
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
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