基于客户位置、设备和使用情况提供实时个性化产品/服务

通过实时个性化、情境化产品/服务赢得客户满意

在极其激烈的市场竞争中，以客户体验 (CX) 为先的电信企业无疑拥有明显优势。而通过充分利用所收集的海量数据，深度挖掘客户行为、偏好和位置这一信息金矿，电信企业能够更好地为客户提供卓越体验。事实上，基于客户位置数据为客户提供实时个性化产品/服务正是电信企业改善客户体验，进而显著提升盈利能力的一大利器。

所谓实时个性化产品/服务，既要求以客户个体的独特需求、偏好和位置为基础进行定制，又必须在客户与产品、服务或平台交互那一刻交付与客户。其背后的理念，在于通过向客户提供与其即时需求和利益高度相关的内容和服务，企业可以提高客户满意度，增强客户互动，最终取得更卓越成果 — 无论是更多销售收入还是更高的客户忠诚度和保留率。

要想实现这种水平的个性化，电信企业的一条可行道路是处理数据，运用算法的力量，根据客户最新情境和行为来即时调整内容、建议和体验。客户的智能手机随时都在发送位置数据，通过收集和分析这种位置数据，电信企业能够获得实时洞察。对电信企业而言，位置数据是一把尤为强大的武器。将位置数据与客户档案（包括人口统计信息和使用模式）相结合，电信企业可以构建一个关于每一位客户的全面视图，以之为基础提供高度相关、即时的产品和服务。此外，第三方数据（例如天气数据、交通模式、当地事件）也有助于电信企业在更丰富的情境下为客户交付个性化产品/服务。当然，实时数据分析在将数据转化为切实可行的可操作洞察方面扮演着重要角色。在高级分析工具的加持下，电信企业能够如闪电般地处理和分析数据，快速决策和实时交付个性化产品/服务。

实时个性化、基于位置的产品/服务可以提高客户体验的相关性和吸引力，显著影响客户行为。具体而言，电信企业可通过以下方式，基于历史数据（例如历史互动、购买历史和偏好）和实时数据（包括位置、设备类型和最新操作）为客户提供高度相关、高度个性化、高度情境化的卓越体验。

• 为跨境旅行客户提供国际漫游套餐或为特定地区用户提供价格折扣
• 识别网络问题和网络中断，主动解决问题并与受影响客户沟通，缓解客户的受挫感
• 打造定制化服务、提供有针对性的促销、优化网络性能，所有这些都将在确保客户获得卓越体验的同时赋予电信企业以强大优势
• 当客户套餐内数据流量即将耗尽时更新数据流量状态，防止产生超额费用，确保客户满意
• 推行客户忠诚度计划来奖励特定行为，例如客户访问门店或合伙伙伴企业
• 根据客户当前浏览内容或最近购买行为向客户推荐产品

对于电信企业，这种个性化方法还能缓解移动营销风险。移动营销固然是一种富有成效且能够带来盈利的营销方法，但事实是只有高度相关且切实有用的营销消息才能增强客户体验，不相关、粗放式的营销消息只会沦为垃圾信息，导致客户心生厌烦和流失。

总而言之，通过基于客户位置数据提供实时个性化产品/服务，电信企业可以实现双赢，在提高客户满意度的同时推动收入增长。这种主动式方法既能简化客户体验，又能降低意外费用风险，提高客户满意度和忠诚度。对于利润日渐收缩且同时要进行大规模资本投资的电信企业，数据驱动的个性化体验和基于位置的个性化产品/服务能够显著提高盈利能力。具体而言，基于位置的个性化方法能够通过以下多种方式提升电信企业收入。

• 当获得与当前位置高度相关的产品/服务时，客户更有可能自发购买或消费升级。
• 个性化产品/服务可维系客户互动，降低客户流失风险。
• 当感受到电信企业了解自己需求时，客户更有可能对电信企业保持忠诚。
• 相比大众营销，为客户提供有针对性的个性化产品/服务在成本上更为经济。
• 更多的追加销售和交叉销售机会支持电信企业销售更多服务（例如高级数据流量套餐和智能家居解决方案），提升客户生命周期价值。

当基于客户数据交付实时个性化产品/服务时，电信企业必须始终负责任地处理客户数据，遵守适用的监管要求并透明地沟通数据使用情况。基于数据的个性化与隐私保护之间的平衡是电信企业成功的一大关键。为此，电信企业需要一个既能提供出色的一致性、可扩展性和性能，又能提供可靠的安全保障和服务与部署灵活性的数据平台。

在一个全面的数据平台上实现个性化体验与隐私保护平衡

通过摄取、整理、处理和分析数据，电信企业可以基于客户位置为客户提供实时个性化产品/服务。这要求充分利用和实时分析来自客户设备的位置数据，然后基于数据分析洞察构建并交付个性化产品和服务。

