京公网安备 11010802034615号
经营许可证编号:京B2-20210330
这四个误区是运营商发展大数据的主要瓶颈
在大数据的概念迅速普及、产业快速发展的今天,今年世界电信和信息社会日主题略显保守的提法让人不解。更加让人疑惑的是,业内人士关于通信运营商发展大数据的观点仍然有很多分歧,导致这种曲解的关键在于——仍然以传统的通信思维看待大数据业务发展。
误区1:大数据项目应当“做成产品”
所谓“传统的通信思维”指的是:运营商利用自身的数据资源优势开发出某种面向市场的数据产品,完成数据资源变现,再通过市场筛选出其中最具价值的产品进行迭代开发,从而形成“生产-研发-销售”的闭环。
最容易形成这种误区的就是运营商的政企服务机构。在他们的工作中,有一大部分的时间是用来联合设备厂商或服务支撑方满足客户各种需求,尤其是在一些ICT项目中,“运营商服务方”联合投标的模式屡见不鲜。这种大型ICT项目看似金额诱人,但抛去支付给设备方、服务方的费用,留给运营商的“真实收入”往往只是体现在专线、行业短信、IMS等通道类产品,相比项目标的总体少得可怜。
对此,运营商习惯于打包提供“整体解决方案”的模式。这里面一个非常核心的点是——“运营商要在摸清客户需求的情况下,协同服务支撑方事先提供一套产品/服务方案,这套方案的顶层设计、解决方案、落地服务都是由运营商或者服务商单方面提供的,客户主要负责定方向以及政策指导”。在这种思维模式下,运营商更愿意将项目做成“产品”提供给客户。
然而在大数据合作项目中,笔者更愿意称之为“服务”。一个巨大的差异点在于——“客户需要全程参与项目设计,在模型训练及数据验证的过程中要进行实战演练,在一些关键模型、核心参数的设定上要有明确的意见”。
事实上,行业客户的深度参与恰恰是运营商大数据发展的关键所在。在大数据项目中,更靠谱的方式是“联合研发”。让行业客户深入参与项目,凭借自身在行业内的经验提出想法和需求,再由运营商结合自身优势和数据逐步实现。
注意!在这个过程中有一个心态和理念上的重大区别,如果说政企的ICT项目上,运营商扮演的是“包工头”角色大包大揽,那么在大数据项目中,运营商更多应该扮演“开放平台”,将数据作为能力开放出来,数据应用的事交给更专业的行业客户。
这样既可以为运营商提供广阔的思路、积攒宝贵的经验,又可以在合作过程中探索和实践出一套互信机制。
误区2:大数据项目应当“做大做强”
一个比较突出的现象是,大家热衷于做的大数据项目,往往都是“大”项目。一方面,大项目的影响力更大,更容易出彩;另一方面,运营商政企机构“对等服务”的设置也在某种程度上决定了高层级政企机构只愿意做高层级客户。
于是,对于高层级客户肯定要“高大上”,功能越多越全越高级越好,界面越酷炫越缤纷越好,对于重要客户,“面子”是一定要给足的,至于报价嘛,通常都是“不要太在意短期收益,适当收点费就可以了”。而长期收益通常是指某一个客户的大型ICT项目,而这些项目才是政企服务机构真正所关心的,它往往关系到信息化收入、市场份额、客户关系以及面子。
在一些政企人的眼中,大数据服务突然就变成项目推进过程中的Key Point(关键点),利用这个点拿到项目可能是一条行得通的路。
然而,问题的关键在于,作为一项新兴领域的业务/服务,在发展早期,公司应当对此类业务足够重视,甚至在某种程度上给予价格(价值)保护,而不是将本该当主菜的大数据当作甜点低价销售甚至赠送。
这样做最有可能的后果就是快速透支新型业务的价值,有可能导致这个业务线迅速进入枯水期。
在早期,将大数据项目做大做强的另一个坏处是功能太多往往使得产品功能泛化,在具体的使用场景中客户体验不够好,最终导致形式大于内容,舍本逐末。
所以笔者认为运营商的大数据项目往往应该做小、做精、做深、做透、做实,真正在客户的实战场景中发挥作用。让客户用了就说好、用了就离不开。如此,才能真正深入客户,让功能变成服务、再让服务变成收入都是水到渠成的事。
误区3:大数据项目应当“由内向外”
还有一种观点认为,运营商的大数据项目就应该“从内到外”,也就是说主要服务内部,然后再逐步考虑外部应用。
事实上,这种逻辑未必成立。在笔者看来,大数据项目真正成功的关键往往是部门与部门、行业与行业之间打破数据壁垒,产生融通价值。
