运营商大数据专题市场分析报告
目录
第一节运营商大数据开启“网络入口” (4)
一、运营商增量不增收 (4)
二、“网络入口”使运营商大数据价值巨大 (4)
三、运营商大数据处于启动阶段 (4)
四、运营商大数据市场发展驱动因素 (5)
第二节运营商大数据是重要突破口 (7)
一、运营商收入结构变化 (7)
二、移动互联网流量猛增 (9)
三、运营商沦为数据管道 (12)
四、流量经营和大数据将成为突破口 (13)
第三节运营商大数据本质分析 (14)
一、“网络入口”才是互联网时代最根本的数据入口 (14)
二、“网络入口”使运营商大数据来源多样、内容庞杂质量高 (15)
三、数据“多”质量“高”凸显运营商大数据价值 (18)
四、大数据对运营商提出挑战 (21)
第四节运营商大数据市场空间分析 (23)
一、运营商大数据产业链研究 (23)
二、运营商大数据商业化潜力巨大 (24)
三、外延应用扩展市场空间 (28)
第五节企业分析 (34)
附录：运营商大数据进展 (36)
图表目录
图表1：运营商大数据产业链划分 (5)
图表2：2015年运营商大数据投资预测 (6)
图表3：2012~2017年中国程序化购买展示广告规模 (6)
图表4：2010~2015年移动通话量和移动电话用户同比增长 (8)
图表5：2010~2015年移动短信量和点对点短信量各年比较 (8)
图表6：2010~2015年移动互联网流量发展比较 (8)
图表7：2010~2015年固定与移动数据业务收入发展 (9)
图表8：2010~2015年各制式移动电话用户发展情况 (10)
图表9：2010~2015年3G/4G用户发展情况 (10)
图表10：思科预测2015~2020年移动数据流量年复合增长53% (11)
图表11：2020年移动视频将产生约3/4的移动数据流量 (12)
图表12：每用户月均流量与每用户贡献的收入之间的敞口加大 (13)
图表13：经典的大数据“哑铃结构”凸显数据管道的核心地位 (14)
图表14：“网络入口”才是互联网时代最根本的入口 (14)
图表15：运营商大数据的来源梳理 (15)
图表16：NGBOSS（新一代BOSS）系统架构 (16)
图表17：2016年1月运营商APP的月活跃用户数 (18)
图表18：中国移动庞大的数据量是支撑大数据的基础 (18)
图表19：中国移动数据特征 (21)
图表20：相比互联网企业，运营商以结构化数据为主 (21)
图表21：运营商大数据产业链划分 (23)
图表22：运营商大数据平台架构示意 (23)
图表23：全球运营商大数据应用场景 (24)
图表24：中国运营商大数据应用场景 (25)
图表25：运营商大数据可加强内部运营 (25)
图表26：RTB竞价模式 (26)
图表27：中国程序化广告技术生态图 (27)
图表28：中国大数据市场发展现状 (28)
图表29：2015~2018年中国大数据市场营收规模预测 (29)
图表30：2014年中国大数据市场行业营收结构 (29)
图表31：中国大数据市场行业契合度及应用可能性分析 (30)
图表32：中国大数据市场集中度与成熟度分析 (31)
图表33：2015年运营商大数据投资预测 (32)
图表34：2012~2017年中国程序化购买展示广告规模 (33)
图表35：全球运营商在大数据方面的进展 (38)
第一节运营商大数据开启“网络入口”
一、运营商增量不增收
尽管每用户数据流量不断提升，但 ARPU 值持续下降。中国移动 4G 用户数达1.9 亿，占总体移动用户近 25%。 4G 用户与全网用户相比， ARPU 值是全网的 1.5 倍；但 DOU（每客户月均流量消费， MB）是全网用户的 3.8 倍。 4G 使得流量更加便宜。在“提速降费”的压力下，我们预计 ARPU 值将持续下滑。同时，视频等业务将推动用户流量消耗继续提升，运营商收入与用户数据流量的敞口将持续增大。
承载和业务分离是主因，大数据将成为解决之道。运营商数据管道像一个可靠性非常高的快递，但递送一件衣服和一件玻璃器皿却收取同样的价格。运营商大数据可将日常运营中积累的数据与上层应用直接关联。通过深度包检测等技术，可直接获得用户 APP、Web 访问等上层应用信息。通过对数据的处理，将推动运营商精细化运营，也将为精准营销等市场服务。
二、“网络入口”使运营商大数据价值巨大
数据管道的价值在于，一旦没有了网络，所谓的硬件/软件入口都没有意义。运营商的数据管道是一切互联网的基础，由此打造的“网络入口”使得运营商可以获取互联网上几乎所有的信息。考虑到手机实名制因素，运营商大数据具有准确性高、地域全覆盖、业务全覆盖、时间连续性好等优点，理论上可以取代互联网企业的大数据。考虑到数据采集等因素，我们认为未来将出现运营商数据为主，互联网大数据为辅的局面。
三、运营商大数据处于启动阶段
国内外运营商在大数据领域做了很多有益的尝试，运营商大数据市场目前处于启动阶段。
运营商大数据产业链可分为大数据采集、大数据管理、大数据分析和大数据应用四个环节。大数据采集主要利用 BOSS 系统和深度包检测（DPI）设备等收集各种结构化和非结构化数据。大数据管理主要包括分布式数据库的软硬件等。大数据分析依赖商业智能、数据挖掘和人工智能等技术。大数据应用分为对内应用和对外应用两类。内部应用指运营商通过大数据对自身业务进行优化。外部应用主要指大数据的对外商
西安邮电大学 科研训练（论文）题目：大数据时代运营商的SWOT分析 院（系）：经济与管理学院（工商管理系） 专业：人力资源管理 班级：1102班 学生姓名：刘丹 导师姓名：尹丽英职称：讲师 起止时间：2013年9月16日至12月6日
科研训练（论文）成绩鉴定表 指导教师评语
