
运营商的大数据问题出在哪儿_数据分析师考试
大数据已经从概念阶段上升到了实际使用阶段,越来越多的企业在通过大数据进行产品开发和营销指导,而通信运营商也开始对手里握着的金矿感兴趣。不过,就如同以前很多业务开发一样,运营商掌握资源不假,但能否把资源变成产品却是未知数。在大数据应用中也是一样,目前运营商的进展仍然不佳。
毫无疑问,运营商手中的大数据无与伦比,甚至比互联网巨头们还要多。只是,要想把这些数据利用起来,却不如互联网公司容易。运营商的大数据问题出在哪儿呢?
数据积累时间长
但质量不佳
与互联网公司相比,运营商手中的数据更具有普遍性,甚至几乎囊括了所有的社会个体。可是由于运营商多年来经营业务相对集中,数据主要与通信消费行为领域相关,数据的范围相对较窄,在使用上受限很大。此外,运营商在开始积累数据的时候眼光就不够长远,因为数据数量过大,存储成本过高,运营商曾经处理掉很多现在看来非常宝贵的数据,这些都不可能再生。
在数据结构上,运营商原来存储数据主要用来作为向用户收钱的证据,对于与收钱关系不大的项目往往很少留存,这样就造成了很多数据缺陷,而这些缺失的数据对于大数据应用看起来更重要。
可以这样讲,阿里巴巴早就想好用数据来赚钱,所以处处留心收集和积累数据,当时机成熟的时候就会推出相应的数据产品。而运营商原来只想着用数据来算钱,到了需要用数据挣钱的时候就发现自己原来丢掉了西瓜。
应用场景不够
缺乏业务突破点
运营商多年以卖卡收话费为生,与用户的接触主要是收取话费和做好服务,专业化非常强,对商业社会的各个方面了解不足,手中有数据也不知道应该用到哪些地方。
互联网公司早已经脱离原有的业务范畴,纷纷交叉跨界,在面向社会的方方面面布局业务,这也就产生了对相关数据的现实需求。比如,阿里巴巴开始要做好电商,就需要分析卖家和买家的行为数据,以便通过精确营销和广告等数据应用赚取收入。后来,为了堵住刷单、治理造假等行为漏洞,更是要通过数据分析来检测和治理,进入互联网金融领域之后,要进行信贷客户的信用评价和行业景气预测,电商大数据就更有了新用场。
与互联网公司全面布局不同,运营商的业务范围很窄,即便有些非通信业务,也几乎用不到通信行为数据等进行分析使用。所以,这些数据怎么用,自己首先都没有用处,也就难以发现在社会上的新应用前景和创新点,只能跟着互联网公司创新的步伐去模仿。
不会造势
缺乏应用的成功案例
很多人都知道,百度与央视在春节期间推出的春运迁徙大数据,通过形象的数据展示全国人民回家过年前后的交通情况和旅游状态。蚂蚁金服更是在今年提出建设中国信用日的概念,通过多个超市信用消费来获得了社会广泛关注。
这些活动看起来都具有公益性质,几乎不会有任何的收入。可是,正是通过类似的被大家普遍关注的社会事件,这些公司的大数据能力和产品得到了社会认可,为未来这些能力的变现提供了最好的社会启蒙教育。
曾经有一位运营商高管在央视节目中说,该通信公司在几年前就曾经通过大数据分析的方法为政府处置某地火车站滞留旅客问题发挥了关键性作用。但是,这些事件也仅仅停留在公司内部的功劳簿上,公司因为种种原因都不会对外公开,社会上根本就不知道运营商能通过大数据做到哪些服务,更谈不上有更深入的项目合作。
数据不统一
难以发挥整体性的作用
由于历史和现实的原因,运营商的数据还存在自身缺陷,这些缺陷严重制约了大数据的使用,在机制和体制解决之前,都很难有本质上的改变。
首先,运营商是分级管理的,集团公司、省公司、市公司、县公司,逐级展开,特别是在省公司层面,各地运营几乎独立,各地的支撑系统都不是来自一家供应商,数据结构存在差异,且很难统一。
其次,即便数据可以通过系统建设实现全景视图,但在分级管理平台分隔的情况下,大数据应用时依然很难整体操作。数据不是分割的,但人是分隔的,在解决一些全局性问题的时候就无能为力。
还有,作为运营商,首先考虑的问题不是如何利用数据,而是要保护数据的安全。保护数据安全是所有拥有数据的企业和单位义不容辞的责任,可互联网公司更具有使用数据的冲动,也更敢于探索数据使用新场景,而运营商却将安全置于过重的地位,甚至为此畏首畏尾,自然浪费了好多资源。实际上,只要使用得当,完全可以做到兼顾安全与使用。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04