馬春宇，王軍林，王寶旺，甘波華

?

個(gè)性化推薦助力運(yùn)營商數(shù)字化營銷

馬春宇，王軍林，王寶旺，甘波華

（華為技術(shù)有限公司，廣東 深圳 518129）

簡(jiǎn)要分析電信運(yùn)營商數(shù)字化營銷的挑戰(zhàn)與訴求，吸取互聯(lián)網(wǎng)思維優(yōu)勢(shì)，提出個(gè)性化推薦助力運(yùn)營商數(shù)字化營銷，并介紹運(yùn)營商個(gè)性化推薦的發(fā)展歷程。描述基于運(yùn)營商產(chǎn)品、用戶行為數(shù)據(jù)以及大數(shù)據(jù)平臺(tái)計(jì)算能力，探索運(yùn)營商個(gè)性化推薦營銷實(shí)現(xiàn)原理和實(shí)現(xiàn)流程。最后，講述了個(gè)性化推薦在數(shù)字化營銷中實(shí)現(xiàn)的場(chǎng)景，并對(duì)運(yùn)營商個(gè)性化推薦的價(jià)值和未來進(jìn)行展望。

個(gè)性化推薦；電信運(yùn)營商；大數(shù)據(jù)；數(shù)字化營銷

1 引言

隨著智能手機(jī)和移動(dòng)互聯(lián)網(wǎng)的飛速發(fā)展，運(yùn)營商數(shù)據(jù)爆炸式增長。大數(shù)據(jù)時(shí)代來臨，企業(yè)如何利用好數(shù)據(jù)，實(shí)現(xiàn)更精細(xì)化運(yùn)營、更好服務(wù)于客戶是新時(shí)期面臨的重要課題。運(yùn)營商營銷管理也在不斷演進(jìn)，從營銷策劃管理到營銷閉環(huán)，從批量營銷到實(shí)時(shí)/事件營銷，從粗放式營銷到精準(zhǔn)營銷。經(jīng)過十多年的發(fā)展，運(yùn)營商營銷能力不斷提升，以滿足高效、精準(zhǔn)、實(shí)時(shí)的營銷服務(wù)需求[1]。

移動(dòng)互聯(lián)網(wǎng)時(shí)代，用戶每天面對(duì)著海量音頻、資訊、商品等產(chǎn)品，用戶很難在海量信息中快速搜索自己感興趣的產(chǎn)品。對(duì)于企業(yè)而言，也很難掌握客戶購買意圖，難以與客戶的需求精準(zhǔn)匹配，因此為解決信息過載和物品長尾等問題的個(gè)性化推薦工具應(yīng)勢(shì)而生。其應(yīng)用領(lǐng)域已推廣到商品銷售、服務(wù)、新聞資訊等生活的方方面面。

伴隨移動(dòng)互聯(lián)網(wǎng)的發(fā)展，Amazon作為第一家將推薦引擎引入電子商務(wù)的企業(yè)，據(jù)VentureBeat統(tǒng)計(jì)，Amazon的推薦系統(tǒng)為其提供了35%的商業(yè)銷售額。還有淘寶網(wǎng)、今日頭條、Netflix等互聯(lián)網(wǎng)公司，它們基于用戶歷史數(shù)據(jù)挖掘、用戶偏好特征識(shí)別、精準(zhǔn)推薦合適產(chǎn)品的個(gè)性化營銷引人注目。這也為運(yùn)營商的個(gè)性化推薦營銷提供了很好的參考樣例。

人口紅利已經(jīng)消失殆盡，而流量紅利并沒有扭轉(zhuǎn)運(yùn)營商收入、利潤下滑的趨勢(shì)。數(shù)據(jù)紅利時(shí)代遲遲未到，運(yùn)營商還需要在本業(yè)務(wù)上下工夫。

存量保有和價(jià)值提升是運(yùn)營商拓展收入的主要方向，但面對(duì)信息檢索手段有限、信息和內(nèi)容過量，用戶喜好無法準(zhǔn)確定，多業(yè)務(wù)的混合推薦無法有效支撐等問題，傳統(tǒng)營銷模式束手無策。應(yīng)向互聯(lián)網(wǎng)企業(yè)學(xué)習(xí)，學(xué)習(xí)互聯(lián)網(wǎng)思維，引入個(gè)性化推薦，以期提升營銷效率[2,3]。