目录 摘要........................................ 错误!未定义书签。Abstract......................................... 错误!未定义书签。 1 引言...................................... 错误!未定义书签。 2 大数据时代运营商的发展现状 (1) 2.1大数据的含义及特征............................... 错误!未定义书签。 2.2大数据的应用领域及其价值......................... 错误!未定义书签。 2.3大数据时代运营商的发展现状 (3) 2.4大数据时代运营商的发展趋势 (4) 3 大数据时代运营商的SWOT分析 (5) 3.1优势与劣势分析 (5) 3.2机会与威胁分析 (6) 4大数据时代运营商的经营策略 (8) 5结论 (10) 参考文献 (11)
摘要 近年来，大数据所带来的挑战推动了计算技术的快速发展，催生了分布式并行处理平台Hadoop、软硬件一体化数据库服务器Exadata等一批新产品。对于电信运营商这样的大型企业而言，需要思考如何应用这些新技术，解决在大数据时代背景下所面临的挑战，从而提升企业价值。本文立足于电信行业，通过分析大数据的现状及发展趋势，利用SWOT分析模型，阐述电信运营商在大数据时代背景下的优势与劣势，以及所面临的机遇与挑战，并提出相关应对策略，最后展望在大数据时代电信企业的发展及转变趋势。 关键词：大数据运营商 SWOT分析模型数据挖掘
企业级大数据平台架构 电信行业大数据应用案例分享 互联网+行业大数据应用案例分享 第一套题 1、哪个选项不属于大数据4V特点？（ B ） A、Volume B、Valid C、Variety D、Value 2、大数据的特点不包含（ B ） A、数据体量大 B、价值密度高 C、处理速度快 D、数据不统一 3、业界对大数据典型特征定义，一下哪像描述正确 ABC 4、Hadoop包括（ABC） A、Hadoop Distrbuted Filesystem（HDFS） B、HadoopMapReduce C、Hbase D、HadoopStreaming 5、有关HDFS文件系统说法正确的是以下那些？（AD） A、HDFS本身是个高可用系统架构 B、HDFS采取的是多NameNode、DataNode架构 C、HDFS数据副本的数量越大越好 D、HDFS NameNode分主备，主备不同时对外服务 6、关于大数据的理念的描述，以下哪些不正确（BD） A、相关性比因果更重要 B、要效率也要绝对精准 C、大数据的核心价值是预测 D、遵从隐私和法律并非大数据的风险 7、HDFS文件系统适用于以下哪些场景（AC） A、将单文件分割成很多小块存储 B、存储大量小文件 C、流式数据读取 D、实时数据读取 8、对海量大数据管理可能面临的难题包括（ABCD） A、如何实现快速查找，提升检索效率； B、如何保证数据真实性，防止数据诈骗； C、如何实现PB级不同类型数据的存储； D、如何降低数据产生数量，节约存储资源。 9、大数据应用大大方便教育资源的管理，彻底改变教育模式，特别是在科研领域，面向数据密集型科研发现，将成为继三大范式之后的第四范式，此处提到的科学发展领域的三大范式是指（ABC） A、理论 B、推演 C、模拟 D、计算
运营商大数据应用解决方案
运营商大数据应用 解决方案
目录 1.大数据概述 (9) 1.1.概述 9 1.2.大数据定义 9 1.3.大数据技术发展 11 2.大数据应用 (14) 2.1.大数据应用阐述 14 2.2.大数据应用架构 16 2.3.大数据行业应用 16 2.3.1.医疗行业 16 2.3.2.能源行业 17 2.3.3.通信行业 17
2.3.4.零售业 18 3.大数据解决方案 (19) 3.1.大数据技术组成 19 3.1.1.分析技术 19 3.1.1.1.................. 可视化分析 19 3.1.1.2................. 数据挖掘算法 19 3.1.1.3................. 预测分析能力 19 3.1.1. 4................... 语义引擎 19 3.1.1.5............. 数据质量和数据管理 20 3.1.2.存储数据库 20 3.1.3.分布式计算技术 21 3.2.大数据处理过程 23 3.2.1.采集 23 3.2.2.导入/预处理
24 3.2.3.统计/分析 24 3.2. 4.挖掘 24 3.3.大数据处理的核心技术-Hadoop 25 3.3.1.Hadoop的组成 25 3.3.2.Hadoop的优点： 28 3.3.2.1.................. 高可靠性。 28 3.3.2.2.................. 高扩展性。 28 3.3.2.3................... 高效性。 29 3.3.2. 4.................. 高容错性。 29 3.3.3.Hadoop的不足 29 3.3. 4.主要商业性“大数据”处理方案 29 3.3.2.5....... IBM InfoSphere大数据分析平台 30 3.3.2.6...... Or a c l e Bi g Da t aApplianc 31
大数据处理框架选型分析
前言 说起大数据处理，一切都起源于Google公司的经典论文：《MapReduce:Simplied Data Processing on Large Clusters》。在当时（2000年左右），由于网页数量急剧增加，Google公司内部平时要编写很多的程序来处理大量的原始数据：爬虫爬到的网页、网页请求日志；计算各种类型的派生数据：倒排索引、网页的各种图结构等等。这些计算在概念上很容易理解，但由于输入数据量很大，单机难以处理。所以需要利用分布式的方式完成计算，并且需要考虑如何进行并行计算、分配数据和处理失败等等问题。 针对这些复杂的问题，Google决定设计一套抽象模型来执行这些简单计算，并隐藏并发、容错、数据分布和均衡负载等方面的细节。受到Lisp和其它函数式编程语言map、reduce思想的启发，论文的作者意识到许多计算都涉及对每条数据执行map操作，得到一批中间key/value对，然后利用reduce操作合并那些key值相同的k-v对。这种模型能很容易实现大规模并行计算。 事实上，与很多人理解不同的是，MapReduce对大数据计算的最大贡献，其实并不是它名字直观显示的Map和Reduce思想（正如上文提到的，Map和Reduce思想在Lisp等函数式编程语言中很早就存在了），而是这个计算框架可以运行在一群廉价的PC机上。MapReduce的伟大之处在于给大众们普及了工业界对于大数据计算的理解：它提供了良好的横向扩展性和容错处理机制，至此大数据计算由集中式过渡至分布式。以前，想对更多的数据进行计算就要造更快的计算机，而现在只需要添加计算节点。 话说当年的Google有三宝：MapReduce、GFS和BigTable。但Google三宝虽好，寻常百姓想用却用不上，原因很简单：它们都不开源。于是Hadoop应运而生，初代Hadoop的MapReduce和
