安徽联通企业级大数据平台构建及应用实践

doi:10.11959/j.issn.1000-0801.2018036

Abstract

Abstract:

The challenges and opportunities faced by Anhui Unicom of big data construction,and the experience of Anhui Unicom rapidly constructing B+O convergent smart operation platform which realized multi-dimensional and multi-level fusion management of cross-domain platform were summarized.In addition,the customer off-grid prediction was also deeply studied by Anhui Unicom.Achieving the off-grid prediction model through the big data platform which made the precision ratio get 90% and the recall ration get 9%.On the other hand,the big data platform has been popularized to other departments by integrated applications,such as,user awareness enhancement etc.Internal operation efficiency was improved and NOC (network operations center) was transformed to SOC (service operations center).

Key words: carrier big data, B+O convergent scenario, big data applications of off-grid prediction, transform from NOC to SOC

CLC Number:

TP319

Tao WU,Tao LIU,Bin WANG. Construction and application of Anhui Unicom enterprise big data platform[J]. Telecommunications Science, 2018, 34(1): 135-147.

Figures/Tables 17

建模字段	建模字段	建模字段	建模字段
用户状态	套餐内语音时长	近3月ARPU均值	闲时通话次数占比
手机号码	上行点对点短信条数	当月欠费金额	工作日通话次数占比
用户ID	上行网内点对点短信条数	近3月欠费金额均值	周末通话次数占比
客户ID	上行网间点对点短信条数	零售渠道充值次数	工作日忙时通话次数占比
省分编码	国际漫出点对点短信条数	当月充值次数	忙时流量占比
城市代码	短信计费量	社会渠道接触次数	闲时流量占比
性别	下行点对点短信条数	近3月充值金额均值	工作日流量占比
客户年龄	套餐内短信条数	零售渠道充值金额	周末流量占比
用户信用度	上行点对点彩信条数	近3个月套餐更换次数总和	工作日忙时流量占比
网龄	上行网内点对点彩信条数	近3月欠费次数总和	忙时平均每次通话时长
本地网外时长	点对点彩信次数	近半年通话次数标准差	闲时平均每次通话时长
长途主叫时长	下行点对点彩信条数	近半年通话时长变异系数	工作日平均每次通话时长
漫游主叫时长	总流量	月收入环比	周末平均每次通话时长
本地被叫时长	套餐内流量	欠费金额环比	近6个月通话时长趋势
漫游被叫时长	服务类短信号码种类	欠费次数环比	近6个月工作日忙时通话次数趋势
网间通话时长	服务类短信条数	通话时长环比	近6个月工作日通话次数趋势
忙时通话时长	拨打客服电话次数	通话次数环比	近6个月流量趋势
周末通话时长	本月总收入	总流量环比	近6个月工作日忙时流量趋势
通话次数	流量费用	上网时长环比	近6个月工作日流量趋势
长途语音通话次数	短信_点对点短信费	缴费金额环比	近3个月通话次数标准差
主叫次数	套餐价格	缴费次数环比	近3个月通话时长变异系数
语音通话计费时长	余额	异网客服拨打次数	近3个月通话时长趋势
主叫计费时长	缴费金额	忙时通话时长占比	近3个月工作日忙时通话次数趋势
本地网内时长	上个月ARPU值	闲时通话次数占比	近3个月工作日通话次数趋势
本地通话时长	过缴费期天数	工作日通话时长占比	近3个月流量趋势
长途通话时长	余额与上月账单差值	周末通话时长占比	近3个月工作日忙时流量趋势
漫游通话时长	社会影响力	忙时通话次数占比	近3个月工作日流量趋势

