前言：中文期刊网精心挑选了大数据运营分析范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
大数据运营分析范文1
【摘要】近年来，中国影视行业蓬勃发展，伴随着互联网技术革新，影视业正在与大数据举行一场盛大联姻，以实现交互式的影视制作。国内影视业日渐重视大数据的运用，《小时代》、《失恋33 天》等国产电影因此而获得成功的票房。本文从影视作品的创作、传播、接受环节探讨大数据分析的运用及其意义，以及未来影视大数据的发展趋势。
关键词 大数据 影视业 创作 运营
2013 年被称为影视界的“大数据元年”，运用大数据分析成功营销的影视作品使人们看到了大数据给影视行业带来的无穷潜力。在中国，影视大数据也越来越受到专业人士的重视。2014 年6 月23日，一档寻找电影天才的真人秀节目《全民电影》在吴宇森、章子怡和刘仪伟等明星助阵下拉开帷幕。在这个中国首档全媒体电影项目中，百度利用自身数据优势首次深度介入，对一部电影从选题、融资、组队等制作阶段开始，到发行再到播放的全流程，提供深度数据规划与策略支持。
一、大数据和影视行业
“大数据”一词最早出现在美国著名未来学家阿尔温·托夫勒的《第三次浪潮》一书，2011 年全球著名咨询公司麦肯锡研究所在其发表的报告《大数据：下一个创新、竞争和生产率的前沿》中指出，数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产因素; 而人们对于海量数据的运用将预示着新一波生产率增长和消费者盈余浪潮的到来。①大数据是指所涉及的数据量规模巨大到无法通过人工在合理时间内达到截取、管理、处理、并整理成为人类所能解读的信息。②根据Philip Rossum 在《大数据分析》一书中指出的那样，大数据不仅仅指的是数据的大数量，还包括多种类和高速度，这三方面都是保证数据质量的关键要素，缺一不可。③
在传统意义上的影视行业中，影视作品是否能够受到广泛的欢迎，主要依赖的是创作者自身的专业水准，对受众心理的洞悉程度，以及选择演员的眼光等等。大数据的出现使得影视作品的传播方式由之前的单向传播转变为交互传播。影视大数据的数量大，可以从空间维度和时间维度上来分析。（见表1）
影视数据种类多是指影视大数据中包括的影视作品本身的创作信息、销售信息、观众的反馈信息等多个层次，但凡是与影视作品有关的，都囊括在影视数据库中。并且影视大数据的数据库范围也依据不同的分析目的而可大可小。按照戴志强等的分类，影视大数据主要可以分为三大类，即用户大数据、内容大数据和渠道大数据。④
二、大数据与影视创作
中国影视行业近年来飞速发展，以电影行业为代表：
上述表2 和图1 中可以看出，我国以电影为代表的影视行业近4 年正在蓬勃发展，不仅全国电影票房呈现良好的上涨态势，其中国产片票房占比也在持续升高。为此，国产片在创作过程中也在不断借助大数据的力量来制作出符合大众审美情趣的影视作品。由优酷土豆集团携手儒意影业、乐视影业制作的电影《老男孩之猛龙过江》，就是通过对粉丝的情感洞察和行为分析，来指导其内容创作，堪称开创了中国互联网电影的新模式。
在大数据指导下的互联网电影创造过程中，观众可以从被动的受众变为主动的影片制作参与者。以2014 年阿里巴巴推出的“娱乐宝”为例，网民出资100 元即可投资热门影视剧作品，通过投票来决定电影的制作人、导演、男主角、女主角等。首批登录娱乐宝界面的6 个项目—— 电影《小时代3》、《小时代4》、《狼图腾》、《非法操作》以及社交游戏《魔范学院》等，截止到4 月3 日已经全部售罄，共出售78.5 万份，总投资额达到7300 万元。受众能做的不再限于观影后的反馈和评价，而是能够从作品生产初期就提出自己的意见。
同时，受众不仅可以影响制作团队的构建，也可以改变剧情的发展。国外知名电视剧《纸牌屋》通过云计算确定下集剧情，国内虽然没有如此先进的大数据技术，但是通过大数据得到的用户评价确实能够改变编剧的心意。2014 年七夕档热播都市爱情电影《单身男女2》的结局之所以扭转，就是因为早在《单身男女1》上映后，许多观众不满于女主角做出的选择，纷纷留言表示惋惜，于是导演决定在第二部里让女主角再选择一次。
从影视制作方来看，大数据能够使制作方更了解观众的期待，“娱乐宝”则折射出了这些投资人的兴趣爱好，以此帮助电影实现观众的精确定位，包括影片类型、上映时段等。大数据不仅“ 大”而且更“细”，在影视创作阶段的大数据分析应当既包括对于用户历史数据的分析，如通过前期不同类型电影的票房分析、受众对不同题材影视的反馈分析等，又包括用户对电影的期许，如某类用户的特定需求、抛出目前电影创作计划得到的回应等。创作者可以找到与自己风格相契合的受众群体，或者可以使自己受益最大化的定位。
电影《小时代》的出品方乐视影业，根据网络上《小时代》的搜索量，分析了关注《小时代》的人群，最后描绘出《小时代》的目标受众，即“互联网的原住民”。这些90后大部分是郭敬明和杨幂等主创人员的忠实粉丝，也是当前电影市场的主流消费群体。（见图2）
总之，大数据可以提升国产电影的成功率，促进更有特色更高质量作品的生产，同时，大数据提供了一个绝佳的视野帮助国内的制作班底了解国外受众的品位。
三、大数据与影视传播
在中国影视市场，大数据的应用最主要集中于影视传播阶段，中国电影业迎来发展良机与大数据有密不可分的关系。《致青春》、《失恋33 天》、《北京遇上西雅图》、《中国合伙人》等的成功，都离不开大数据在背后的支持。（见图3）
大数据应用于影视作品传播的目的是为了改变以往不但不会提升传播效果反而可能引起反感的狂轰滥炸式统一传播。其传播方式如图4 所示。
目前普遍使用的一种高精准度宣传是利用社交媒体传播。以《小时代》为例，还在拍摄阶段时，原著作者兼导演郭敬明就通过个人微博向网友透露《小时代》的拍摄情况，在临近上映时，郭敬明的个人微博状态几乎全部和小时代有关，不仅如此，郭敬明还和《小时代》的主要演员在微博上互动宣传。采取郭敬明个人微博的宣传方式其实就是一种定向宣传，关注其微博的网友大多为郭敬明的读者粉丝或者对其一定程度感兴趣的人，这部分人很可能成为观众，或者上述分析中的前两者，因此也是宣传的主要对象。
但总体上来说，传播手段的选取要基于对特定用户的特性，在做好用户定位之后，就要利用大数据分析用户的媒介使用偏好或者其他与电影主题相关的特性，以此来定制传播方式。乐视通过分析还发现，《小时代》用户中，女性占到78%，男性占到22%，因此做了很多针对女性的线上线下的活动。⑥