1运营商大数据的价值与挑战 当前社会是一个信息大爆炸的社会，而运营商就是一个 典型的例子，用户每日的通信行为、用户基础资料、消费习 惯、上网行为等等都产生海量的数据。这些数据所承载的信 息蕴藏着不可估算的价值，数据已成为新时代最关键的生产 要素，而运营商的数据是一个巨型的金矿，等待着人类的不 断开采。 然而在国内，运营商大数据对外运营仍处于初期阶段， 没有成熟的业务模式和成功案例，当前还有不少问题需要解 决，这里只选两个较为关键的问题来分析。第一个问题是业务模式，即运营商应该选择何种业务模式；第二个问题是信 息安全，即如何解决客户的信息安全问题。2运营商大数据的业务模式研究大数据业务模式非常多，包括：咨询服务、运营分析、媒体广告、开发平台、精准营销等等。但从运营商角度出发，结合实际推广难度、用户接受度以及信息安全进行综合考虑，我们建议从“群体性数据服务”入手，优先开展以下业务。2.1提供用户基础特征分析服务面向咨询公司：针对城市规划、商业运营等大型咨询项目，基于多种维度准确描述区域内的人群分布特点及位置变化规律，辅助提升咨询项目数据质量。咨询公司针对政府行业分析的数据需求如图1。运营商提供的数据包括：人口属性数据：用户的基本属性信息，如性别、年龄、职业、消费能力等；人口分布数据：基于移动用户的位置信息、判断用户位置分布情况；人口流动数据：根据通信基站变化情况，获取人口流动数据。图1咨询公司针对政府行业分析的数据需求 2.2提供市场行业数据分析服务 面向行业分析机构：提供实时提供准确的业务数据支 撑，提升机构分析报告的实时性；提升数据获取效率，大大降低传统的数据调研成本。 运营商提供的数据包括： 终端类型情况：用户使用手机品牌、型号、价位、版本等 信息； 网购消费情况：用户所在的区域、网购的频率、购物的金额等信息； 上网行为分析：用户习惯购物的网址、时间段、喜欢的品 牌和款式等信息； 娱乐消费情况：用户喜欢的娱乐活动、场所、频率、额度等数据。 2.3提供用户行为习惯分析服务 面向商业或地产：基于用户的手机位置及基础属性，为商圈提供准确的客源分布分析、客流趋势分析、客流轨迹、竞 品分析、会员分析等数据。 运营商大数据对外运营的研究 邱俊东姚泽楠 （中国移动通信集团广东有限公司汕头分公司，广东汕头515000） [摘要]大数据是当前社会非常热门的话题，其价值已经被各行各业普遍接受。大数据时代已经到来，电信运营商也迎来了大数据时代的重大机遇。本文从运营商的角度综合分析大数据的价值与存在的挑战，结合市场与行业的需求，对大数据业务模式进行研究，提出以“群体类数据服务”为切入点的四种对外运营的业务模式，同时针对大数据的信息安全问题提出若干建设性意见。 [关键词]大数据；运营商大数据；对外运营；业务模式 中图分类号：F626文献标识码：A 文章编号：1008-6609(2015)07-0054- 02 ——————————————作者简介：邱俊东，男，广东潮州人，工学学士，助理工程师，研究方向：IT 系统架构，大数据应用。2015年第7期 学术探讨网络与通信 - - 54
电信运营商基于大数据的商业 智能应用的思考
孙少陵 中国移动通信有限公司研究院 2012年11月
1
目录
3 1 2 3
电信运营商商业智能面临的挑战 基于大数据的商业智能系统的初步构想 “大云”在大数据商业智能领域的实践
2
全球数据量高速增长，信息成为运营商战略资产
?信息社会的信息增量在高速发展 ?随着互联网/移动互联网、数码设备、物联网/传感器等技术的发展，全球数据生产在 高速增长 ?Jim Gray的新摩尔定理认为，每18个月全球新增的信息量是计算机有史以来全部信息 量的总和。据IDC研究报告，未来10年全球数据量将以40+%的速度增长，2020年全球数 据量将达到35ZB（35,000,000PB），为2009年（0.8ZB）的44倍 ?信息成为企业战略资产，市场竞争和政策管制要求越来越多的数据被长期保存 ?企业越来越需要长期保存各类数据，以进行用户行为分析、市场研究，信息服务企业 更是需要积累越来越多的信息资源 ?为了遵从萨巴斯、上网日志审计等管制要求，企业需要长期保存越来越多的生产数据
3
基于大数据的商业智能（BI）为运营商带来新的机遇
在网络时代，运营商是数据交换中心，运营商的网络管道、业务平台、 支撑系统中每天都在产生大量有价值的数据，基于这些数据的商业智能 应用为运营商带来巨大的机遇
改善用户体验 优化网络质量 助力市场决策 刺激业务创新
? 分析用户行为，改进产品设计 ? 通过用户偏好分析，及时、准确进行业务推荐和客户关怀
? 分析流量、流向变化，调整资源配置 ? 分析网络日志，进行网络优化和故障定位
? 通过业务、资源、财务等各类数据的综合分析，快速准确确 定公司管理和市场竞争策略
? 在确保用户隐私不被侵犯的前提下，对数据进行深度加工， 对外提供信息服务，提升企业价值
4
