京公网安备 11010802034615号
经营许可证编号:京B2-20210330
运营商如何充分“掌控”数据 以大数据换未来
运营商多元化拓展需要带给其他行业新的价值,这个价值可能是更好终端、更好网络、更好平台、更好内容。但所有价值的核心是运营商如何提供更好的对策,承载这个核心的则是“数据”,运营商能否充分地掌控“数据”并对“数据”进行有效诠释,将影响运营商多元化转型未来。
运营商所能赋予的价值
一、如何充分掌控“数据”
1、掌控“数据”的背景
运营商可以称为“数据巨头”,但运营商目前的发展与“数据巨头”并不相称。运营商拥有更为核心的用户基础数据(年龄、性别、账单等),以及用户通信数据(位置、流量、语音等),这两个核心数据是一般企业无法比拟的。正是因为运营商能够掌控用户的核心数据,所以运营商存在能够掌控其他行业的数据的可能性。
缺乏其他行业数据,运营商所有核心数据的价值没有发挥余地。运营商重点将落在其他行业数据的拓展上,运营商的多元化拓展,实际是运营商对多元化数据的拓展,运营商数据版图越广阔,业务将越多元。
2、掌控“数据”的模式
运营商如何掌控各行各业的数据,运营商需要同时构建通信服务平台、以及与各行业相应的信息服务平台来支撑各行各业的服务,运营商通过通信服务平台与信息服务平台来记录消费者、商家/政府、服务商的各种各类数据。再通过平台上的人工智能、大数据分析来实现数据价值的变现。
在这个模式上,运营商并不是直接向消费者提供服务,而是由专业的服务提供商向消费者提供服务。这是否意味着运营商被边缘化或管道化,恰恰相反的是运营商掌握了产业链的核心价值——“数据”,运营商通过强大通信服务平台捆绑信息服务平台进而掌控产业链上下游的“数据”。产业链的核心并不是服务商所能提供的内容,而是运营商对数据的诠释与运用。对症下药、服务匹配才是产业链的核心价值。
NTTdocomoHealthcare推出WM平台,主要用来收集、分析、预测用户健康数据。在这平台上构建各种各类与健康相关的应用例如“健康管理”、“步行挣钱”、“作息管理”、“女性专属”、“预防接种”、“怀孕监控”、“育儿记录”等。合作商通过这个平台为消费提供专业服务与产品,例如医疗建议、保健建议、穿戴设备、测量仪等,个人消费者通过应用获得专业的服务,普通商家或广告商通过平台获得潜在营销客户。该平台将运营商、服务/产品提供商、个人消费者、普通商家/广告商四个角色有效串联起来,形成共生共赢的生态系统。
运营商掌控“数据”的核心,是搭建数据平台,专注数据的运营,通过大数据分析或人工智能,为消费者提供针对性服务、为服务商提供客户匹配与服务、产品优化建议,为商家/广告商提供客户匹配与营销策略优化建议。运营商对数据的掌控,实际是运营商通过数据支撑来实消费者、服务商、商家之间的有效沟通。
二、如何有效诠释“数据”
数据不是被制造出来,数据只是被记录而呈现,数据是对现实世界的描述。我们之所以能通过数据来诠释现实世界,是因为我们通过数据构建能解释现实世界的模型。数据仅当被记录的时候存在,诠释现实世界的模型仅被数据验证才显真实。数据不断被记录,模型不断被优化,模型才能更接近现实世界。
数据的诠释,其实是指运营商与现实世界互动的过程,更确切的是运营商对现实世界进一步理解的过程。运营商通过大数据分析,不断优化诠释现实世界的模型,找到现实世界运作的机理,发现现实世界的不足与问题,进而针对性提出相应的对策与解决方法。
数据的诠释的过程,即是运营商创造价值的过程。数据的诠释带有一定目的或方向,要么解决问题或难题,要么让事情变得更好,当然是好的目的与方向,才能带来价值。例如在制造业方面,运营商可以帮助工厂监测失败信号、产品质量控制、提升安全、提升运营等;在农业方面,运营商可以帮助农民扩大规模、提高质量、节省农动力、获取有价值信息,提供安全可靠食物等。正如NTT解决方案,所有解决方案都有初步的想法与目的,这个想法与目的则源于运营商对行业的初步理解。数据的诠释,一方需要通过大数据挖掘、人工智能来理解数据,另一方面则需要运营商通过真实世界的切实了解实际问题与情况。
价值的大小,完全取决于运营商掌控的数据量,以及对数据的诠释能力。运营商掌控数据越多、诠释数据越透彻越能给出有价值的对策。正如NTT解决方案中,运营商通过大量各类感应设备、物联网等尽可能多收集数据,累积数据,再通过大数据分析、人工智能来诠释数据,然后做出预测与行动,最终创造价值。运营商需要尽可能收集数据,以及构建强大数据分析与人工智能平台,才能成功利用数据创造价值。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21