电信运营商大数据解决方案.ppt

电信运营商大数据解决方案,1,电信运营商大数据解决方案1,一,数据处理技术的演进,二,主流分析型数据库技术介绍、对比及选型,三,电信运营商大数据平台,2,目录,一数据处理技术的演进二主流分析型数据库技术介绍、对比及选型三,什么是大数据,大数据指不用随机分析法（抽样调查）这样的捷径，而采用对所有数,据进行分析处理的方法维克托迈尔舍恩伯格,“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和,流程优化能力来适应海量、高增长率和多样化的信息资产全球领,先的信息技术研究和分析公司,Gartner,一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库,软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流,转、多样的数据类型和价值密度低四大特征麦肯锡,3,什么是大数据大数据指不用随机分析法（抽样调查）这样的捷径，而,大数据,4V,特征,?,随时随地产生数据，数据量更大,?,以“低成本”的方式获得“可接受”,的数据分析结果,?,Cheap,：“廉数据”,V,olume,Variety,?,数据具有多样性,?,数据来源多、类型多,?,Multi-X,：同一对象多维描述,?,对处理速度要求更高,?,实时和在线,?,Swift,：“快数据”,Velocity,Value,?,?,?,?,价值密度低,更多高价值的数据产生,对有价值数据进行“提纯”,大数据的目的,Big,Data,Big,Money,4,大数据4V特征?随时随地产生数据，数据量更大?以“低成本”的,数据库技术是大数据处理的关键,?,大数据处理流程,数据获取,数据,ETL,数据存储,数据分析,数据服务,数据库技术是大数据的关键！,5,数据库技术是大数据处理的关键?大数据处理流程数据获取数据ET,数据处理技术的演进,分布式技术提出,谷歌提出分布式文件系统、分布式数据库和,分布式计算框架，奠定大数据技术基础,实时计算技术提出,流计算、图计算、交互式分析、内存计算等,技术不断演进,1995,2000,2005,2010,2015,SQL/ACID,传统关系型数据库的崛起，提出面向企业,应用的商业智能，面向数据仓库的数据分,析（,OLAP,）技术兴起,大数据,Hadoop,技术提出,开源,Apache,Hadoop,逐渐兴起，大幅推,进互联网大数据应用,混合技术架构兴起,Spark,、,Flink,等新一代分析引擎融入大数,据平台,6,数据处理技术的演进分布式技术提出谷歌提出分布式文件系统、分布,数据处理框架的演进,RDB,MPP,数据库,Hadoop,7,数据处理框架的演进RDBMPP数据库Hadoop7,数据处理框架,-RDB(Relational Database),?,特点,单服务器、小型机,?,集中式数据和业务处理,?,ACID(Atomicity,、,Consistency,、,Isolation,、,Durability),?,Scale-Up,?,OLTP(On-Line,Transaction,Processing),，响应时间敏感,?,成本低,?,?,缺点,大数据处理性能较差,?,容灾性较差,?,稳定性有局限,?,业务和数据处理规模有限,?,扩展性和灵活性较差,?,8,数据处理框架-RDB(Relational Database,数据处理框架,-MPP,?,特点,Massively Parallel,Processing,?,多服务器、多节点，多任务并行执行,?,数据分布式存储和计算,?,ACID,?,Scale-out,?,OLAP(Online Analytical,Processing),?,商业化,?,?,缺点,扩展规模有限,?,对并发的支持有限,?,节点增删维护工作较复杂,?,不支持非结构化数据,?,成本较高,?,9,数据处理框架-MPP?特点Massively Paralle,Hadoop,生态系统,Hadoop,，允许使用简单的编程模型，以跨集群分布式的方式，处理大型数据集。具有可靠、高效、可伸缩的特点。,它的目的，是从单一的服务器到上千台机器进行扩展，从而利用各自的本地计算和存储资源。是一个能够让用户轻松构建和使用的分,布式计算平台。用户可以轻松地在,Hadoop,上开发和运行处理海量数据的应用程序。