由此看来，大数据强调“大”，但更要“准”，大数据虽然揭示的是群体的共性，但价值更在于细分群体，实现定制化服务。爱奇艺网站就在2013 年推出了“千人千面”的个性化首页，为不同的用户量身定做观看内容，增进用户体验。
四、大数据与影视接收
接收应该包括收受（或适应）和交流两个层面。⑦对于影视作品收受效果的分析不应该只是事后统计分析，更应该是事前分析市场和预测销售前景。由谷歌推出的电影票房预测模型，能够基于数据分析，通过分析电影相关的搜索量来预测电影最终的票房成绩，准确度可高达94%。⑧
同时，对于票房之类的单一指标，存在着难以全面衡量影视作品收受效果的问题。在大数据时代，用户在视频网站的观看记录连同用户的点击、搜索、暂停、跳转等观看行为和使用设备状况及用户的IP 地址等信息都会被程序捕捉到。这些细节可以很好地反映用户喜欢哪些情节，对哪段情节没有观看欲望等，这些方面，是没有办法从是否观看的票房指数中得出的，也是无法从对影片的整体评价中得出的，但是这些细节数据却对影视作品的改进更具有指导意义。另外一方面，用于更全面反映影视作品传播效果的综合指标也在不断更新中。比如2014 年4 月电影频道公布的电影大数据指数即“M 指数”，是以电影的影院、电视、新媒体三大主体市场平台海量信息为核心，运用大数据挖掘技术运算而成的综合指标。⑨又如优酷、土豆推出的“中国网络视频指数”，则是分析互联网平台上的视频综合效果，以娱乐综艺《快乐大本营》为例，“中国网络视频指数”显示了其播放指数、播放设备、播放网站、每一集分析、人群和地区分布等。（见图5）
现在，用户在观影后喜欢在社交媒体上分享自己对影视作品的看法，尤其是年轻的上网一族，这又为大数据分析发挥作用提供了新的源泉。通过词频分析、话题查找等方式，可以把分散在各大社交网站上的零碎感受整合起来，作为分析对象，了解用户的真实想法。值得注意的一点是，为了能够更好地得到用户的反馈，影视创作营销人员应该为受众开创一个反馈交流平台，比如说一个微博公共账号，或论坛贴吧等。用户之间可以形成交流观影感受的圈子，也可以及时向创作者反馈自己的看法。这样一方面，自身构建的数据库得以补充，另一方面，可以增加用户粘度。
所以说，大数据分析影视接收情况，不仅仅是为了了解本次影视作品的传播效果，更是为了了解用户习惯，增加用户忠诚度，为以后的系列片子或者其他相关作品累积经验，以收获更大的成功。
结语
大数据为我国影视行业的发展带来无穷潜力，通过在创作、传播、接收环节的数据分析，能够帮助影视行业实现更精准的用户定位和市场分析，以生产出内容优质、符合受众口味的高质量影视产品，同时能够提升用户服务使之贴合用户习惯。总之，大数据提高了国产电影的成功率，加强了生产者与用户之间的互动，有助于国产片早日走出国门。
参考文献
①⑧张璠，《影视业中“大数据”技术应用》[J]《. 信息技术与信息化》，2014（4）：232-234
②Manyika J， Chui M, Brown B, et al.Big data： The next frontier for innovation,competition， and productivity[J]. 2011.
③Russom P. Big data analytics[J]. TDWIBest Practices Report, Fourth Quarter，2011
④戴志强、朱海澎、潘皓，《影视大数据: 影视互动体验与量化认知的根本》[J].《现代传播》，2014（9）：126-129
⑤中国新闻出版网，《互联网电影新鲜“出炉”》，chinaxwcb.com/2014-01/16/content_284956.htm
⑥陈肃，《大数据，连接电影与观众的“网关”》，http：//tech.qq.com/a/20131119/013653.htm
⑦李兴，《消费时代的作者、读者和文本——对接受美学的新思考》[J]《. 大众文艺》，2008（12）
大数据运营分析范文2
关键词：大数据；云资源；云计算；应用
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2015）05-0017-02
现阶段，大数据这一概念广泛被人们熟知，是继数据云计算、数据挖掘后涌现出的另一项信息革命。在大数据的研究上，众多商业机构，如IBM、Microsoft等都已介入，在借助云计算这一数据信息平台的基础上，研发了大数据信息资源处理产品。作为高校来讲，充分运用大数据时代的相关技术及产品，着重培育及使用高校云资源，具有极强的现实研究价值。
1大数据及其基本概述
大数据这一概念首先由麦肯锡公司在于2011年在分析报告中提出，在这一报告中，该公司表示：在社会生产生活各领域中，已被数据广泛覆盖，数据开始作为一种生产要素存在，通过对数据的调用，可以培育出新的消费增长点。但在业界关于大数据的具体内涵界定上，尚未形成统一的表述，不一而足的内涵表述方式都是基于一点：大数据具备较为庞杂的数据量，在数据信息的种类及形式上具备繁复多样性，大数据并不等同于海量数据[1]。
结合相关数据统计，2010年，全世界范围内的信息数据总量达到了1.2ZB，通过对这些数据加以分析时可以获取以下信息：结构化数据在数据总量中占比仅为10%左右，剩余的数据主要以半结构或非结构化数据形式为主，如视频、邮件、微博等。除了数量庞杂，种类形式多样外，大数据还具备了快速预测的特点，具有较高的应用价值。例如，美国的海洋及大气管理部门，在日本发生地震灾害后，借助大数据信息，能够在极短的时间内制定并海啸灾害的预警防备措施，从而能够为有效预防后续灾害提供强力支撑。
2大数据时代背景下，高校云资源的整合与利用
在大数据时代，随着信息技术及云计算的研究发展，高校信息建设能够突破原有的信息局限性，消除原有的高校信息资源孤立化的弊端，可以通过云计算技术的运用将高校的各种教学资源加以整合利用，形成一个高校云资源储存及管理的平台，从而通过在此平台中调用各类资源，为高校各项教学活动及管理决策的制定提供技术及服务参考。此外，更为重要的一点是，大数据时代背景下，伴随云计算而出现了众多的信息终端装置，通过采用云计算技术，可以将这些信息终端装置与高校的教学活动有效连接，一方面强化了教师与学生的交流沟通，另一方面有助于学生高效地开展学习活动。
总体上看，大数据时代的到来，给云计算功效的真正发挥提供了技术支持，使得云计算可以和大数据、高校三者之间有效衔接，使高校教育资源能够被充分调动起来，为高校云资源的整合利用带来了一些新的变革：
2.1为高校图书馆管理及发展提供契机