数据分析处理需求分类 1 事务型处理 在我们实际生活中,事务型数据处理需求非常常见,例如：淘宝网站交易系统、1２306网站火车票交易系统、超市ＰOＳ系统等都属于事务型数据处理系统。这类系统数据处理特点包括以下几点: 一就是事务处理型操作都就是细粒度操作,每次事务处理涉及数据量都很小。 二就是计算相对简单，一般只有少数几步操作组成，比如修改某行得某列; 三就是事务型处理操作涉及数据得增、删、改、查,对事务完整性与数据一致性要求非常高。 四就是事务性操作都就是实时交互式操作,至少能在几秒内执行完成； 五就是基于以上特点,索引就是支撑事务型处理一个非常重要得技术. 在数据量与并发交易量不大情况下,一般依托单机版关系型数据库,例如OＲＡＣLＥ、MＹSQL、SQＬSERVER,再加数据复制（DataGurａd、RＭAＮ、ＭｙSQＬ数据复制等)等高可用措施即可满足业务需求。 在数据量与并发交易量增加情况下，一般可以采用ORＡLＣＥRAC集群方式或者就是通过硬件升级（采用小型机、大型机等，如银行系统、运营商计费系统、证卷系统)来支撑. 事务型操作在淘宝、1230６等互联网企业中,由于数据量大、访问并发量高，必然采用分布式技术来应对,这样就带来了分布式事务处理问题，而分布式事务处理很难做到高效，因此一般采用根据业务应用特点来开发专用得系统来解决本问题。
２数据统计分析 数据统计主要就是被各类企业通过分析自己得销售记录等企业日常得运营数据,以辅助企业管理层来进行运营决策。典型得使用场景有:周报表、月报表等固定时间提供给领导得各类统计报表;市场营销部门,通过各种维度组合进行统计分析,以制定相应得营销策略等． 数据统计分析特点包括以下几点: 一就是数据统计一般涉及大量数据得聚合运算，每次统计涉及数据量会比较大。二就是数据统计分析计算相对复杂，例如会涉及大量goｕpbｙ、子查询、嵌套查询、窗口函数、聚合函数、排序等；有些复杂统计可能需要编写ＳQＬ脚本才能实现． 三就是数据统计分析实时性相对没有事务型操作要求高。但除固定报表外,目前越来越多得用户希望能做做到交互式实时统计； 传统得数据统计分析主要采用基于ＭＰP并行数据库得数据仓库技术.主要采用维度模型,通过预计算等方法，把数据整理成适合统计分析得结构来实现高性能得数据统计分析，以支持可以通过下钻与上卷操作,实现各种维度组合以及各种粒度得统计分析。 另外目前在数据统计分析领域,为了满足交互式统计分析需求，基于内存计算得数据库仓库系统也成为一个发展趋势,例如SAP得HANA平台。 3 数据挖掘 数据挖掘主要就是根据商业目标，采用数据挖掘算法自动从海量数据中发现隐含在海量数据中得规律与知识。
三大电信运营商大数据平台发展分析 9月29日消息，如今我们处在一个无处不数据的时代，坐拥大数据这座富矿，国内无论是互联网企业还是运营商都在紧锣密鼓的建设大数据平台，企图将这座宝矿开发成为熠熠生辉的“钻石”。 目前，国内三大运营商迎接大数据时代的步伐和规划各自不同，中国电信的大数据平台已经扩展到31个省，基础平台建设基本完成；中国联通虽然起步晚一些，但是其大数据产品体系已经发展成为六大产品种类；相对于中国电信和中国联通的成熟，中国移动的数据中心资源略显不足，但是需求量不断递增，也在不断努力布局中。 中国电信：大数据平台扩展到31个省基础平台建设基本完成 中国电信所有的大数据都是在云平台和云设施之上搭建的，如今其大数据平台建设从原来的5个省现在扩展到31个省，数据的种类从开始的几类主要的数据扩展到十几类，实效性是原来一周到现在小时的延时。 中国电信云计算分公司大数据事业部首席数据分析师张宇中表示：“中国电信的大数据平台跟其它合作伙伴的模式不一样，中国电信主要是做节约化运营，将数据的汇聚、接入、存储、加工、输出整合在一起，这样前端的响应可以快速的传递到客户中去，并且可以持续的循环。同时，中国电信的平台开发还做了具体功能区分。” 目前中国电信已经完成了大数据基础平台的建设，正在继续完善行业的应用。依托云网融合，中国电信的大数据开放平台一直拥有强大的资源，中国电信有八大资源基地，还有内蒙和贵州两大数据中心，并且很多区域下沉的边界。 2015年11月28日，中国电信正式发布“天翼大数据”品牌，并推出精准
营销、风险防控、区域洞察、咨询报告四类数据型产品和大数据云平台型产品，重点服务于旅游、金融、广告、政府、交通等行业。这是中国电信运营商第一个大数据业务品牌。 据了解，中国电信推出的4+1产品模块，拥有15个子项。其中有面向个人拥护推出的风控的和精准营销产品；还有一部分是输出具体数据，形成相关报告；此外，中国电信还开发了PAAS的平台对价值链的某一方面具有专业特色的公司能够利用大数据平台做它所擅长的事情。可以说，中国电信通过多种手段为产业链打造了一个比较安全可靠的大数据平台。 此外，中国电信还和其它100家企业共同发起成立BDU中国企业大数据联盟，期望能够与产业链共同推进大数据生态的建设。 中国联通：大数据产品体系发展为六大类 中国联通从2013年开始发展大数据业务，如今其大数据产品体系已经发展成为六大产品种类。 据了解，这六大产品种类分别是：一征信产品，例如大数据最大的应用是在金融行业，金融行业需求电信运营商所拥有的大量用户的真实性数据；二沃指数，分析包括市场洞察和行业指数两个方面，行业指数涉及到金融、交通、旅游、APP，以及各类的各个垂直行业分析的指数；三精准营销产品，中国联通有很多用户资源和渠道，在保护用户隐私的前提下，可以做到针对不同的场景和不同的用户，进行内部和外部的精准营销；四用户标签；五能力开放平台；六智慧足迹。 特别需要指出的是去年底中国联通在第二届世界互联网大会上，首次发布了“沃指数”大数据产品体系。该产品体系以中国联通4亿用户数据为基础，具备海量、实时的数据处理能力，通过与政府、行业权威机构的数据进行整合、提炼、分析和挖掘，具有真实、全量、安全、实时、公正的特点。 据介绍，“沃指数”涵盖了3000余个用户标签，能够轻松识别3.8亿条URL、6万个互联网产品、约3000个手机品牌、8.2万个终端型号，据此可助力政府在城市规划、公共服务、交通出行、旅游监控、抢险救灾等方面提供决策依据；帮助企业在商业选址、广告投放、信用控制、产品设计等方面提供分析报告及经营决策指导；为公众提供交通出行、旅游选择、消费指南等生活服务。 目前中国联通对移动网和固网用户的数据采集、数据存储、分析和挖掘，形
昆明理工大学 空间数据库期末考察报告《简析大数据及其处理分析流程》 学院：国土资源工程学院 班级：测绘121 姓名：王易豪 学号：201210102179 任课教师：李刚
