京公网安备 11010802034615号
经营许可证编号:京B2-20210330
运营商发展大数据的核心价值在于商业化
近年来,电信运营商利润率增幅放缓甚至下降,传统话音业务收入增长乏力,日趋边缘化、管道化;数据业务占比迅速增长,但量收的剪刀差持续扩大,投入多回报少。
在运营商转型路上,大数据技术的深入应用与商业模式的开发大有可为,可以说是运营商规避同质化竞争,打造智能数据管道,寻找差异化经营“蓝海”的必由之路。大数据的技术架构寻求高性能与低成本的统一,可以降低电信运营商庞大的IT资本开支压力。大数据的商业应用促使电信运营商从单纯提供网络资源、前向收费方式转变为基于网络资源和依据海量数据资源提供服务的灵活多样的混合模式,是一种新的商业模式。
国内运营商大数据应用受限
国内电信运营商在大数据应用方面主要受到了以下方面的限制。
第一,数据采集散乱、深度不足:电信运营商拥有海量数据的来源,但采集渠道散乱,通常分级、分地区、分系统建设,整体规划不足,数据标准化程度低,汇聚困难,无法形成有效的数据资产。
第二,数据分析能力不足:电信运营商建有以数据仓库为核心的经营分析系统,通常采用小型机加高性能存储架构建设,针对传统话单日志等结构化数据设计,还不具备非结构化数据与流数据的分析处理能力。
第三,数据商业应用不足:电信运营商大量数据尚没有充分发掘数据应有的价值,智能管道的建设正处在初期阶段。现有分析系统仅对内部提供服务,缺乏对外数据开放平台,大量数据未能有效进行商业利用。
电信运营商大数据发展探析
(1)大数据的政策支撑
电信运营商应积极寻求政府的支持,推动政府为大数据产业发展提供积极的政策支撑与引导、对关键技术的研发提供专项财政资金支持、对重点工程项目的实施提供支持与保障。电信运营商应高度重视大数据信息安全,推动政府部门牵头启动大数据立法,解决大数据信息权属与隐私保护问题;制定大数据技术标准与运营标准,规范大数据安全体系。通过政策支撑保障大数据产业的可持续发展。
2012年10月,中国计算机学会和中国通信学会均成立了大数据专家委员会,从行业学会的层面来组织和推动大数据的相关产学研用活动。运营商可以依托该平台推动企业内部大数据的发展。
(2)大数据技术架构与算法的研发
根据2012年美国市场调查咨询公司(Gartner)发布的新兴技术曲线,大数据技术正处于“期望膨胀期”,距离真正成熟尚需2~5年。电信运营商应抓住机遇加强技术研发,在开源技术的基础上,发展适合运营商的大数据技术;同时应积极对技术标准做出贡献,掌握技术主动权。在技术的拓展可主要集中在三个方面:(a)大数据的采集与传输技术。采集技术是指基于智能管道和物联网的大数据获取技术和算法;大数据传输技术研究应注重海量数据传输的安全可靠性,解决调度与控制问题。(b)大数据的存储与分析技术。存储技术主要指面向海量数据文件的有效存储与读取能力、大数据的新型表示方法和去冗降噪算法;分析技术的拓展方向应包括数据可用性和可计算性,计算复杂性问题,研究求解算法,进行高效处理等。(c)大数据的隐私安全技术。在大数据时代,如何保护用户隐私安全不仅是法规层面需要解决的问题,也是电信运营商在技术层面亟待解决的问题。
(3)大数据支撑运营中心
运营商要充分发挥大数据的价值,首要条件是具备采集、融合、存储、分析海量数据的能力。电信运营商可以在现有经分系统或数据仓库的基础上,针对目前数据采集散乱、采集深度不足、分析能力不足的问题,构建数据集中、平台统一的省级或全国级大数据支撑运营中心,为大数据的应用与商业化提供精确支撑。大数据支撑运营中心可以设置如下逻辑架构。
数据采集层:通过建设数据采集聚合网关,汇聚跨地区、跨系统的采集的丰富数据源。
数据融合层:建设海量结构化数据、非结构化数据以及流数据处理能力,建立数据标准化体系,进行统一处理和存储。