2 個(gè)性化推薦的發(fā)展歷程

根據(jù)運(yùn)營商數(shù)字化營銷的個(gè)性化推薦發(fā)展，可劃分為3個(gè)階段。

（1）零個(gè)性化推薦階段

該階段運(yùn)營商業(yè)務(wù)快速增長，因?yàn)橛脩舻钠占奥时容^低，運(yùn)營目的主要是快速擴(kuò)大客戶群，采用“廣撒網(wǎng)”式的粗放營銷，營銷人員以經(jīng)驗(yàn)為主，構(gòu)建以“規(guī)則”驅(qū)動(dòng)的商業(yè)營銷。過程中主要依據(jù)業(yè)務(wù)人員的經(jīng)驗(yàn)，一般也會(huì)利用用戶基本信息（如地域、性別、年齡等）以及客戶偏好等信息。這在當(dāng)時(shí)的環(huán)境下還是非常有效的，幫助運(yùn)營商快速成長。但是，隨著用戶數(shù)的飽和，“廣撒網(wǎng)”營銷方式成本較高且資源浪費(fèi)嚴(yán)重，已經(jīng)不適合運(yùn)營商當(dāng)下的運(yùn)營。

（2）半個(gè)性化推薦階段

該階段用戶趨于飽和，用戶的增長和離網(wǎng)也趨于平衡，運(yùn)營壓力在于存量客戶保有和拉新并重。同時(shí)，智能手機(jī)的普及，運(yùn)營商業(yè)務(wù)也呈現(xiàn)復(fù)雜化發(fā)展，廣撒網(wǎng)的營銷不僅造成資源的浪費(fèi)，同時(shí)對(duì)客戶過度營銷和打擾會(huì)引起客戶不滿而投訴增加，需要采用新的營銷思路來拓展運(yùn)營。這時(shí)出現(xiàn)了精準(zhǔn)營銷、實(shí)時(shí)營銷、事件營銷等方式，基于用戶行為，挖掘用戶特性的個(gè)性化推薦受到各個(gè)運(yùn)營商的青睞。本階段已開始構(gòu)建以“算法”為推薦引擎的數(shù)字化營銷。采用的算法主要是熱點(diǎn)推薦、客戶相似度推薦、產(chǎn)品相似度推薦、內(nèi)容關(guān)聯(lián)推薦和決策樹推薦。主要學(xué)習(xí)Amazon、Netflix等互聯(lián)網(wǎng)公司的個(gè)性化推薦能力。這種推薦能力大部分還是以“商品”“用戶”為核心，即運(yùn)營商有什么樣的商品，判別什么樣的客戶群適合營銷，然后向目標(biāo)客戶群觸發(fā)營銷的動(dòng)作。半個(gè)性化推薦后期，算法能力進(jìn)一步擴(kuò)展，以稀疏線性預(yù)測(cè)模型等算法為代表，支持特征擴(kuò)展，維度特征可以擴(kuò)展到上萬個(gè)，挖掘用戶歷史行為信息以及用戶背景信息進(jìn)行商品推薦。但這個(gè)階段也面臨一些瓶頸，例如需要領(lǐng)域?qū)＜襾碓O(shè)計(jì)特征，很難將一個(gè)領(lǐng)域的成功經(jīng)驗(yàn)復(fù)制到另一個(gè)領(lǐng)域。從發(fā)展?fàn)顟B(tài)看，當(dāng)前運(yùn)營商個(gè)性化推薦正在從半個(gè)性化推薦前期向后期過渡，這也是本文重點(diǎn)闡述的主題。

（3）個(gè)性化推薦階段

該階段以技術(shù)驅(qū)動(dòng)為標(biāo)識(shí)，也就是基于人工智能的深度學(xué)習(xí)。從業(yè)務(wù)場(chǎng)景上看，客戶長期以來一直有“千人千面，一客一策”的業(yè)務(wù)營銷訴求，但是由于技術(shù)原因，一直沒有采用這種方式提高營銷能力。當(dāng)前隨著人工智能技術(shù)的重大突破，通過機(jī)器的自學(xué)習(xí)，構(gòu)建以“深度學(xué)習(xí)”為核心的智能營銷已然成為新的趨勢(shì)。深度學(xué)習(xí)已經(jīng)不需要業(yè)務(wù)專家做用戶特征分析，只需要一般業(yè)務(wù)人員能夠把特征識(shí)別出來并獲取到數(shù)據(jù)，同時(shí)從一個(gè)領(lǐng)域遷移到另一個(gè)領(lǐng)域的代價(jià)也變小了，但是也有一個(gè)挑戰(zhàn)，就是對(duì)系統(tǒng)和算法的設(shè)計(jì)需要優(yōu)秀的科學(xué)家或工程師[4,5]。