大数据时代下云计算的优势在高校图书馆中体现最为明显，其给高校图书馆管理及发展带来的影响主要是改变了其服务的基本形态，借助云计算，可以使图书馆进行网络及数字化应用阶段，从而建立起了以云资源为主要模式的高校数字图书馆。例如，借助云计算技术，我国山东省高校图书馆构成了基于云技术的图书馆联盟，实现了资源、管理及服务上的共享化，一体化。
此外，大数据凭借其数据分析及挖掘功能，可以对云储存端的各种信息数据加以分析归纳，从而对学生的图书借阅需求，学生群体的知识层次结构等加以揣摩，从而为图书馆管理者更好地进行决策提供借鉴；针对借阅者的科研及读者与图书馆之间的交互服务，可以借助大数据开展预测分析，做到图书馆后期发展阶段未雨绸缪；针对图书馆信息数据的馆藏，还可以通过大数据建立相关的风险评估模型。
2.2 为高校学习效率的提升提供指导
大数据和及云计算之间的融合，能够使教育资源实现应用上的有机整合，做到将存储在云端的高校教学资源加以共享，再借助大数据的数据分析及挖掘功能，对教育信息资源中蕴藏的各种数据信息进行分析提炼，从而为高校教与学策略规划提供帮助[2]。此外，通过运用大数据还可以着重对学生在学习中的各项行为及爱好等数据信息加以分析，摸准学生的学习特点，以此为教师科学制定教学决策予以指导。最后，大数据还可以被用于对学生的学习效果及学习倾向进行分析评价，通过对学生业务时间参与各项活动的信息加以解析，可以对学生的学习效果及倾向加以评估，便于教师掌握学生学习及生活动态，提升教与学的效率。
2.3为高校管理决策提供参考
传统的数据分析是基于群体调查而展开，不具备较高的数据精准性。进入大数据时代后，借助大数据具备的数据分析整理功能，可以为决策的制定提供更加全面到位的数据信息参考，从而使管理及决策者对市场、产品及消费群体的把握更加准确。作为高校来讲，通过运用大数据及云端信息分析处理技术，也可以对高校的发展状况及后期趋势加以模拟，将高校管理决策与相应的数据信息相印证，从而起到规避决策风险的效果。另外，通过大数据技术，还能够使高校教育达到质量与公平上的统一，而大数据技术贯穿于高校各个部门中，又可以进一步对高校教学及管理成效加以验证，有助于高校改革的退行实施。
3大数据时代高校云资源应用中的数据处理及服务的原理和流程
大数据时代背景下，对云资源加以利用时，人们的关注点不仅仅局限于数据的分析及使用，而更加注重通过数据分析对之后的发展趋向加以预测。这就需要我们对云资源在信息数据处理及服务方面的流程进行探究。
3.1 高校云资源的信息数据处理
伴随着云计算的出现，在教学资源的信息数据处理上有了革命性的提升，围绕着云计算，各大高校着力打造以云为核心的教育模式。但在对高校云资源加以分析时，通常选用关系数据库的形式，一方面其信息分析及管理成本较高，另一方面也无法对后期教育资源应用趋势加以前瞻分析。因此，基于大数据，Hadoop技术得以形成，该技术涵盖了资源内存检索、数据实时反应，主要借助Map Reduce对数据加以管理，从而做到了对信息资源的高效分析。在具体处理流程上，该平台通过对云端上的各种信息碎片数据，如学生及教室的云端信息等加以整理汇总，然后再对这些数据碎片加以提炼，形成具有连续性的信息数据，最后该平台接收并对这些信息数据加以分析，在数据挖掘技术的配合下，最终构成具备较强价值的信息，为教师、学生及管理者提供指导。
3.2 高校云资源的教育资源服务
在大数据及云计算的辅助下，高校资源的用户在资源需求上也出现了一定程度的变化，由此也使高校资源在服务上，管理模式上及途径上也有所改变。结合大数据及云计算的特征规律，可以预见到，高校教育及服务主要依靠采用大数据对信息数据加以分析、提炼，在此基础上提供具体的资源服务，因此，高校云资源教育服务的针对性将更加凸显[3]。首先，高校云资源是以提供准确及时的信息服务为宗旨，资源用户不必探究其形成过程，只要对其结果加以运用即。其次，大数据技术体系下，通过对信息数据碎片加以分析，然后反馈到云端资源中，用户可以针对某一项信息要素，如教学方法及手段进行重点分析，可以对其效果加以评估，从而使教师及时修正自身教学方式，以提高教学效率。第三，大数据时代与信息化的有效结合，能够使高校云资源服务形式更加多样，如教师及学生可以对资源使用情况进行评价，通过大数据进行采集及分析，可以对教育资源的使用及改进建议加以汇总，从而提高云资源服务的主动性。
4大数据时代高校云资源应用的趋势分析
4.1 高校云资源的应用以满足学生终身学习需求为方向
在大数据时代下，作为高校信息资源来说，已经不是传统的较为明确的关系数据，而是各种基于学生访问及调用的各种非结构形式的数据，如信息资源的浏览访问及下载访问等[4]。在这一趋势下，高校云资源的信息数据处理就需要将重点转向对此类信息数据的分析工作，然后将结果以数据的形式加以呈现，从而便于学生能够对自身的学习情况及信息获取频率加以掌握，使学生从盲目地学习状态中走出，满足自身终身学习的需求。
4.2 高校云资源的应用以打造交流沟通类型的课堂教学形式为方向
传统高校教学课堂，师生之间的交流不够频繁，教学效果收效不明显，在大数据时代背景下，借助大数据分析技术，教师能够对学生的学习情况加以全面掌握，从而根据学生的学习兴趣点及侧重点，通过多种多样的教学手段，从高校云资源中挑选教学资源，通过教学课件及视频的方式予以呈现，一方面可以使学生的学习更具针对性，另一方面围绕学习中的难点及重点，教师也能够更多地与学生展开交流沟通，从而实现教学相长的目标。
5 高校云资源的应用以促进教室及教学设备管理更加快捷高效为方向
在高校教室及相应的教学设备管理上，在大数据时代以前，往往安排专人进行负责，一方面增加了高校的人力投入成本，另一方面其管理效率未必高效。与之相对应，在大数据时代背景下，可以通过对高校云资源的存储信息加以提炼，获取高校教室及相应的教学设备使用数据，通过对其加以分析整理，可以形成某一时段教室及设备的应用信息及应用的趋势，从而为管理人员科学判断该教室及设备能否满足教学活动需求，是否存在故障发生临界点提供数据支持，以便管理人员及时对教室及设备加以维保，既节约了管理成本，又能够提高教室及设备资源的利用效率。
6 结束语
大数据伴随着信息技术及云计算技术的不断发展而出现，现已被各行业管理人员普遍重视，并着重开展了相关的实践及应用。作为高校来讲，其信息资源逐渐向着复杂化、规模化方向发展，通过借助大数据及云计算技术，可以建立高校云资源数据库，为教学、学习及决策提供详尽科学的指导。
参考文献：
[1] 邹流乡，王朝斌.高校云计算资源共享平台建设研究[J].西华师范大学学报（自然科学版），2014（1）：91-94.