References 16

[1]	童晓渝, 张云勇, 房秉毅 ,等. 大数据时代电信运营商的机遇[J]. 信息通信技术, 2013(1): 5-9.
	TONG X Y , ZHANG Y Y , FANG B Y ,et al. Opportunities and strategies to adopt big data for telecom operators[J]. Information and Communications Technolog, 2013(1): 5-9.
[2]	左超, 耿庆鹏, 刘旭峰 . 基于大数据的电信业务发展策略研究[J]. 邮电设计技术, 2013(10): 1-4.
	ZUO C , GENG Q P , LIU X F . Study on operator’s development st rategy for big data business[J]. Designing Techniques of Posts and Telecommunications, 2013(10): 1-4.
[3]	丁俊发 . 大数据时代的机遇与挑战[J]. 硅谷, 2013(1): 9-10.
	DING J F . Opportunities and strategies in big data era[J]. Silicon Valley, 2013(1): 9-10.
[4]	冯登国, 张敏, 李昊 . 大数据安全与隐私保护[J]. 计算机学报, 2014,37(1): 246-258.
	FENG D G , ZHANG M , LI H . Big data security and privacy protection[J]. Chinese Journal of Computers, 2014,37(1): 246-258.
[5]	韩晶, 张智江, 王健全 ,等. 面向统一运营的电信运营商大数据战略[J]. 电信科学, 2014,30(11): 154-158.
	HAN J , ZHANG Z J , WANG J Q ,et al. The unified-operationoriented big data strategy for telecom operators[J]. Telecommunications Science, 2014,30(11): 154-158.
[6]	于鹃 . 数据仓库与大数据融合的探讨[J]. 电信科学, 2015,31(3): 166-170.
	YU J . Discussion on integration of data warehouse and big data[J]. Telecommunications Science, 2015,31(3): 166-170.
[7]	廖建新 . 大数据技术的应用现状与展望[J]. 电信科学, 2015,31(7): 7-18.
	LIAO J X . Big data technology:current applications and prospects[J]. Telecommunications Science, 2015,31(7): 7-18.
[8]	王帅, 汪来富, 金华敏 ,等. 网络安全分析中的大数据技术应用[J]. 电信科学, 2015,31(7): 145-150.
	WANG S , WANG L F , JIN H M ,et al. Big data application in network security analysis[J]. Telecommunications Science, 2015,31(7): 145-150.
[9]	ALMANA A M , AKSOY M S , ALZAHRANI R . A survey on data mining techniques in customer churn analysis for telecom industry[J]. Journal of Engineering Research and Applications, 2014,4(5): 165-171.
[10]	BREIMAN L . Random forests[J]. Machine Learning, 2001,45(1): 5-32.
[11]	AU W , CHAN K , YAO X . A novel evolutionary data mining algorithm with applications to churn prediction[J]. IEEE Transactions on Evolutionary Computation, 2003,7(6): 532-545.
[12]	OSEMAN K B , BINTI S , SHUKOR M ,et al. Data mining in churn analysis model for telecommunication industry[J]. Journal of Statistical Modeling and Analytics, 2010(1): 19-27.
[13]	JUNQUE D , MARTENS D , PROVOST F . Predictive modeling with big data:is bigger really better?[J]. Big Data, 2013,1(4): 215-226.
[14]	KIM N , JUNG K H , YONG S K ,et al. Uniformly subsampled ensemble (use) for churn management:theory and implementation[J]. Expert Systems with Applications, 2012,39(15): 11839-11845.
[15]	COUSSEMENT K , POEL D . Churn prediction in subscription services:an application of support vector machines while comparing two parameter-selection techniques[J]. Expert Systems with Applications, 2008,34(1): 313-327.
[16]	GUYON I , LEMAIRE V , VOGEL D ,et al. Analysis of the KDD cup 2009:fast scoring on a large orange customer database[J]. ACM SIGKDD Explorations Newsletter, 2009,11(2): 1-22.

Metrics

Recommended 0

No Suggested Reading articles found!

主题域	主题子域
个人客户统一视图	个人客户基本信息、个人客户业务使用、个人客户产品订购、个人客户收入
集团客户统一视图	集团客户基本信息、集团客户业务使用、集团客户产品使用、集团客户收入
家庭客户统一视图	家庭客户基本信息、家庭客户业务使用、家庭客户产品订购、家庭客户收入
竞争对手统一视图	竞争对手用户基本信息、竞争对手业务量、竞争对手交往圈
产品统一视图	产品基本信息、产品使用、产品销售
用户统一视图	用户基本信息、用户业务使用、用户渠道接触、用户位置、用户产品订购、用户交往圈、用户账务、用户终端使用、用户互联网使用
终端统一视图	终端基本信息、终端使用、终端销售
渠道统一视图	网络基本信息、网络使用、网络质量
营销信息统一视图	营销基本信息、营销效果

	DWD	整合层	统一视图层
目标	标准化、原生态的企业级细节数据中心	定义数据模型，清晰数据关系，通过横向数据整合，减少系统冗余度	面向业务应用的抽象数据模型，经过简单加工快速支持上层应用
原则	面向主题，完成结构的转换、数据标准化，编码转换	面向主题，主题域内的整合与轻度汇总	面向应用，提炼共性需求，进行广泛主题域的汇总
模型设计方法	表结构与原系统保持一致，但做命名的规范化、标准化	星型模型设计，反规范化的设计，降低系统冗余度	星型、雪花模型设计，反规范化的设计，适当冗余
重点	主题定义	基础数据定义	在于对业务需求的抽象
	框架设计	派生数据设计	考虑生成的性能
	标准化	数据关系管理	考虑查询的性能
	减少或控制冗余
用途	便捷查询，可以回答任务问题	便捷数据组织，尽量避免数据跨域	支持上层应用
		访问	支持最终使用者进行即席查询

数据域	系统	数据内容
B域	BSS	用户信息、消费信息、计费话单、投诉、终端信息、渠道、营销活动等数据
	CBSS
	ECS
	客服
O域	SEQ	A/IUCS、Iups、S1-MME、GN、GB、
	博瑞德	S1-U、MR、基站等数据
	永鼎
	综合网管

