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
在企业数字化运营、业务流程管理与精细化管控体系中,流程运营是串联各项业务环节、保障工作落地、提升运转效率的核心载体。无论 ...
2026-09-16在数据分析与统计学研究中,卡方检验是分析分类变量关联性与差异性的重要方法,广泛应用于市场调研、行为统计、社会调查、商业数 ...
2026-09-16 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-09-16CDA数据分析师 出品 作者:李诗怡 定义: 用户增长核心分析框架,刻画用户从接触产品到自发推荐的全生命周期,五个递进环节构建 ...
2026-09-15在数字化营销与精细化用户运营时代,企业传统的广撒网式营销模式成本高、转化率低,已无法适配精准商业竞争需求。客户画像作为大 ...
2026-09-15 很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度” ...
2026-09-15在MySQL数据库数据查询与数据分析中,GROUP BY与ORDER BY是使用频率极高的核心关键字。二者语法结构相似,常搭配使用,但核心功 ...
2026-09-14随着数字化治理、智慧运营、数字孪生技术的普及,数字体征成为衡量业务状态、系统运行、城市治理与企业经营健康度的核心体系。数 ...
2026-09-14 很多数据分析师沉迷于复杂的模型和算法,却忽略了数据分析的一项基础能力——描述性统计。事实上,大量商业分析问题,用描述 ...
2026-09-14在MySQL数据库运维与开发实践中,经常出现一种典型现象:数据库实际存储的数据量很小,数据表条数少、文件体积低,但服务器整体 ...
2026-09-11 很多数据分析师能熟练计算均值、标准差,但当被问到“总体和样本有什么区别”“参数和统计量有什么关系”“数据级别的高低如 ...
2026-09-11CDA数据分析师 出品 作者:李诗怡 定义: 将同一时间段内因具备相同属性或共同经历的用户划分为群体,分析其留存与生命周期价值 ...
2026-09-11在零售、商超、餐饮、线下门店等实体商业运营中,客流与销售额是衡量门店经营状态的两大核心指标。销售额是门店经营的最终结果, ...
2026-09-10在数据可视化体系中,柱形图是最基础、应用最广泛的图表类型,其中**累计柱形图(堆积柱状图)**是兼顾整体总量与内部结构的核心 ...
2026-09-10 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-09-10在Python Pandas数据分析中,DataFrame是承载结构化数据的核心载体,数据清洗、数据修正、条件赋值、字段更新等实操场景,都离不 ...
2026-09-09 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-09-09卡方检验(Chi-Square Test)是统计学中针对分类数据的经典显著性检验方法,核心用于判断两个离散分类变量是否相互独立、数据实 ...
2026-09-09CDA数据分析师 出品 作者:李诗怡 1. 销售漏斗阶段判断 题目:销售漏斗模型中,通过广告、社交媒体等方式触达品牌信息(如浏览品 ...
2026-09-07在Python数据分析中,Pandas库的DataFrame是最核心、最常用的结构化数据表对象,类似于Excel的二维表格,具备规整的行列结构、字 ...
2026-09-07