京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据助运营商实现转型 五大问题亟待改进
今天,传统电信运营商,无论是发达国家的还是新兴市场的都面临市场饱和、增长乏力的局面,需找到新的增长源。一些传统的电信运营商已使用大数据改善现有的市场表现力、建立新的收入流,例如:美国的Verizon使用匿名的用户数据,通过补贴方式,向第三方销售广告。它的竞争对手AT&T则建立了大数据动力塔断电工具,更好地实现基站的优化修理,让用户获得更好的体验。对于尚未使用大数据的传统电信运营商,需要确定其大数据发展的规划、IT解决方案,建立相关的支持组织,实现大数据的发展。
第一,使用大数据接入和分析丰富和个性化的数据通过大数据的使用,运营商可实时接入丰富的和个性化的用户数据,从这些数据中获得更多的价值,这是传统运营商独有的优势之一。实现成本优化和开拓新的收入源。运营商可利用这一优势地位,建立用户观察中心,提供各种基于大数据的产品和服务,从中获得不同程度的经验和增值。
第二,使用大数据实现结构性和非结构性数据的结合使用。对于传统的电信运营商,大数据商机无限,因为他们已掌握了大量的结构性数据,包括网络使用、地点、交易账单和个人信息。无结构的数据包括:呼叫中心的文件、社交媒体交换信息等。对于传统的运营商,要改善效率和经营效果,需要在一定时间内、系列的结构性数据与非结构性数据使用上找到平衡点。通过价格优化,实现收入增长、改善目标和扩展用户生命期、降低经营成本、实现支出的智能化。使用大数据,可实现对现有收入流的优化。
第三,以智能方法替代传统的分析方法在大数据时代,需要使用智能方法对数据进行分析,包括数据的抽取、转换、装载,以代替传统的数据分析方法。电信运营商无需新的数据源,只需建立大容量存储容量或确保快速的数据处理速度。例如:欧洲的传统运营商运用智能分析法改善发展中市场消费者的智能手机普及率。通过统计分析不同通话周期的通话模式,确定对手机普及率的影响者,确定目标影响者,为其提供相应的服务。
当然,为了促进大数据的发展,传统电信运营商需建立一个相应的团队来实施大数据计划,确定数据的收集、组织、管理和使用。可以采取与其它单位合作的方式,也可采用合资的方式建立相应的团队。目前,全球一些运营商已成功与其它部门共同建立了大数据团队,实现团队与商业市场间的紧密连接,以分析和解决相关的商业问题。
一是,分析人才的缺乏。在竞争激烈的情况下,分析人才缺乏成为吸引资源的主要风险。根据Gartner的研究,2015年,三个与大数据相关的工作中就有一个空缺,主要是因为相关技能不足。
二是,数据的质量或可用性。对于企业,经常面临的问题是没有建立适当的数据治理体制。数据质量或可用性是导致数据不准确的关键,会导致分析和结论出现问题,这一问题对新兴市场的挑战更大。对于许多运营商来说,准确的数据来源和组织是至关重要的。
三是,无效的大数据团队。许多传统的电信运营商将大数据放在IT或商业智能化部门,由于远离商业部门,在制定和选择解决方案时,往往很少考虑商业的需要,这将大大影响数据团队的运作效果。
四是,很难获得安全方面所需的资金。许多传统的电信运营商为了提高边际收益,往往会压缩资本支出,为此也不愿意加大投入,更别提加大安全方面的投入了。但这一投资对于企业的发展又是至关重要的。
五是,法律和管制面临的挑战。对于传统的运营商,应意识到并遵循用户数据的相关限制。要让用户相信,他们的数据被使用让他们获得了最佳利益。
首先,减少用户流失率。印尼的电信运营商Telkomsel采用大数据进行分析,减少用户流失率、降低用户收入的成本、扩大用户在网时间。T-Mobile使用数据分析平台,减少用户流失率。
其次,提供定制化服务。运营商Airtel与Mobileum联手,对非洲用户数据进行分析,更好的了解和测算用户国际旅行的需求。可帮助Airtel为漫游用户提供定制化服务。Vodafone与TomTom在个人导航装置方面合作,为TomTom在全球34个国家提供装置所需SIM,SIM可实现M2M通信。德国电信与Kiunsys公司合作,为意大利Pisa提供智慧城市解决方案,主要是利用大数据优化服务。
再次,大数据品牌解决方案法国电信Orange创立了一个大数据产品Flux Vision,作为其商业服务的一部分。法国旅游机构可使用这一工具了解用户行为等。德国电信通过其分支机构提供一些大数据解决方案,包括实时安全分析、移动性连接、面向私人和公共组织的云解决方案。
然后,为第三方提供大数据解决方案。前新西兰电信公司为外部机构提供大数据解决方案,主要是为私人企业和公共机构提供数据观察、服务及云解决方案。新加坡电信成立了DataSpark公司,为第三方提供大数据解决方案,提供的服务包括:GeoAnalytics,确定不同目标群运动幅度、模式和步幅。
最后,扩大新的业务收入流。Telefónica提供了一种智能步伐产品,用于分析人群的行为,帮助企业和公共机构改善对消费者的了解,更好地做出决策。Telefónica利用大数据扩展新的收入源。它联合一家银行推出了Yaap购物业务,以提供数字化服务简化人们的日常生活为目标。希望成为面向西班牙人的最大网络,同时,积累消费者购物行为的数据。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14