【中国联通】 数据要素赋能电信企业运营方法研究

随着大数据与5G、物联网、人工智能等技术的融合应用，数据要素已经成为企业的关键生产要素，在支撑企业决策、洞察企业运营、优化企业管理等方面的价值逐渐显现。基于对基本路径的演绎，有学者提出了数据赋能企业生产要素配置的方法、路径和任务，可作为电信企业数据要素转化利用的大致参考路径，但是实践性不强，难以指导具体工作。

还有文献对制造、电力、金融等行业数据要素赋能企业运营方法进行了详细研究，对电信企业数据利用具有一定借鉴意义，但行业差异导致其方法无法完全适配电信企业业务特性。在数据要素赋能电信企业运营方面，现有研究分别从网络运营、精准营销、客户运营、供应链管理等方面阐述了数据要素赋能特定领域业务的应用方案，但多集中于单类应用场景的探讨，尚缺乏对电信企业整体运营体系中数据要素赋能的实践方法探索。

本文借鉴数据-信息-知识-智慧（Data-to-Information-to-Knowledge-to-Wisdom，DIKW）模型[13]和持续改进思想，基于电信企业实践，提出数据要素赋能电信企业运营的方法。核心价值在于开创性地从电信企业整体生产运营视角，进行系统性的数据赋能探索，为电信企业生产运营中的数据要素价值释放提供理论支持和实践指南，帮助电信企业充分激活数据作为企业价值增长的驱动力，促进企业更好面对用户需求多样化、市场竞争加剧带来的挑战和变革。

1  电信企业数据要素赋能存在的问题

电信企业在数据要素型企业建设中具有天然优势，这主要得益于其在网络、用户、业务等方面的海量数据积累，但在数据要素赋能企业运营中，仍然存在以下问题。

一是数据梳理不足。尽管电信企业拥有海量的数据资源，但数据来源较为复杂，企业对自身所拥有的数据资源难以全面、系统地掌握，未能准确识别、分类和梳理各类数据，导致对数据的规模、来源和使用情况缺乏清晰认识，从而无法明确数据全面利用的方案。

二是数据应用场景存在局限性。数据应用缺乏战略视角、创新思维和洞察深度，未能与实际业务需求和痛点充分结合。数据利用局限于传统的基础功能，应用场景较为单一和孤立，企业对数据应用场景缺乏由点及线、由线及面的系统性梳理和识别。

三是数据与场景的关系不明。企业在使用数据时，未能深入理解数据在不同业务场景中的作用和价值，未能将数据与特定的应用场景、需求或目标进行有效关联，数据缺乏落地应用的明确路径，甚至可能导致数据在不合适的场景中使用，无法实现赋能运营的预期效果。

四是缺乏对数据赋能的闭环管理。企业在数据赋能过程中，往往没有形成数据应用实施、评价、反馈、改进的完整链条，数据赋能的成效不明确，数据利用的问题无法定位，难以对数据赋能进行有的放矢的持续改进，从而影响数据赋能质效。

2  数据要素赋能电信企业运营方法

电信企业开展数据要素赋能企业运营工作的前提是形成了可采、可见、标准、互通、可信的高质量数据资源。在高质量数据资源基础上，如何提升数据要素赋能企业运营的成效，更好地释放数据要素价值，需要电信企业结合生产运营场景，探索适合自身的方法和路径。本文借鉴DIKW模型和持续改进思想，基于企业实践经验，提出一种数据要素赋能电信企业运营的方法，包括数据资源核准、数据应用场景梳理、数据应用场景赋能实施和数据应用效益评估4个工作步骤，循环往复进行。

2.1  数据资源核准核准数据资源是推动数据要素赋能的首要工作。全面盘点企业范围内可使用、可管理数据现状，基于对电信行业业务理解，对数据资源进行分类、分层管理，明晰数据架构。

2.1.1  数据资源分类将业务类别作为数据分类的主要维度，可以向企业内不同部门、不同业务线条提供统一的、易理解的数据视图，明确数据应用方向，确保数据能够更高效地服务于企业生产运营。电信运营商数据类别大致可以划分为市场与服务类、网络与技术类、采购与生态类、管理与风控类四大类数据。

