基于大数据的集中运营支撑系统的研究与实践

来源:用户上传      作者:

　　摘  要：随着市场竞争逐渐白热化、移动互联网高速发展，如何实现客户超细分、自动智慧化集中运营、多触点协同运营是运营商的迫切需求。文章围绕运营商运营工作存在的困境，探索基于大数据核心技术为突破口，通过构建集中运营支撑系统实现“超细分、微营销、精服务”的目标，探索运营商智慧化高效集中运营的实践应用。
　　关键词：大数据;集中运营;一站式
　　中图分类号：TP311.13      文献标志码：A         文章编号：2095-2945（2020）03-0061-02
　　Abstract： With the increasingly fierce market competition and the rapid development of mobile Internet， how to achieve customer super-segmentation， automatic intelligent centralized operation， multi-contact collaborative operation is the urgent need of operators. Centering on the difficulties existing in the operation of operators， this paper explores how to realize the goal of "super subdivision， micro-marketing and fine service" through the construction of centralized operation support system based on big data core technology， so as to explore the practical application of intelligent and efficient centralized operation of operators.
　　Keywords： big data; centralized operation; one-stop
　　1 运营工作开展存在的困境
　　当前运营商日常运营工作存在三大困境难以解决：（1）如何短平快实现客户超细分。营销多数依赖于人工经验，缺乏对客户需求特征深入洞察，难以把握用户动态的、复杂的、碎片化的需求，难以及时提供合适的运营服务。（2）如何达到实时智能运营。运营对外服务提供能量主要为非实时的模式，实时事件驱动的营销能力不足，缺乏对关键事件的实时捕捉和智能运营推荐。（3）如何实现跨触点渠道协同运营。渠道触点接入有效，未充分利用渠道接触时机进行客户有效运营。渠道间协同与整合能力不足，无法有效支撑多波次、常态化运营活动开展。
　　2 集中运营支撑系统研究
　　2.1 技术方法及特点
　　该系统的核心技术是从海量的数据中发现、分析客户特征和营销商机，能够“快速”把握客户动态、“准确”获知客户需求、“切实”解决客户痛点并实现客户满意和业务效果提升的双赢。主要技术特点包括：（1）海量数据实时计算：面对日均百亿级的各类数据，通过流式计算、消息队列和缓存技术的应用，实现数据获取、时机匹配到策略优选、触点执行，以及反馈交互的全流程实时计算。（2）分布式信息处理：通过分布式架构和技术应用，增大了系统的处理容量，并能够进行资源动态调配和扩展，在可用性、健壮性和复用性方面有了顯著提高。（3）数据闭环迭代优化：通过将分析成果、执行过程和效果评估按照对象进行组合和闭环串接，达到了基于专家人工经验和机器学习成果结合应用并持续迭代优化的效果。
　　2.2 主要的技术手段
　　该系统基于大数据技术实现面向海量数据实现“超细分、微营销、精服务”的目标，主要的技术手段包括：（1）实时数据采集工具Flume：Flume是一个分布式、高可靠和高可用的海量日志采集、聚合和传输的系统，它可以用来采集文件、socket等各种形式的数据，又可以快速将采集到的数据输出至hdfs、hbase、hive、kafka等存储介质中。（2）分布式计算框架Jstorm：按照规定的编程规范实现一个任务，然后将这个任务递交给Jstorm系统，Jstorm将这个任务跑起来，并且按7*24小时运行起来，一旦中间一个worker 发生意外故障，调度器立即分配一个新的worker替换这个失效的worker。（3）消息队列Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的所有动作流数据。（4）数据缓存Redis：Redis是同Memcached类似的基于键值对的高速内存存储系统，支持包括string、list、set、zset、hash等在内各种常用Value类型，它还内建了GEO对象存储，可以方便对地理经纬度提供直接计算查询。
　　该系统基于开源的大数据技术形成了标准化可扩展的技术支撑体系架构：通过Flume采集工具进行各类事件的分布式采集和标准化处理;基于Jstorm流处理框架进行规则匹配计算服务处理;所有中间数据采用Kafka进行缓冲与交换，程序间只进行消息通信;使用Redis进行数据实时更新和获取;面向业务系统提供实时服务进行时机输出;将执行过程明细进行统一排序、去重和串接，提供实时查询服务。
　　2.3 主要的系统功能设计