,Hadoop,在应用层面检测与处理各类错误，因此能够在,一个集群内实现高可用性。,并且,Hadoop,已经成为大数据行业的标准，形成了一个健康活跃的生态系统。可靠性、高扩展性、高效性、高容错性、低成本。,10,Hadoop生态系统Hadoop，允许使用简单的编程模型，以,数据处理框架,-Hadoop,?,特点,?,多服务器、多节点的集群架构,?,大数据多任务的分布式处理,?,HDFS(Hadoop,Distributed,File,System),分布式文件系统、流式访问,?,MapReduce,曹冲称象，分而治之,?,可靠、高效、高扩展（,Scale-out,）、高容错、低成本,?,可处理多种格式数据源，非结构化、半结构化数据,?,开源,?,缺点,?,对,SQL,的支持有限,?,无法高效存储大量小文件,?,不支持多用户写入及任意修改文件,?,缺乏专业的支持服务,11,数据处理框架-Hadoop?特点?多服务器、多节点的集群架构,数据处理框架的对比,数据库框架,分析性能,扩展性,容灾性,数据类型,业务场景,支持全,SQL,能,异构数据整合,成本,RDB,一般,较差,较差,结构化,OLTP,不支持,中等,MPP,好,局限,局限,结构化,OLAP,能,不支持,较高,Hadoop,好,好,较好,（非）结构化,OLAP,部分,支持,低,没有最好的技术，只有最合适的技术。,?,针对业务需求“有的放矢”。,?,12,数据处理框架的对比数据库框架分析性能扩展性容灾性数据类型业务,一,数据处理技术的演进,二,主流分析型数据库技术介绍、对比及选型,三,电信运营商大数据平台,13,目录,一数据处理技术的演进二主流分析型数据库技术介绍、对比及选型三,移动互联网用户流量激增，手机数据化、宽带化趋势明显,用户分布,流量分布,时间分布,移动互联网：通信功能,= 80,：,20,数据来源：,Infoma 2013,数据来源：,Cisco 2013,数据来源：,GSMA 2013,全球移动互联网用户数量激增，,已,3,倍于固定互联网用户数量,移动互联网流量激增，,2012,年底，,移动互联网应用使用时间激增，是,移动数据流量占比超过,13%,使用通信服务时间的,4,倍,中国移动互联网发展有相类似的趋势，截至,2013,年,6,月，中国手机网民已达,4.6,亿，上半年移动互联网接入流量同比增长,62.6%,（,CNNIC,、工信部）,移动互联网用户流量激增，手机数据化、宽带化趋势明显用户分布流,4G,、,M2M,将大大加快移动网络数据业务和流量增长,4G,驱动流量增长,M2M,终端数量大幅度增长,2014,年，,M2M,设备数量接近智能终端,4G,、,M2M,将大大加快移动网络,数据业务和流量增长,ABI Research 2013.09,数据来源：,Ericsson 2013.11,数据来源：,ABI Research 2012,2013,年,4G,网络将占到全球流量的,20%,，,2016,年将超过,3G,网络流量，,2018,年将占据超过,2/3,的移动网,络流量。,2013-2018,年，,4G,流量,的年复合增长率达到,82.2%,。,2018,年数据业务收入占运营商的,份额的,47.3%,2012,年,9,月,Verizon LTE,网络建成不到,2,年，用户达到,11M,，占,Verizon,用户总数约,12%,，流量消耗占全网流,量的,35%,以上。,2013,年,1,月，,4G,流量占比,50%,，,2013,年,11,月，,4G,流量超过,64%,，视频是主要业务,2017,年，全球,4G,终端产生的数据流量是非,4G,终端的,8,倍，每月数据流量超过,10EB 1EB=1000PB,（,CISCO VNI 2013,）,4G、M2M将大大加快移动网络数据业务和流量增长4G驱动流量,面对巨大流量，移动运营商面临强大的挑战,移动互联网,服务商,专业,SNS,超过,7.1,亿用户,超过,100,万基站,电,商,点,新,音,评,闻,SNS,乐,地,问,图,答,电信运营商,博,客,视,优惠券,图,频,片,微博,签,论,到,坛,消息,经分系统数据规模接近,10PB,每分钟超过,800,万通话,每秒上网流量超过,40GB,每天信令数,据超过,1PB,2G,、,3G,、,4G,、,WIFI ,管道数据类型多样、数据巨大、处理速度要求高，同时也存在质量问题，是电信运营,商大数据的主要来源,面对巨大流量，移动运营商面临强大的挑战移动互联网服务商专业S,需要融合巨大的管道数据和业务数据,虽然结构化的业务数据虽然价值含量很高，但是管道数据却提供了用户的数据消,费、社交网络、行为轨迹、内容偏好等业务数据中无法提供的重要信息，这对用,户刻画、套餐设计、用户体验提升等个人和企业产品设计所需依据均有巨大帮助,A+Abis,信令,Mc,信令,Gn+Gb,信令,Gn-IuPS,信令,Wifi,、,Radius,信令,4G X2,等信令,DNS,数据,语音等业务数据,网络优化,日志,+,结构化数据,决策支持,精准营销,业务创新,需要建立采集、存储、分析、交互等全方位能力，其中既包括传统已经具备的能力，,也包括需要新建的大数据能力,需要融合巨大的管道数据和业务数据虽然结构化的业务数据虽然价值,互联网公司通常采用混合架构解决大数据问题,互联网公司目前主要采用,Hadoop,、,Streaming,、,RDBMS,、,NoSQL,等技,术应对大数据,4V,挑战，例如,Yahoo,针对日志数据进行两种处理，并与业务,系统结合（后期尝试,Spark,技术）,示例：,Yahoo,数据处,理流程,By Tim Tully (Distinguished Engineer/Architect, Yahoo),http:/spark-summit.org/wp-content/uploads/2013/10/Tully-SparkSummit4.pdf,互联网公司通常采用混合架构解决大数据问题互联网公司目前主要采,大数据技术在互联网公司得到成功应用,Google,在全球多个数据中心,大规模混合部署和调度数据处理能力,，,系统利用率高达,80%+,，,2011,年,MapReduce,系统每天处理,1000PB,左右输入数据，支撑其核心业,务，包括搜索、广告、地图、邮件、社区等业务。针对不同的数据处理需求提供多,种数据处理系统。随着技术能力提高，将大数据处理能力服务化。,Facebook,以,Hadoop,为基础建设了包括流计算、实时计算、离线分析在内的各种大,数据系统系统。,2012,年每天要处理,25,亿条消息、用户点击,Like,按钮的次数达到,27,亿次、上传,3,亿张照片。,Graph Search,可以检索,10,亿用户、,2400,亿图片和,1,万亿次,访问。目前已经支持多区域数据同步。,Facebook Puma,每天处理超过,200,亿事件，,延迟小于,30,秒,Twitter,利用,Hadoop,和,Pig,工具完成数据的批量分析，并进行决策支持和数据挖掘，,利用,Storm,每天实时推送,1,亿活跃用户的,5,亿消息,Amazon,为被托管应用提供了,多租户、按使用付费,的,大数据服务,，整合了非结构化,（,S3,）、结构化（,RDS,、,SimpleDB,、,DynamoDB,）数据，通过并行计算,EMR,能,力，将数据放入,RedShift,用于最终的数据展现等目的。,大数据技术在互联网公司得到成功应用Google在全球多个数据,分析型数据库,分析型数据库,是面向分析应用的数据库，可以对数据进行统计分析和即席查询等挖掘数据,价值的工作。传统数据库是以事务处理为主，大数据时代的主要应用则是,数据分析,。,数据库三大阵营：,OldSQL,、,NoSQL,、,NewSQL,分析,NewSQL,分析,事务,互联网,OldSQL,事务,NoSQL,互联网,OldSQL,一种架构支持多类应用,OldSQL+NoSQL+NewSQL,多种架构支持多类应用,14,分析型数据库分析型数据库是面向分析应用的数据库，可以对数据进,大数据下的分析型数据库,OldSQL,NewSQL,NoSQL,?,行存储,?,列式存储,?,列式存储,?,关系型,?,关系型,?,Key-Value,?,ACID,?,ACID,?,灵活性,?,SMP,?,MPP,?,MPP,?,分布式计算，分布式文件系统,?,内存计算（,In,Memory,Computing,）,?,新的硬件：,Flash,Card,，,SSD,，高速网络、,Infiniband,15,大数据下的分析型数据库OldSQLNewSQLNoSQL?行,OldSQL,?,?,?,OldSQL,是指传统的关系型数据库，借助于数学概念和方法来处理数据。,数据规范化：关系型数据库的数据存储是为了更高的规范性，把数据分隔成最小的逻辑表,(,关系表,),以,避免重复，获得最精简的空间利用。,事务性：,SQL,数据库支持对事务原子性细粒度控制，并且易于回滚事务。