
运营商大数据运营的现状及思考
这是笔者当前的一次关于运营商大数据的思考,从组织机制、产品体系、收益情况、安全问题及数据问题五个方面阐述,希望于你有帮助。
1、 组织机制
电信和联通的较早建立了集团层面的大数据运营组织,如电信的云公司,联通的信息化部等,因此其大数据集中化运营程度相对较高,联通还专门成立了智慧足迹公司,发布了沃指数品牌,总体推进的速度相对较快,移动则起步较晚,当前处于群雄逐鹿的状态,诸如浙江,北京,上海等很多省市都自建有大数据组织来推进大数据的专业化运营,当然电信和联通的省公司也同时存在分省运营的状态,比如浙江电信的数通公司。
不同的组织体系带来了运营能力的差异,打个比方,如果你是个客户找三家运营商合作验真业务,电信和联通也许可以直接找集团谈,但移动则要一家家谈,虽然移动和招行合作成立了做征信的试金石公司,但也还处于起步状态,拥有最多数据的移动当然认识到了这一点,最近从集团层面开始有所动作,相信大家马上会看到。
对于分省运营的公司来讲,存在的最大问题是以区区一省的数据谈判的溢价能力不行,各省协同不够,竞争能力大打折扣,一些大型的金融机构甚至不屑于跟单个省公司谈,因为成本偏高。
因此,当前一些运营商变现能力举步维艰,是有深层次原因的,并不是简单的产品和商业模式问题,运营商可是有90多个独立的经营单位,哪家全国客户都受不了跟90多家省公司去谈一个验真业务,90多个独立的经营单位也不大可能都会有对应的大数据运营组织,并打造与之配套的机制、流程、人员及产品体系,这个成本非一般的公司能够承受。
很多运营商的省公司明确表示:“我们真的没人没能力,集团或先进省公司趟出一条路后,我们贡献数据,跟着你喝粥就行。”
但也应该看到,在大数据的初期,分省运营也带来了灵活性大,数据整合复杂度降低,业务推进较快的优点,这是符合小步快跑的原则的,后面你会看到搞大数据运营投入实在太大了,集中化和分布式的推进模式很难讲孰优孰劣,都是每个运营商权衡利弊的结果。
2、 产品体系
数据分析可以分为简单数据的简单分析(统计取数分析),简单数据复杂分析(BI数据挖掘),复杂数据简单分析及复杂数据复杂分析(深度学习)四类。
三大运营商在大数据上摸索了几年,对于基于现成的大数据能干什么也应该清楚了,当前,不是妄自菲薄,运营商最擅长的是简单数据的简单分析,简单数据的复杂分析只能说勉强吧,复杂数据的简单分析则是当前对外变现的最现实支撑方式,即充分利用大数据的优势去直接变现,最大的蓝海复杂数据复杂分析由于涉及建模等系列能力要求,笔者并不认为是当前运营商的选择。
无论三大运营商或者各个省公司产品形式或叫法上有什么区别,无论是面对金融、零售、交通、政府、终端、互联网等哪个行业,运营商的当前的大数据产品体系是脱离不了下面的框架的,因为这些产品是以运营商的数据为基础的,因此各大运营商的产品基本殊途同归,没有更多的秘密,以浙江移动的为例:
应该来讲,基于运营商当前的能力,其产品和商业模式已经不少,主要的问题除了最大的分省数据隔裂的问题外,还有就是没有专精一门。
诸如位置产品,现在估计都烂大街了,但运营商真正在行业有影响力的差异化位置产品屈指可数,诸如精度问题、标签问题都还难以令人满意,让这些产品缺乏实际的竞争力,谈妥几家客户并不能说明什么问题。
这个的确没办法,一方面运营商的产品能力还不够,比如要精准实时定位其实可以做,但数据建模的成本太高,另一方面分省运营使得没法形成合力,产品同质化严重,重复建设一直是运营商分省运营的一个毒瘤吧,因此只能寄希望于打造更多的产品和想出更多的商业模式。
同时安全问题使得大多数走清单的路线被堵死,运营商也不能像互联网公司那样交换cookie等数据,数据交易的时机也远未成熟。
基于笔者的判断,在运营商的能力没起来之前,最靠谱的应该是金融风控,只要运营商的数据能够集中,解决组织机制上的问题,这个产品还是大有可为的。
其次是广告投放,只要能复用好运营商的渠道能力,辅之以逐步提升的标签能力,还是有可能规模化的,但挑战更大一点,因为要玩广告,运营的要求很高,当前一些运营商通过电话等形式投放广告,存在一定的安全风险,还是要慎重。
3、 收益情况
联通与电信的大数据变现收入号称都过了亿,从笔者了解到的一些移动省份看,收入也过了千万,但这个对于千亿收入体量的运营商来说,也只能说是象征意义吧,甚至是涟漪都算不上。
笔者跟友商有多次交流,大家都谈到了变现的艰辛,也谈到了变现收入的无可奈何的“水分”,因为运营商当前获得的大数据变现收益,并不是纯粹的,其不知不觉是复用了运营商原有的的一些资源的,比如传统政企的客情关系,运营商的线上渠道,信息化产品的搭配助力等,一些模棱两可的统计口径也可能赞助了运营商大数据的“收益”。
如果算上运营商近几年在大数据平台、产品及人员上的投入,合计成本应是很大的,是否真有利润还真难说,围绕在运营商身边的各类合作伙伴,依靠这一波也获得了些许收入,但也应要认识到光卖平台是无法持续的。
当然运营商由于转型的要求,做战略投入的确有必要,诸如移动也不差钱,但也要遵循市场化的机制,表面光鲜的背后帐要自己算清楚,不求马上获取利润,起码知道自己每年是否在进步,否则大数据这个数字化业务引擎倒变成了累赘,赔本赚吆喝并不是没出现过。
从大环境的看,当前大数据算是寒冬已至,很多大数据公司都面临着生存压力,处于温室保护的运营商大数据组织,需要时常问问自己,假如真的脱离母体,是否有独立生存的能力?