（1）市场与服务类数据。用于支持精准营销、客户管理与业务运营，包括各类客户数据、业务开通与计费数据、市场营销数据、套餐与增值业务产品数据、服务过程与评价数据等。

（2）网络与技术类数据。用于掌握网络运行全貌并支撑用户体验优化，包括网络资源数据、网络性能数据、用户行为与感知数据、位置数据等。

（3）采购与生态类数据。用于支持企业与生态伙伴高效配合、协同发展，包括采购供应链数据、合作伙伴信息数据等。

（4）管理与风控类数据。用于支持企业内部资源配置优化与稳健高效运转，包括财务数据、人力资源数据、法务数据、审计数据等。

将数据中的人、事、物等业务对象、逻辑模型以及实体表格按照数据资源的分类进行梳理，形成数据架构。

2.1.2  数据资源分层按照从原始状态到最终应用的过程，将数据划分为多个层次。根据数据处理流程和用途，让每一层承担特定的功能和角色，确保各层逻辑清晰，可独立优化和扩展，下游层次可以复用上游层次清洗和加工好的数据，提升数据组织、管理和复用能力。参照常见的数据仓库分层模型，从下游至上游将数据分为操作数据层、明细数据层、服务数据层和应用数据层。

（1）操作数据层。从业务系统获取原始数据，不做或只做轻量清洗，具有完整、详细、支持溯源等特点。

（2）明细数据层。对原始数据进行清洗、转换，保持与操作数据层同颗粒度，同时保证数据规范性和准确性，形成主题明细数据。

（3）服务数据层。对明细数据进行聚合和计算，生成中间指标数据，按业务主题组织，供主题分析使用。

（4）应用数据层。面向具体业务应用提供高效的数据服务，提供定制化的数据接口，支持快速查询，供分析挖掘使用。

2.1.3  数据资源其他划分维度为便于数据的管理与使用，企业还可以按照结构化数据、非结构化数据、半结构化数据等数据属性进行区分和标注；也可以按照分析数据、实时数据、训练数据以及历史归档数据等数据用途进行区分和标注。

2.2  数据应用场景梳理梳理数据应用场景是数据要素赋能企业运营的关键切入点。数据应用场景通常指企业中具体的业务活动，涉及流程和参与者，借助特定工具发挥数据作用，达到业务目标或解决业务痛点。为确保业务需求符合性、技术可行性和数据可获取性，宜由企业IT部门与业务部门共同完成数据应用场景的梳理。数据应用场景应符合企业战略方向，且对企业业务有良好的覆盖度，可以参照企业业务架构，按业务类别进行划分，并逐级细化，体现业务结构和脉络。

2.2.1  基于业务的数据应用场景分类根据业务类别对数据应用场景进行梳理，定位业务中的关键环节，聚焦重点场景，帮助IT更好地理解业务结构，制订数据赋能策略。在实践中，为便于数据与应用场景关联，场景的一级分类可以与数据分类相同，即分为市场与服务类、网络与技术类、采购与生态类、管理与风控类场景。其中，市场与服务类是电信运营商的核心业务场景，可以进一步延展为公众业务运营、政企业务运营以及客户服务等场景。为确保场景目标明确，企业还需要对各类场景进行逐级细化，延展级别可以达到4~5 级深度，确保数据发挥作用有明确切入点。

2.2.2  数据应用场景价值划分根据数据应用场景业务价值的初步预期，企业可以对场景进行区分，便于以价值为导向明确数据价值化的重点，优化技术、资金和人力资源的投入，引导资源精准化配置。根据数据技术为应用场景赋予价值的情况，可以将数据应用场景分为直接收益类、间接收益类和长期战略价值类。

（1）直接收益类。此类场景通过数据的应用直接带来收入增长或成本节约，如数据驱动的精准营销使用户加购流量包或增值服务，或基于人工智能算法实现网络优化数据分析，减少人工投入等。

（2）间接收益类。此类场景未产生直接收益，但实现了效率提升或用户体验改善，如构建多维度看数功能，支撑一线高效完成业务活动，或实时监测用户网络性能，主动解决卡顿问题等。

（3）长期战略价值类。此类场景通过数据推动创新，树立品牌形象或支撑长期战略等，如为高层管理者提供深入的数据洞察，辅助制订长期发展战略。

在数据赋能的实践中，直接收益类场景的资源投入优先级最高，间接收益类和长期战略价值类宜确保定期投入。

2.3  数据应用场景赋能实施数据应用场景赋能可以按照明确场景目标、识别相关数据、建立逻辑关联、落实场景应用的步骤开展工作，使场景与数据产生链接关系，借助数智能力提升场景价值。

