|
目前，一些运营商已经开始了此类业务模式创新的探索。例如，Telefonica在其Telefonica Digital下设立了Telefonica Dynamic Insights部门，专门从事大数据应用等创新业务的开发。Telefonica在英国推出了smartstep服务，面向政府部门及公共机构提供基于位置的人员流动数据。 大数据的外部应用对销售企业有极大的吸引力。一方面电信运营商可以基于其拥有的存量数据进行消费者特征与行为分析，进行用户聚类与画像，为销售类企业提供咨询服务。运营商可以通过对用户的年龄、性别、受教育程度、特定时间出现的区域、网购行为、经常访问的网站等信息进行综合评价，挖掘用户的生活规律与业务使用习惯，并通过画像进行特定用户标签化处理，或聚合为基于区域的特定用户分布（可通过热力图等形式展现），为销售类企业锁定目标用户、实施精准营销与店铺网点选址等提供有效支持。 另一方面，电信运营商可通过移动互联网技术，实现基于大数据应用的营销信息的实时传输。例如，通过对用户O2O消费习惯与特点的分析，当用户在用餐时间进入某常访问的商圈时，通过APP 等形式向用户实时推送其常去或多次搜索的餐馆的排号情况、优惠信息等，并根据用户历史查询与消费价位等信息，自动生成推荐菜单，支持在线订座、下菜单等操作；同时，提供由广告主付费的后向流量包，形成闭环，既增加了用户黏性，又拓展了收费渠道与对象。 现存的困难与挑战 1. 社会公众质疑 大数据将面临来自社会公众的质疑。根据Gartner的新兴技术炒作周期理论，大数据技术目前仍处于“公众的预期过高达到期望的高峰和泡沫期”，距离其成为主流技术还有5 ~10年的时间。当大数据技术处于“幻灭的低谷”这一阶段时，大数据技术可能遭到来自社会公众的质疑。在各类质疑中，以社会公众对自身隐私信息被泄露的担忧最具代表性。随着移动互联网、智能终端、物联网等技术与产品的广泛应用，人们的行为、位置、通讯等信息不再隐秘。公众的质疑包括对技术成熟性与安全性的关切及对涉事政府部门与企业道德操守的担忧。前者的典型案例包括用户通过云存储误同步得他人通讯信息等，后者以“棱镜门”事件为典型代表。此外，还有一些案例介于两者之间，同样存在隐私泄露的潜在风险，典型的例子包括iPhone“记录用户位置隐私”事件，即iPhone终端可通过APP程序、Wi-Fi连接等记录用户的位置信息，而这些用户位置信息会被存放在手机的加密文件中。通过找到这些文件，可以破解出用户曾经的位置信息记录。面对公众的担忧，需要运营商与监管部门一道，通过立法等手段明确大数据采集和应用的规范、范围与范式，共同探索既能满足社会公众对隐私保护的合理关切，又能为运营商的新业务探索留出足够空间的解决方案。 2. 组织结构存在阻碍 同时，在对资源与时效性有极高要求的大数据应用运营上，运营商面临着来自组织结构的阻碍。现阶段，运营商对大数据的运用仍处于粗放的初级阶段，且主要集中在内部应用，如精准营销模型建立、虚假用户与低质用户识别、用户信用评级等，而在大数据的外部应用上仍处于探索初期。作为重资产大型企业，运营商组织结构极大制约了其决策速度、产品开发与运营能力及业务转型力度，在大数据开发与应用环节存在先天性短板。与互联网公司不同，运营商的行业特征塑造了其“稳”字当头的企业基因与相应的组织架构，反应慢、敏感度低。此外，近些年运营商为规范经营活动，对产品设计等权限进行总部集中，弱化了基层单位的能动性，进一步强化了组织的科层化倾向，决策流程与周期更为冗长。部分运营商采用下放产品开发与运营权限至专业子公司的举措来提高效率，但专业子公司的资源整合能力较弱，无法调动分散于各职能部门的资源，且产品上线、推广仍需母公司评估与支撑。而若将大数据资源通过外包等形式委托第三方进行开发利用，存在一定的安全隐患与法律风险。 3. 大数据工程师匮乏 此外，运营商还面临着大数据工程师匮乏的困难。运营商的人才特征为以通信类工程师为核心，辅以背景多元的市场与营销人才队伍。决策核心与技术团队的人才结构较为单一，普遍缺乏具有高度专业水准的大数据工程师。大数据条件下，数据量大、非结构化数据占比高，在数据清洗、筛选、结构化处理与分析等各个环节，都亟需数据专家参与。运营商虽然可以通过高层次人才引进、内部挖潜等多种举措加强数据人才队伍建设，但形成具备市场投放能力的团队群仍尚需时日。 |