[2] 郭松.大数据时代高校学习资源云存储模型构建研究[J].软件导刊・教育技术，2014（11）：48-49.
大数据运营分析范文3
【关键词】 大数据 互联网+ hadoop
一、引言
随着互联网、物联网、车联网的快速发展以及手机、平板电脑等各种智能终端的普及带来了数据量的爆发式增长，数据逐步成为企业乃至国家的战略资产。在国家层面，大数据技术事关国家安全和未来，成为大国博弈的另一空间。2012年3月29日，美国政府宣布了“大数据研究和发展倡议”，以推进从大量的、复杂的数据集合中获取知识和洞见的能力，投资总共超过2亿美元，来大力推动和改善与大数据相关的收集、组织和分析工具及技术，这也是大数据技术从商业领域上升到国家战略高度的开端。
2015年中国政府提出“互联网+行动计划”，互联网化已经成为各个传统行业升级和创新商业模式的最重要的议题，互联网+时代的到来，不仅在改善和提升用户体验上发挥作用，更会重构已有的商业模式。互联网+对传统产业的改造，将诞生海量的数据资产，所带来的一个共同点就是大数据将成为推动行业创新的驱动引擎。不久的将来，全新的数据商业时代将开启。
无论哪种智能终端，上网都要经过运营商管道；运营商可以获取包括淘宝、腾讯、百度等各种平台的数据。随着4G数据时代的到来，运营商将获得更加完备的资源，这个“大数据”主要是大量的用户行为数据，能否挖掘出这些数据的价值将决定能否把握住大数据带来的机遇。
二、大数据时期运营商的影响与挑战
越来越多的行业被移动互联网进行渗透，带来大数据的黄金时代，诸如：医疗、教育、娱乐、旅游、出行等，这将带动大量的用户行为和信息及各类大数据。我们认为，现在大数据可能已经达到增长的拐点，未来大数据将出现井喷。根据爱立信的报告，2020年的大数据产生量将接近目前的10倍。而大数据的激增以及各类大数据的融合使得大数据的大规模商业化和落地变得可能。
目前非结构化数据已接近总数据的 90%，而非结构化大数据的分析仍处于开始阶段，未来大数据的价值挖掘及变现将是高速发展的领域，将造就千亿级以上市场，而其中将诞生大量机遇以及机会。[1]
通信大数据已迎来黄金时代，15年是运营商大数据的推进年。截止2015年底中国网民规模达6.68亿，手机上网人群占比88.9%。运营商基本于2012年开始进行大数据布局，在经过3年多的大数据积累后，这些大数据的价值需要兑现。从运营商诉求看，传统业务下降明显，运营商亟需拓展新业务。
三大运营商在大数据的进展上略有差异。电信进展最快、联通次之、移动进展相对较慢。中电信大数据布局迅速主要是依靠之前固网宽带和IPTV业务，使得其在移动互联时代之前已有大量数据并已开始进行采集和分析，无论是在数据的广度还是范围上均有优势，其应用进展相对较快。
大数据给运营商相关技术带来极大挑战，主要是数据的管理、采集、分析不足。数据量的增加使得运营商传统的处理数据和存储压力增大，数据类型的多样化使得传统数据处理窗口难以处理。另外，运营商知道用户访问过哪些网站，但是不知道用户究竟看了哪些内容；或者知道用户在哪个地址，但是不知道用户在哪个地点。在数据分析方面，运营商希望复合关联，希望快速实施，但事实上，现有的DPI的分析仅仅用了几张报表。数据散落在各种系统中无法进行有效的采集、分析。海量的半结构化和非结构化的数据大大降低了数据处理的效率，给运营商带来了巨大的数据存储和读写压力。如若不能缩短数据处理的周期，很多数据的价值都会被极大地稀释。
在运营商中，传统数据包括IT支撑系统数据、电子渠道及商务数据、网络资源及运维数据和增值业务衍生及内容数据等。这些数据大部分都是结构化数据，存储在传统数据库中，随着日志数据、各种流媒体数据、物联网数据等半结构化和非结构化数据越来越多，传统厂商将Hadoop、MPP技术逐渐融入到传统数据库中。未来大数据平台将超越传统智能分析层面，从应用、角色角度回去找数据、统计建模并最终提供知识，这必将为运营商传统IT支撑系统的各个域产生重要影响，要求运营商结合自身的业务特性、系统特性、管理诉求，在大数据环境下研究企业业务应用及管理需求，如智能流量支撑、大服务支撑、电子商务/精细化商品营销支撑、精细化资源管控支撑等对数据的要求，对企业级数据进行管理和经营，建立符合电信运营商的大数据框架。
三、 大数据在IT支撑系统应用存在的问题
目前各运营商在大数据应用中都有一定的探索，但还处于初期阶段，也暴露的诸多问题：
1.数据层面：数据没有全量采集与接收，缺乏集中统一的数据处理。2、平台层面：IT支撑系统支撑能力不足，不能有效的支撑大数据应用落地。3、业务层面：大数据应用价值还未被大众全面认知，亟待推广。4、运营层面：没有专门数据运营人员，人员分散没有形成聚力。
运营商需要在公司层面进行大数据规划，从业务、IT、管理配套、技术能力等方面，统筹考虑，进行全面部署。
四、主流大数据处理技术
（1）Hadoop技术。应用分析：Hadoop 在处理非结构数据和半结构数据上具备优势，尤其适合海量数据批处理等应用需求。随着Hadoop技术的成熟，基于Hadoop的即时查询技术也逐渐崭露头角。应用场景：适用于大规模网络数据的采集、处理、存储和交换，应用于非结构化数据处理和半结构化日志处理。如：ETL、详单查询、机器学习和数据挖掘、冷数据存储。
（2）MPP技术。应用分析： MPP数据库适合结构化数据的深度分析、复杂查询以及多变的自助分析类应用。无需像Hadoop一样需要定制开发，同时可以降低拥有成本。应用场景：MPP数据库面向的是海量数据的分析型场景，通过列存储模式、数据压缩、智能化索引、并行处理、并发控制、高效的查询优化器等技术，让大数据的分析场景最大限度地减少了磁盘I/O，提升了查询效率。
（3）流计算技术。应用分析：Storm是一种开源的分布式实时计算系统，可以简单、高效、可靠地处理大量的数据流。应用场景：通过提取和分析来自各种分布式系统的信息，来解决企业监控和管理的各种问题。目前流计算技术可以应用于营业厅营销信息定制化推荐、电子营业厅营销信息推送等实时营销，四网协同、渠道协同等实时服务以及热点区域用户监控、关键业务指标监控等实时监控等应用场景。
