大數據在廣電網絡運營工作上的應用

莊昌武

（作者單位：江蘇省廣電有線信息網絡股份有限公司淮安分公司）

大數據在廣電網絡運營工作上的應用

莊昌武

（作者單位：江蘇省廣電有線信息網絡股份有限公司淮安分公司）

隨著廣電雙向網絡的不斷完善，互動用戶數量不斷上升，廣電大數據迎來新的發展階段。本文針對廣電大數據的運營工作，從數據采集，到數據應用進行了系統全面的分析，對廣電大數據運營具備一定的指導意義。

大數據；采集；用戶流失；聚類；HADOOP技術

從廣電行業來看，大數據的特點有三個方面：第一，數據體量巨大，從GB級別，躍升到TB級別；第二，數據類型繁多，涉及到數據采集對象的狀態信息、日志、各類操作信息乃至地理位置信息等；第三，處理速度快，實時采集和處理數據，并及時完成數據的呈現工作。

本文從廣電網絡運營商運營管理的角度，對大數據技術的實際應用進行一些探討。

1 大數據在廣電行業的應用背景

隨著國家三網融合的發展，廣電數字電視網絡平臺逐步從單向網絡改造成雙向網絡，業務的重心也逐步向雙向業務偏移。雙向電視業務的推廣，數字電視用戶和業務的快速增長，運營商迫切需要實現對終端設備可管可控、用戶行為可感知，以便深入、實時地掌握網絡和設備運行狀態，了解用戶的行為和習慣。

2 廣電大數據的應用

廣電數字電視運營大數據分析涉及到的數據量較大且廣，一般來說，需綜合以下幾類數據（見表1）。

表1 廣電數字電視運營大數據分析

2.1 助力客戶經理預測用戶流失

根據用戶（包括VIP用戶）在線率，收視時長，業務分布等信息，通過數據模型測算出用戶流失傾向，并可按需排名輸出報表，使客戶經理及時掌握所服務區域用戶的第一手信息。

在給客戶經理下達推廣付費頻道節目包和點播訂購包的任務后，如果不能提供及時有效的工具，則客戶經理很難完成任務，且工作效率低下。每月對退網的用戶進行持續的歷史軌跡分析，結合BOSS系統里的賬單數據，設定退網客戶模型。定期對不活躍用戶進行模型匹配分析，并導出報表。客戶經理每周安排一定的時間，對可能退網客戶進行電話拜訪或上門拜訪，了解用戶需求，進行用戶挽留工作，減少用戶流失。

2.2 助力客戶經理分析用戶喜好

大數據分析能夠根據BOSS，客服中心，收視行為等數據進行用戶個體畫像，掌握用戶日常喜愛收看的節目類型和頻道類型，以及對最新大片的可能購買度，讓客戶經理能挑出最有可能購買產品的前20%的用戶，采取上門拜訪或電話推廣的方式，迅速有效地達成交易，以達到精準營銷的目的。

2.3 助力內容精準推送

內容精準推送是廣電運營商最為常見的大數據分析應用。傳統的內容推送本質上還是一種廣播式的。借助于大數據平臺能力，根據用戶的個體畫像，運用商可以制定出精準的推送策略，將用戶最感興趣的內容放置到最容易獲取的地方，實現精準營銷。

2.4 助力廣告運營

開機畫面廣告、頻道Banner條廣告、音量調節畫面廣告是廣電網絡運營商最主要的廣告形式。用戶行為分析數據報告能給廣電運營商提供充足的數據支撐，幫助運營商根據收看率高低、用戶收看時間等條件，把開機畫面廣告、頻道Banner條廣告和音量調節畫面廣告按照區域、時段和收視熱度分組打包，精細化運營廣告資源。例如，把60多個公共頻道按收視率高低，優劣互相組合，形成資源較均衡的5個廣告包；再如，把開機畫面廣告按照不同的時間段運營，根據小學生放學時間、晚間8點檔和晚間11點之后的電視受眾不同而投放不同的廣告。

3 大數據的計算和分析平臺

由于廣電數字電視運營大數據分析涉及到的數據量較大且廣，運用當前流行的HADOOP技術，通過對以上信息的綜合分析處理，在廣電的運營工作中，具有重要的應用價值。有線運營商運用的典型的HADOOP平臺架構如圖1所示。

