京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
CDA数据分析师 出品 作者:李诗怡 定义: 用户增长核心分析框架,刻画用户从接触产品到自发推荐的全生命周期,五个递进环节构建 ...
2026-09-15在数字化营销与精细化用户运营时代,企业传统的广撒网式营销模式成本高、转化率低,已无法适配精准商业竞争需求。客户画像作为大 ...
2026-09-15 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” ...
2026-09-15在MySQL数据库数据查询与数据分析中,GROUP BY与ORDER BY是使用频率极高的核心关键字。二者语法结构相似,常搭配使用,但核心功 ...
2026-09-14随着数字化治理、智慧运营、数字孪生技术的普及,数字体征成为衡量业务状态、系统运行、城市治理与企业经营健康度的核心体系。数 ...
2026-09-14 很多数据分析师沉迷于复杂的模型和算法,却忽略了数据分析的一项基础能力——描述性统计。事实上,大量商业分析问题,用描述 ...
2026-09-14在MySQL数据库运维与开发实践中,经常出现一种典型现象:数据库实际存储的数据量很小,数据表条数少、文件体积低,但服务器整体 ...
2026-09-11 很多数据分析师能熟练计算均值、标准差,但当被问到“总体和样本有什么区别”“参数和统计量有什么关系”“数据级别的高低如 ...
2026-09-11CDA数据分析师 出品 作者:李诗怡 定义: 将同一时间段内因具备相同属性或共同经历的用户划分为群体,分析其留存与生命周期价值 ...
2026-09-11在零售、商超、餐饮、线下门店等实体商业运营中,客流与销售额是衡量门店经营状态的两大核心指标。销售额是门店经营的最终结果, ...
2026-09-10在数据可视化体系中,柱形图是最基础、应用最广泛的图表类型,其中**累计柱形图(堆积柱状图)**是兼顾整体总量与内部结构的核心 ...
2026-09-10 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-09-10在Python Pandas数据分析中,DataFrame是承载结构化数据的核心载体,数据清洗、数据修正、条件赋值、字段更新等实操场景,都离不 ...
2026-09-09 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-09-09卡方检验(Chi-Square Test)是统计学中针对分类数据的经典显著性检验方法,核心用于判断两个离散分类变量是否相互独立、数据实 ...
2026-09-09CDA数据分析师 出品 作者:李诗怡 1. 销售漏斗阶段判断 题目:销售漏斗模型中,通过广告、社交媒体等方式触达品牌信息(如浏览品 ...
2026-09-07在Python数据分析中,Pandas库的DataFrame是最核心、最常用的结构化数据表对象,类似于Excel的二维表格,具备规整的行列结构、字 ...
2026-09-07在数据分析、经营复盘、业绩预测与经济统计工作中,平均增速(平均增长率)是衡量数据长期变化趋势、业务发展快慢的核心指标。不 ...
2026-09-07 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-09-07随着大数据技术的快速发展,商业竞争逐步从传统的经验式经营转变为数据驱动的精细化运营。海量的用户行为数据、交易数据、运营数 ...
2026-09-04