数据应用层:通过构建不同的数据挖掘与分析模型,融合结构化数据,形成数据仓库,对外提供统一服务能力。
资源管理层:提供统一监控、资源管理与运营等功能。
(4)大数据应用与商业化
大数据应用与商业化是大数据发展的核心价值与落脚点。电信运营商拥有极其丰富的数据资源,相比互联网公司更具天然优势。对大数据进行全面、深入、实时的分析和应用,以客户体验为核心发展流量经营,是电信运营商应对新形势下挑战避免沦为哑管道的关键。
通过大数据助力业务创新,提供市场营销与客户服务的精准支撑能力。在互联网社会中,拥有数据,就拥有了了解用户行为的基础,从足够多数据的叠加中可以探知一个人的过往行为,同时可以精准的预测出其未来的需求。通过对海量的行为和内容数据处理,可以获得用户的时间、位置、业务、终端等基础信息,分析出用户的身份、兴趣、社交圈等,这样可以开发出很多新的增值业务。
通过大数据提升企业管理水平,提供透明管控与科学运营的精准支撑能力。运营商可以融合市场、财务、网络等多个系统产生的海量数据,将相关联的数据进行处理分析,有利于运营商更全面、更准确、更快速地获得企业运营数据,为投资决策和网络优化方案提供更多视角。
通过大数据发展开放合作平台,开辟新的商业模式,助力电信运营商转型。电信运营商可以通过大数据支撑运营中心发展开放合作平台,为广大开发者提供海量数据资源,发挥大数据的价值,将数据作为资源,进而提升的运营商利润增长点。
大数据技术的发展及规模商用,使得电信运营商能够充分挖掘管道内容,创造新的业务增长模式,应对“去电信化”的趋势,转型为综合信息服务提供商,成为未来大数据时代中最大的赢家。但在推动商业化应用的过程中还应全面认识大数据的内涵,避免陷入单纯的计算能力和存储能力建设,要清醒认识大数据发展的成熟度,客观分析用户的应用需求,避免过度建设
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26在数字化浪潮下,数据分析已成为企业决策的核心支撑,而CDA数据分析师作为标准化、专业化的数据人才代表,正逐步成为连接数据资 ...
2026-01-26数据分析的核心价值在于用数据驱动决策,而指标作为数据的“载体”,其选取的合理性直接决定分析结果的有效性。选对指标能精准定 ...
2026-01-23在MySQL查询编写中,我们习惯按“SELECT → FROM → WHERE → ORDER BY”的语法顺序组织语句,直觉上认为代码顺序即执行顺序。但 ...
2026-01-23数字化转型已从企业“可选项”升级为“必答题”,其核心本质是通过数据驱动业务重构、流程优化与模式创新,实现从传统运营向智能 ...
2026-01-23CDA持证人已遍布在世界范围各行各业,包括世界500强企业、顶尖科技独角兽、大型金融机构、国企事业单位、国家行政机关等等,“CDA数据分析师”人才队伍遵守着CDA职业道德准则,发挥着专业技能,已成为支撑科技发展的核心力量。 ...
2026-01-22在数字化时代,企业积累的海量数据如同散落的珍珠,而数据模型就是串联这些珍珠的线——它并非简单的数据集合,而是对现实业务场 ...
2026-01-22在数字化运营场景中,用户每一次点击、浏览、交互都构成了行为轨迹,这些轨迹交织成海量的用户行为路径。但并非所有路径都具备业 ...
2026-01-22在数字化时代,企业数据资产的价值持续攀升,数据安全已从“合规底线”升级为“生存红线”。企业数据安全管理方法论以“战略引领 ...
2026-01-22在SQL数据分析与业务查询中,日期数据是高频处理对象——订单创建时间、用户注册日期、数据统计周期等场景,都需对日期进行格式 ...
2026-01-21