简析大数据及其处理分析流程 【摘要】大数据的规模和复杂度的增长超出了计算机软硬件能力增长的摩尔定律，对现有的IT架构以及计算能力带来了极大挑战，也为人们深度挖掘和充分利用大数据的大价值带来了巨大机遇。本文从大数据的概念特征、处理分析流程、大数据时代面临的挑战三个方面进行详细阐述，分析了大数据的产生背景，简述了大数据的基本概念。 【关键词】大数据；数据处理技术；数据分析 引言 大数据时代已经到来，而且数据量的增长趋势明显。据统计仅在2011 年，全球数据增量就达到了1.8ZB （即1.8 万亿GB）[1]，相当于全世界每个人产生200GB 以上的数据，这些数据每天还在不断地产生。 而在中国，2013年中国产生的数据总量超过0.8ZB（相当于8亿TB），是2012年所产生的数据总量的2倍，相当于2009年全球的数据总量[2]。2014年中国所产生的数据则相当于2012 年产生数据总量的10倍，即超过8ZB，而全球产生的数据总量将超40ZB。数据量的爆发式增长督促我们快速迈入大数据时代。 全球知名的咨询公司麦肯锡(McKinsey)2011年6月份发布了一份关于大数据的详尽报告“Bigdata：The next frontier for innovation，competition，and productivity”[3]，对大数据的影响、关键技术和应用领域等都进行了详尽的分析。进入2012年以来，大数据的关注度与日俱增。
(此文档为word格式，可任意修改编辑！） 2016年8月
目录 1 移动互联推动运营商跨入大数据时代 5 2 通信大数据价值对比互联网、金融大数据特点显著 5 21、大数据技术助力运营商数据获取能力拓展 5 22、互联网企业大数据人群广度上仍有所不足 6 23、金融企业大数据在对人群属性定位在过于狭窄7 24、运营商大数据在定位用户O2O需求方面优势显著7 3 DT 时代通信大数据将迎来货币化大机会8 31、通信大数据可细分为五个产业环节9 32、采集环节价值并不显著10 33、非结构化数据特点推动大数据库卡位的价值11 331、创新公司高估值表明大数据底层架构体系受到欢迎12 332、Hadoop 体系将是大数据时代最有可能的发展方向12 333、适应DT时代运营商积极转变13 4 大数据分析将占据未来产业链技术能力核心16 41、分析工具类公司高估值表明大数据分析体系有较高价值16
42、大数据分析将是有别于传统数据分析的新市场17 43、大数据应用将是最大的蛋糕所在19 431、大数据营销公司获得市场青睐19 432、大数据变现将是整个大数据应用的最后一公里19 5、通信大数据应用将迎来蓝海时代20 51、大数据行业现状20 52、运营商大数据商业模式22 521、传统模式：经营分析24 522、第三方分析25 523、精准营销26 524、第三方合作27 53 运营商大数据市场规模28 531、运营商DSP 29 532、消费金融32 533、信息安全监测34 534、运营商大数据加大投入35
6、电信运营商大数据投资建议36 61、运营商大数据进入实质性商业阶段37 62、由互联网服务及行业信息化带来的大量数据所造就的大数据机遇38 63、大数据挖掘技术快速发展39 7、主要公司分析40 71、东方国信41 72、烽火通信42 33、荣之联43 74、风险提示44
电信运营商大数据业务运营流程深度剖析 【摘要】为了对电信运营商大数据业务运营流程进行剖析，首先针对运营商在对外开展大数据业务的过程中所面临的管理困境进行了总结和分析，并从数据资产管理流程及大数据端到端业务流程两方面提出相应的改进建议，以期为电信运营商大数据业务整体推进提供有益的参考。 【关键词】大数据业务数据资产管理流程端到端业务流程 1 引言 2015年，在“互联网+”战略及创新氛围的带动下，三大运营商均已完成大?稻萦τ贸【按幽诓坑τ米?向外部变现的破局。2016年以后，运营商的大数据业务正逐渐走向规模化和商业化。在大数据业务的规模化商业化运营过程中，运营商面临怎样的挑战，又该如何应对，成为值得探讨的问题。 本文将针对运营商的大数据业务运营全流程，从数据资产管理和大数据端到端业务流程两条管理制度流程，详细剖析运营商开展大数据业务所面临的困难，并针对这些困难提供出优化提升的管理建议，以期为后续大数据业务运营管理提供参考。 2 大数据业务管理现状及相关理论介绍
2.1 大数据业务管理现状 运营商在开展大数据业务过程中通常会涉及两条流程支线：数据资产管理流程和大数据端到端业务管理流程。 如图1所示，在大数据端到端业务管理流程方面，大部分运营商已形成了前端部门收集汇总大数据需求，后端部门与外部支撑厂商进行大数据应用功能的具体开发实现的端到端业务管理流程。 如图2所示，在数据资产管理流程方面，大部分运营商仍延续传统的采集存储规则，并未形成针对大数据应用的系统性的数据资产管理流程及制度。完整的数据资产管理是包括针对数据的计划、规范定义、采集存储、提取使用、盘点维护、数据清除环节在内的全生命周期管理，而目前大部分运营商的数据管理仅包含采集存储、提取使用、数据清除环节，且现存管理制度不适应大数据业务特征，制度有效性受限。 2.2 BPMMM和数据质量管理评估维度 （1）业务流程管理成熟度模型 业务流程管理成熟度模型（BPMMM，Business Process Management Maturity Model）是用来评价并提高企业业务流程管理水平的模型，包括外部结构和内部结构。如图3所示，BPMMM的外部结构划分为初始级、可复用级、已定义级、可管理级和优化级五个层级。
电信运营商该如何利用大数据? 大数据市场前景广阔。市场研究公司 Marketsa ndMarkets 最新 发布 的一份报告预计，从2013年到2018年，全球大数据市场将会 出现年均26%的增长率，即从今年的148.7亿美元增长到2018年 的463.4亿美元。 全球范围内的许多企业都在进军大数据应用市场， 同时，大数据也为 电信运营商带来了新的盈利空间以及新的挑战。 大数据“美好时代”来临 互联网产生大数据，随着互联网技术的不断发展，数据也将像能 源、材料一样，成为战略性资源。如何利用数据资源深挖创新、提升I 1 0 IJ D J C □ 1 c