（4）NoSQL技术。应用分析： NoSQL抛弃了关系数据库复杂的关系操作、事务处理等功能，仅提供简单的键值对（Key，Value）数据的存储与查询，换取高扩展性和高性能。例如HBase。应用场景：HBase是基于Hadoop的NoSQL数据库。HBase的典型场景可用于详单存储和查询、互联网内容存储、GiS数据存储、半结构化历史数据存储。[2]
五、 运营商的大数据应用
5.1流量经营精细化
深入洞察客户、助力精准营销和指导网络优化。首先，基于客户终端信息、手机上网行为轨迹等丰富的数据，借助DPI（Deep Packet Inspection，深度数据包检测）技术等，建立客户超级细分模型，为各细分群组客户打上互联网行为标签，完善客户的360度画像，深入了解客户行为偏好和需求特征；其次，根据用户行为偏好，推送合适的业务，并根据对客户特征的深入理解，建立客户与业务、资费套餐、终端类型、在用网络的精准匹配，同时也能做到在推送渠道、推送时机、推送方式上满足客户的个性化需求，实现全程精准营销；再次，利用大数据技术实时采集处理网络信令数据，监控网络状况，识别价值小区和业务热点小区，更精准的指导网络优化，实现网络、应用和用户的智能指配。
5.2智能客服
深入分析客服热线呼入客户的IVR行为特征、访问路径、等候时长等等，同时结合客户历史接触信息、基本属性等，建立热线呼入客户的智能识别模型。基于客户智能识别模型可以在某类客户下次呼入前预先推测其呼入的需求大体是什么，IVR接入后应该走什么样的节点和处理流程。这样，就可以基于呼入客户习惯与需求的事先预测而设计的按键菜单、访问路径和处理流程，合理控制人工处理量，缩短梳理时限，为客户服务中心内部流程优化提供数据支撑，有助于提升热线服务管理水平，加速热线营销渠道资源整合，有效识别客户投诉风险，助力智能客服中心的建设。
5.3触发营销
通过用户消费行为、用户上网行为等行为进行分析为用户设定包括时间、位置、行为等触发条件为用户提供相应的应用，实现实时动态营销。
5.4对外数据服务
对外数据服务是大数据应用的高级阶段，这个阶段运营商不再局限于利用大数据来提升内部管理效益，而是更加注重数据资产的平台化运营。利用大数据资产优势，将数据封装成服务，提供给相关行业的企业用户，为合作伙伴提供数据分析开放能力。
六、结束语
大数据的技术及其应用挖掘对运营商来说还是起步和发展阶段，运营商目前自上而下的传统运营模式无法更接近用户需求，为支撑大数据业务开展需要，重新梳理企业的经营模式和组织机制，全面转向以客户和消费者为中心的运营体系，包括信息系统、组织支撑模式、业务模式、人力储备、企业合作模式等诸多方面，进行运营模式的变革创新。进而提高运营商互联网战略的支撑能力，驱动企业精细化、智能化管理，支持对外信息服务、生态化运营，挖掘出大数据的核心价值。
参 考 文 献
大数据运营分析范文4
随着物联网、云计算、数据挖掘技术等的发展和渐渐成熟，大数据已成为企业关注的焦点。电信运营商拥有其他企业不具有的数据资源，大数据技术的出现与发展为电信运营商深挖数据提供了技术手段，同时也为其更好地服务客户提供了新的机遇。本文结合大数据的技术现状以及4C营销策略的特点，探析了大数据技术在电信运营商应采用的营销策略。
【关键词】
大数据；电信运营商；4C营销策略
0 引言
继移动互联网、云计算、物联网等互联网信息技术之后，大数据作为一个崭新的名词出现在我们面前。大数据是信息产业一次巨大的技术革命，对企业管理决策、拓展业务和组织流程，以及人们的生产生活方式等都会在一定程度上产生很大的影响。
大数据（Big Data）就是在一定时间内，用传统数据库软件工具没有办法对其内容进行提取、管理和分析的数据集合。它具有4个特点，即：（ 1） Volumes 指数据体巨大。 （ 2） Variety 数据类别繁多，主要包括了大量的不易处理的半结构化和非结构化数据。（ 3） Value 数据的价值密度较低，由于数据量大，所以从中提取的有价值的信息就相对总量来说很少。 （ 4） Velocity数据处理速度要求非常快。不光有历史数据，同时包含大量实时或在线数据需要处理。
1 大数据时代电信运营商的机遇及挑战
1.1 机遇和优势
在大数据逐渐应用到各行各业的背景下，电信运营商具有其他企业不具有的数据资源。首先，电信网络具有垄断地位，只有电信运营商具有提供可管控的全程全网服务和端到端网络接入能力；其次，电信运营商作为用户的第一接触者，具有很强的用户聚合能力，拥有独一无二的用户资源；再者，电信运营商在业务运营和提供服务的过程中获得网络状态、业务状态等数据，更重要的是对用户身份、业务类别、关系网络和消费能力与信用等特征数据的识别。
1.2 挑战和劣势
近十年来，电信产业产生了史无前例的技术变革，尤其是在2009年至今，3G技术的迅猛发展，移动互联网的普及，各种商业模式被慢慢打破。网络的扩容与升级并没有给电信运营商带来可观的利润，通过分析2013年第一季度的数据，可知电信、移动、联通三大运营商的传统业务和整体固网业务都在一定程度上受到了互联网的较大冲击，增长减缓甚至下滑。
此外，大数据时代运营商还面临着来自数据获取、分析及管理方面的挑战。大量的半结构化和非结构化的数据形式在很大程度上降低了数据分析处理的效率，在数据读写及存储方面，给运营商也带来了巨大的压力。大数据使人们更加关注隐私的保护，“棱镜”事件给大数据时代的政府和企业都敲了警钟，以牺牲个人隐私为代价的商业价值的创造会受到来自各方面的抵制压力。因此电信运营商也要重视用户的隐私问题，对地理位置、用户身份、行为路径等涉及隐私的信息实施有效保护。
2 电信运营商的4C营销策略
随着市场竞争越来越激烈，媒介传播的速度也越来越快，美国学者罗伯特·劳特朋（Robert Lauterborn）教授在1990年提出了与传统营销的 4P 营销理论相对应的 4C 营销理论。即：Customer（顾客）顾客的真正需求、Cost（成本）顾客获取产品或服务的成本、Convenience（便利）顾客消费的方便性、Communication（沟通）产品促销和消费者信息反馈。电信运营商的系统本质是为用户与用户、设备与设备、用户与设备之间提供通信信道，每天承载着海量信息，大数据的出现为运营商完成高效的4C营销策略提供技术支持.