（1）明确场景目标。理解业务需求，清晰定义场景的运营目标，如提升收入、客户拓展、降低成本、风险管控及改善客户体验等。对于非首次实施数据要素赋能的场景，可以定义定量的提升目标，便于场景赋能的迭代升级。在实践中，为确保资源配置的高效性，可以聚焦直接价值类数据应用场景。

（2）识别相关数据。针对不同的业务场景，借助数据分类识别可用的数据资源，梳理与场景目标相关的全部明细数据层、服务数据层和应用数据层数据资源。以价值客户保有场景为例，相关数据包括客户信息、购买与缴费记录、服务历史等。

（3）建立逻辑关联。通过数据模型或分析工具，将数据与应用场景建立逻辑关联。挖掘关联规则，识别数据之间的相关性或数据与场景之间的相关性。构建数据预测模型是建立逻辑关联的重要手段，通过历史数据预测未来业务趋势，支持业务决策，如通过用户套餐变更情况、业务使用记录、消费信息等，预测高价值用户离网趋势特征。数据聚类分析也是建立逻辑关联的常用手段，如对政企客户及产品等对象进行聚类，识别不同类别的特征，从而制订针对性的营销策略。

（4）落实场景应用。明确企业内部是否已有平台和应用承载数据应用场景，结合前述数据与应用场景建立逻辑关联，借助数据分析与挖掘、数据可视化、机器学习与人工智能等技术手段，新建或改造数智能力工具。提供低代码、零代码等方式，满足一线业务人员自助使用需求。系统投产后，将数智能力及其产生的数据分析成果集成到具体的业务流程中。

2.4  数据应用效益评估对数据赋能应用场景的效益进行全面评估，有的放矢地优化各项工作，是数据要素赋能企业运营持续改进的保障。

2.4.1  数据赋能效益评估从业务价值和数据利用两个维度构建效益评估指标体系，采用加权评分法进行计算。

（1）业务价值评估

业务价值可以按照财务价值、客户价值、运营效率、风险控制等方面分别制订评价标准。如果单一数据应用场景具备多方面价值，其价值评分可以叠加。

一是财务价值维度。评估数据赋能对企业收入增长和成本优化的直接影响，包括收入提升、成本节约、投资回报等指标。

二是客户价值维度。评估数据赋能对客户体验和满意度的提升，包括客户留存情况、用户体验提升、个性化服务渗透等指标。

三是运营效率维度。评估数据赋能对企业内部资源效能和管理效率的提升，包括云网资源利用效率、流程优化效果等指标。

四是风险控制维度。评估数据赋能在降低运营风险、提高安全合规性方面的贡献，包括风险预警准确性、合规损失降低情况等指标。

（2）数据利用评估

数据利用评估可细分为两大类：一是场景关注度，反映数据应用场景受到用户重视的程度，包括场景使用频率、场景对用户的覆盖度、单次调用数据量等指标；二是数据满意度，评估用户对数据内容、服务体验的主观感受，包括用户满意度评分、投诉率、数据使用人工纠正率等指标。

2.4.2  数据赋能改进措施为了聚焦数据赋能企业运营的重点并凸显关键问题，对效益评估分数进行排序和分类，并采取针对性措施。在业务价值和数据利用各自维度排序前50%为高评分，后50%为低评分，双维度形成4类评估结果（见图1）。

图1   评估结果按业务价值和数据利用双维度分类示意

（1）业务价值高评分、数据利用高评分。可将该应用场景形成的数据能力封装为标准化能力，在企业集约化能力平台提供，通过宣传实现最大化推广，保持数据应用效率处于高位。

（2）业务价值高评分、数据利用低评分。着重进行宣传推广，动员业务部门强化推介和使用，提升数据应用效率。

（3）业务价值低评分、数据利用高评分。优化数据建模方案，定期监测数据应用场景业务价值变化，组织价值提升研讨，进一步释放数据价值潜力。

（4）业务价值低评分、数据利用低评分。后续谨慎投入资源，并由数据开发部门与业务部门共同论证此类数据应用的必要性。

3  方法应用成效

本文提出的方法在某电信企业进行了实践应用，数据赋能企业运营取得明显成效，方法有效性得到验证。

3.1  数据资源核准在实践中，数据资源核准以数十万量级实体表格为基础，将数据梳理为市场与服务类、网络与技术类、采购与生态类、管理与风控类4 类数据，并延展为13 个二级分类，53 个三级分类，包括超过200 项人、事、物等业务对象。并根据数据加工关系，按照操作数据层、明细数据层、服务数据层和应用数据层完成数据分层。