效益，是诸多IT企业的追求目标。大数据因其市场需求广阔、后续增长潜力大、投资前景好等优点，后续发展持续被看好。 如今，“大数据”早已渗透到我们的生活中，衍生出了形形色色的数据应用，涵盖交通、医疗、金融、文艺、体育等各个方面。大数据促进了信息融合和产业跨界，也引发了更多新业态出现。其中，获利最多的当属IT企业。 在国内，腾讯这个移动互联网巨头是最早尝到大数据甜头的企业，其从2003年起已经开始努力做手机QQ的尝试。现在，几乎每个拥有手机的网民都是手机QQ用户。另一个互联网巨头百度的新一代搜索引擎的重要支柱之一就是大数据。依托大数据，百度新一代搜索引擎才得以为用户提供更便捷与智能的医疗、交通等服务。以医疗 为例，用户可以在百度搜索引擎中便捷地获取相关病症的原因、症状、治疗等信息；甚至可以通过搜索引擎，在线咨询医生、在线挂号，这大大降低了百姓获得医疗信息和服务的门槛。除此之外，阿里巴巴的 云计算、奇虎360的商业模式、微信的运作自如……这些IT大佬们的得意，无不与“大数据”这个词语紧密相连。 在国外，大数据也被许多科技企业看作是云计算之后的另一个巨大商机，包括微软、谷歌、亚马逊和微软在内的一大批互联网巨头纷纷掘金这一市场。谷歌基于搜索数据成功建立了盈利模式；亚马逊通过云技术、大数据构建了电商帝国……大数据引发的信息融合正在改变着IT企业的发展方
企业级大数据平台架构电信行业大数据应用案例分享互联网+行业大数据应用案例分享第一套题 1、哪个选项不属于大数据 4V 特点？（ B ） A、Volume B、Valid C、Variety D、Value 2、大数据的特点不包含（ B ） A、数据体量大 B、价值密度高 C处理速度快D数据不统一 3、业界对大数据典型特征定义，一下哪像描述正确 ABC 4、Hadoop 包括（ABC） A、Hadoop Distrbuted Filesystem（HDFS） B、HadoopMapReduce C、Hbase D、HadoopStreaming 5、有关HDFS文件系统说法正确的是以下那些？（ AD） A、HDFS本身是个高可用系统架构 B、HDFS采取的是多NameNode、DataNode架构 C、HDFS数据副本的数量越大越好 D、HDFS NameNode分主备，主备不同时对外服务 6、关于大数据的理念的描述，以下哪些不正确（ BD） A、相关性比因果更重要 B、要效率也要绝对精准 C大数据的核心价值是预测 D、遵从隐私和法律并非大数据的风险 7、H DFS文件系统适用于以下哪些场景（AC） A、将单文件分割成很多小块存储 B、存储大量小文件 C流式数据读取 D、实时数据读取 8、对海量大数据管理可能面临的难题包括（ABCD） A、如何实现快速查找，提升检索效率； B、如何保证数据真实性，防止数据诈骗； C、如何实现PB级不同类型数据的存储； D、如何降低数据产生数量，节约存储资源。 9、大数据应用大大方便教育资源的管理，彻底改变教育模式，特别是在科研领域，面向数据密集型科研发现，将成为继三大范式之后的第四范式，此处提到的科学发展领域的三大范式是指（ ABC） A理论 B、推演 C、模拟 D、计算 第二套题 1、运营商大数据主要遍布在一下哪些域？（多选）（ ABC ） A、B 域 B、O 域 C、M 域 D、R 域 2、以下哪些是运营商大数据应用痛点？（多选）（ABCD
电信运营商大数据发展策略研究 随着移动互联网技术的发展进步、大数据的出现及发展应用，面对OTT企業的不断冲击，电信运营商在大数据时代面临新的挑战和机遇。本文首先对电信运营商的大数据发展现状进行了分析，进而研究阐述了电信运营商大数据发展应用过程中存在的问题，然后提出了电信运营商大数据发展的四个策略，以期对今后电信运营商的发展提供建议和参考。 标签：电信运营商；大数据；策略；移动互联网 近年来，移动互联网和4G+技术的快速发展进步，全球数据呈现几何式增长，大数据时代已全面到来。电信运营商是信息的运营者，在数据量上具有得天独厚的资源优势，工信部要求客户实名制以来，电信运营商的数据真实性进一步实现了质的飞跃，海量数据的挖掘分析利用对运营商的顺利转型以及快速应对OTT 企业的冲击至关重要。4G时代，三大电信运营商是全业务的竞争，是否能够快准狠地将其拥有的海量数据资源进行准确变现对运营商的发展进步非常重要。鉴于此，大数据在电信运营商的发展策略研究是一个很具有现实意义的课题。 1 运营商大数据发展现状 电信运营商作为国民信息运营平台，在数据量和质方面均有独有的优势。近年来，众多国内外运营商大力着手对海量数据进行挖掘分析，从而进行更好地精准营销运营，促进体制的顺利转型。 1.1 国外运营商大数据发展现状 移动互联网时代，为避免逐步走向信息管道的没落结局，国外运营商已在大数据应用营销方面进行了积极探索和分析。西班牙电信与2012年成立了大数据业务部，该部门通过分析客户行为极大的推动了与合作伙伴的进程；同年，美国Verizon成立了PrecisionMarketing Division，通过整合挖掘其自身数据、用户行为数据及第三方统计数据，助力了移动业务的精准营销和市场需求预测。 1.2 中国运营商大数据发展现状 国内三大运营商也在快速推进大数据的应用项目。从2014年到2016年中国移动、中国联通、中国电信三大运营商大数据加大投入，整体市场规模两年内从12亿元增加到100亿元。日前，中国移动成功地将大数据应用到客户投诉智能识别中，通过大数据挖掘客户投诉真实原因，制定有效的服务策略，提升了客户感知，每年节约成本达540万元；中国联通与西班牙电信合资成立“智慧足迹科技有限公司”，通过对客户位置数据挖掘提供了有价值的位置营销服务信息。 2 运营商大数据应用发展问题