预测人数/人	查准率	查全率
25 000	90.60%	8.80%
50 000	81.00%	15.80%
100 000	69.20%	27.00%
150 000	61.50%	36.00%
200 000	55.50%	43.40%
250 000	50.50%	49.30%
300 000	46.30%	54.30%
350 000	42.90%	58.60%
400 000	40.00%	62.40%

预测人数/人	查准率	查全率
25 000	71.30%	7.00%
50 000	66.00%	12.90%
100 000	58.30%	22.80%
150 000	53.10%	31.10%
200 000	48.90%	38.20%
250 000	45.50%	44.50%
300 000	42.70%	50.10%
350 000	40.40%	55.20%
400 000	38.30%	59.80%

Construction and application of Anhui Unicom enterprise big data platform

RichHTML

PDF下载

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 17

References 16

Related Articles 13

Metrics

Recommended 0

序号	根因类别
1	资费原因
2	合约感知原因
3	社会交往影响原因
4	终端换机原因
5	地域变更原因
6	服务质量原因
7	通信质量原因
8	弃卡原因
9	多号类用户
10	新入网三低用户
11	其他原因

特征描述	符合离网根因用户离网率	相对全网离网率提升
对资费不满	13.20%	1.27%
流量压抑型	17.81%	1.71%
通话下降	27.29%	2.62%
流量下降	15.25%	1.47%
漫游用户	13.26%	1.27%
对通信质量不满	16.25%	1.56%
新入网三低用户	29.92%	2.88%
异网社交圈比例	26.95%	2.59%
社交圈减小	35.54%	3.42%
多号客户	18.61%	1.79%

[1]	Jie ZHOU, Bernardo Esono Esono Mikue, Xueying WANG, Huiting ZHOU, Hong LUO. PAPR optimization based on SLM and PTS algorithms in NC-OFDM systems [J]. Telecommunications Science, 2022, 38(7): 63-74.
[2]	Nian TAO, Sheng ZHANG, Tai FU. Analysis of the development trend and key scenarios of smart communities based on 5G+AIoT [J]. Telecommunications Science, 2022, 38(Z1): 231-239.
[3]	Lei QI, Huiqiong GU, Hao ZHU, Xu CHEN. Architecture and key technologies of 5G converged charging system [J]. Telecommunications Science, 2021, 37(6): 160-166.
[4]	Guilong WU, Zhimin YANG, Yu HUANG. Intelligent correlation method of typical business data in power communication operation management [J]. Telecommunications Science, 2021, 37(2): 164-172.
[5]	Lei QI,Hao ZHU,Huiqiong GU,Xu CHEN,Bo HU. Application and farmework of BaaS platform based on blockchain [J]. Telecommunications Science, 2020, 36(9): 172-178.
[6]	Xin LU,Anhui LENG,Shanshan MAO,Haimin HONG,Chun WANG. High frequency synchronous acquisition and edge computing based electrical topology discovery in low voltage distribution network [J]. Telecommunications Science, 2020, 36(8): 184-192.
[7]	Xun ZHANG, Chunhui ZHAI, Chengyu ZHANG, Jie JIA, Yue LONG. Construction and application of telecom operator IoT customer operation analysis system [J]. Telecommunications Science, 2019, 35(10): 117-129.
[8]	Tao LIU,Tao WU,Bin WANG. Association and application in XDR and MR data [J]. Telecommunications Science, 2019, 35(4): 120-130.
[9]	Min WEI,Yi WANG. Research and application of remote update technology of IoT terminal [J]. Telecommunications Science, 2018, 34(10): 137-142.
[10]	Zhao PENG. Architecture and service model of IoT enabled platform [J]. Telecommunications Science, 2017, 33(11): 141-145.
[11]	Haifeng ZHANG,Zhao DONG,Juan LI,Lei QI,Huiqiong GU. Construction of big data open platform for telecom operators [J]. Telecommunications Science, 2017, 33(4): 183-190.
[12]	Lei QI,Haifeng ZHANG,Tianxiao ZHANG,Hao ZHU,Xu CHEN. PaaS cloud platform based on container technology [J]. Telecommunications Science, 2017, 33(4): 177-182.
[13]	Xin JIN,Longchuan YAN,Jun LIU,Shulin ZHANG. Enterprise information system automatic fault diagnosis and analysis method based on decision tree [J]. Telecommunications Science, 2017, 33(3): 163-167.

特征描述	符合离网根因用户离网率	相对全网离网率提升
对资费不满	35.95%	3.46%
流量压抑型	68.98%	6.63%
合约即将到期	69.71%	6.7%
通话下降	59.44%	5.71%
流量下降	65.33%	6.28%
漫游用户	61.23%	5.89%
对服务质量不满	42.74%	4.11%
对通信质量不满	46.46%	4.47%
新入网三低用户	67.49%	6.49%