电信运营商大数据在金融行业实体选点中的运用
1 引言
当前中国移动电话使用数达到11亿，固定电话使用数达到2.5亿户，宽带使用户达到1.4亿。最近20年来，随着互联网和移动互联网的迅猛发展，中国移动、中国电信、中国联通三大电信运营商每天均获取海量的网络数据。根据对用户实名制接入网络服务的要求，这些数据更是和实名人一一对应，通过现代数据挖掘技术便可描绘真实用户的实际生活轨迹。
与此同时，运营商在互联网的发展中扮演智能管道角色，可以便捷地获取用户在移动互联网和移动互联网中虚拟社会数据的能力。这使得电信运营商可跨越虚拟显示，拥有实体和虚拟社会两类数据，并通过用户实名制的号码属性，将这两套数据进行无缝衔接，实现对用户的全面画像，向数据使用部门展示用户的生活以及消费习惯，便于开展个性化服务。基于此，本文将首先分析电信运营商的大数据应用模式，继而以金融行业银行实体网点选择为案例，对具体的应用情况加以剖析，包括电信运营商具备的数据优势及在实体选点中的步骤和模型。
2 电信运营商大数据应用模式
2012年以来，全球多数电信运营商均开始涉足大数据发展领域，具体可分为两类，包括数据开放和应用服务。
在大数据的应用服务方面，电信运营商可以向外部合作伙伴适度开放历史积累的数据资源，在法律法规允许范围内，在保障客户隐私的前提下，基于行为科学的研究成果，对用户历史数据开展分析、画像，进而预测用户未来行事。并在该颗粒度变粗后封装为服务成果，对外部提供信息咨询服务，形成商业盈利的核心竞争力，为企业创造新价值。
具体来看，电信运营商通过基站、CRM系统等已经采集庞大用户数据，这些数据包括精准的用户位置信息、包括时间周期的位置移动信息及基于通信数据的用户真实社会网络信息，通过对这类历史沉淀数据进行挖掘、建模和封装打包，可为行业客户提供基于用户行为的相关服务。由于颗粒度粗化，这类大数据服务不会暴露用户个人隐私，只是基于群体的数据展现群体的行为结果，如某个时间周期、某个地点的人流量、以及这股人流量的日常行踪、话费或流量消费习惯等关键影响因素，并将数据挖掘结果以较粗颗粒形式呈现，提供给集团客户。例如基于基站获取的位置数据，可开展定点区域客流、交通路况等分析，为零售企业企业、交通部门等提供有关人流密度、运动规律的建议。
下面将以金融行业银行实体网点选择为案例对国内电信运营商的大数据应用情况进行详细分析和说明。
3 电信运营商大数据在金融行业实体选
点中的运用
以往，金融行业中银行实体网点选择主要依赖于专门的调查公司通过人工来获取不同地点的基础数据，不仅耗时耗力，而且由于样本的随机性、人工调研的费用高、时间段等问题，往往会缩减数据项并降低对数据周期的要求，在人工统计过程中也容易出现数据有较大误差的情况。
3.1 电信运营商具备数据优势
电信运营商基于行业优势，数据获取方便，数据样本容量大且周期长，优势主要体现在：
（1）数据充分：电信运营商经过20余年的经营，通信用户数超过一亿，积累的用户数据海量而且丰富，符合大数据挖掘的量级需求。首先，根据国家要求，电信用户已经实现实名制，用户需提供实名信息方可继续使用或入网，实名信息内容维度丰富，包括身份证号以及由此可判别的性别、年龄、生日、出生地，还有用户的工作单位、职位等；其次，电信运营商通过BI系统，可以了解用户的电信消费信息，例如所使用电信套餐类型、ARPU、流量使用情况和频次、通话频次、各类增值业务选择及时间周期、通话对象、频次、时间、在网时长等；再次，电信运营商可通过基站定位等方式，较为精准获取用户在不同时段的地理位置信息以及相应的频次；最后，电信运营商作为智能管道提供网络，能够获取用户在互联网、移动互联网的访问信息，如访问时间、每次访问时长、访问网址等。
（2）数据可持续：由于号码的持续使用，且通信网络7×24小时服务，电信运营商可以在用户开机时一直获取相关数据，保障数据的可持续性和一致性。