大数据分析与处理方法解读 【文章摘要】要知道，大数据已不再是数据大，最重要的现实就是对大数据进行分析，只有通过分析才能获取很多智能的，深入的，有价值的信息。 越来越多的应用涉及到大数据，这些大数据的属性，包括数量，速度，多样性等等都是呈现了大数据不断增长的复杂性，所以，大数据的分析方法在大数据领域就显得尤为重要，可以说是决定最终信息是否有价值的决定性因素。基于此，大数据分析的方法理论有哪些呢？ 大数据分析的五个基本方面 PredictiveAnalyticCapabilities（预测性分析能力） 数据挖掘可以让分析员更好的理解数据，而预测性分析可以让分析员根据可视化分析和数据挖掘的结果做出一些预测性的判断。 DataQualityandMasterDataManagement（数据质量和数据管理） 数据质量和数据管理是一些管理方面的最佳实践。通过标准化的流程和工具对数据进行处理可以保证一个预先定义好的高质量的分析结果。 AnalyticVisualizations（可视化分析） 不管是对数据分析专家还是普通用户，数据可视化是数据分析工具最基本的要求。可视化可以直观的展示数据，让数据自己说话，让观众听到结果。 SemanticEngines（语义引擎） 我们知道由于非结构化数据的多样性带来了数据分析的新的挑战，我们需要一系列的工具去解析，提取，分析数据。语义引擎需要被设计成能够从“文档”中智能提取信息。 DataMiningAlgorithms（数据挖掘算法） 可视化是给人看的，数据挖掘就是给机器看的。集群、分割、孤立点分析还有其他的算法让我们深入数据内部，挖掘价值。这些算法不仅要处理大数据的量，也要处理大数据的速度。 假如大数据真的是下一个重要的技术革新的话，我们最好把精力关注在大数据能给我们带来的好处，而不仅仅是挑战。 大数据处理
大数据时代下的互联网精准营销THE AGE OF BIG DATA OF INTERNET PRECISION MARKETING
0102 电信精准营销03电信核心优势 04 电信合作品牌 CONTENT S 目录 大数据时代
社会信息化发展步入大数据时代 数据已经渗透到当今每一个行业和业务职能领域，成为重要的生产因 素。人们对于海量数据的挖掘和运用，预示着新一波生产率增长和消费者 盈余浪潮的到来，大数据正成为最值得关注的领域之一 .“大数据”在互联网 行业通常表现为互联网公司在日常运营中生成、累积的用户网络行为数据。 ?每一秒：全球发送290万封电子邮件； ?每一分钟：微博推特上新发的数据量超过10万；社交网络 Facebook的浏览量超过600万； ? 每一天：全球上传2.88万小时视频至Youtube； ? 每个月：网民在Facebook上花费7千亿分钟； ? 上一年：人们制造并使用的数据达1.8ZB。
大数据给社会带来巨大价值 大数据为我们更深入准确地认识和把握事物发展的内在规律提供了信息基础，蕴涵着非常大的潜在价值。这一点不 仅是许多业内研究机构的共识，更已经在商业应用中得到了体现。 据美国麦肯锡公司预测，大数据为美国医疗服务业每年带来3000亿美元的潜在增加值，为欧洲的公共管理每年带来2500亿欧元的潜在价值，为位置服务产业带来6000亿美元的潜在年收入。 零售商充分利用大数据可实现运营利润增长60%，制造业充分利用大数据可降低设备装配成本50%。 经合组织（OECD ）的一项最新研究成果还对互联网数据的市场价值进行了估计，佐证了大数据的巨大 潜在价值。 市场价值2013年 2025年$181亿$1600亿
大数据处理数据时代理念的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。具体的大数据处理方法其实有很多，但是根据长时间的实践，天互数据总结了一个基本的大数据处理流程，并且这个流程应该能够对大家理顺大数据的处理有所帮助。整个处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，以及挖掘。 采集 大数据的采集是指利用多个数据库来接收发自客户端的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB 这样的NoSQL数据库也常用于数据的采集。 在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。 统计/分析 统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL 的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。 导入/预处理 虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足
电信运营商该如何利用大数据？ 大数据市场前景广阔。市场研究公司MarketsandMarkets最新发布的一份报告预计，从2013年到2018年，全球大数据市场将会出现年均26%的增长率，即从今年的148.7亿美元增长到2018年的463.4亿美元。 从网络数据到云计算，再到大数据，互联网时代真的变了。如今全球范围内的许多企业都在进军大数据应用市场，同时，大数据也为电信运营商带来了新的盈利空间以及新的挑战。 大数据“美好时代”来临 互联网产生大数据，随着互联网技术的不断发展，数据也将像能源、材料一样，成为战略性资源。如何利用数据资源深挖创新、提升
效益，是诸多IT企业的追求目标。大数据因其市场需求广阔、后续增长潜力大、投资前景好等优点，后续发展持续被看好。 如今，“大数据”早已渗透到我们的生活中，衍生出了形形色色的数据应用，涵盖交通、医疗、金融、文艺、体育等各个方面。大数据促进了信息融合和产业跨界，也引发了更多新业态出现。其中，获利最多的当属IT企业。 在国内，腾讯这个移动互联网巨头是最早尝到大数据甜头的企业，其从2003年起已经开始努力做手机QQ的尝试。现在，几乎每个拥有手机的网民都是手机QQ用户。另一个互联网巨头百度的新一代搜索引擎的重要支柱之一就是大数据。依托大数据，百度新一代搜索引擎才得以为用户提供更便捷与智能的医疗、交通等服务。以医疗为例，用户可以在百度搜索引擎中便捷地获取相关病症的原因、症状、治疗等信息；甚至可以通过搜索引擎，在线咨询医生、在线挂号，这大大降低了百姓获得医疗信息和服务的门槛。除此之外，阿里巴巴的云计算、奇虎360的商业模式、微信的运作自如……这些IT大佬们的得意，无不与“大数据”这个词语紧密相连。 在国外，大数据也被许多科技企业看作是云计算之后的另一个巨大商机，包括微软、谷歌、亚马逊和微软在内的一大批互联网巨头纷纷掘金这一市场。谷歌基于搜索数据成功建立了盈利模式；亚马逊通
