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
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 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 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19