　　该系统不仅提供了“眼-脑-手合一”的运营支撑体系，帮助业务运营人员更加专业有效地开展工作，并且实现了基于具体客户的个性化营销服务和全局统一的协同感知。其价值在于提高运营工作效率和执行速度、准确性，还帮助最终客户在需求的时候获取恰当的服务。主要的系统功能如下：（1）多角度多层级业务分析：提供分时间、地区、场景、触点多角度的业务指标分析，并提供从汇总到细分、明细对象的多级数据钻取，为多类运营角色提供分析决策抓手。（2）贴合实际的活动运营：打造基于实际工作流程和要求的个人工作台，进行多波次、多触点营销活动的快速创建和个人素材的共享、收藏，并提供活动级、波次级、触点级和执行明细的监控分析数据。（3）专业的素材统一运营：将营销运营所需各类素材（标签、客户群、产品、触点、场景事件、物料等）按对象进行组织，为专业运营角色提供便捷的操作支撑和信息关联。（4）自动串接多级交互：通过自动化数据接口和流程串接，打通一级IOP-省级IOP-地市及各运营中心的交互通道，实现数据快速互通和业务流程的多级联动。（5）策略智能适配与迭代优化：基于历史经验沉淀和不断的学习优化，形成适配标签、匹配策略成果，在运营过程中基于场景进行自动适配，并形成数据闭环进行迭代优化。 　　2.4 系统功能模块架构
　　该系统按照业务运营要求进行组合、封装，整合数据、业务和触点能力，形成统一入口、全业务、全流程的运营支撑平台，“一站式”提供客户细分、产品选择、策略选择、触点选择以及效果评估等功能，支撑运营工作全流程的高效协同，支撑业务营销运营。
　　三大核心执行引擎：（1）事件感知引擎：对接各个生产系统和网络数据，获取通信行为、业务行为和时间、社会行为，集中事件采集并进行标准化处理，建立统一的客户行为事件体系。通过流式规则实时计算，匹配场景事件，形成统一的“事件触发式”时机捕获、计算和分发引擎。（2）协同控制引擎：接收营销时机触发，进行多个营销策略的实时排序优选，进行全局的频次控制、多波次接续判断、动态内容解析、实时产品冲突校验、多渠道协同，匹配最适合的营销策略执行。（3）传播交互引擎：按照营销策略规则，通过标准化的交互通道，进行营销广告内容投放和反馈获取，结合产品办理和目标地址访问捕获，输出完整的营销执行轨迹数据。
　　两个关键运营中心：（1）策划管理中心：通过业务指标分析和客户洞察分析，制定营销策略内容，对接管理平台进行任务的审批及调整。并在执行过程中提供即时生效的活动状态控制，结合汇总和明细的监控数据，实现全流程管控运营。（2）评估运营中心：获取执行过程和结果数据，结合产品订购、内容使用和业务提升信息，进行准实时和固定周期的数据计算与信息呈现。建立各类活动的横向比对和纵向前后比对和业务效果综合分析体系，并串接运营目标形成完整的评估运营支撑。
　　3 系统实用性
　　3.1 一站式运营支撑
　　当前运营商业运营中所需的数据分析、策略制定、执行监控和评估优化需要结合各类数据进行综合分析，在以往的系统中需要使用多个系统、并通过线下手段才能完成。本成果通过数据汇集、在线支撑和自动化数据处理，帮助运营人员在统一的平台上完成一站式的运营工作。
　　3.2 自动化智能适配
　　（1）基于事件触发式的营销执行，能够根据当前场景自动识别客户行为，并结合场景事件因素进行最优策略匹配执行。（2）通过多波次控制、全渠道协同、产品冲突校验功能，实现营销执行流程的自动化控制，解决了传统需要配置多个活动并进行手工干预的难题。（3）根据产品适配、渠道适配并结合历史营销反馈结果，系统能够进行客户自动分群的策略推荐，实现千人千面的个性化营销目标。
　　3.3 多方协同运营
　　（1）系统支持信息开放设置，对非敏感或隐私的数据（活动、素材）进行多条件检索，有效解决了信息孤岛的问题。（2）通过共享、收藏操作和多级知识互动（模块、案例、策略），使得优秀的经验成果得以快速推廣、应用。（3）建立素材专业运营和成果使用效果的关联，为业务运营提供更多、更好的素材内容，形成良性的互动和可持续迭代优化能力。
　　3.4 移动式全天候办公
　　建立统一门户， 包含WEB和终端应用，支撑决策分析、活动策划、审批控制和监控评估能够随时、随地移动办公，辅以短信、消息等信息提醒方式，对突发性和紧急性任务做到即时响应和处理。
　　3.5 支撑能力动态扩展
　　基于大数据分布式的技术，实现系统资源的动态分配调整和快速扩展。建立标准化的交互通道和信息注册机制，通过配置化的方式进行运营位、场景事件、控制机制的快速变更，解决了传统的代码开发方式的支撑滞后的问题。
　　3.6 运营工作专业化
　　通过大数据的海量数据计算、客户特征实时洞察、流式规则匹配计算等技术手段，解决以往的线下、长周期的支撑不足问题，实现线上快速的运营水平提升。
　　3.7 业务对象串接互通
　　将营销运营工作要素进行抽象，按照标签、客户群、规则、事件、触点、产品、物料内容、策略进行信息组织，并建立相互关联关系，不仅能够使用素材进行策略的快速组合、有效复用优秀成果，并且可以进行对象间的关联分析，有效提升成果应用效率和降低资源浪费。
　　3.8 资源使用自动控制
　　以往的营销资源控制需要事先获知目标客户的数量并不断调整后才能执行，本成果使用预计营销客户数和营销资源的总额控制，能够对营销总量和资源使用进行自动化控制管理。
　　4 结束语
　　综上论述，本文构建了一个统一入口、全业务、全流程的集中运营支撑系统，具有营销资源及时管控、场景化事件智能运营、营销轨迹实时查询及营销策略优先级动态调整等先进性，实现了智能化、自动化的千人千面运营，有效提升了运营室运营效率，助力运营商“增收、节支”。
　　参考文献：
　　[1]孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机研究与发展，2013，50（1）：146-169.
　　[2]涂子沛.大数据：正在到来的数据革命[M].桂林：广西师范大学出版社，2012.
　　[3]何军.大数据对企业决策的影响分析[J].科技进步与对策，2013（9）：1-5.
转载注明来源:https://www.xzbu.com/1/view-15111268.htm