在相当长的时间内,运营商变现其实是很难收支相抵的,但运营商也要换个角度想问题,假如让亚信、华为或一个互联网公司来运作运营商的大数据资产,现在将是怎样一个场景?
既然时代赋予了运营商一次机会,运营商需要更加努力,必须颠覆自己的一切,因为搞大数据面对的是全行业,这里没有通信的保护伞。
4、 安全问题
这个达摩克里斯之剑现在越收越紧,有多紧呢?最近有关部委下了个征求大数据安全意见的文,意思是凡是有可能通过数据关联分析反推出个人用户身份的,都不能做,这个定义就很模糊了,意味着你做什么都可能犯错。
很多运营商基于安全的考虑,纷纷回缩战线,部分省公司和研究院已经实际撤销了大数据的相关部门,因为忙活了半天,一没赚到什么钱,二风险又这么高,体制内的确有这个问题。
现在有个态势是运营商大数据变现逐步从对外转向对内,让大数据在对内的精确营销,精益运营,精准建设等各个方面的发挥价值,但对内大数据运营的核心问题是,针对传统通信产品,固有的组织、机制及流程,还有多少可提升的空间?
笔者的判断是对内挑战比对外更高,改变存量的投入远远超过新增,关键是效果不好衡量,运营商也不可能去搞什么对内的虚拟结算,决定了驱动力存在一些问题。
如果仅仅对内还有一个问题是运营商可能离大数据生态越来越远,缺失未来的话语权,因为你不再有机会接触最新的技术、产业和客户,这个不仅有违大连接战略的意图,还跟DT时代开放的精神背道而驰,显然大家也不愿意看到。
向左转还是向右转,运营商的确要想清楚,联通和电信大数据对外开放的决心还是蛮大的,虽然当前采用的一些手段有待商榷,但应该还是着眼于未来吧,毕竟穷则思变。
不管如何,不要与趋势为敌,面对安全这个问题,合法合规的跨过去才显英雄本色。
5、 数据问题
谈运营商大数据现状肯定不能缺了大数据本身的探讨,虽然运营商大数据有独特的优势,但数据整合任重而道远。
运营商的网络和IT系统基本是分省独立建设的,虽然有相关的规范,但各省数据的差异性还是非常大,因此整合的难度巨大,以中国移动的一级经分系统为例,那是花了10年的时间和代价才建立起来的,但那个还仅仅针对的是B域数据,而占据运营商85%以上的O域大数据,不仅缺乏数据标准,而且数据体量巨大,解析复杂,其数据整合难度将远超任何一种数据仓库。
从网上的公开资料看,中国电信等运营商当前集中运营的数据也是B域为主,决定了其大数据集中化支撑的场景只能是验真类有限的几种,更有价值的上网内容,通话信令等数据整合也是困难重重。
但即使实现O域数据的统一采集汇聚,由于O域数据价值密度低,解析建模的代价会非常大,虽然诸如电信已经在行业知识库构建、ID整合方面已经走出了第一步,浙江移动已经开始基于MR数据进行位置数据精度的提升,但真正要让O域上网数据产生商业价值还有很长的路要走。
无论从技术的角度,还是组织的角度,数据的整合和质量问题应是运营商未来面临的最大问题,如果运营商不能构建一个强大的数据管理组织和体系,其大数据实际是很难真正发挥出规模化价值的。
当然运营商并不是没有看到这一点,比如中国移动的统一DPI方案,但所有这些离落地还有相当的距离,所有这些,都意味着巨大的投入和成本,对于运营商来讲,这将是艰难的抉择。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08