下图展示了如何利用 Oracle 组件构建一个覆盖完整数据分析生命周期，可帮助电信企业和数字服务提供方为客户交付实时情境化产品/服务，同时实现以上广泛业务优势的分析架构。

此图展示了面向电信行业的 Oracle Data Platform 将如何帮助电信企业基于客户位置、使用情况和设备数据为客户提供情境化产品/服务，改善客户体验。

该平台包括以下五个支柱：

1. 1. 数据源和数据发现
2. 2. 摄取、转换
3. 3. 持久化存储、整理、创建
4. 4. 分析、学习、预测
5. 5. 评估、行动

“数据源和数据发现”支柱共涉及 4 类数据。

1. 1. 应用数据，包括 CRM、服务、计费、使用系统和产品目录数据
2. 2. 业务记录数据，包括 BSS、OSS、CDR 和购买历史数据
3. 3. 技术输入数据，包括网络事件、设备数据集和网络质量数据
4. 4. 第三方数据，包括 Oracle Data Cloud、社交数据和套餐数据

“连接、摄取、转换”支柱包括四个功能。

1. 1. 批量摄取，基于 OCI Data Integration、Oracle Data Integrator 和数据库工具。
2. 2. 批量传输，基于 OCI FastConnect、OCI Data Transfer、MFT 和 OCI CLI。
3. 3. 变更数据捕获，基于 OCI GoldenGate。
4. 4. 流式摄取，基于 OCI Streaming 和 Kafka Connect。

所有这 4 项功能都单向连接到“持久化存储、整理、创建”支柱下的伺服数据存储和云端存储。

此外，流式摄取功能还连接到“分析、学习、预测”支柱下的流式处理。

“持久化存储、整理、创建”支柱共涵盖 4 项功能。

1. 1. 伺服数据存储，基于 Oracle Autonomous Data Warehouse 和 Oracle Exadata Cloud Service。
2. 2. 云端存储，基于 OCI Object Storage。
3. 3. 批处理，基于 OCI Data Flow。
4. 4. 数据治理，基于 OCI Data Catalog。

这些功能在支柱内互联。云端存储不仅单向连接至伺服数据存储，还双向连接至批处理。

两项功能连接到“分析、学习、预测”支柱，其中伺服数据存储连接到分析和可视化功能，还连接到数据产品及 API 功能，云端存储连接到机器学习功能。

“分析、学习和预测”支柱包括四个功能。

1. 1. 分析和可视化，基于 Oracle Analytics Cloud、GraphStudio 以及 ISV 工具。
2. 2. 数据产品和 API，基于 Oracle Autonomous Data Sharing、OCI API Gateway 以及 OCI Functions。
3. 3. 机器学习，基于 OCI Data Science、Oracle Machine Learning 和 Oracle ML Notebooks。
4. 4. 流式处理，基于 OCI Goldengate Stream Analytics 和第三方工具。

“评估、行动”支柱聚焦于如何使用数据分析。

1. 1. “人和合作伙伴”部分包括客户细分、预测性分析、流失预测、动态定价模型、交叉销售和追加销售、分析/预测、生命周期价值预测。
2. 2. “应用”部分包括推荐系统/基于位置的服务、实时行为分析和舆情分析。
3. 3. “摄取、转换”、“持久化存储、整理、创建”和“分析、学习、预测”这三大核心支柱有赖于基础设施、网络、安全性和 IAM 的强大支持。