,16,OldSQL?OldSQL是指传统的关系型数据库，借助于,NewSQL,?,?,NewSQL,是对各种新的可扩展、高性能的关系型数据库的统称。,既能够提供,OldSQL,的质量保证，也能提供较强的可扩展性。,17,NewSQL?NewSQL是对各种新的可扩展、高性能的关系,NoSQL,?,。,?,大数据类型的多元化急速增长，,OldSQL,不满足分布式技术架构的适用性,Not,Only,SQL,，泛指非关系型的分布式数据库。,18,NoSQL?。?大数据类型的多元化急速增长，OldSQL不满,OldSQL&NoSQL&NewSQL,总结,海量数据实时分析,Vertica,/,Impala,19,OldSQL&NoSQL&NewSQL总结海量数据实时分析V,目前主流分析型数据库对比,类型,存储方式,运算方式,系统架构,支持,SQL,OldSQL,行,/,列式存,储,磁盘,RDBMS,支持,较差,较差,传统数据,分析,Scale-up,商业,OldSQL,行式存储,磁盘,RDBMS,支持,较差,较差,WEB,应用,Scale-up,开源,OldSQL,行式存储,内存,RDBMS,支持,一般,较差,低成本内,存运算,Scale-up,商业,NoSQL,分布式文,档存储,内存,/,磁盘,C/S,分布,式集群,不支持,较好,较好,对象存储,及处理,Scale-out,开源,NoSQL,分布式,K-,V,存储,内存,/,磁盘,C/S,分布,式集群,不支持,较好,较好,数据键值,关系突出,Scale-out,开源,NoSQL,分布式列,式存储,内存,/,磁盘,Hadoop,需插件,好,好,海量存储,与扩展,Scale-out,开源,NoSQL,分布式,HDFS,内存,Hadoop,类,SQL,很好,好,实时分析,Scale-out,开源,NoSQL,分布式,HDFS,磁盘,Hadoop,类,SQL,好,好,批处理分,析,Scale-out,开源,NewSQL,行式存储,磁盘,C/S,分布,式集群,支持,好,较好,二次订制,开发,Scale-up,开源,NewSQL,分布式存,储,磁盘,MPP,支持,好,好,数据仓库,Scale-out,开源,NewSQL,分布式列,式存储,内存,/,磁盘,MPP,支持,很好,好,即席查询,Scale-out,商业,20,大数据处,理能力,容灾性,应用场景,扩展性,开放性,目前主流分析型数据库对比类型存储方式运算方式系统架构支持SQ,分析型数据库选型思路,成本,可扩展性,数据查询能力,稳定性,&,容灾能力,架构选择,数据分析运算能力,数据存储方式,决定性因素,关键因素,一般因素,分析需求,数据格式,21,分析型数据库选型思路成本可扩展性数据查询能力稳定性&容灾能力,一,数据处理技术的演进,二,主流分析型数据库技术介绍、对比及选型,三,电信运营商大数据平台,22,目录,一数据处理技术的演进二主流分析型数据库技术介绍、对比及选型三,一,大数据平台总体架构,二,运行分析视图,三,规划支撑视图,四,决策支撑视图,23,目录,一大数据平台总体架构二运行分析视图三规划支撑视图四决策支撑视,电信运营商大数据平台,-,背景,网络建设初期阶段,?,阶段一：先期基于路测数,据、投诉数据进行简单分,析；后引入,MR,数据进行深,度覆盖分析；,?,阶段二：网络规划建设简,单、粗糙，直接在空白区,域建设。,网络精细化建设阶段,?,基于现网,23,类运行数据，,建立了基于移动网络,“,O,域,+B,域”数据的分析方法,体系；,?,在长春、成都、重庆、广,州、兰州、上海,6,重要城市,进行推广和验证。,?,探索,六城市,精细化建设,支撑，,并固化方法模型。,大数据平台化阶段,?,基于“以我为主、自主研,发”原则，搭建大数据分,析平台，进行迭代式开发，,实现方法固化。,?,逐步实现全网数据的统一,采集、解析与存储管理；,?,开发,大数据平台，,实现规模化、,精准化建设支撑。,?,缺乏,针对,用户、业务和终端,进,行深入关联分析；,通过运行数据挖掘分析，,实现网络优化精准分析,、提升网络建维优的精准性和有效性,24,电信运营商大数据平台-背景网络建设初期阶段?