2.1 Customer（顾客）主要指顾客的需求。电信运营商只有通过对合法取得数据的高效分析，做到真正地了解客户需求，才能开发出更适合顾客的产品。其策略主要有：（1）现有业务的优化和改进。比如：运用大数据分析，对所有的在网用户的消费者行为进行分析，了解他们的消费习惯，逐渐完善电信行业的产品定制化；（2）4G时代的到来将推动移动数据业务量的不断增长，电信运营商不能只作为一个渠道商，要更多地与设备和应用提供商合作，推出客户需要的产品。比如：中国电信与网易合作推出了“易信”；（3）创新业务模式，主要的业务对象包括家庭、企业、政府及第三方。对于家庭用户，利用运营商的网络数据和GPS数据相结合，在合法的前提下提供针对特殊群体的定位服务。对于企业用户，主要有两种模式创新：一是基于运营商的数据分析，提供相应的咨询服务；二是将运营商的数据与企业的信息传送能力相结合，使数据与电信业务相互促进。对于政府和第三方，则主要提供信息服务和基于业务类型的统计服务。
2.2 Cost（成本） 不单指企业的生产成本，而应该更多考虑顾客的购买成本，同时也意味着产品定价的理想情况应该是既低于顾客的心理价格，又能够让企业盈利。运营商利用大数据技术对消费者信息的分析，掌握消费者的消费习惯，更精确地预测出消费者心理价格，合理定价。
2.3 Convenience（便利） 即为顾客提供最大的购物和使用便利。顾客取得电信服务的渠道主要有：营业网点、网上营业厅（包括微博、微信、易信等平台）、语音客服。营业网点主要办理开户业务；网上营业厅主要办理缴费和增值业务；语音客服主要处理客户使用过程中遇到的问题。运用大数据分析各个服务渠道的使用情况，合理地调配资源，更高效地为让客户服务。
2.4 Communication（沟通）企业、顾客双向沟通，建立基于共同利益的新型关系。电信运营商不仅要通过营销让客户了解并且购买电信产品，还要及时从客户那得到客户对产品及其服务的反馈，以便运营商能更好地改进和提高产品和服务的质量。电信运营商运用大数据分析不同客户接触广告媒体的习惯，并分配好营销资源，及分配互联网营销和传统营销在整个营销过程中所占比例。通过营业网点、网上营业厅、语音客服运营商可以收集到很多客服的意见和建议，运用大数据技术对这些信息进行处理分析，能让运营商更好地了解客户以及产品的优缺点，做到高效沟通。
3 总结
大数据时代的到来，给电信运营商带来机遇同时也带来了挑战。随着科技的发展、技术的进步，电信运营商会在不触犯消费者隐私的前提下把这些转化为其资产。将4C的营销理论应用到电信运营商大数据的处理过程中，优化并开发出满足客户的产品，最后把大数据资产转换成电信运营商的利润。
【参考文献】
[1]李政、李继兵、丁伟。基于大数据的电信运营商业务模式研究。移动通信2013年05期
[2] 童晓渝 张云勇 房秉毅 雷磊。大数据时代电信运营商的机遇。信息通信技术 2013年 第01期
[3]百度文库.4C营销理论。2013/11/20 http：///link？url=7ir8faGnOdL6FQVLduLPufoF2bHO3v6NAgYSm3qoX-mPD74FMoTtFELhwkwaHm977k00X--MK_NV_MaIzL_UTa
大数据运营分析范文5
〔关键词〕复杂网络；电信大数据；静态数据；动态数据；社团划分
〔中图分类号〕G434〔文献标识码〕A〔文章编号〕1008-0821（2014）06-0066-04
大数据是继云计算、物联网之后信息通信技术产业界又一次颠覆性的技术变革。对于整个产业而言，大数据市场是块等待挖掘的“金矿”，因此，如何充分利用大数据，并使其进一步发展壮大，也成为整个业界共同探究的热点话题。在大数据领域探索中，相较于其他企业，电信运营商由于在数据资源、基础资源、平台资源上拥有先天优势，因此对于大数据的探索需求更为深入。但目前电信业在经历近十年来的变革后，各种商业模式被打破。尽管电信运营商一直积极地推进4G网络建设，但网络的持续扩容与升级并未给电信运营商带来十分可观的收入，并且，更为严峻的是，在大数据时代，电信运营商还面临着来自数据、管理方面的巨大挑战。海量的半结构化和非结构化的数据大大降低了数据处理的效率，给运营商带来了巨大的数据存储和读写压力。如若不能缩短数据处理的周期，很多数据的价值都会被极大地稀释。此外，庞大的数据规模和复杂的数据种类也给运营商带来了管理层面的难题。
1电信运营商大数据应用及系统框架
电信运营商关于大数据的应用主要包括以下4种类型。首先，是基本的语音数据分析，运营商可以利用自动语音识别数据对自身的产品进行服务，并通过用户偏好分析，及时、准确进行业务推荐，强化客户关怀，这样就可以不断改善用户体验，增加用户的信息消费；其次，网络流量分析，主要指通过大数据分析网络的流量、流向变化趋势，及时调整资源配置，还可以分析网络日志，进行全网络优化，不断提升网络质量和网络利用率；第三，在企业经营层面，可以通过业务、资源、财务等各类数据的综合分析，快速准确地确定公司经营管理和市场竞争策略；第四，在业务创新层面，可以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，为企业创造新的价值。这样，大数据将帮助运营商实现从网络服务提供商，向信息服务提供商的转变。
结合电信运营商的业务情况以及目前大数据的挑战，业界提出了针对电信运营商大数据管理总体系统框架模型，其核心主要包括4层，即物理层、数据层、模型层和应用层。其中数据层是整个运营商大数据管理的核心部分，为上层应用提供数据支持（如图1所示）。
2电信大数据解决方案与需求分析
目前，中国移动采用Apache Hadoop软件的英特尔分发版来消除数据访问瓶颈和发现用户使用习惯，开展更有针对性的营销利用，同时利用Hadoop分布式数据库（Hadoop HBase）扩展存储。中国联通也是利用Hadoop来实现对大数据的存储和分析，构建了基于Hadoop的结构化访问数据库，还采用数据仓库技术，针对海量数据进行高性能查询和分析工作。但海量数据的出现、数据结构的改变，也给运营商的大数据管理及分析带来了挑战。主要表现在：一是由于多种业务的发展、市场需求的变化和网络规模的扩大使得运营商大数据迅速的增加，这增加了运营商大数据存储和处理的难度，使得现有数据仓库无法线性扩容，这表明传统的数据仓库无法有效存储日益增长的业务数据；二是由于新型大数据服务不同于传统通信业务分析特点，需要对内容等非结构化、大容量信息进行多用户、多应用、实时有效的分析，传统的架构和数据仓库处理已不能满足新的信息服务需求。因此，运营商需要建立新型大数据中心，来存储、分析和处理海量数据。电信运营商采用的传统数据挖掘方法主要包括描述和预测两个方向，具体方法包括关联分析、分类和聚类等，这些方法较多应用于关系数据库系统，而目前电信运营商所面对的数据越来越多样化，复杂化程度不断增加，非结构化数据占据的比重不断攀升，传统的数据挖掘办法已经不能跟上电信业大数据处理的实际需求。自从1998年Watts和Strogatz在Nature杂志上发表文章，引入了小世界网络模型之后，国内外学界注意到了复杂网络研究的趋势，开始展开深入的研究。复杂网络研究的内容主要包括：网络的几何性质，网络的形成机制，网络演化的统计规律，网络上的模型性质，以及网络的结构稳定性，网络的演化动力学机制等问题。上述复杂网络的研究内容恰恰与电信运营商目前所拥有的大数据内容和处理需求紧密地结合在一起，为电信运营商的大数据处理开辟了一条崭新的方向。