连接、摄取和转换数据

Oracle 解决方案由三大支柱组成，每个支柱负责特定的数据平台功能。第一个支柱提供数据连接、摄取和转换功能。

Oracle 主要通过四种方式将数据注入数据平台架构，帮助电信企业为客户提供实时个性化产品/服务。

• 第一步是使用 Oracle Cloud Infrastructure (OCI) GoldenGate 来实时或近乎实时（近乎实时摄取有时也被称为“适时”摄取，它要求在一个时间窗口内摄取数据，同时在该时间窗口内识别客户情境和向客户提供产品/服务）地从企业 CRM 和商品系统中摄取数据。为了确保严格遵守 Opt-out/in（选择退出/加入）和监管规则，商品目录和可用性数据以及资格规则数据在摄取上必须是近乎实时的。它们通常属于关系型数据，来源于企业应用。首先，OCI GoldenGate 使用变更数据捕获 (CDC) 功能从运营流程系统底层架构中检测变更事件（例如创建新商品、发生一个客户网络问题、客户使用新设备或接受新服务等等），实时将数据发送到一个持久层和/或流层。它能够处理已完成事务的日志文件，将所捕获的变更存储到独立于数据库的外部轨迹 (Trail) 文件，由此非侵入式地处理源变更。随后，变更数据将被可靠存储到一个中转数据库。这一过程中，Journaling Knowledge Module (JKM) 使用 Oracle Data Integrator 托管的元数据生成所有 OCI GoldenGate 配置文件；处理暂存区中 OCI GoldenGate 捕获的所有变更。最后，Oracle Data Integrator 的声明性转换映射功能会将变更数据加载到目标数据仓库。这一架构除了将数据加载和转换到分析数据仓库表，还支持单独、实时地报告归一化的暂存表数据。
• 第二步，Oracle 将批量传输历史运营事务数据，为模型训练和商品倾向性分析做准备。当首次将大量数据（例如来自现有本地分析存储库或其它云端的数据）移动到 Oracle Cloud Infrastructure 时，Oracle 建议使用批量传输服务，具体使用哪种批量传输服务取决于数据的位置和传输频率。举例来说，我们可以使用 OCI Data Transfer 服务或 OCI Data Transfer Appliance 从历史计划或数据仓库存储库中加载大量本地数据。当需要持续移动大量数据时，Oracle 建议使用 OCI FastConnect，它可以在客户数据中心与 OCI 之间提供高带宽的专用网络连接。
• 在当下，实时分析多种来源的客户位置数据对于为客户提供适当的情境化商品越来越重要。对此，Oracle 通过流式摄取来摄取来自移动端互动、IoT、机器对机器通信以及其他渠道的所有客户和所有内部事件数据。具体而言，数据流来源包括内部系统（例如网络）和外部系统（信标），数据类型包括位置数据、客户互动数据、运动数据以及社交媒体数据。数据（事件）摄取完成后，Oracle 将执行一些基本的转换/聚合操作，然后将数据存储到 OCI Object Storage。另外，Oracle 还支持进一步开展流式分析来识别相关的位置事件，启动“向客户发送情境化商品”行动，以及（手动）反馈所识别的任意模式 — 以便使用 OCI Data Science 检查原始数据。
• 虽然实时需求时刻处在变化之中，绝大多数来自产品、客户以及营销偏好管理系统的数据依然要通过 ETL 流程进行批量摄取。批量摄取适用于从不支持数据流式处理的系统（例如一些传统计费和评级系统）导入数据。对于这些数据，虽然摄取频率通常高达每 10 或 15 分钟一次，但它们本质上仍然属于批量数据，因为每次提取和处理的是一组​​而不是单个事务。OCI 提供多种服务来执行批量摄取，例如基于 OCI Compute 实例运行的原生 OCI Data Integration 服务和 Oracle Data Integrator。客户无需考虑技术问题，可基于自身偏好按需选择。

持久化存储、处理和整理数据

数据持久性和数据处理有赖于三个组件，有些客户会使用所有组件，有些客户则仅使用其中一部分组件。视数据规模和数据类型不同，数据既可以加载到对象存储，也可以直接加载到一个结构化关系数据库以进行持久存储。当预计可能使用数据科学功能时，从数据源以原始形式（未处理的本机文件或提取数据）检索的数据更多时候会被从事务系统捕获和加载到云端存储。

• 云端存储是 Oracle 数据平台最常用的数据持久性层，它适用于结构化和非结构化数据，基本构件块包括 OCI Object Storage、OCI Data Flow 和 Oracle Autonomous Data Warehouse。具体而言，以原始格式从数据源检索的数据将被捕获并加载到 OCI Object Storage，以 OCI Object Storage 作为主要的数据持久性层，以 OCI Data Flow 中的 Spark 作为主要的批处理引擎。批处理涉及多项活动，包括基本噪声处理、缺失数据管理以及基于所定义出站数据集的数据筛选。根据所需处理操作和所使用的数据类型，批处理结果将写回对象存储的各个层或一个持久化的关系存储库。
• 现在，Oracle 将使用伺服数据存储来持久化存储整理后的优化数据，以此提高查询性能，构建一个 360 度客户视图。伺服数据存储可提供一个持久化的关系层，支持最终用户通过基于 SQL 的工具直接获取整理后的高质量数据。在这一解决方案中，Oracle Autonomous Data Warehouse 被实例化为企业数据仓库或更专业的域级数据集市（如有需要）的伺服数据存储。它也可以是数据科学项目的数据源或 Oracle Machine Learning 所需的存储库。实践中，伺服数据存储可表现为多种形式，包括 Oracle MySQL HeatWave、Oracle Database Exadata Cloud Service 以及 Oracle Exadata Cloud@Customer。