（3）数据可利用：电信运营商对海量数据进行第一轮粗加工和分析，更加精准、高效地分析出用户的共性行为，再根据政府和企业的定向需求，输出粗颗粒的报告和应用数据，既能避免用户个人隐私的泄露，又能满足业界应用需要。
3.2 电信运营商大数据在选点中的应用步骤
（1）行业扫描：通过桌面研究及一手调研数据，了解行业特点，获取政府和企业客户的真实需求痛点，并开展数据资产梳理，结合自有数据资源现状与行业客户需求。
（2）产品建模：针对行业重点潜在客户开展深入访谈及调研，根据行业客户的产品思路、体系及形态，建立产品逻辑模型。
（3）数据挖掘：根据行业客户产品需求，利用模型对电信运营商大数据平台进行海量数据挖掘，并开发产品可视化界面，固化产品逻辑，形成产品化的决策支持系统，便于行业客户使用人员操作。
（4）模型迭代：将上述模型在固定区域进行试商用验证，并根据实际效果开展检测及迭代优化。
（5）投产运营：将产品投入实际应用。
作为大数据应用的核心，产品的设计和建模是关键。
3.3 大数据在金融行业实体选点中的应用
以运营商大数据在金融行业实体选点中的应用为例，可构建客流、价值、竞争和成本四个维度的综合评估模型，包括数十条数据项。其中，客流和价值的数据主要来源于电信运营商，而竞争和成本数据则来自于外部，具体如下： （1）客流：关键时段周边用户、日常出行用户规模；
（2）成本：周边的房屋租金、管理、人工及运营成本；
（3）竞争：周边竞争对手数量级规模情况；
（4）价值：潜在用户的支付能力和客户价值。
为验证模型的有效性，考虑利用现有已建成银行实体网点的商业价值情况信息进行验证，主要包括业务收入、盈利和人流等关键数据。为了方便金融行业客户使用，需要有产品的可视化开发和开放，方便行业客户的操作人员可以使用浏览器查看相关结果。
金融行业实体网点模型通过对运营商用户、基站位置和相关金融企业网点位置的关联，对金融行业的实体网点选择提供指导。电信运营商可以根据上述用户数据，进一步分析拟选择地点在上班时间所集聚用户的通信行为偏好等，形成基于地点的集成数据，根据金融行业客户选址时的需求，开展推荐和安排接触网点。
基站数据可以反映某一具体地点人流密集度、人员流动情况、高峰时段等信息，还能反映在某一或数个基站覆盖范围内的用户量、这批用户随时间变化的流动趋势以及同一时间不同基站覆盖范围用户量随地域不同而呈现的不同量。再结合用户的ARPU和其它增值业务使用情况，可以判断某一具体地点所聚集用户对金融行业客户的价值。
网点作为银行接触用户的终端架构，其所处地理位置、工作量、销售量等能反映该网点营销及其服务能力。通常情况下，某一地理位置基站并发话务量越高，则人流密度大，需要更多为其服务的银行实体网点。
上述分析结果显示，通过可视化界面的呈现，方便了行业客户的员工使用。可运用热度图、点阵图等方式显示数据，使用图像处理方法使数据挖掘结果叠加、平滑地展示，方便行业客户在需要的范围内寻找匹配自身需求的网点地址。
4 结束语
面向大数据时代，电信运营商需要向信息提供方转型，而电信运营商掌握的最核心数据资源就是基于用户基站位置、电信使用习惯的相关数据和用户使用增值服务的情况，以及在此基础上建立的大数据体系，从而掌握大数据技能，发掘大数据价值。电信运营商对内优化运营效能，低成本高效率地为用户提供个性化服务；对外运用挖掘后的数据，根据行业客户需求开展数据建模，利用已有海量数据深入挖掘用户特征，实现数据的二次营销，为行业客户提供新型增值业务。本文在总结电信运营商大数据应用的基础上，对其在金融行业实体选点中的运用进行了详细分析，并提出了金融行业实体网点的模型，而目前这方面的运用还比较少，由于实践不够，迭代还较浅显，未来随着应用的增多，模型将得到进一步优化。
- 上一篇：农村金融发展问题研究
- 下一篇：农村普惠性金融发展和减贫的研究进展