3 個(gè)性化推薦實(shí)現(xiàn)原理和流程

3.1 個(gè)性化推薦實(shí)現(xiàn)原理

個(gè)性化推薦解決了在合適的場(chǎng)景、合適的時(shí)機(jī)，通過合適的渠道，把合適的內(nèi)容推薦給合適的用戶的問題。個(gè)性化推薦原理如圖1所示，個(gè)性化推薦由用戶的接觸事件發(fā)起，根據(jù)用戶的接觸事件，找到匹配的用戶和場(chǎng)景，然后通過推薦算法找到適合的推薦產(chǎn)品，接著營銷接觸頻次控制進(jìn)行過濾，最后由營銷渠道把推薦信息推送給用戶。

圖1 個(gè)性化推薦實(shí)現(xiàn)原理

個(gè)性化推薦主要包含4個(gè)方面的內(nèi)容：推薦算法、推薦引擎、任務(wù)調(diào)度、系統(tǒng)管理。各個(gè)模型相互協(xié)作，實(shí)現(xiàn)個(gè)性化推薦服務(wù)，如圖2所示。

個(gè)性化推薦引擎把常用的推薦算法預(yù)置到系統(tǒng)內(nèi)，供個(gè)性化推薦營銷調(diào)用，其算法是核心，而引擎進(jìn)行了算法服務(wù)化。例如，特征相似推薦算法、內(nèi)容協(xié)同推薦算法、用戶協(xié)同推薦算法、判別樹算法、用戶偏好推薦算法等，表1列舉了幾個(gè)常用算法[6]。

3.2 個(gè)性化推薦實(shí)現(xiàn)流程

個(gè)性化推薦的計(jì)算模型構(gòu)建在云化ETL、統(tǒng)一調(diào)度引擎、數(shù)據(jù)挖掘和流式數(shù)據(jù)處理之上，當(dāng)新增商品類型推薦時(shí)，基于用戶的元數(shù)據(jù)定義、數(shù)據(jù)源引入、推薦算法配置、推薦位配置等推薦策略生成推薦列表，供外部系統(tǒng)調(diào)用。

一個(gè)完整的個(gè)性化推薦場(chǎng)景，需要數(shù)據(jù)分析師與業(yè)務(wù)人員的參與。數(shù)據(jù)分析師配置元數(shù)據(jù)、數(shù)據(jù)源、算法模型、推薦位等信息，業(yè)務(wù)人員則根據(jù)實(shí)際業(yè)務(wù)配置推薦范圍、人工推薦列表、分流規(guī)則等。個(gè)性化推薦的完整營銷活動(dòng)設(shè)計(jì)流程如圖3所示，營銷管理（campaign management）負(fù)責(zé)個(gè)性化推薦策略的配置、管理；策略中心（policy center）負(fù)責(zé)個(gè)性化推薦策略的解析、執(zhí)行；推薦引擎（recommend engine）負(fù)責(zé)同步推薦數(shù)據(jù)，基于算法和模型計(jì)算推薦的產(chǎn)品列表，并進(jìn)行服務(wù)封裝，把結(jié)果返回營銷管理。營銷管理根據(jù)配置的個(gè)性化推薦策略進(jìn)行調(diào)度執(zhí)行，將推薦產(chǎn)品信息推送給用戶。

圖2 個(gè)性化推薦核心模塊介紹

表1 推薦算法舉例

下面以商品智能推薦為例，介紹商品推薦計(jì)算配置流程。

（1）商品元數(shù)據(jù)配置

運(yùn)營商新增商品類別時(shí)，需要基于新商品的特征計(jì)算特征相似度，并基于用戶對(duì)商品的行為計(jì)算協(xié)同推薦。因此，需要提前定義商品元數(shù)據(jù)。個(gè)性化推薦引擎涉及的元數(shù)據(jù)有內(nèi)容元數(shù)據(jù)、行為元數(shù)據(jù)、第三方接入元數(shù)據(jù)等。

（2）數(shù)據(jù)源接入配置

個(gè)性化推薦引擎執(zhí)行推薦任務(wù)時(shí)，依賴于接入數(shù)據(jù)源獲取業(yè)務(wù)系統(tǒng)上傳的商品數(shù)據(jù)、用戶行為數(shù)據(jù)等。因此，需要數(shù)據(jù)源接入，涉及的數(shù)據(jù)源有內(nèi)容數(shù)據(jù)源、行為數(shù)據(jù)源、第三方接入數(shù)據(jù)源等。

