
运营商大数据运营的现状及思考
这是笔者当前的一次关于运营商大数据的思考,从组织机制、产品体系、收益情况、安全问题及数据问题五个方面阐述,希望于你有帮助。
1、 组织机制
电信和联通的较早建立了集团层面的大数据运营组织,如电信的云公司,联通的信息化部等,因此其大数据集中化运营程度相对较高,联通还专门成立了智慧足迹公司,发布了沃指数品牌,总体推进的速度相对较快,移动则起步较晚,当前处于群雄逐鹿的状态,诸如浙江,北京,上海等很多省市都自建有大数据组织来推进大数据的专业化运营,当然电信和联通的省公司也同时存在分省运营的状态,比如浙江电信的数通公司。
不同的组织体系带来了运营能力的差异,打个比方,如果你是个客户找三家运营商合作验真业务,电信和联通也许可以直接找集团谈,但移动则要一家家谈,虽然移动和招行合作成立了做征信的试金石公司,但也还处于起步状态,拥有最多数据的移动当然认识到了这一点,最近从集团层面开始有所动作,相信大家马上会看到。
对于分省运营的公司来讲,存在的最大问题是以区区一省的数据谈判的溢价能力不行,各省协同不够,竞争能力大打折扣,一些大型的金融机构甚至不屑于跟单个省公司谈,因为成本偏高。
因此,当前一些运营商变现能力举步维艰,是有深层次原因的,并不是简单的产品和商业模式问题,运营商可是有90多个独立的经营单位,哪家全国客户都受不了跟90多家省公司去谈一个验真业务,90多个独立的经营单位也不大可能都会有对应的大数据运营组织,并打造与之配套的机制、流程、人员及产品体系,这个成本非一般的公司能够承受。
很多运营商的省公司明确表示:“我们真的没人没能力,集团或先进省公司趟出一条路后,我们贡献数据,跟着你喝粥就行。”
但也应该看到,在大数据的初期,分省运营也带来了灵活性大,数据整合复杂度降低,业务推进较快的优点,这是符合小步快跑的原则的,后面你会看到搞大数据运营投入实在太大了,集中化和分布式的推进模式很难讲孰优孰劣,都是每个运营商权衡利弊的结果。
2、 产品体系
数据分析可以分为简单数据的简单分析(统计取数分析),简单数据复杂分析(BI数据挖掘),复杂数据简单分析及复杂数据复杂分析(深度学习)四类。
三大运营商在大数据上摸索了几年,对于基于现成的大数据能干什么也应该清楚了,当前,不是妄自菲薄,运营商最擅长的是简单数据的简单分析,简单数据的复杂分析只能说勉强吧,复杂数据的简单分析则是当前对外变现的最现实支撑方式,即充分利用大数据的优势去直接变现,最大的蓝海复杂数据复杂分析由于涉及建模等系列能力要求,笔者并不认为是当前运营商的选择。
无论三大运营商或者各个省公司产品形式或叫法上有什么区别,无论是面对金融、零售、交通、政府、终端、互联网等哪个行业,运营商的当前的大数据产品体系是脱离不了下面的框架的,因为这些产品是以运营商的数据为基础的,因此各大运营商的产品基本殊途同归,没有更多的秘密,以浙江移动的为例:
应该来讲,基于运营商当前的能力,其产品和商业模式已经不少,主要的问题除了最大的分省数据隔裂的问题外,还有就是没有专精一门。
诸如位置产品,现在估计都烂大街了,但运营商真正在行业有影响力的差异化位置产品屈指可数,诸如精度问题、标签问题都还难以令人满意,让这些产品缺乏实际的竞争力,谈妥几家客户并不能说明什么问题。
这个的确没办法,一方面运营商的产品能力还不够,比如要精准实时定位其实可以做,但数据建模的成本太高,另一方面分省运营使得没法形成合力,产品同质化严重,重复建设一直是运营商分省运营的一个毒瘤吧,因此只能寄希望于打造更多的产品和想出更多的商业模式。
同时安全问题使得大多数走清单的路线被堵死,运营商也不能像互联网公司那样交换cookie等数据,数据交易的时机也远未成熟。
基于笔者的判断,在运营商的能力没起来之前,最靠谱的应该是金融风控,只要运营商的数据能够集中,解决组织机制上的问题,这个产品还是大有可为的。
其次是广告投放,只要能复用好运营商的渠道能力,辅之以逐步提升的标签能力,还是有可能规模化的,但挑战更大一点,因为要玩广告,运营的要求很高,当前一些运营商通过电话等形式投放广告,存在一定的安全风险,还是要慎重。
3、 收益情况
联通与电信的大数据变现收入号称都过了亿,从笔者了解到的一些移动省份看,收入也过了千万,但这个对于千亿收入体量的运营商来说,也只能说是象征意义吧,甚至是涟漪都算不上。
