数据变现四大模式释放电信大数据价值

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介:

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(Smart Steps)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Teradata Automation、Teradata Listener流处理技术等。第三,前端BI工具,Teradata Aster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。 

原文发布时间为:2016年7月6日


本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网


相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
1月前
|
存储 分布式计算 数据挖掘
数据架构 ODPS 是什么?
数据架构 ODPS 是什么?
361 7
|
1月前
|
存储 分布式计算 大数据
大数据 优化数据读取
【11月更文挑战第4天】
53 2
|
1月前
|
机器学习/深度学习 存储 大数据
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系,保留最大方差信息,实现数据压缩、去噪及可视化。本文详解PCA原理、步骤及其Python实现,探讨其在图像压缩、特征提取等领域的应用,并指出使用时的注意事项,旨在帮助读者掌握这一强大工具。
72 4
|
1月前
|
存储 大数据 数据管理
大数据分区简化数据维护
大数据分区简化数据维护
25 4
|
1月前
|
存储 大数据 定位技术
大数据 数据索引技术
【10月更文挑战第26天】
60 3
|
1月前
|
存储 大数据 OLAP
大数据数据分区技术
【10月更文挑战第26天】
71 2
|
1月前
|
消息中间件 分布式计算 大数据
数据为王:大数据处理与分析技术在企业决策中的力量
【10月更文挑战第29天】在信息爆炸的时代,大数据处理与分析技术为企业提供了前所未有的洞察力和决策支持。本文探讨了大数据技术在企业决策中的重要性和实际应用,包括数据的力量、实时分析、数据驱动的决策以及数据安全与隐私保护。通过这些技术,企业能够从海量数据中提取有价值的信息,预测市场趋势,优化业务流程,从而在竞争中占据优势。
118 2
|
2月前
|
存储 机器学习/深度学习 分布式计算
大数据技术——解锁数据的力量,引领未来趋势
【10月更文挑战第5天】大数据技术——解锁数据的力量,引领未来趋势
|
1月前
|
数据采集 监控 数据管理
数据治理之道:大数据平台的搭建与数据质量管理
【10月更文挑战第26天】随着信息技术的发展,数据成为企业核心资源。本文探讨大数据平台的搭建与数据质量管理,包括选择合适架构、数据处理与分析能力、数据质量标准与监控机制、数据清洗与校验及元数据管理,为企业数据治理提供参考。
90 1
|
2月前
|
分布式计算 关系型数据库 MySQL
大数据-88 Spark 集群 案例学习 Spark Scala 案例 SuperWordCount 计算结果数据写入MySQL
大数据-88 Spark 集群 案例学习 Spark Scala 案例 SuperWordCount 计算结果数据写入MySQL
56 3