
数据变现四大模式释放电信大数据价值
OTT、管道化、资费调整是近几年电信行业在市场竞争上的主要挑战,但现在电信行业也开始有了巨大的转变,开始通过数据这个金矿来进行变现,利用数据为客户提供产品和服务,而且服务也做的越来越精细和具有针对性,向其他行业中进行拓展。
从目前看来数据变现上,中国和国外的电信运营商都处在不断探索的阶段,在商业层面上并没有很好的收入,但当数据的价值得到认可时,也将会有更大的价值释放。
电信行业四大变现模式
大数据变现主要是通过企业内部和外部两部分数据同时作用产生,在内部有三种数据,业务交易数据、流程型数据、交互式数据可以形成变现,外部则是行业数据和互联网等数据等。
电信行业在变现形式上有四个层面,第一、能力平台的变现,基于自身数据提供能力组件,比如位置平台、信用平台;第二、分析能力变现,行业分析报告;第三、运营的变现,为第三方客户提供运营服务;第四、纯数据变现。
目前较为成熟的两种变现形式是能力平台变现和分析能力变现。目前运营商的省级公司基本都已经拥有位置、信用、大数据服务中心等平台,另外针对特定事件的大数据分析也已经很成功。在Teradata天睿公司大中华区通信行业解决方案资深总监姜欣看来,目前的所有变现形式在技术上都可以实现,只是在推广和组织上会有所不同。
数据变现四大模式释放电信大数据价值
Teradata天睿公司大中华区通信行业解决方案资深总监姜欣
西班牙电信的智慧足迹(SmartSteps)就是一款面向零售商的能力平台,该产品基于完全匿名和聚合的移动网络数据,可对某个时段、某个地点人流量的关键影响因素进行分析,并将洞察结果面向政企客户提供。例如,洞察结果可为零售商新店设计和选址、设计促销方式、与客户反馈等提供决策支撑,从而帮助零售商更好地理解和满足客户需求、降低成本;也可帮助政府统计、预测各种场景下的人流量。
在四种数据变现模式之后,现在还有一个新的变化,电信运营商开始和第三方行也跨行业成立合资公司合作运营,通过一定形式双方共同运营数据资产,互相弥补各自数据资产的不足。像中国联通和招商银行合作推出的招联消费消费金融有限公司。
现阶段企业对于大数据变现的市场主要集中在产品层面,例如位置、信用等,产品的优势在于不用涉及其他行业业务,又能够将数据能力进行很好的体现。但未来,一定会向行业进行拓展,开发出上层的产品和服务。
姜欣指出,目前没有得到快速发展这是因为受制于法律法规和对其他行业理解两方面,当然运营商正在努力进行拓展,除了自身大数据部门的作用,同时连同企业以及政府合作,推动行业的融合。Teradata已经帮助中国移动某省公司搭建了产品体验平台,将运营商数据对外进行展示,促成和其他行业间的合作。
电信大数据平台该如何建
早期电信行业的数据分析是通过经营分析系统实现,现在则发展成完整的大数据系统,主要综合BMO三个数据域的数据,其中B域是经分数据,O域是网关类数据,M域是ERP、MIS等系统数据。
现如今大数据平台已经相对完善,主要的问题是让大数据和业务紧密的集合,这就需要解决速度和数量这一对矛盾的问题,所以在数据处理平台基础之上还需要补充充实化等很多能力,像流处理、动态数据仓库、高级分析可视化等技术,实现快速采集、处理、分析、呈现和业务呈现闭环。
“电信运营商的技术实力毋庸置疑,但在大数据领域还要拥抱更多大数据分析技术。”姜欣说道。Teradata的建议是在原有完善的基础设施上将速度再提升,将业务更紧密的结合,用更多技术来丰富现有的架构。
电信行业是Teradata业务的主要行业之一,而电信行业目前一般采用三部分技术:第一、数据平台技术,包括数据仓库、MPP技术、Hadoop,在之上还有内存数据库技术和Spark技术。第二,数据采集上提供TeradataAutomation、TeradataListener流处理技术等。第三,前端BI工具,TeradataAster等。尤其是Teradata统一数据架构(UDA)的高性能数据仓库、数据探索平台、Hadoop平台的组合非常适合电信行业,其中某一部分也可以使用不同品牌的产品进行组合,这一组合尤其解决了运营商的降本增效,让不同的平台做最擅长的事。
在行业的拓展上,Teradata内部通常会组织不同行业的顾问和运营商一起进行交流,分析不同行业的资源整合方案,同时也可以促成不同客户间的交流。姜欣指出,一方面Teradata帮助运营商规划行业需求,另一方面帮助第三方行业看到运营商数据的对其的作用。
大数据技术还在不断地完善,随着新技术的不断提出,大数据平台的可靠性、性能也将随之提升,而随着数据变现模式的深入探索,甚至未来创造出更多的商业模式。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01