京公网安备 11010802034615号
经营许可证编号:京B2-20210330
运营商迎来大数据时代:管理和分析是大挑战
大数据不是新的概念,在移动互联网发展起来后,数据增长速度加快,整个产业压力突出,传统数据库技术已无法满足运营商对大数据充分利用的需求的背景下,大数据成为近年来的热点。对运营商来说,数据爆发性增长后,带来的收入并未改观,因此,运营商面临着数据流的附加值被互联网公司赚走的挑战,同时面临沦为管道化的尴尬,如何利用好运营商手中的大数据,成为需要面对的问题。

运营商面临数据管理和分析挑战
易观国际分析师黄萌表示,大数据发展时间不长,随着云概念和3G的深入发展,运营商数据压力增大,同时IDC扩容,偏向以存储为主的云服务业务。
运营商新业务的涌现,导致数据暴增。信令数据、互联网数据其规模已经达到数百TB,甚至PB规模。此外,据EMC
数据计算事业部大中国区总经理刘伟光介绍,数据的价值除了与数据规模相关,还与数据处理周期成正比关系。也就是,数据处理的速度越快、越及时,其价值越大,发挥的效能越大。而除了分析传统结构化数据外,随着新增值业务拓展,运营商对实现跨结构化、半结构化、非结构化数据进行高效分析有着愈发强烈的诉求。
而运营商面对海量数据和数据结构的变化,不仅是成本,还有管理和分析的挑战。黄萌认为,运营商相对互联网企业有优势,具有雄厚的资源和庞大的IDC集群,拥有电信级的运营网络,具有保证大数据实时、畅通传送的能力,同时具有网络资源和运营能力。而相对互联网企业劣势的地方在于上层应用,尤其是在Saas层面。
大数据有待深挖掘
南京邮电大学卢扞华教授认为,大数据时代主要是对技术的综合运用和对数据的深度挖掘。对运营商来说,大数据带来的机会大于挑战。运营商有自己的网络,积累了大量非常有价值的数据,可以进行客户分析。利用网络收集数据,对运营商运营方式的改变是个机会。
真正实现精准化营销和精细化运营的秘诀就在于如何利用好运营商手中的大数据。海量话单、信令、互联网数据本身就是一笔宝贵的财富。利用好这些数据,充分、及时地对这些数据进行深度分析挖掘,不仅可以进一步提升服务质量、提高客户忠诚度、挖掘新商机、增加收入,还可以通过优化资源配置、减少浪费来提升运营效率,有效降低运营成本。
此外,电信运营商信息化实施比较早,本身大数据积累的也多,例如以前的日志信息,包含用户信息和设备信息,可以进行挖掘使用。运营商越来越重视对数据的挖掘,可以获得未来开发业务和开拓市场的机会。另一方面,分析结果不会涉及隐私,管理好了可以更少产生法律纠纷。此外,电信运营商通过数据分析还可以提供面向社会的信息应用。[page]
卢扞华教授认为,大数据是对技术的综合应用,要有开放、融合、服务和创新的心态,大数据可以为运营商创造另一片天地。例如一个大数据的应用通过收集数据,对大量图片进行分析,最终形成一个场景图。这就是对数据分析、统计技术、图片处理技术和人工智能合成技术的综合运用。据悉,南邮正在开发这方面的应用。
据了解,目前中国三个电信运营商在业务支撑领域、网管IT支撑领域包括增值业务领域,已经随着市场的需求诞生了很多新的大数据实时分析的项目。目前,大数据主要应用在运营商的"信令"系统分析上,此外,运营商还可以通过"用户行为分析"系统,进行精准营销。运营商还提供IDC服务,通过"云"中心的方式为互联网企业提供服务。
对公市场前景巨大
黄萌表示,单批、单次数据爆发性增长,对其进行的可知的时间处理能力是关键点。对运营商来说,IDC服务在对政府和高校、企业等非个人业务市场上前景巨大;对于个人业务,运营商刚开始做,由于回收投资较慢、离散性强,现在主要是针对个人精准运营的业务。智能管道方面,运营商正在基于大数据平台进行流量分析,但是落地的项目少。
据介绍,运营商大数据战略还不太明晰,但是有了一些建树。去年十月份中国移动开始做的"大云"、数据管理系统和平台,覆盖很多园区、学校,2.0技术比1.0技术大幅提升;中国联通2010年开始对企业提供IDC服务,截至目前,营收超20亿元(人民币);中国电信2011年成立云公司,尚无实体业务,IDC托管规模相对联通小很多。
据电信专家韩少敏介绍,数据类型分为非结构化数据和媒体流,运营商开展大数据分析面对的问题主要是硬件能力。数据一方面是纵向关系,比如"信令",采用水平分隔数据的方式就可以,按照时间段分别存储分析。此外还有横向关系,需要垂直分隔,由于查询复杂,需要引入真正的算法去做。韩少敏认为,目前掌握这方面能力的人才奇缺。并且,运营商在分布式数据库方面少有进展。而从应用角度,大数据一方面用作于统计分析,建数据仓库,其次还有非文本查询,现在大多数数据库公司可以做以上两个方面,而对于关系型数据共享层面,目前还做不了。
中国联通在IDC服务方面走在三家运营商前面,其面向企业提供服务,目前通过按关系水平分隔的方式,将数据集中起来,但是一旦到关系型数据的共享层面,因为没有数据模型,找不到底层的数据库血缘,目前的方案无法解决问题。但是运营商目前做这些数据积累,可以为将来发展提供机会。
刘伟光认为,对于运营商来说,大数据等于大价值。对于IT企业,大数据等于大机遇。通信行业需求从来都是IT技术发展的重要推动力,谁能得到通信行业客户的认可,必然会在大数据领域大有作为,进而成为大数据解决方案的领先者、领导者。
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