人口红利让通信行业一直处于高速发展。换句话说,企业内部应用大数据的内生动力并不足够强。
外部则有所不同。对于其他行业来说,通信数据是一个完全陌生的领域。从概率上来说,这种“结构洞”式的机会往往会带来“跨界交叉的意外惊喜”。更何况,通信数据本身就蕴含着十分丰富的内涵。
因此,只要找到合适、可靠的行业,将两者的数据打通、解构、清洗、再结构化并进行交叉分析,有很大的机会做出某个特定场景下的“神奇功能”。当然,这里的场景一定是基于行业客户的自身实际应用,绝非那些“面子工程”。
另外,还会有人质疑大数据服务方面的客户隐私和信息安全问题。从逻辑上讲,选择客户数据分析无论是对内还是对外都会有风险,所以这并不能成为逃避外向发展方式的理由。不过从合法合规的角度考虑,用适当的方式获取客户数据的授权倒是一个值得研究的课题。最简单的方式就是在客户签订入网协议时约定好双方的权利义务。
需要强调的是,无论对内还是对外,企业以及政府机构在数据资产的使用方面,始终处于“未知”的领域,算是“摸着石头过河”,如果没有打破常规的勇气和智慧,势必将对大数据产业本身形成桎梏,使得发展空间趋于逼仄。也正因为是这样,更要加快合作的步伐,尽可能广泛地开展模式探索,或许可以找到某个方向、某个行业、某种模式下的成功范式。
误区4:大数据项目应当“自上而下”
按照运营商拓展政企市场的思路,通常更习惯于“自上而下”的策略——与垂直行业的上级管理机构签订战略框架合作协议,再由运营商各级分公司与属地机构签订业务协议。
自上而下部署项目是一把双刃剑。好处在于,一旦项目签约成功,可在相对较短的时间内完成某个行业的全面部署;坏处在于,客户需求不易收敛,项目极有可能失控,同时通过行政命令强压下级机构执行时,下级单位处于被动接受的状态,或许会出现“消极怠工”的现象。
笔者更倾向于自下而上去推动大数据发展,原因非常简单:基层单位往往更接地气,可以在一些特定的场景、特定的行业以及特定的区域中形成收敛的需求,容易形成单点突破和饱和度攻击,最终直接产生“实战”效果。更加深层次的原因在于,基层单位主动创新提出的项目,往往在落地执行过程中更具主动性。
当然,由于中国地域广阔,各地情况有所不同,这就带来了“个性化”与“标准化”之间的矛盾,容易带来二次或三次开发。其实解决方案也比较简单,就是寻找“最大公约数”,找到各地管理的公共痛点,给出更加完整的解决方案,在一些模型参数上进行调整就可以快速部署上线。
大数据应用产业尚处在一个探索阶段,并没有非常成熟的产品和服务,信息安全趋势也是波云诡谲,要实现规模化发展还有相当长的路要走。但笔者始终相信,通信行业掌握着大量价值连城的高可用性数据,切不可在小荷才露尖尖角时就严重低估了它的价值,让它倒在KPI里、死于非理性竞争下。
还有两种思路是非常要不得的:一种是过度保守派,认为根本不该做;另一种是过度激进派,认为就该迅速以低价拿下市场。在笔者看来,运营商发展大数据要做到“胆大心细”,既要探索实际应用价值,也要关注客户隐私以及信息安全,努力寻求某个平衡态,将大数据打造成为面向未来的核心竞争力以及业务增长点。
最后,笔者用两句话结束这篇文章:一句是“革命尚未成功,同志仍须努力”,另一句是“前途是光明的,道路是曲折的”。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18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导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 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。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 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 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12