大数据时代的数据概念分析及其他 一、概念： "大数据"是一个体量特别大，数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理和处理。"大数据"首先是指数据体量(volumes)?大，指代大型数据集，一般在10TB?规模左右，但在实际应用中，很多企业用户把多个数据集放在一起，已经形成了PB级的数据量；其次是指数据类别(variety)大，数据来自多种数据源，数据种类和格式日渐丰富，已冲破了以前所限定的结构化数据范畴，囊括了半结构化和非结构化数据。接着是数据处理速度（Velocity）快，在数据量非常庞大的情况下，也能够做到数据的实时处理。最后一个特点是指数据真实性（Veracity）高，随着社交数据、企业内容、交易与应用数据等新数据源的兴趣，传统数据源的局限被打破，企业愈发需要有效的信息之力以确保其真实性及安全性。 百度概念: 大数据(bigdata)，或称巨量资料，指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。大数据的4V特点：Volume、Velocity、Variety、Veracity。 研究机构Gartner概念： "大数据"是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。从数据的类别上看，"大数据"指的是无法使用传统流程或工具处理或分析的信息。它定义了那些超出正常处理范围和大小、迫使用户采用非传统处理方法的数据集。亚马逊网络服务（AWS）、大数据科学家JohnRauser提到一个简单的定义：大数据就是任何超过了一台计算机处理能力的庞大数据量。研发小组对大数据的定义："大数据是最大的宣传技术、是最时髦的技术，当这种现象出现时，定义就变得很混乱。" Kelly说："大数据是可能不包含所有的信息，但我觉得大部分是正确的。对大数据的一部分认知在于，它是如此之大，分析它需要多个工作负载，这是AWS的定义。当你的技术达到极限时，也就是数据的极限"。大数据不是关于如何定义，最重要的是如何使用。最大的挑战在于哪些技术能更好的使用数据以及大数据的应用情况如何。这与传统的数据库相比，开源的大数据分析工具的如Hadoop的崛起，这些非结构化的数据服务的价值在哪里。 二、大数据分析 从所周知，大数据已经不简简单单是数据大的事实了，而最重要的现实是对大数据进行分析，只有通过分析才能获取很多智能的、深入的、有价值的信息。那么越来越多的应用涉及到大数据，而这些大数据的属性，包括数量，速度，多样性等等都是呈现了大数据不断增长的复杂性，所以大数据的分析方法在大数据领域就显得尤为重要，可以说是决定最终信息是否有价值的决定性因素。基于如此的认识，大数据分析普遍存在的方法理论有哪些呢？ 大数据分析的五个基本方面： 1、可视化分析Analytic Visualizations
运营商“大数据”需求分析 当前电信运营商，尤其是移动通信信息服务领域中数据的爆炸性增长为大数据技术的应用提供了丰富的数据原料。运营商已深刻认识到大数据的重要性，均在数据仓库建设方面投入了大量资源，在企业内部已经利用大数据实现消费行为记录管理。大数据分析也已经成为运营商提升核心竞争力，创新业务模式的有力手段。 运营商数据一般可分为三大类。第一类是业务数据，如用户姓名、出生日期、所用终端信息、通信行为习惯等等；第二类数据是企业内部的经营管理活动产生的；第三类是网络日志，这是所有数据里占比最大的一块。 一、运营商大数据分析应用领域。运营商对数据分析的应用主要涵盖企业管理和产品服务、客户调查、网络优化等。 1、改善用户体验。通过对大数据资产的有效利用，电信运营商能够更好的了解客户，提供客户满意的服务和产品，提高客户忠诚度，降低流失率。研究并应用大数据关键技术对各领域持续生成的服务数据、用户数据和网络数据进行分析挖掘，并将产生的结果和知识应用于服务和支撑系统中，对服务的运行数据进行缜密的评估和诊断，并实现对用户的行为数据进行深入的分析和挖掘。 2、支撑企业决策。通过大数据可视化，实时真实准确展现企业发展现状，支撑企业的战略决策和管理。在经营分析系统中，深度挖掘融合市场、集团、客户、客服、网络、财务数据，为业务和决策部门提供较完备的用户数据分析，使公司决策由“经验型”转为“分
析型”，实现了精细化运营。公司发展战略部需要依靠数据来分析了解市场情况，比如地方出现突发事件后客流量减少从话务量可以看出，通过用户的漫游话单可以看到马航失联事件对当地旅游业的影响等等。 3、创新商业模式。大数据应用为电信运营商开创了新的盈利模式。例如：产业链的合作模式、数据的开放运营等等。随着大数据技术这种全新的方法和工具在移动通信信息服务领域的深入应用，必将创造出革命性的新生产力，促进移动通信信息服务产业进入新一轮爆发性增长。例如：精准营销，促进增值业务发展，根据用户对互联网内容的偏好进行交叉销售。 4、渠道管理。数据分析也可以帮助运营商做好对渠道商的管控。比如，目前中国移动在国内大概有100万个社会渠道，根据现有政策，如果渠道商发展了新客户，中国移动会对其发放酬金。但有些渠道商会通过作假来套取酬金。但这些欺诈行为是可以通过数据分析鉴别出来的，比如说如果新客户的很多行为是高度一致的，基本可以判定这些属于假用户。 二、具体应用举例。比较成熟的应用包括：流量经营分析系统、手机阅读BI（商业智能）系统、无线音乐BI系统、垃圾短信骚扰电话分析系统、位置精准营销系统等。 以手机阅读BI系统为例：通过大数据BI平台产品，实现智能推荐、精准营销、用户分析、产品分析、门户分析、智能报表、合作伙伴管理、数据开放等大数据应用。通过打造生产型BI应用，每天为