分析数据、学习和预测

分析、学习和预测功能系通过三种技术方法实现。

• OCI GoldenGate 通过流式分析功能持续从数据源摄取流数据，包括位置数据。该等数据实时来自 GPS 设备和移动应用，旨用于识别客户位置和行为。这形成了一种事件驱动架构，即将数据作为一系列事件进行处理。具体而言，事件可能是用户移动、地理围栏触发或者任何其他高度相关事件。其中，地理围栏事件（指用户进入或离开预定义地理区域）的处理为实时处理，可以即刻触发业务操作，例如基于用户最新位置评估预定义的个性化商品规则。这一解决方案还能无缝与外部数据源集成，通过额外情境扩充实时分析。实践中，电信企业可以将天气状况或当地事件等外部数据纳入数据处理管道，以此提高为客户所提供商品的相关度和个性化水平并实时做出响应，例如基于用户最新情境和位置触发操作和生成个性化商品。
• 高级分析功能对于识别客户行为，制定个性化商品决策（包括接受倾向性和情境化分析）至关重要。在这一使用场景中，Oracle 通过 Oracle Analytics Cloud 提供分析和可视化功能。借助该解决方案，电信企业将能够运行描述性分析（使用直方图和图表描述当前趋势）、预测性分析（预测未来事件、识别未来趋势以及探索非确定性结果的发生概率）和规范性分析（提出适当的行动建议，从而做出理想决策）。
• 规范性分析不仅可以预测结果，还可以提供最佳行动建议。电信企业可以通过规范性分析洞察客户偏好，提供基于位置的，契合客户需求和利益的个性化商品。而通过对历史数据运行预测性模型，电信企业能够预测未来结果，制定前瞻性决策。例如，电信企业可以开展预测性分析来识别最适合客户的商品，预测客户行为；识别潜在的情境化机会；提高客户对商品的接受度。
• 除了高级分析，数据科学、机器学习和人工智能如今也越来越广泛地被应用于异常检测、流程延迟预测以及客户旅程优化。例如，机器学习模型可应用于客户上下文识别、客户细分和个性化营销，它们能够持续学习新数据，适应新情况并逐步增强性能，提高客户满意度和盈利能力。在这一领域，OCI Data Science、OCI AI 服务和 Oracle Machine Learning 均可在数据库中使用。
• 我们使用机器学习和数据科学方法来构建和训练预测模型。然后通过 API 来部署机器学习模型以进行评分，或者将机器学习模型嵌入 OCI GoldenGate 流式分析管道。在某些情况下，这些模型甚至可以藉由 Oracle Machine Learning Services REST API 部署在数据库中（为此，模型需采用开放式神经网络交换格式）。此外，伺服或事务数据存储中也能部署面向 Jupyter/Python 笔记本的 OCI Data Science 或面向 Zeppelin 笔记本和机器学习算法的 Oracle Machine Learning。同样，无论是单独使用还是搭配使用，Oracle Machine Learning 和 OCI Data Science 都可以用于开发建议模型/决策模型。这些模型可以作为服务部署在 OCI API Gateway 后面，作为“数据产品”和服务进行交付。构建后，机器学习模型可以部署到运营决策系统的应用中（如果允许）。
• 最后一个也十分关键的组成部分是数据治理，它基于 OCI Data Catalog 实现。OCI Data Catalog 是一项免费服务，能够为数据平台生态系统中的所有数据源提供数据治理和元数据（包括技术和业务元数据）管理支持。OCI Data Catalog 还是一个从 Oracle Autonomous Data Warehouse 到 OCI Object Storage 的重要查询组件，它支持快速定位数据，无论数据存储方式如何。这允许最终用户、开发人员和数据科学家在架构中的所有持久数据存储中使用通用访问语言 (SQL)。

利用数据的力量改善客户体验和提高客户忠诚度

Oracle Modern Data Platform 提供完整数据生命周期支持，可凭借专业工具、强大性能、可靠的安全性以及杰出的灵活性帮助电信企业为客户交付基于位置的实时个性化商品。无论是对于客户还是电信企业，这种营销方法都能带来显著优势，具体包括：

• 增强客户体验：客户在最能感知商品价值和最易于接受商品的时间和位置获得商品。
• 提高接受率和客户生命周期价值：客户最有可能接受自己切实期望和需要的商品，这有助于电信企业实现销售增长。
• 更好地获取和维系客户：凭借高效的服务交付流程、富有竞争力的定价以及创新型产品，电信企业可以为客户提供卓越体验，显著提高客户忠诚度并降低客户流失率。
• 提升成本效益：个性化商品相比大众营销通常能带来更大的成功，为电信企业带来更高的投资回报。
• 促进收入增长：通过提升客户忠诚度、深化客户互动、拓展针对性的交叉销售和追加销售机会、优化营销支出以及提高客户生命周期价值，电信企业能够在市场上构建领先优势，推动收入增长。