置，并将信息报告给了市政设施维修公司。几分钟后，我收到短信：感谢热心市民提供线索，路灯明天会修好。”

“回到小区，快递小哥给我送来一个包裹，并不是我在淘宝上购买的商品，而是在政务淘宝上购买的政务服务。我的驾照到期了，需要补办一张驾驶证。我仅仅通过手机操作，政府就自动让数据跑腿代替人跑腿，帮我完成办证，而且快递到家。”

这是数梦工场CEO兼总裁吴敬传在2016云栖大会·数据中国专场开讲时描述的未来一天的生活。

其实，未来并不遥远。有些已经实现，有些即将要实现。吴敬传说：“这是一个DT时代，也是一个超级融合创新的时代。这样的超级融合创新，会逐渐在政务、经济、民生三个维度形成新形态、新生态和新常态。”

数据的融合创新

这一融合创新，在吴敬传和数梦工场看来，就是数据的融合创新。在实践中，他们希望以计算为引擎，通过数据赋能，助力政府部门的革新与重塑。

过去十年，数梦工场一直在电子政务领域坚定向前，如今更是在“互联网+政务”上砥砺前行。他们坚信，政务融合创新的方向是走向智慧政府、共享经济和普惠民生。

从电子政务到“互联网+政务”的转变，其实是从IT到DT的转变。传统IT是辅助业务的外部工具，而互联网DT是引领业务的内在引擎。有数据流动，才有DT时代的数据融合，DT是对IT的一种继承、融合和发展，是信息化发展的必然趋势。

吴敬传分析：“全社会数据主要掌握在三种角色手中，分别是政府、企业以及互联网。数据只有融合起来才能产生巨大价值。数据融合的同时，政府、企业、互联网三者的能力也在互相赋予和加强。比如互联网企业的信用能力、位置能力、支付能力、沟通能力等也在对政府和企业的赋能，我们称之为‘互联网+能力融合。这就是我们理解的超级融合创新，也是‘互联网+政务的核心。”

由数梦工场携手阿里云以及其他十多家合作伙伴联合为政府打造的杭州城市大脑，就是超级融合创新的一个典型例子。它通过数据的融合与能力的融合，在治理拥堵上做出了创新，如信号灯配时优化、公交车调度优化、公共自行车调度优化等。这是城市数据运营的一个典范，也是一种新型智慧城市模式，除了治理拥堵，未来还可以在政务、经济、民生三个方向发挥巨大价值。

当然，“互联网+政务”不是用互联网应用替代传统应用，而是将互联网的能力和政务原有业务、原有数据、原有能力结合起来，取长补短，帮助政务服务转型升级。“互联网+政务”是一个生态，数梦工场、政府、民众、应用开发商、互联网厂商都是生态中的一部分，互相合作互相促进，实现共赢。

数据化运营 篇12

不久前, 谷歌Alpha Go大胜世界围棋冠军李世石, 由此引发外界对人工智能的激烈讨论。事实上, 人工智能的提出已经很多年, 但却一直发展迟缓, 随着近几年大数据、云计算等技术的迅猛发展与成熟, 人工智能也逐渐进入到了技术演进的关键阶段。

可以说, 正是有了大数据的分析和计算能力, 人工智能才得以进入公众视野。在中国电信北京研究院战略与规划研究部互联网研究中心主任朱志军博士看来:“目前计算能力、深度学习算法以及互联网领域的大数据能力等已经就位, 接下来, 人工智能即将进入一个快速发展的时期”。

可以预见, 大数据的成熟托起了人工智能的发展, 基础电信网络作为承载国民经济信息化的重要平台, 流通和汇聚了丰富的数据资源, 这将作为运营商大数据资源的重要组成部分, 同时也对基础网络的适配能力提出了新的要求和挑战——运营商网络必须要“适配”大数据发展的脚步。

未来网络将“知化”

在朱志军博士看来, 人工智能将会诞生“超级大脑”, 负责高级的计算和决策, 而将“大脑”的决策付诸实践的机器人、机器设备则类似于“小脑”, 最后是由电力、通信能力构成“脑干”, 成为整个“大脑”发展的基础。通信网络作为“全球脑”的一部分, 是人工智能未来发展不可或缺的组成部分, 另一方面, 人工智能也会对通信网络产生影响, 进而使得通信网络获得新的能力。

正是看到了人工智能的未来愿景, 以及通信网络在其中扮演的重要角色, 电信运营商有必要面对未来的网络适配加以预研, “我们认为, 未来的‘知化网络’将是集连接、感知、计算和数据服务为一体的网络, 将实现超级安全、自主优化、进化更新等三大能力。”朱志军在接受《通信世界》记者采访时如此表示。

“知化网络”3个必经阶段

阶段1:网络使能阶段网络进行软硬解耦, 物理网络向高维度的软件化发展, 实现一个更灵活的网络。此时网络通过SDN/NFV等技术, 屏蔽底层硬件的差异, 实现网络的扁平化和集中配置, 主要能实现标准化的应答服务。

阶段2:人机协同阶段AR、机器设备等将成为此阶段网络的重要服务对象, 通过自动服务、柔性覆盖, 网络将向“自动化”发展。通过自动化技术、认知计算等, 网络将实现自动化的调度和配置, 动态全覆盖, 在局部实现自组织、局部决策和组网。网络将面向智能设备, 提供千人 (物) 千面的个性化服务。

比如在运营商数据中心, 由于采用SDN控制器使得网络具备了“自服务”能力, 面对云资源池的计算资源调配, 其相应的网络能力也将随之变化以完成适配。

阶段3:机器智能阶段泛在环境将成网络的重要服务对象, 人工智能的网络将与环境融为一体。网络将模拟生物向泛在智能化发展。网络的形态将去中心化, 类似于生物神经系统, 能够自愈合、自修复。网络的计算能力也将向着“类脑计算”的方向发展, 能够主动学习。面向智能的世界, 网络将成为超级入口, 实现更人性化的服务。