阶段一：先期基于,电信运营商大数据平台,-,建设总体思路,分,析,关联要素,B,侧价值发现,人在哪,用户群体的行,为轨迹分析,3G,4G,干什么,用户群体特,征分析,分析定,位问题,支撑引,导规划,怎么样,不同业务体验,分析,维度接口,时间,O,侧网络定位,小区,覆盖能力评估,终端,网络性能、质量,网络性能反馈,网络问题,业务,用户投诉,区域,三大落地,支撑网络运维,优化，改善网,络质量,支撑网络规划,建设，提高资,源投放精准度,支撑客户维系,，,场,支撑精准市,推广,25,电信运营商大数据平台-建设总体思路分析关联要素B侧价值发现人,电信运营商大数据平台,-,方法体系,全面梳理,序号,分类,1,2,3,4,5,6,7,8,9,OSS,侧,10,数据,11,12,13,14,15,16,17,18,19,20,21,22,23,23,类,数据,系统建立现网分析方法体系,-,数据源,序号,分类,分析模块,1,无线侧资源情况,基础数据,2,网络覆盖,DT/CQT,数据,3,资源瓶颈,IU-PS,（挂表采集）,/Gn,数据,网络与资,4,网络性能,CDR,（平台采集）,源,5,网络结构,MR,数据,6,多网协同,无线话统数据,7,终端情况,无线参数,8,用户情况,核心网参数,9,用户画像,告警数据,10,用户与终,群体特征分析,无线侧呼叫记录数据,端,11,4G,转网用户分析,设备版本及补丁,12,感知分析,设备与板卡负荷数据,13,用户轨迹,无线,COUNTER,数据,业务情况,核心网报表数据（核心网,COUNTER,14,业务与应,15,业务分布及特征,数据）,用,16,业务质量,投诉数据,17,趋势分析,话单数据,18,联合分析,配套资源配置及运行情况,19,资源重点投放,用户信息,综合专题,20,LTE,部署区域,月度话单数据,21,LTE,站址分析,BSS,侧数,语音详单,22,流量经营,数据详单,据,23,总览,总览,套餐信息,24,简报,简报,终端数据库,24,个,分析模块,全方位支撑,-,项目,室内外站、建筑物、物理站址分析,下行覆盖、上行干扰、上行干扰分析,网络资源、空口效率、载波负荷分析,网络侧性能指标、问题小区分析,站高、站密、重叠覆盖、有效性分析,2,、,3,、,4G,多网络协同分析,终端统计、终端与用户及业务分析,用户情况总体分析,用户属性、消费、时间、业务等标签,用户结构及用户偏好分析,4G,转网用户及潜在,4G,用户分析,用户各类业务感知分析,各级别用户迁徙及单用户轨迹分析,语音数据业务、分类主流业务分析,总体业务情况及分类业务情况,语音、,CSFB,、数据业务质量分析,小区数、用户数、业务量等发展趋势,覆盖、结构、资源、感知综合分析,场景、网格、扇区等区域价值分析,LTE,部署区域及部署建议分析,LTE,站址可用性及合理性分析,终端、流量、闲时包及业务内容营销,资源、用户、业务、网络、终端总览,全国级及省级基本简报和自定义简报,10,个,应用方向,用户画像、聚类及签转分析,用户,基于轨迹和感知的投诉支撑,用户黏性和潜在离网预判,业务,主流业务的感知分析及回溯,各粒度价值区域分析,网络质量性能预警及回溯,网络,网络调整与技术演进支撑,多维度的网络规划方案,终端,终端特征、性能评估体系,流量经营支撑,经营,26,电信运营商大数据平台-方法体系全面梳理序号分类1234567,电信运营商大数据平台,-,平台能力,平台能力,?,?,可实现对,2/3/4G,现网,各接口及设备数据的解析能力,，能够满足现网网络优化需求；,可满足全国,B+O,数据的存储与处理；实现,一体化,解析、存储与管理；与数据中心共享资源，着,重网络分析应用；,?,具备,商业智能,数据分析能力，可对外开放接口，实现海量数据的可视化分析；,?,5*N,：满足,纵向,从集团到省、市、县、网格,，,横向,从,N,个专业线条,的多层次、全链条支撑需求，,同时可逐步对,外部,行业应用需求,进行适配。,网络资,源精准,投放,基于投,诉问题,定位,内部,现网用,户维系,精准,营销,API,接,口开,放,外部,各行,业应,用,27,电信运营商大数据平台-平台能力平台能力?