
坐拥大数据“金矿”却难挖掘
大数据将成运营商“去管道化”利器,近期围绕这一话题,国内运营商人士讨论热烈。由受OTT的冲击,到“去电信化”等思索,再到大数据这一运营商手中天然的金矿成为理论中的突破口,这一逻辑顺理成章。
大数据并非运营商独家的概念,它已成为整个互联网行业共同关注的领域。那么运营商手中的金矿,含金量究竟几分,金矿如何挖?敢不敢挖?能否比其他人挖得更好?这是全球运营商共有的话题。
日本
隐私问题让NTT Docomo头疼
陶旭骏告诉记者,日本最大的移动通信运营商NTT Docomo 2010年以前就开始着手大数据运用的规划。Docomo不但着重搜集用户本身的年龄、性别、住址等信息,而且制作精细化的表格,要求用户办理业务填写更详细信息。
“我曾见过这样的表格,包括用户家里有几口人,每个人的教育水平,通信需求等都会有所涉及。而且他们的优势是可以掌握全国用户的数据,而不像我们的运营商划省而治,各地数据收集、整合方式不一。Docomo的CRM系统和知识库为此大大加强,业务办理中很少出现愚蠢的状况,比如一个用户此前刚投诉过还向其推销同类产品等。”
尽管信息完整度高,但因为日本社会十分注重个人隐私,Docomo多年来在大数据运营上仍停留在规划阶段,对如何越过隐私问题进行商用还是比较头疼。陶旭骏表示,Docomo曾为未来的大数据商业化制定了三个阶段:首先是建立资料库,其次是建立活用机制,最后是实现活用,而当前只处于第一阶段。
欧洲
运营商谨慎开放地理位置信息服务
方红刚表示,在德国,身为主流运营商的德国电信和Vodafone在利用大数据为自身业务服务之余,已向商业模式跨出了一步。主要尝试是通过开放API,向数据挖掘公司等合作方提供部分用户匿名地理位置数据,以掌握人群出行规律,有效地与一些LBS应用服务对接。而西班牙电信的商业模式与之比较相像,去年推出的“智慧足迹”大数据服务同样是通过人流移动网络数据,为零售客户开店选址和促销提供借鉴。
“欧洲运营商对大数据API开放同样持比较谨慎的态度,有时带有战略意图。比如数据开放同时伴随着收费,对于和自己合作紧密的初创型企业,就以更宽松政策予以扶持,而对于有竞争关系的OTT企业等,则要求更高。总而言之,运营商不太可能将未经加密的用户数据直接提供给第三方。”方红刚称。
美国
Verizon激进,向特定商家“兜售”数据
步子最为激进的则数美国运营商Verizon,其一项举措则让谭炎明等业内人士感到错愕:Verizon已开始通过一项名为Precision MarketInsights的服务,将手中的用户数据直接向第三方出售。谭炎明对此业务进行过详细了解,Verizon的该项服务主要针对商场、球场等特定的公开场所,搜集手机用户的背景信息,为第三方所用。
在美国,棒球和篮球比赛是观众云集,商家最为看中的营销场合,此前在超级碗和NBA的比赛中,Verizon针对观众的来源地进行了精确数据分析,球队得以了解观众对赞助商的喜好等。体育比赛中,观众随机买票,没有什么环节可以将身份信息进行录入,通过任何其他方式搜集数据成本都会更高,运营商的大数据在这项服务中无可替代。
“金矿”体量最大 挖掘出来有难度
与《IT时报》记者交流中,专家们一致认为运营商对大数据资源掌握的完整性远超任何一家互联网公司。“用户的属性、整个通信消费数据、GPS行走轨迹、登录网站的偏好、频率等运营商手中都有数据,这么完整、详尽的精准用户行为数据单一网站无法掌握。”方红刚总结,正因为运营商的“管道”特性,管道中的任何一个细节都逃不过运营商的眼睛。从这个层面来说,运营商手中大数据的金矿体量是最大的,如从事大数据业务是具有天然优势的。
正因为运营商手中的数据量太大,其整合为有价值信息的成本也较高。如何将“金矿”开采成不同属性的轻产品,是全球运营商面临的课题。
“之所以当前大数据应用多停留在零售层面,而非更复杂的功能,一方面是因为运营商手中数据到底该怎么用,还是取决于合作方最切实可行的需求。其次,复杂需求从技术上或尚难做到,或成本太高。”谈到技术局限,方红刚表示自己就曾亲自对一些大数据项目展开调研,发现提取有效数据的时间精力很高。
“互联网上的数据收集相对简单,例如用户在百度搜索某个关键词,百度后台一目了然。但通信网中的数据有物理层、逻辑层、应用层等层级化的特征,每层都是映射方式,所以问题就产生了,数据都存在于逻辑层以下,需要把它们从逻辑层解构到应用层,数据分析成为了协议分析。”方红刚表示,他曾在电脑上仅仅针对某一小块特定区域一小时内的通信数据进行采集,结果就跑了两个多小时。
“如今是一个信息泛滥的时代,在成本非常高,而且数据来源往往分散在各个部门的情况下,运营商内部需要做大量的工作才能进行有效的精华数据深度挖掘,所以如果没有来自合作方的非常明确需求,且该需求能带来相匹配的商业价值,业务发展就可能陷于停滞。”方红刚解释。为避免内部结构问题阻碍大数据业务的发展,西班牙电信与Verizon都已于去年专门成立了大数据部门,脱离于传统体制而单独发展业务,这也是这两家的大数据业务发展相对更快的原因之一。
顾洪文直言,基于上述因素,尽管国外运营商有一些突破性的应用案例,但纯属个别,且初始阶段的痕迹明显:“严格来说,全球运营商在大数据商业化挖掘方面都停留在一个浅层次的阶段。该概念当前过热,实际运营良好与否取决于数据持有方的运营能力。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10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 ...
2025-09-04