
大数据助运营商实现转型 五大问题亟待改进
今天,传统电信运营商,无论是发达国家的还是新兴市场的都面临市场饱和、增长乏力的局面,需找到新的增长源。一些传统的电信运营商已使用大数据改善现有的市场表现力、建立新的收入流,例如:美国的Verizon使用匿名的用户数据,通过补贴方式,向第三方销售广告。它的竞争对手AT&T则建立了大数据动力塔断电工具,更好地实现基站的优化修理,让用户获得更好的体验。对于尚未使用大数据的传统电信运营商,需要确定其大数据发展的规划、IT解决方案,建立相关的支持组织,实现大数据的发展。
第一,使用大数据接入和分析丰富和个性化的数据通过大数据的使用,运营商可实时接入丰富的和个性化的用户数据,从这些数据中获得更多的价值,这是传统运营商独有的优势之一。实现成本优化和开拓新的收入源。运营商可利用这一优势地位,建立用户观察中心,提供各种基于大数据的产品和服务,从中获得不同程度的经验和增值。
第二,使用大数据实现结构性和非结构性数据的结合使用。对于传统的电信运营商,大数据商机无限,因为他们已掌握了大量的结构性数据,包括网络使用、地点、交易账单和个人信息。无结构的数据包括:呼叫中心的文件、社交媒体交换信息等。对于传统的运营商,要改善效率和经营效果,需要在一定时间内、系列的结构性数据与非结构性数据使用上找到平衡点。通过价格优化,实现收入增长、改善目标和扩展用户生命期、降低经营成本、实现支出的智能化。使用大数据,可实现对现有收入流的优化。
第三,以智能方法替代传统的分析方法在大数据时代,需要使用智能方法对数据进行分析,包括数据的抽取、转换、装载,以代替传统的数据分析方法。电信运营商无需新的数据源,只需建立大容量存储容量或确保快速的数据处理速度。例如:欧洲的传统运营商运用智能分析法改善发展中市场消费者的智能手机普及率。通过统计分析不同通话周期的通话模式,确定对手机普及率的影响者,确定目标影响者,为其提供相应的服务。
当然,为了促进大数据的发展,传统电信运营商需建立一个相应的团队来实施大数据计划,确定数据的收集、组织、管理和使用。可以采取与其它单位合作的方式,也可采用合资的方式建立相应的团队。目前,全球一些运营商已成功与其它部门共同建立了大数据团队,实现团队与商业市场间的紧密连接,以分析和解决相关的商业问题。
一是,分析人才的缺乏。在竞争激烈的情况下,分析人才缺乏成为吸引资源的主要风险。根据Gartner的研究,2015年,三个与大数据相关的工作中就有一个空缺,主要是因为相关技能不足。
二是,数据的质量或可用性。对于企业,经常面临的问题是没有建立适当的数据治理体制。数据质量或可用性是导致数据不准确的关键,会导致分析和结论出现问题,这一问题对新兴市场的挑战更大。对于许多运营商来说,准确的数据来源和组织是至关重要的。
三是,无效的大数据团队。许多传统的电信运营商将大数据放在IT或商业智能化部门,由于远离商业部门,在制定和选择解决方案时,往往很少考虑商业的需要,这将大大影响数据团队的运作效果。
四是,很难获得安全方面所需的资金。许多传统的电信运营商为了提高边际收益,往往会压缩资本支出,为此也不愿意加大投入,更别提加大安全方面的投入了。但这一投资对于企业的发展又是至关重要的。
五是,法律和管制面临的挑战。对于传统的运营商,应意识到并遵循用户数据的相关限制。要让用户相信,他们的数据被使用让他们获得了最佳利益。
首先,减少用户流失率。印尼的电信运营商Telkomsel采用大数据进行分析,减少用户流失率、降低用户收入的成本、扩大用户在网时间。T-Mobile使用数据分析平台,减少用户流失率。
其次,提供定制化服务。运营商Airtel与Mobileum联手,对非洲用户数据进行分析,更好的了解和测算用户国际旅行的需求。可帮助Airtel为漫游用户提供定制化服务。Vodafone与TomTom在个人导航装置方面合作,为TomTom在全球34个国家提供装置所需SIM,SIM可实现M2M通信。德国电信与Kiunsys公司合作,为意大利Pisa提供智慧城市解决方案,主要是利用大数据优化服务。
再次,大数据品牌解决方案法国电信Orange创立了一个大数据产品Flux Vision,作为其商业服务的一部分。法国旅游机构可使用这一工具了解用户行为等。德国电信通过其分支机构提供一些大数据解决方案,包括实时安全分析、移动性连接、面向私人和公共组织的云解决方案。
然后,为第三方提供大数据解决方案。前新西兰电信公司为外部机构提供大数据解决方案,主要是为私人企业和公共机构提供数据观察、服务及云解决方案。新加坡电信成立了DataSpark公司,为第三方提供大数据解决方案,提供的服务包括:GeoAnalytics,确定不同目标群运动幅度、模式和步幅。
最后,扩大新的业务收入流。Telefónica提供了一种智能步伐产品,用于分析人群的行为,帮助企业和公共机构改善对消费者的了解,更好地做出决策。Telefónica利用大数据扩展新的收入源。它联合一家银行推出了Yaap购物业务,以提供数字化服务简化人们的日常生活为目标。希望成为面向西班牙人的最大网络,同时,积累消费者购物行为的数据。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01