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
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16