笔者跟友商有多次交流,大家都谈到了变现的艰辛,也谈到了变现收入的无可奈何的“水分”,因为运营商当前获得的大数据变现收益,并不是纯粹的,其不知不觉是复用了运营商原有的的一些资源的,比如传统政企的客情关系,运营商的线上渠道,信息化产品的搭配助力等,一些模棱两可的统计口径也可能赞助了运营商大数据的“收益”。
如果算上运营商近几年在大数据平台、产品及人员上的投入,合计成本应是很大的,是否真有利润还真难说,围绕在运营商身边的各类合作伙伴,依靠这一波也获得了些许收入,但也应要认识到光卖平台是无法持续的。
当然运营商由于转型的要求,做战略投入的确有必要,诸如移动也不差钱,但也要遵循市场化的机制,表面光鲜的背后帐要自己算清楚,不求马上获取利润,起码知道自己每年是否在进步,否则大数据这个数字化业务引擎倒变成了累赘,赔本赚吆喝并不是没出现过。
从大环境的看,当前大数据算是寒冬已至,很多大数据公司都面临着生存压力,处于温室保护的运营商大数据组织,需要时常问问自己,假如真的脱离母体,是否有独立生存的能力?
在相当长的时间内,运营商变现其实是很难收支相抵的,但运营商也要换个角度想问题,假如让亚信、华为或一个互联网公司来运作运营商的大数据资产,现在将是怎样一个场景?
既然时代赋予了运营商一次机会,运营商需要更加努力,必须颠覆自己的一切,因为搞大数据面对的是全行业,这里没有通信的保护伞。
4、 安全问题
这个达摩克里斯之剑现在越收越紧,有多紧呢?最近有关部委下了个征求大数据安全意见的文,意思是凡是有可能通过数据关联分析反推出个人用户身份的,都不能做,这个定义就很模糊了,意味着你做什么都可能犯错。
很多运营商基于安全的考虑,纷纷回缩战线,部分省公司和研究院已经实际撤销了大数据的相关部门,因为忙活了半天,一没赚到什么钱,二风险又这么高,体制内的确有这个问题。
现在有个态势是运营商大数据变现逐步从对外转向对内,让大数据在对内的精确营销,精益运营,精准建设等各个方面的发挥价值,但对内大数据运营的核心问题是,针对传统通信产品,固有的组织、机制及流程,还有多少可提升的空间?
笔者的判断是对内挑战比对外更高,改变存量的投入远远超过新增,关键是效果不好衡量,运营商也不可能去搞什么对内的虚拟结算,决定了驱动力存在一些问题。
如果仅仅对内还有一个问题是运营商可能离大数据生态越来越远,缺失未来的话语权,因为你不再有机会接触最新的技术、产业和客户,这个不仅有违大连接战略的意图,还跟DT时代开放的精神背道而驰,显然大家也不愿意看到。
向左转还是向右转,运营商的确要想清楚,联通和电信大数据对外开放的决心还是蛮大的,虽然当前采用的一些手段有待商榷,但应该还是着眼于未来吧,毕竟穷则思变。
不管如何,不要与趋势为敌,面对安全这个问题,合法合规的跨过去才显英雄本色。
5、 数据问题
谈运营商大数据现状肯定不能缺了大数据本身的探讨,虽然运营商大数据有独特的优势,但数据整合任重而道远。
运营商的网络和IT系统基本是分省独立建设的,虽然有相关的规范,但各省数据的差异性还是非常大,因此整合的难度巨大,以中国移动的一级经分系统为例,那是花了10年的时间和代价才建立起来的,但那个还仅仅针对的是B域数据,而占据运营商85%以上的O域大数据,不仅缺乏数据标准,而且数据体量巨大,解析复杂,其数据整合难度将远超任何一种数据仓库。
从网上的公开资料看,中国电信等运营商当前集中运营的数据也是B域为主,决定了其大数据集中化支撑的场景只能是验真类有限的几种,更有价值的上网内容,通话信令等数据整合也是困难重重。
但即使实现O域数据的统一采集汇聚,由于O域数据价值密度低,解析建模的代价会非常大,虽然诸如电信已经在行业知识库构建、ID整合方面已经走出了第一步,浙江移动已经开始基于MR数据进行位置数据精度的提升,但真正要让O域上网数据产生商业价值还有很长的路要走。
无论从技术的角度,还是组织的角度,数据的整合和质量问题应是运营商未来面临的最大问题,如果运营商不能构建一个强大的数据管理组织和体系,其大数据实际是很难真正发挥出规模化价值的。
当然运营商并不是没有看到这一点,比如中国移动的统一DPI方案,但所有这些离落地还有相当的距离,所有这些,都意味着巨大的投入和成本,对于运营商来讲,这将是艰难的抉择。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
PyTorch 核心机制:损失函数与反向传播如何驱动模型进化 在深度学习的世界里,模型从 “一无所知” 到 “精准预测” 的蜕变,离 ...