可实现对2/3/4,电信运营商大数据平台,-,平台架构,元数据管理,辅助业务应用,辅助开发运维,元数据共享,元数据分析,元数据共享,元数据存储,元数据采集,元模型管理,网络规划仿真,可研,/,技术方案,设计,/,施工,/,后评价,评估优化,数据展现层,GIS,呈现,图表,表格,中间层,Job,调度,数据调度,查询转换,数据共享,查询代理,数据采集代理,GIS,引擎,MPP,数据库,OLTP,HIVE,SQL,SAS,数据处理层,MapReduce,内存数据库,SPARK,R,Modeler,B,侧数据解析,A/Iu,口解析,C/D,口解析,COUNTER,解析,B,侧预统,ETL,层,Gn,口解析,IuPS,解析,S1,口解析,MR,解析,Gn,预统,MR,性能,终端,数据,KPI,参数,数据层,账单,详单,CDR,IuPS,基础,投诉,业务,位置,负荷,版本,网优平台,BSS,系统,上网详单系统,网管系统,挂表采集,数据质量管理,数据质量改进,数据质量监控,数据质量分析,核查指标管理,质量问题管理,核查执行调度,数据质量模型,管理,数据质量信息,采集,28,电信运营商大数据平台-平台架构元数据管理辅助业务应用辅助开发,一,大数据平台总体架构,二,运行分析视图,三,规划支撑视图,四,决策支撑视图,29,目录,一大数据平台总体架构二运行分析视图三规划支撑视图四决策支撑视,1,、端到端网络优化,整体思路,贯通“端管云”的全链条网络优化支撑方案，为端到端网络优化的各个环节提供数据分析支撑。,用户终端,无线接入,核心网络,应用服务,?,?,终端情况,终端性能分,析,?,?,?,?,?,网络覆盖,网络资源,多网协同,联合分析,站址合理性,?,?,参数核查,网络性能,?,业务质量,IMSI,端,LAC/CI,RNC_IP,SGSN_IP,管,GGSN_IP,DST_IP,DNS_IP,云,SP_IP,30,1、端到端网络优化整体思路贯通“端管云”的全链条网络,2,、端到端网络优化,终端情况和终端性能,?,端,终端情况：,结合,B,侧数据、核心网用户面数据及终端库，实现针对终端类型、品牌、制式和,能力等方面聚类统计和地理化呈现。,终端性能：,建立终端无线性能评价体系，对现网主流活跃终端进行网络性能评判，支撑网,优建设、优化的有效性投放。,?,终端,情况,多种,GIS,展现,形式,终端,用户,业务,三个,维度,联合,分析,0,1,%,终端性能,基于,RNC,呼叫记录及各类不同事件原因进行分类统计，,针对终端建立无线网络性能评价机制，进行量化参考。,-,1,1,5,0,异常比例低，,EcIo,高,0,2,%,I,9,5,0,0,0,3,%,0,4,%,0,5,%,0,6,%,i,P,a,d,(,A,1,4,3,0,),i,P,a,d,m,i,n,i,(,A,1,4,9,0,),华,为,E,5,2,2,0,s,-,1,异常比例高，,EcIo,高,0,7,%,三,星,G,T,-,I,9,5,0,2,三,星,S,M,-,N,9,0,0,2,三,星,G,T,-,i,P,h,o,n,e,4,S,(,A,1,3,8,7,),-,1,2,5,0,i,P,a,d,A,i,r,(,A,1,4,7,5,),-,1,3,5,0,三,星,S,M,-,N,9,0,0,5,i,P,h,o,n,e,5,C,(,A,1,5,2,9,),i,P,h,o,n,e,4,S,(,A,1,4,3,1,),i,P,h,o,n,e,5,C,(,A,1,5,2,6,),i,P,h,o,n,e,5,S,(,A,1,5,2,8,),i,P,h,o,n,e,4,S,(,A,1,3,8,7,),i,P,h,o,n,e,5,S,(,A,1,5,3,0,),三,星,G,A,L,A,X,Y,N,O,T,E,2,G,T,-,N,7,1,0,0,i,P,h,o,n,e,1,5,(,A,4,2,9,),O,P,P,O,O,P,P,O,X,9,0,9,三,星,G,A,L,A,X,Y,S,4,G,T,-,I,9,5,0,0,华,为,A,s,c,e,n,d,G,7,3,0,三,星,S,M,-,G,3,5,0,2,I,i,P,h,o,n,e,5,S,(,A,1,5,3,3,),三,星,G,T,-,I,9,0,8,2,P,h,o,n,e,5,(,A,1,4,2,8,),三,星,G,T,-,I,9,3,0,0,i,P,h,o,n,e,5,A,1,4,2,9,i,0,0,M,I,2,0,1,2,1,2,1,U,H,T,C,D,8,1,6,w,G,N,e,x,u,s,5,T,e,c,h,w,i,s,h,T,R,1,0,5,M,I,2,0,1,2,0,6,1,三,星,G,T,-,I,9,1,5,2,L,I,2,0,1,3,0,1,2,M,M,M,I,-,I,O,N,E,P,l,u,s,1,联,想,A,8,2,0,i,P,h,o,n,e,4,(,A,3,3,2,),M,I,2,S,H,T,C,8,0,2,w,i,P,h,o,n,e,4,(,A,1,3,3,2,),三,星,G,T,-,N,7,1,0,0,魅,族,M,0,4,0,酷,派