（3）算法模型配置

個(gè)性化推薦引擎通過算法模型配置，將具體的推薦算法與數(shù)據(jù)模型、數(shù)據(jù)源關(guān)聯(lián)，封裝成實(shí)際的推薦服務(wù)。

（4）推薦位配置

不同的運(yùn)營位需要呈現(xiàn)不同的個(gè)性化推薦策略，個(gè)性化推薦引擎需要推薦位與算法模型進(jìn)行關(guān)聯(lián)，明確推薦位使用的推薦服務(wù)，同時(shí)推薦位編碼與業(yè)務(wù)系統(tǒng)中的實(shí)際推薦位需要一一對(duì)應(yīng)，業(yè)務(wù)系統(tǒng)根據(jù)推薦位編碼請(qǐng)求對(duì)應(yīng)的推薦數(shù)據(jù)。

圖3 個(gè)性化推薦系統(tǒng)流程

（5）推薦規(guī)則配置

推薦規(guī)則是多種多樣的，幾種推薦規(guī)則在一起，需要對(duì)推薦規(guī)則進(jìn)行約定，如先“排序規(guī)則”，后“主推規(guī)則”，再“不足補(bǔ)齊規(guī)則”等，并按順序返回推薦結(jié)果。其中，“主推規(guī)則”是指選擇算法模型并配置權(quán)重，配置推薦位首選的算法數(shù)據(jù)。配置多個(gè)算法模型時(shí)，應(yīng)確認(rèn)推薦順序。為了系統(tǒng)的靈活性，可以設(shè)置“系統(tǒng)自動(dòng)調(diào)整融合比例”，由自優(yōu)化模型根據(jù)用戶對(duì)推薦結(jié)果的響應(yīng)自動(dòng)調(diào)整推薦算法的融合比例。

個(gè)性化推薦可以擴(kuò)展推薦能力，如業(yè)務(wù)人員在創(chuàng)建推薦方案時(shí)可以配置推薦范圍、人工推薦列表、分流規(guī)則等。

? ? 推薦范圍：基于內(nèi)容元數(shù)據(jù)的屬性規(guī)則進(jìn)行分組，限定推薦位的推薦范圍，使某個(gè)推薦位的實(shí)際推薦結(jié)果更具體。

? ? 人工推薦列表：針對(duì)當(dāng)前的推薦效果調(diào)整推薦策略，如針對(duì)運(yùn)營商主推的新增商品配置人工推薦列表。

? ?? 分流規(guī)則：針對(duì)同一個(gè)推薦位，不同用戶采用不同推薦策略。

（6）個(gè)性化推薦執(zhí)行

推薦策略發(fā)布后，個(gè)性化推薦引擎會(huì)自動(dòng)拉起后臺(tái)算法任務(wù)，完成計(jì)算后將計(jì)算結(jié)果數(shù)據(jù)寫入內(nèi)存庫。當(dāng)業(yè)務(wù)系統(tǒng)上報(bào)推薦請(qǐng)求時(shí)，根據(jù)請(qǐng)求消息中的推薦位編碼與算法模型的關(guān)聯(lián)關(guān)系，個(gè)性化推薦引擎會(huì)返回對(duì)應(yīng)的推薦數(shù)據(jù)。

4 個(gè)性化推薦使用場(chǎng)景

個(gè)性化推薦算法封裝后，通過導(dǎo)入不同的數(shù)據(jù)，將會(huì)產(chǎn)生不同的推薦場(chǎng)景，運(yùn)營商可做的個(gè)性化推薦場(chǎng)景，包括數(shù)字內(nèi)容推薦、錯(cuò)誤導(dǎo)航以及視頻推薦等。

（1）場(chǎng)景1：數(shù)字內(nèi)容推薦

對(duì)接掌上營業(yè)廳、互聯(lián)網(wǎng)、咪咕等系統(tǒng)，當(dāng)用戶訪問某個(gè)頁面時(shí)，在頁面的某個(gè)區(qū)域（推薦位）顯示和當(dāng)前用戶以及當(dāng)前訪問相關(guān)的推薦信息。