3基于复杂网络大数据处理
针对电信运营商大数据处理的第一步是数据预处理及准备，以发生最多、数据量最大的客户通话行为为例，它和用户通话行为直接相关，其中涵盖的具体内容如表1所示，如通话时长，基站信息等等，如果再加入个人年龄、性别等信息，则构成多维数据，为大数据分体提供更多基础数据。接下来，针对基于复杂网络的电信大数据分析研究可以从以下3个方面展开，分别是静态研究、动态研究和社团挖掘研究。
3.1静态数据研究
电信的运营数据的结构随着时间在不断地发生变化，而且是比较典型的多维数据，复杂网络的最初研究对象是某个网络在某个特定时间段的内容，譬如，某个市、区在某几个月的通话数据，由此可以形成一个典型的网络。在这里，以IEEE VAST 2008的数据集作为研究对象，它包括了一组涉及400人左右的10天通话数据，通话记录数为9 834条。
利用复杂网络方法对远程教育网络的研究起始于基本的3项内容，它们分别是度与度分布、平均路径长度和聚类系数。
度的意义是指与该页面节点连接的其他页面节点的数目。在对电信通话数据的实际研究中主要是指一个用户存在的与其他用户通话的信息数目。一个用户节点的呼出与呼入数量又分为出度和入度。所有用户节点度的平均值称为网络的平均度。数据显示该通话记录的节点平均度为3-9，从复杂网络研究角度出发，一个用户节点无论从出度或入度的大小都直接与该用户的重要程度相关。由图2和图3可以看出，个别用户节点拥有较大的出度与入度，他们在整个网络中扮演了核心节点的角色，通过这几个节点将其他用户紧密地联系在一起。
平均路径是基于复杂网络电信大数据的另一个十分重要的指标，它主要是指网络中两个节点之间最短路径的边数。任意两个节点的最大值称为网络的直径，上述网络的直径为8。平均路径长度是衡量网络转发能力的一个重要参数，具有较短路径长度可以降低传输的延迟，对于网站的查找具有决定性的作用，上述网络的平均路径长度为4-2，一般电信每个月的网络直径为20左右，整个网络的直径在15左右，这就充分说明该网络具有紧凑的结构，保证用户可以花费最短的时间联系到自己需要人，这对于电信运营商集团网络的建设及营销策略的细化非常重要。
聚类系数用于描述网络连接的聚集程度，即网络有多紧密，也就是说如果一个网络结点有数个直接的邻居结点，那么这些邻居结点之间有可能也是邻居。Watts和Strogatz首先指出，许多实际网络的聚集系数远大于相同结点规模的随机网络。
3.2动态数据研究
电信运营商大数据的分析具有其自身的特点，它的用户动态性较强，呈现出“生命周期”的特征，时间演化性是电信通话数据的复杂网络化固有属性，任何网络都会随时间呈现出一定的演化规律，但数据分析不能以秒、分、时以单位展开，这样单位内的数据量太有限，要想尝试抓住用户的核心商业价值，制定相应的营销策略，就需要以月或者季为单位进行通话数据分析。
笔者将上述的数据导入复杂网络分析软件中，最终结果如图4所示，其中包括通话日期、持续时间和基站信息，经过运算可以产生对电信数据商进行用户分析的诸多结果。首先，在图中可以发现明显的聚集效应，他们的通话概率是其他用户的2～3倍，这些用户具有更高的活跃度，这些用户在网朋友数目越多，其离网概率越小，由此可以帮助电信运营商建立流失模型，制定相应策略进而防止客户流失。其次，可以发掘出部分的个人特征及通话偏好，譬如，有些用户的通话量极少，有些用户的通话大部分发生在夜间，建立这样的用户模型将有利于发现用户的消费行为，利于各种用户套餐的制定，方便降低运营成本。最后，通过基站数据的分析，可以发现该用户的活跃地区和基站的负载程度，帮助电信运营商进行基站建设的规划。
3.3社团挖掘研究
复杂网络社团是指网络中的顶点可以分成组，组内顶点间的连接比较稠密，组间顶点的连接比较稀疏。社团结构在电信运营商数据分析中扮演着十分重要的角色，它是了解整个网络结构和功能的重要途径。针对电信运营商的大数据处理而言，虽然它们的社团大小和数目是未知的，用户之间的相互联系是随时间改变的，但这种网络结构呈现出比较鲜明的层次结构，可以观察出高密度或者低密度的社团结构。通过图4，可以观察到除了大部分的聚集用户节点之外，还存在着其他类型的用户节点，比如离群点和中心点。这些中心节点将对谣言或者手机病毒的传播起到重要的作用，同时还会对新客户的发掘起到推进作用。而离群节点则是比较典型的噪音数据，对这些数据的摒弃将有助于提高正常数据的处理速度。网络社团结构的研究主要与计算机科学中的图形分割和社会学中的分级聚类有着密切的关系。
目前，基于复杂网络的许多社团网络划分算法都是在K-means基础上提出和演化的，该算法在电信大数据处理中得到广泛的应用。K-means经典算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。假设要把样本集分为c个类别，算法描述如下：（1）适当选择c个类的初始中心；（2）在第k次迭代中，对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类；（3）利用均值等方法更新该类的中心值；（4）对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。该算法的最大优势在于简洁和快速。该算法的关键在于初始中心的选择和距离公式。在电信大数据背景下，K-means算法在分类效果、实际运行时间方面体现出较强的实用性。通过上述数据的K-means算法社团划分实验分析，可以得到3个结构清晰的社团，他们分别包含59、29和6个用户节点。
4结束语
针对电信运营商数据处理的传统方法虽然能够在一定程度上进行分析处理，但面对规模日益庞大的数据量，这些方法往往在实际过程中显得力不从心，不能满足实际需求。但伴随着Google提出的MapReduee框架及其开源Hadoop等优秀的分布式架构涌现及应用，电信运营商能够引入复杂网络的系统科学方法进行大数据的处理分析。复杂网络对电信大数据目前大量出现的非结构化数据具有极强的适应性，其重要意义在于它对数据的宏观及微观两个方面的研究，宏观研究包括网络结构图的绘制、网络的演化和网络鲁棒性研究等，微观研究主要是个体的研究，比如重要节点的发现、个体演化、社团划分及事件发现等。而且，上述两方面的研究工作是相辅相成的，其目标是对现实的复杂网络进行有效的分析。总体来看，各个电信运营商利用大数据来推动业务转型将是未来电信市场的一个重要方向。电信运营商如果能够通过复杂网络等新技术的进步，不断释放其管道中庞大数据的潜在力量，将会成广大用户提供更好的服务体验。
参考文献
[1]郭晓科.大数据[M].北京：清华大学出版社，2012：20-130.