,7,2,9,5,A,三,星,S,M,-,G,3,5,0,2,i,P,a,d,m,i,n,i,(,A,1,4,5,5,),三,星,S,M,-,N,9,0,0,i,P,a,d,2,A,1,3,9,6,三,星,S,M,-,N,9,0,0,6,三,星,S,M,-,G,9,0,0,6,V,H,T,C,P,G,5,8,1,3,0,三,星,G,T,-,N,7,1,0,2,魅,族,M,X,M,3,5,3,三,星,G,T,星,S,M,-,G,7,1,0,6,-,三,I,9,0,8,2,i,派,7,2,9,5,+,联,想,A,8,5,0,酷,M,I,2,0,1,3,1,2,1,2,0,1,4,0,1,2,Z,T,E,A,D,3,8,1,2,S,o,n,y,X,p,e,r,i,a,C,酷,派,7,2,9,5,华,为,G,6,1,0,-,U,0,0,比较各品牌终,端的综合表现,华,为,G,7,5,0,-,T,0,0,华,为,G,7,0,0,-,0.00,0.0%,-2.00,-4.00,-6.00,0.2%,M,I,2,0,1,3,0,2,3,酷,派,7,2,6,9,0.4%,0.6%,0.8%,1.0%,1.2%,1.4%,1.6%,1.8%,2.0%,-,1,4,5,0,h,o,n,o,r,3,C,酷,派,7,2,9,5,魅,族,M,X,M,3,5,1,-,1,5,5,0,三,星,G,T,-,I,9,1,0,0,G,H,T,C,T,5,2,8,w,Y,U,G,E,C,三,星,G,T,-,I,9,1,0,0,三,星,G,T,-,S,7,5,6,2,W,M,6,3,0,M,I,2,0,1,2,0,5,2,三,星,G,T,-,I,8,2,6,2,D,三,星,G,T,-,I,8,5,5,2,三,星,G,T,-,S,7,5,6,2,i,三,星,S,M,-,G,3,8,1,2,三,星,G,A,L,A,X,Y,W,I,N,G,T,-,I,8,5,5,2,酷,派,7,2,9,6,华,为,G,5,2,0,-,0,0,0,0,-8.00,-10.00,-12.00,筛选个别型号,表现差终端,iPad(A143,0,),三,星,S,M,-,N,90,0,2,0,2,三,星,G,T,-,I,9,O,5,三星,GALA,X,Y,N,T,2,-,1,8,P,h,n,e,E,4,S,G,(,A,T,3,星,G,T,-,I,9,1,o,5,iP,三,ad,m,n,i,i,(,A,4,0,0,5,5,),三星,SM-N900,三,星,GT-IX0,Y,8,S,24GT-I9500,A,L,A,9,N,71,0,0,H,T,C,D,6,7,),8,1,w,三,0,G,T,T,-,三,9,2,1,I,3,0,M,I,2,0,星,1,2,1,1,T,e,c,h,w,i,s,h,I,R,0,星,0,2,G,5,0,6,T,1,-,I,9,1,5,2,2,M,I,M,联,I,想,-,O,A,N,8,E,2,P,0,u,l,s,),M,M,2,I,2,S,0,1,3,0,1,2,星,G,H,T,C,-,N,8,i,P,7,0,1,h,2,w,0,o,0,n,e,4,(,A,1,3,三星,三,S,M,-,N,9,0,酷,0,6,派,7,2,9,5,A,魅,族,三,M,星,0,4,S,M,0,-,G,3,5,0,2,3,酷,派,7,2,9,5,h,o,7,n,o,r,3,C,三,星,S,联,M,想,-,G,A,9,8,0,0,酷,6,V,派,2,9,5,iP,魅,a,d,2,A,1,3,H,9,T,6,C,三,P,Y,三,G,U,星,5,G,星,G,8,E,S,1,T,C,M,3,-,W,0,I,9,-,M,0,G,8,7,6,2,1,3,i,0,0,6,+,三,星,T,-,N,7,1,0,2,族,M,X,M,魅,3,族,5,M,1,X,M,3,5,3,H,T,C,T,5,2,酷,w,派,7,2,三,星,G,T,M,-,S,I,2,7,0,华,5,1,6,为,2,2,0,G,5,5,2,2,0,-,三星,G,T,-,I,0,8,2,6,2,D,三,星,G,三,T,星,-,I,9,G,1,T,0,-,0,I,8,5,5,2,三星,GT-I9,1,0,G,三,星,T,-,S,7,5,6,2,i,9,6,三,星,G,A,L,A,X,Y,W,I,N,GT,-,0,0,0,0,M,I,3,W,T,C,T,3,2,8,w,三,H,星,G,T,-,S,7,5,7,2,三星,SM-G3