（2）場(chǎng)景2：錯(cuò)誤導(dǎo)航

當(dāng)用戶訪問運(yùn)營商網(wǎng)絡(luò)失?。ňW(wǎng)站不存在、網(wǎng)絡(luò)錯(cuò)誤、超時(shí)等），根據(jù)當(dāng)前用戶、訪問目標(biāo)網(wǎng)站、錯(cuò)誤信息給出相應(yīng)的推薦信息。

（3）場(chǎng)景3：視頻推薦

當(dāng)用戶在IPTV系統(tǒng)中查看要訪問的節(jié)目時(shí)，根據(jù)用戶歷史訪問的視頻，與當(dāng)前視頻和其他視頻的相關(guān)性，顯示推薦的視頻節(jié)目。

圖4 個(gè)性化推薦使用場(chǎng)景

如圖4所示，以基于數(shù)字業(yè)務(wù)內(nèi)容的個(gè)性化推薦為例，個(gè)性化推薦使用場(chǎng)景處理步驟如下：

步驟1 用戶通過網(wǎng)上營業(yè)廳/掌上營業(yè)廳/移動(dòng)商城/微信公眾號(hào)等渠道，搜索/瀏覽游戲、音樂、視頻等數(shù)字內(nèi)容業(yè)務(wù)；

步驟2 通過Web前端插碼，檢測(cè)到用戶搜索或者瀏覽網(wǎng)頁的操作行為，實(shí)時(shí)將該事件反饋給營銷管理；

步驟3 該事件實(shí)時(shí)觸發(fā)數(shù)字內(nèi)容營銷活動(dòng)，判斷該用戶是否屬于該營銷活動(dòng)的目標(biāo)用戶；

步驟4 營銷管理根據(jù)推薦模型，匹配用戶訪問或搜索的內(nèi)容信息，結(jié)合用戶的數(shù)據(jù)內(nèi)容偏好、產(chǎn)品標(biāo)簽信息，系統(tǒng)為用戶推薦一個(gè)或多個(gè)數(shù)字內(nèi)容產(chǎn)品；

步驟5 系統(tǒng)通過用戶訪問的渠道將推薦結(jié)果反饋給用戶；

步驟6 基于收集渠道反饋的營銷結(jié)果數(shù)據(jù)進(jìn)行分析統(tǒng)計(jì)，實(shí)現(xiàn)營銷監(jiān)控與評(píng)估。

5 結(jié)束語

運(yùn)營商面臨的運(yùn)營壓力和客戶過度打擾帶來的不良體驗(yàn)，都需要開展精準(zhǔn)的個(gè)性化推薦來解決，通過向客戶個(gè)性化推薦產(chǎn)品信息，吸引客戶使用、購買推薦產(chǎn)品，幫助運(yùn)營商提升ARPU和客戶黏性。此外，運(yùn)營商根據(jù)推薦價(jià)值和效果評(píng)估結(jié)果，動(dòng)態(tài)調(diào)整產(chǎn)品推薦規(guī)則，提升推薦準(zhǔn)確率，實(shí)現(xiàn)對(duì)有需求的潛在用戶直接觸發(fā)，提升意向群體的購買轉(zhuǎn)化率，增加運(yùn)營商收益。

對(duì)用戶來說，無需面對(duì)浩瀚信息，也無需刻意搜索，便可快速獲取感興趣的內(nèi)容。不感興趣的內(nèi)容則被屏蔽，客戶體驗(yàn)自然得到提升。

暢想未來，數(shù)字化技術(shù)深入人們的生活、工作、社交，對(duì)每個(gè)人進(jìn)行數(shù)據(jù)量化和管理，為個(gè)性化推薦提供了應(yīng)用基礎(chǔ)；同時(shí)，大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，特別是人工智能的火熱勢(shì)頭，對(duì)個(gè)性化推薦能力和應(yīng)用提供了更有力的支撐，實(shí)現(xiàn)真正“千人千面，一客一策”的個(gè)性化推薦營銷。

面向未來，個(gè)性化推薦還有兩個(gè)方面的課題需要研究和思考。一方面，運(yùn)營商個(gè)性化推薦系統(tǒng)如何充分利用運(yùn)營商自身優(yōu)點(diǎn)，如多數(shù)據(jù)中心資源、大網(wǎng)絡(luò)帶寬，進(jìn)一步整合渠道、深化信息處理能力等是個(gè)性化推薦的新課題。另一方面，用戶每天從各種渠道接觸到大量信息，用戶已從最初的驚喜變得無所適從，如何幫助用戶過濾無關(guān)消息、篩選價(jià)值信息，是個(gè)性化推薦面臨的挑戰(zhàn)與重要機(jī)遇。

[1] 吳軍. 大數(shù)據(jù)和機(jī)器智能對(duì)未來社會(huì)的影響[J]. 電信科學(xué), 2015, 31(2): 7-16.