4 大數據案例分析——客戶流失與喜好分析

4.1 案例背景

隨著云媒體平臺的深入發展和業務的高速增長，新的應用系統和信息資源的加入，業務環境日益復雜，運營難度日益增長，業務增長的壓力越來越大，通過更準確、及時地了解業務的使用情況，了解用戶的使用習慣和收視喜好，了解用戶在整個收視周期的業務的使用情況，可以為業務的經營提供有效的決策支持。系統的部署可以實現以下幾個方面。第一，用戶收視喜好分析，分析集團用戶、VIP用戶、收費用戶、普通用戶和平房用戶所關注的終端節目類型，通過挖掘用戶的收視行為，為客戶經理推廣業務提供數據支撐。實現用戶收視節目排行、不同終端類型（標清付費、標清免費、高清付費和高清免費）等業務的占比，并在用戶收視行為的基礎之上通過對用戶收視行為的聚類挖掘，實現用戶喜好的深入分析并對經營業務的推廣提供建議和支持。第二，通過引入數據挖掘技術實現對于用戶流失的分析，基于技術、價格、質量和交費渠道等多個維度，進行用戶的畫像，用戶價值的分析，實現用戶的流失的分析，和相關的數據輸出，為業務的定向營銷提供支撐。第三，系統提供報表輸出功能，通過實現用戶的業務數據及所屬標簽的查詢，并提供報表的定時推送。

圖1 HADOOP平臺架構

圖2 云數據處理平臺架構

4.2 案例主要技術路線

平臺需要實現對于30萬用戶每天近千萬量級的用戶行為的數據分析，提供收視維度的各種信息的統計分析和挖掘工作；同時，根據用戶業務的需求，提供用戶對于上述數據的跨時間端的各種統計分析結果的呈現；同時，針對某種用戶的業務，除提供宏觀的用戶數據的匯總外，還要進一步提供對于宏觀數據的分區域，分用戶的數據的呈現。

從計算和挖掘的角度，系統需要有較快的處理速度，同時由于大數據源的要求，對于系統的處理吞吐量也的相應的要求。存儲上，系統要滿足1年在線數據的業務在線查詢，同時查詢的“大海撈針”和全表掃描也對系統的處理能力提出了更高的要求，為保證對于海量用戶行為數據的處理的能力的要求，根據多年數據分析挖掘的經驗，在基礎平臺引入了云數據處理平臺，如圖2所示。

4.3 平臺能力

平臺需要支持基于大數據平臺的常規數據挖掘算法，不同算法的時間復雜度不同，故不再做統一性能指標要求，但大數據平臺自身的計算性能需要得到保證。大數據平臺的性能指標應在基準測試中達到以下要求（見表2）。

4.4 數據模型

在確定一個用戶需求后，首先了解需求的應用場景，針對用戶應用場景，確定所需要的數據源。接著設計數據模型。當然，還需要對數據源進行清洗、整理甚至需要脫密脫敏，然后將它們匯總起來，形成這次分析任務的數據庫（數據倉庫）。以上只是數據建模的第一步，第二步需要數據訓練。數據訓練也是調整模型的方法之一。通常的做法是“前推后驗”和“塊狀切割”。“前推后驗”的“前推”就是通過過往的數據尋找特征值，以便消除干擾數據，快速建立模型。“后驗”就是根據得出的模型，借助一定的數據往后推測，進行驗證，尋找到最佳的結合點。“塊狀切割”就是在數據量較大的情況下，從小樣本開始驗證，這樣驗證周期會變短，利于快速調整模型，反復多次的塊狀驗證后，再進行大數量的驗證。數據建模耗時，甚至可以占到整個項目一半以上的時間。

表2 平臺能力指標要求

表3 客戶類別結果

圖3 RFM計算流程

在該平臺中，采用RFM算法來預測分析客戶流失，具體計算流程如圖3所示。

4.5 客戶分類結果數據

第一步：選取客戶基礎信息數據。第二步：系統計算生成含RFM值的客戶數據集。第三步：將每個客戶的RFM值和總RFM平均值作比較。第四步：對聚類后的客戶分類結果進行分析和解釋，以所有客戶的R、F、M值作為考核點，將所有的客戶的R、F、M值組合，一共出現8（23）種情況，根據各指標所代表的含義，得到最終八種客戶類型，如表3所示。

5 廣電大數據的前景

對于廣電運營商而言，通過對大數據的挖掘分析，可以進一步細分用戶，實現精準產品營銷和個性化服務。繼而優化廣電現有各業務的運營；同時，刺激運營商從數據中獲取潛在的用戶需求和市場，創新服務和商業模式。

大數據技術給廣電的運營工作帶來了很多有影響力的幫助，也改變了原有的工作流程，只有用好、用活、用足大數據技術，才能更好地服務于客戶，在視頻運營的競爭中得到更多的市場份額。

莊昌武（1958-），男，江蘇淮安，本科，研究方向：廣播電視經營管理。