京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据助推通信业“华丽转身”
横空出世的大数据所释放出的巨大“能量”,如今已经波及大部分传统行业。其中,作为与大数据有天然紧密联系的通信业更是首当其冲。 运营管道中的数据是通信运营商多年来业务的积累,其间蕴藏着丰富的业务信息和商业信息。如何挖掘出这些数据的巨大价值而在大数据时代傲视群雄,成为运营商当前所面临的头等大事。 改变通信业现状 早在2012年,idc就发布研究报告指出:全球大数据市场规模将从2010年的32亿美元增长至2015年的169亿美元,年均增长率高达40%以上。 当前,通信行业已成为大数据最有作为的细分行业之一。
随着网业分离的加速实施和ott(互联网向用户提供各种应有服务)业务的不断渗透,目前通信运营商正逐步沦为“流量管道”。在互联网企业逐步成为电信业务主要提供者的趋势下,运营商的传统业务受到前所未有的冲击,用户的arpu值(每用户平均收入)也在同步降低。 在此背景下,通信业与大数据结合所带来最直接的改变,是推动了运营商与维护部门职能角色转换。 赛迪顾问通信产业研究中心分析师杨光接受《中国科学报》记者采访时表示,在大数据时代,网络侧的数据将成为有价值的蓝海,通信运营与维护部门可对海量的网络侧数据进行分析,以支撑市场部门营销活动,从被动响应客户的需求走向主动为其运营、维护,就此实现了职能的转型。 电信分析人士马继华也对《中国科学报》记者指出:“大数据与通信业结合可以提高运营商的管理水平,实现网络的优化。” 此外,运营商可以利用大数据分析寻找目标客户,制定有针对性的营销计划和产品组合,为不同用户群体提供差异化服务,实现精准营销。
在分析人士看来,传统的运营商业务决策由bss(业务支撑系统)数据决定,大数据出现后,运营商加强了bss数据和oss(运营支撑系统)数据的整合,甚至可以通过多维度的数据挖掘直达每一个用户、每一桩业务的细颗粒度分析,对用户进行精准画像。 “简言之,运用大数据能显著提高通信业对存量用户的管理能力。”杨光说。 同时,随着大数据时代的来临,运营商的成本支出也将出现下降。 盈利模式被颠覆 更为重要的是,大数据的出现将颠覆通信运营商的盈利模式和格局。 在过去,传统运营商的商业模式往往只提供管道而不关心内容。但是,在大数据出现之后,运营商管道内庞大且丰富的网络侧数据,可以为运营商提供深层次的经营决策支撑。
“运营商掌握大量别的行业所没有的数据,比如用户的通话轨迹等等,具有先天的优势,不仅数据量大,而且可靠性高。”马继华说。 长期以来,各个行业用户往往只专注某一领域,缺少宏观数据的视角。而通信业运营商可以利用自身数据与网络资源方面的优势,为这些行业用户提供定制化分析报告。 马继华说:“运营商可以运用大数据在不同行业中发现好的商业机会。以往他们只是将数据用于管理和决策的需要,并没有做成产品,而现在运营商完全可以将其做成数据分析产品出售给不同的行业用户。” 杨光也表示,未来新的通信业盈利模式之一即是面向行业用户提供增值服务。
“比如面向行业用户提供定制化报表,对流量、用户访问记录等个性化信息进行多维度分析,为行业用户提供端到端的业务质量管理。” 同时,运营商可以推出面向个人用户的短订购模式。比如以大数据分析为基础,将用户群细分,依托精细化营销平台面向每个自然用户推出多元化流量包套餐,支持不同场景下用户使用习惯。 在流量不充足时,用户可根据个人情况随时订购流量套餐,保证数据业务持续使用——目前,国内运营商已经正在积极推进这一新业务。
此外,通信运营商还能与ott企业或虚拟运营商进行合作共享数据,杨光指出,运营商可以采用收入分成的方式,与ott企业或虚拟运营商达成合作意向,通过技术改进保证特定ott业务使用者的业务质量,利用定向提速、定制套餐等手段提升用户感知,增加用户使用ott业务黏度,提高用户arpu值。 并非一路坦途 当然,进入大数据时代的通信业并非一路畅通无阻,仍然有许多因素在阻碍其“华丽转身”。 马继华告诉记者,运营商虽然掌握大量数据,但是对个人用户具体资料掌握得并不清楚。而且由于多年来数据无法给运营商带来商机,因此他们对于数据的保存并不重视。 “很多数据在系统维护时就被抹掉或者替换了,这对分析用户使用习惯的连续性有很大的影响,很多数据因此失去分析的意义。”马继华说。
而且,当前大数据的数据量级正在突破现有的物理设备上限,导致运营商需要不断增加存储平台以应对数据增长态势。 “基础设备的建设速度远远跟不上数据增长速度,烟囱式的系统架构投资过大且无法一次成型。”杨光说。 他建议,运营商可以建立自己的云网络,使用云存储手段实现数据的分布式存储,根据需求逐步扩充存储平台空间,形成数据存储的弹性架构。 此外,数据共享问题也应当引起运营商的重视。大数据应用的前提自然是数据开放,运营商如何在保证安全与隐私的前提下,最大限度地为用户提供数据共享的便利,成为在大数据实施规模应用前亟待解决的问题。
“可以培育数据管理人才,组建专职人才队伍负责数据开放共享,制定数据共享操作规则和相应规章制度,以强化隐私安全保护的重要性。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26在数字化浪潮下,数据分析已成为企业决策的核心支撑,而CDA数据分析师作为标准化、专业化的数据人才代表,正逐步成为连接数据资 ...
2026-01-26数据分析的核心价值在于用数据驱动决策,而指标作为数据的“载体”,其选取的合理性直接决定分析结果的有效性。选对指标能精准定 ...
2026-01-23在MySQL查询编写中,我们习惯按“SELECT → FROM → WHERE → ORDER BY”的语法顺序组织语句,直觉上认为代码顺序即执行顺序。但 ...
2026-01-23