WU J. Big data, machine intelligence and their impacts to the future world [J]. Telecommunications Science, 2015, 31(2): 7-16.

[2] 漆晨曦. 立足小數(shù)據(jù)基礎(chǔ)的電信企業(yè)大數(shù)據(jù)分析應(yīng)用發(fā)展策略[J]. 電信科學(xué), 2014, 30(10): 15-20.

QI C X. Analysis and application development strategy of telecom enterprise big data based on small data [J]. Telecommunications Science, 2014, 30(10): 15-20.

[3] 童曉渝, 張?jiān)朴? 房秉毅, 等. 大數(shù)據(jù)時(shí)代電信運(yùn)營商的機(jī)遇[J]. 信息通信技術(shù), 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 Technology, 2013(1): 5-9.

[4] 劉春, 鄒海鋒, 向勇. 大數(shù)據(jù)環(huán)境下電信數(shù)據(jù)服務(wù)能力開放研究[J]. 電信科學(xué), 2014, 30(3): 156-161.

LIU C, ZOU H F, XIANG Y, et al. Research on telecom data service open ability under the environment of big data[J]. Telecommunications Science, 2014, 30(3): 156-161.

[5] 尤海浪, 錢鋒, 黃祥為, 等. 基于大數(shù)據(jù)挖掘構(gòu)建游戲平臺(tái)個(gè)性化推薦系統(tǒng)的研究與實(shí)踐[J]. 電信科學(xué), 2014, 30(10): 27-32.

YOU H L, QIAN F, HUANG X W, et al. Research and practice of building a personalized recommendation system for mobile game platform based on big data mining[J]. Telecommunications Science, 2014, 30(10): 27-32.

[6] HE P. The research on personalized recommendation algorithm of library based on big data and association rules[J]. Open Cybernetics & Systemics Journal, 2015,9(1): 2554-2558.

Personalized recommendation helps carrier’s digital marketing

MA Chunyu, WANG Junlin, WANG Baowang, GAN Bohua

Huawei Technologies Co., Ltd., Shenzhen 518129, China

The challenge and demands of telecom operator’ digital marketing were briefly analyzed, the advantages of internet thought were also drawled and then the personalized recommendations were proposed to help telecom operator’s digital marketing, and the history of carrier’s personalized recommendation was introduced. Then the principle and implementation process of telecom operator’s personalized recommendation which bases on carrier merchandise, user behavior data and the computing ability of big data platform was described. Finally, the implementation scenario of personalized recommendation in telecom operator digital content business was described, and the value and future of personalized recommendation have prospected.

personalized recommendation, telecom operator, big data, digital marketing

TN929.5

A

10.11959/j.issn.1000?0801.2018033

2017?12?10；

2018?01?06

馬春宇（1973?）男，華為技術(shù)有限公司高級(jí)營銷經(jīng)理，主要從事運(yùn)營商業(yè)務(wù)建設(shè)和規(guī)劃、大數(shù)據(jù)方案規(guī)劃、數(shù)字化營銷方案規(guī)劃和個(gè)性化推薦運(yùn)營方案規(guī)劃等工作。

王軍林（1980?），男，博士，華為技術(shù)有限公司中國區(qū)運(yùn)營商BG大數(shù)據(jù)商業(yè)解決方案部部長，主要研究方向?yàn)锽I（商業(yè)智能）及大數(shù)據(jù)業(yè)務(wù)，在業(yè)務(wù)拓展、市場(chǎng)營銷方面有著多年的實(shí)踐積累。

王寶旺（1976?），男，華為技術(shù)有限公司中國地區(qū)部大數(shù)據(jù)解決方案設(shè)計(jì)團(tuán)隊(duì)leader，長期從事電信行業(yè)經(jīng)營分析系統(tǒng)、大數(shù)據(jù)平臺(tái)的建設(shè)工作，涉及項(xiàng)目管理、業(yè)務(wù)方案和系統(tǒng)設(shè)計(jì)。

甘波華（1991?），男，華為技術(shù)有限公司大數(shù)據(jù)產(chǎn)品解決方案經(jīng)理，主要從事大數(shù)據(jù)分析、數(shù)字化營銷行業(yè)解決方案設(shè)計(jì)等工作。