2025-07-252025 年 CDA 数据分析师考纲焕新,引领行业人才新标准 在数字化浪潮奔涌向前的当下,数据已成为驱动各行业发展的核心要素。作为 ...
2025-07-25从数据到决策:CDA 数据分析师如何重塑职场竞争力与行业价值 在数字经济席卷全球的今天,数据已从 “辅助工具” 升级为 “核心资 ...
2025-07-25用 Power BI 制作地图热力图:基于经纬度数据的实践指南 在数据可视化领域,地图热力图凭借直观呈现地理数据分布密度的优势,成 ...
2025-07-24解析 insert into select 是否会锁表:原理、场景与应对策略 在数据库操作中,insert into select 是一种常用的批量数据插入语句 ...
2025-07-24CDA 数据分析师的工作范围解析 在数字化时代的浪潮下,数据已成为企业发展的核心资产之一。CDA(Certified Data Analyst)数据分 ...
2025-07-24从 CDA LEVEL II 考试题型看 Python 数据分析要点 在数据科学领域蓬勃发展的当下,CDA(Certified Data Analyst)认证成为众多从 ...
2025-07-23用 Python 开启数据分析之旅:从基础到实践的完整指南 在数据驱动决策的时代,数据分析已成为各行业不可或缺的核心能力。而 Pyt ...
2025-07-23鸢尾花判别分析:机器学习中的经典实践案例 在机器学习的世界里,有一个经典的数据集如同引路明灯,为无数初学者打开了模式识别 ...
2025-07-23解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-07-22解析神经网络中 Softmax 函数的核心作用 在神经网络的发展历程中,激活函数扮演着至关重要的角色,它们为网络赋予了非线性能力, ...
2025-07-22CDA数据分析师证书考取全攻略 一、了解 CDA 数据分析师认证 CDA 数据分析师认证是一套科学化、专业化、国际化的人才考核标准, ...
2025-07-22左偏态分布转正态分布:方法、原理与实践 左偏态分布转正态分布:方法、原理与实践 在统计分析、数据建模和科学研究中,正态分 ...
2025-07-22你是不是也经常刷到别人涨粉百万、带货千万,心里痒痒的,想着“我也试试”,结果三个月过去,粉丝不到1000,播放量惨不忍睹? ...
2025-07-21我是陈辉,一个创业十多年的企业主,前半段人生和“文字”紧紧绑在一起。从广告公司文案到品牌策划,再到自己开策划机构,我靠 ...
2025-07-21CDA 数据分析师的职业生涯规划:从入门到卓越的成长之路 在数字经济蓬勃发展的当下,数据已成为企业核心竞争力的重要来源,而 CD ...
2025-07-21MySQL执行计划中rows的计算逻辑:从原理到实践 MySQL 执行计划中 rows 的计算逻辑:从原理到实践 在 MySQL 数据库的查询优化中 ...
2025-07-21在AI渗透率超85%的2025年,企业生存之战就是数据之战,CDA认证已成为决定企业存续的生死线!据麦肯锡全球研究院数据显示,AI驱 ...
2025-07-2035岁焦虑像一把高悬的利刃,裁员潮、晋升无望、技能过时……当职场中年危机与数字化浪潮正面交锋,你是否发现: 简历投了10 ...
2025-07-20CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-18