3.2  数据应用场景梳理根据业务类别划分，数据应用场景梳理至5 级深度，共梳理出超过150 项数据应用场景。本文以移动网潜在离网用户识别与挽留场景为例阐述方法实践成效。该场景属于市场与服务-公众业务运营场景类别，预期通过潜在离网客户挽留实现增收，按照价值划分属于直接收益类场景。

3.3  数据应用场景赋能实施移动网潜在离网用户识别与挽留场景的目标是识别存在离网风险的移动网络用户，及时向营销人员发起预警，营销人员采取措施挽留用户，减少用户离网造成的收入下降损失。

与该场景相关的数据主要包括市场与服务、网络与技术类别下的数据，其中明细数据层包括客户基本信息、月度出账信息、语音与数据业务详单、无线侧呼叫记录、投诉数据、基站工参、套餐产品信息库、终端信息库等，相关数据分类、分层如表1所示。

表1   移动网潜在离网用户识别与挽留场景相关数据分类、分层示意

该场景主要通过构建用户离网预测模型建立数据与应用场景的逻辑关联。预测模型基于相关数据，分析形成用户特征、用户行为、用户交际关系、服务感受、网络感知等维度信息，加权计算用户黏性从而判定潜在离网特征（见图2）。基于企业数据中台，在公众业务APP中开发移动网潜在离网用户识别模块，支持一线营销人员接收离网用户预警、筛选预警分级、在权限范围内查看潜在离网用户信息等。同时结合离网用户挽留运营任务下达，开展针对性挽留营销活动，促进该应用场景实施落地。

图2   移动网用户离网预测模型示意图

3.4  数据应用效益评估该场景建设的数据应用功能上线后，所有数据应用场景每半年进行一次效益评估。第一次实施评估时，该场景在企业的13 个省分公司得到应用落地，识别出的潜在离网预警用户占总用户的8.5%，其中重度预警用户占比1.3%。一线营销人员采取针对性挽留营销措施，累计减少潜在用户离网约11 万户，降低用户离网造成的损失超过190 万元/月。该场景主要的效益在于收入提升和用户留存。经评估，其业务价值评分在全部153 个场景中排名为44，数据利用评分排名为83，其在所有数据应用场景中所处位置如图3所示。

图3   数据赋能效益评估结果（第一次）

考虑到该场景业务价值评分偏高，数据利用评分偏低，企业数字化专业线加强了对该场景的推介，随后半年内该场景在25 个省分公司得到应用落地。在半年后的第二次效益评估中，该场景在全部159 个场景中，业务价值维度排名为42，数据利用维度排名为65，两个维度排名均有所提升，其在所有数据应用场景中所处位置如图4所示。

图4   数据赋能效益评估结果（第二次）

上述实践案例验证了本文提出的方法能够为电信企业明确数据赋能生产运营路径，为业务带来效益，同时促进了数据赋能工作的持续改进。

4  结束语

本文围绕数据要素赋能电信企业运营展开研究，提出了一套系统的操作方法，为电信企业在业务运营中有效利用数据要素提供了具体的实施路径。

电信企业应当从数据资源的核准入手，确保数据资源脉络清晰，为后续数据应用场景梳理奠定基础。通过合理规划数据应用场景并将其与企业战略、业务需求紧密结合，可以有效提升场景适用性。在数据应用场景赋能实施过程中，电信企业需要准确关联数据资源与应用场景，将合适的技术手段和数据分析成果集成到业务流程中，确保应用场景落地。

最后，数据应用效益评估是确保企业数据赋能可监控、可优化、可反思的必要任务，推动数据赋能持续改进。实践应用证明，本文提出的方法能够有效指导电信企业开展数据赋能工作，提升企业运营效率和效益。

尽管数据要素赋能电信企业运营的方法和路径已经明确，但数据赋能的工具和手段仍需不断革新。电信企业可以探索数据赋能价值评估的数智化手段，自动、清晰、高效地评估数据赋能成效；打造可信数据空间，进一步加强数据要素在企业内外部的可信流通；强化人工智能数据集建设，推进人工智能技术与数据要素协同，共同促进企业运营价值提升。

来源：中国联通