
运营商的大数据问题出在哪儿?
大数据已经从概念阶段上升到了实际使用阶段,越来越多的企业在通过大数据进行产品开发和营销指导,而通信运营商也开始对手里握着的金矿感兴趣。不过,就如同以前很多业务开发一样,运营商掌握资源不假,但能否把资源变成产品却是未知数。在大数据应用中也是一样,目前运营商的进展仍然不佳。
毫无疑问,运营商手中的大数据无与伦比,甚至比互联网巨头们还要多。只是,要想把这些数据利用起来,却不如互联网公司容易。运营商的大数据问题出在哪儿呢?
数据积累时间长
但质量不佳
与互联网公司相比,运营商手中的数据更具有普遍性,甚至几乎囊括了所有的社会个体。可是由于运营商多年来经营业务相对集中,数据主要与通信消费行为领域相关,数据的范围相对较窄,在使用上受限很大。此外,运营商在开始积累数据的时候眼光就不够长远,因为数据数量过大,存储成本过高,运营商曾经处理掉很多现在看来非常宝贵的数据,这些都不可能再生。
在数据结构上,运营商原来存储数据主要用来作为向用户收钱的证据,对于与收钱关系不大的项目往往很少留存,这样就造成了很多数据缺陷,而这些缺失的数据对于大数据应用看起来更重要。
可以这样讲,阿里巴巴早就想好用数据来赚钱,所以处处留心收集和积累数据,当时机成熟的时候就会推出相应的数据产品。而运营商原来只想着用数据来算钱,到了需要用数据挣钱的时候就发现自己原来丢掉了西瓜。
应用场景不够
缺乏业务突破点
运营商多年以卖卡收话费为生,与用户的接触主要是收取话费和做好服务,专业化非常强,对商业社会的各个方面了解不足,手中有数据也不知道应该用到哪些地方。
互联网公司早已经脱离原有的业务范畴,纷纷交叉跨界,在面向社会的方方面面布局业务,这也就产生了对相关数据的现实需求。比如,阿里巴巴开始要做好电商,就需要分析卖家和买家的行为数据,以便通过精确营销和广告等数据应用赚取收入。后来,为了堵住刷单、治理造假等行为漏洞,更是要通过数据分析来检测和治理,进入互联网金融领域之后,要进行信贷客户的信用评价和行业景气预测,电商大数据就更有了新用场。
与互联网公司全面布局不同,运营商的业务范围很窄,即便有些非通信业务,也几乎用不到通信行为数据等进行分析使用。所以,这些数据怎么用,自己首先都没有用处,也就难以发现在社会上的新应用前景和创新点,只能跟着互联网公司创新的步伐去模仿。
不会造势
缺乏应用的成功案例
很多人都知道,百度与央视在春节期间推出的春运迁徙大数据,通过形象的数据展示全国人民回家过年前后的交通情况和旅游状态。蚂蚁金服更是在今年提出建设中国信用日的概念,通过多个超市信用消费来获得了社会广泛关注。
这些活动看起来都具有公益性质,几乎不会有任何的收入。可是,正是通过类似的被大家普遍关注的社会事件,这些公司的大数据能力和产品得到了社会认可,为未来这些能力的变现提供了最好的社会启蒙教育。
曾经有一位运营商高管在央视节目中说,该通信公司在几年前就曾经通过大数据分析的方法为政府处置某地火车站滞留旅客问题发挥了关键性作用。但是,这些事件也仅仅停留在公司内部的功劳簿上,公司因为种种原因都不会对外公开,社会上根本就不知道运营商能通过大数据做到哪些服务,更谈不上有更深入的项目合作。
数据不统一
难以发挥整体性的作用
由于历史和现实的原因,运营商的数据还存在自身缺陷,这些缺陷严重制约了大数据的使用,在机制和体制解决之前,都很难有本质上的改变。
首先,运营商是分级管理的,集团公司、省公司、市公司、县公司,逐级展开,特别是在省公司层面,各地运营几乎独立,各地的支撑系统都不是来自一家供应商,数据结构存在差异,且很难统一。
其次,即便数据可以通过系统建设实现全景视图,但在分级管理平台分隔的情况下,大数据应用时依然很难整体操作。数据不是分割的,但人是分隔的,在解决一些全局性问题的时候就无能为力。
还有,作为运营商,首先考虑的问题不是如何利用数据,而是要保护数据的安全。保护数据安全是所有拥有数据的企业和单位义不容辞的责任,可互联网公司更具有使用数据的冲动,也更敢于探索数据使用新场景,而运营商却将安全置于过重的地位,甚至为此畏首畏尾,自然浪费了好多资源。实际上,只要使用得当,完全可以做到兼顾安全与使用。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15