812,I8552,HTC606w,-,1,6,5,0,三,星,G,T,-,S,7,5,7,2,H,T,C,T,3,2,8,w,M,3,I,W,-14.00,-16.00,i,P,admini(A1490,i,h,o,n,i,e,P,M,5,h,C,o,2,I,(,n,A,0,e,1,1,5,3,5,C,1,2,(,2,A,1,2,5,0,2,1,i,P,h,o,n,e,4,S,(,A,1,4,华,为,5,2,2,0,s,S,-,1,E,1,5,P,h,o,5,(,A,5,3,S,1,i,i,(,A,2,9,h,o,n,e,4,O,P,P,P,i,O,h,O,o,n,e,i,P,P,4,O,a,华,S,d,X,A,(,A,为,9,0,i,1,r,(,3,A,8,1,4,75),三,星,M,-,i,i,P,P,P,h,o,n,e,5,i,P,h,o,n,e,4,(,T,on,5A,为,U,0,0,iP,h,4,E,2,A,9,G,D,6,3,1,8,e,1,华,华为,Z,G,2,7,5,0-T00,S,y,o,n,r,X,0,p,1,e,2,i,a,4,9,2,I,),),6,),5,G,3,e,0,三,星,S,M,-,9,5,华为,G700-U00,酷,1),派,7,L,G,N,e,x,u,s,5,8,2,N,9,0,0,5,M,0,),I,2,0,13023,(,S,A,(,A,1,),4,1,2,5,8,3,),A,9,s,c,7,),n,d,G,酷,7,派,A,1,3,3,2,3,0,-,1,C,),),),307269,Redmi1S,MI2013029,-,1,7,5,0,异常比例低，,EcIo,低,H,T,C,6,0,6,w,-18.00,-20.00,异常比例高，,EcIo,低,31,2、端到端网络优化终端情况和终端性能?端终端情况：结合B,3,、端到端网络优化,网络资源和多网协同,?,管,网络资源：,从业务量及设备负荷、网络侧资源情况、网络资源拥塞情况及关联,分析等多个,维度，分别对网络中小区的资源使用情况进行分析和呈现。,多项协同：,通过对,2/3/4G,网络性能的综合分析，反应,2/3/4G,网络业务、终端、,用户的协同,发展状况。,?,网络资源,多维度可选的网,重点扇区详,络资源横向对比,细信息钻取,高负荷及拥塞,小区一目了然,分析粒度小区,扇区任意切换,多网协同,天面维度分,段指标展示,多个组合维度分,析,234G,网间协同,全面的网间协,同指标展示,32,3、端到端网络优化网络资源和多网协同?管网络资源：从业务,4,、端到端网络优化,联合分析和站址合理性,?,管,联合分析：,结合现网覆盖、结构、感知、资源各方面分析结果，针对每个扇区,给出优化建,议，为现网实际规划优化提供参考。,站址合理性：,建立终端无线性能评价体系，对现网主流活跃终端进行网络性,能评判，支撑,网优建设、优化的有效性投放。,?,联合分析,重点小区钻取,详细信息，明,确问题所在,站址合理性,网格维度汇总问题扇,区，提供优化建议,从结构和覆盖两,GIS,展示各,方面综合评定各,级别小区,小区站址合理性,综合感知、覆盖、结,构、资源四方面给出,扇区联合分析结果,3,3,4、端到端网络优化联合分析和站址合理性?管联合分析：结合,5,、端到端网络优化,业务质量,云,指标,呈现,原因,排查,联合,定位,分析,处理,?,业务质量：,采用信令面,XDR,数据对语音业务、数据业务以及其他各类业务的运行质量，,指导网络优化与规划。,从用户,/,终端,/,网元等维,度呈现业务质量指标,从数据流程和信令流程,维度分析异常情况成因,从地理维度定位小区，,从地址维度定位网元,针对发现的问题提出进,一步核查与处理的建议,问题网元,定位查找,分析呈现,TOP,网元,问题原因,分析钻取,34,5、端到端网络优化业务质量云指标呈现原因排查联合定位分析,6,、投诉跟踪处理,投诉分析,投诉收集,投诉挖掘,原因定位,优化建设,投诉分析,从投诉时间、,位置、原因、,类别、等级、,客户等多个维,度综合分析投,诉数据，全面,呈现投诉问题,分布，辅助问,题查找。,投诉信息,一键导出,多维度分析,全网投诉,35,6、投诉跟踪处理投诉分析投诉收集投诉挖掘原因定位优化建设,7,、投诉跟踪处理,用户画像,投诉收集,投诉挖掘,原因定位,优化建设,常见投诉问题,?,?,时间地点提供不清,问题描述太过模糊,我今天上午在,XX,大厦附近上网，网络总是不好，图片显示不出来。,?,