[2]王星.大数据分析：方法与应用[M].北京：清华大学出版社，2013：30-208.
[3]杨胜琦.基于复杂网络的大规模电信数据分析研究[D].北京：北京邮电大学，2010：12-120.
[4]李秋静，叶云.电信大数据解决方案及实践[J].中兴通讯技术，2013，（6）：34-38.
大数据运营分析范文6
本文电信运营商所面临4G移动互联网大数据时代背景下，分析了电信运营商企业在大数据上的行业优势，对比了电信运营商企业与普通互联网企业在大数据应用上的差异，指出运营商在大数据平台建设上架构和思路。最后，通过用户清单查询应用、上网行为分析两个大数据应用案例，深入浅出的剖析了运营商行业大数据应用发展趋势。
【关键词】运营商 移动互联网 大数据应用 数据挖掘 上网行为分析
伴随着移动互联网、云计算技术迅速发展，各电信运营商新业务层出不穷，用户规模和业务数据呈现爆炸式增长，数据密度和数据关系复杂程度空前提高。以中国电信为例，据统计拥有用户规模在2000万的省份，每天仅3G上网数据存储容量在5～10TB。大数据使运营商拥有了最有利的基础资源，被成为“数据金矿”，迫切需要从海量的结构化和非结构化数据中挖掘出价值，寻求新的商业运作模式。“这是一种革命，我们确实正在进行这场革命，庞大的新数据来源所带来的量化转变将在学术界、企业界和政界中迅速蔓延开来。没有哪个领域不会受到影响，迎来大数据时代。”
1 理解大数据
运营商的数据，经过多年的业务发展，IT系统中涵盖了客户数据、业务数据、服务数据、网络数据，数据在空间和内容上，不是一般互联网企业能与之相提并论的，可以说电信运营商在发展大数据、利用大数据上有天然的优势：
1.1 数据种类多样性
运营商掌控数以亿计用户，海量业务数据呈现多样性。
1.2 数据实时性
全网用户无时无刻不在发生通信行为，数据输出不间断、实时存储。
1.3 数据价值有效性
数据分析后的决策运用，在盈利的同时，能够给用户提供灵活的、个性化服务，推进行业发展进步。
不过，受经营的业务实体、经营体制影响，运营商与普通互联网企业的大数据相比，有着明显的差异。如表1。
2 运营商大数据平台建设架构和思路
电信运营商要想充分利用大数据管理来创造价值，开启“数据金矿”的大门，就必须根据运营商自身特性，对原有的IT系统和业务平台做升级改造，建立大数据平台，并且平台在性能、扩展性、安全性、易管理、集成能力等多个方面要有可靠的技术保障。
（1）基础设施层的开放性。
（2）整个系统的稳定性和高性能。
（3）平台层的基础接口直接影响到上层大数据应用的开发。
（4）平台层应该做到与应用无关，保持应用开放性。
3 运营商大数据目前典型应用案例
3.1 用户清单查询应用
当前运营商现有清单查询系统大多采用传统架构，支持当前1个月、历史5个月的详单查询。然而传统架构却存在一系列问题。在容量方面，移动互联网的数据增长过快，应用紧耦合，不能平滑的横向扩展，导致查询接口响应时间长，查询成功率保障不足，系统部署过于集中，主机资源竞争严重。同时传统模式建设与存储资源扩展成本高，除此之外，在安全、可靠、管理方面，传统架构系统高可用保障能力不足。
为了解决上述问题，运营商迫切希望应用开源Hadoop技术，该技术的高扩展性受到业界称赞。福建电信公司基于IBM服务器，采用Symphony + GPFS-FPO + HBase架构提出了大据解决方案，上层部署清单查询应用。清单文件数据加载过程中，加载一个月的清单文件数据，详单条数约在29.9亿条，容量共700GB，处理速度在72.7Mbit/s，明显提升了查询速度。
3.2 用户上网行为分析应用
北京电信建设了大数据和分析项目--互联网行为标签系统，在该系统中开发了独立的DPI流量查询模块，开展针对性上网内容与营销产品推荐。
该系统采用四层的应用架构。在接口层，互联网行为标签系统抽取白名单用户号码，并从DPI采集用户移动互联网上网日志信息；数据库层，保存同步的用户移动互联网上网日志、保存并更新URL库、APP库、分类库，以及互联网行为标签结果数据；应用层，实现对用户移动互联网行为标签分析过程、智能机搜索匹配分析过程、专题分析的网址匹配分析过程，并将分析结果标识，同时应用层实现对地址库的定期更新；输出层，互联网行为标签系统将互联网行为标签、智能机搜索标签、专题分析的地址匹配标签统计并输出到ODS等应用系统。
4 结语
运营商4G纷至沓来，将进一步加快移动互联网发展步伐，运营商将面临更加多元化的数据信息，更加深入的分析与挖掘，大数据的处理需求更加迫切。运营商要做好IT人才培养与人才储备，在大数据的激烈的竞争中推进相关技术和应用，寻求商业模式创新和业务创新，提升客户感知，推进互联网不断向前发展。
参考文献
[1]钱志新.数据大金矿[M].南京：南京大学出版社，2013.
[2]王海涛，刘波.云计算和关键技术问题的分析研究[J].电力系统通信，2011（32）.
作者简介
王长武（1965-），男，大学本科学历，学士学位。现为中国电信吉林公司高级工程师。
