大数据运营分析范文
时间：2024-02-18 17:57:36
导语：如何才能写好一篇大数据运营分析，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
篇1
>> 电信运营商大数据引入策略分析 电信运营商跨行业大数据融合应用场景分析 大数据时代下的电信运营商变革 运营商大数据要去电信化 电信运营商大数据应用系统建设方案研究 供应链视角电信运营商的大数据应用方向探讨 电信运营商真正的优势在于大数据分析 电信运营商大数据业务运营流程深度剖析 运营商大数据技术及应用 中电信“天翼大数据”品牌 运营商能否做好数据买卖？ 大数据时代电信运营商4C营销策略探析 大数据时代电信运营商如何重构转型竞争力 电信运营商大数据在金融行业实体选点中的运用 电信运营商大数据发展策略与价值挖掘 大数据时代下电信运营商的发展战略探讨 电信运营商大数据变现之关键技术 电信运营商大数据资源变现模式及策略研究 电信运营商FTTX应用模式 运营商部署VPLS案例分析 数据挖掘在电信运营商经营决策系统中的应用 常见问题解答 当前所在位置：l.
[2] 傅志华. 大数据在电信行业的应用[EB/OL]. （2014-11-17）. http：//.cn/Bigdata/2014-11/17/content_1479083.htm.
[3] 晓镜. Sprint：运营商仅靠大数据就能生存[N]. 中国邮电报， 2012-11-21（5）.
[4] 朱敏. 大数据时代运营商战略及市场影响[J]. 中国电信业， 2015（5）： 78-79.
[5] 何非，何可清. 大数据机器及其科学问题与方法的探讨[J]. 武汉大学学报（理学版）， 2014（1）： 1-12.
[6] 洪莹，李政. 针对电信运营商的大数据价值化经营研究[J]. 移动通信， 2015（13）： 47-50.
[7] 黄勇军，冯明，丁圣勇，等. 电信运营商大数据发展策略探讨[J]. 电信科学， 2013（3）： 7-11.
[8] 施巍巍. 大数据助力电信企业实现精确营销[J]. 信息技术与信息化， 2015（1）： 92-94.
篇2
伴随着全球商业LTE网络的快速部署，移动互联网的发展无疑已进入佳境，作为移动互联网的缔造者，和其高速发展的背后推手，电信网络的每一次技术进步，都极大地推动了移动互联网用户规模和业务的快速增长。
从这个角度来看，电信运营商和移动互联网之间理应是共生共荣的关系。
然而，因电信运营商网络技术进步而催生的移动互联网，却给电信运营商的未来命运带来了抹不去的阴影：移动互联网OTT业务的快速成长，不断侵蚀电信运营商的基础语音业务和短信业务，运营商缓慢增长的网络流量收入，和网络成本不断增加之间的剪刀差，正不断侵蚀着运营商的利润。
运营商正陷入这样一种囚徒困境：加大网络投资改善网络能力，将壮大其对手OTT服务商，最终其核心业务将因OTT服务商的壮大而受损；而缩减网络投资降低成本，将面临被用户抛弃的风险。
摆在电信运营商面前的，似乎没有更多的选择，运营商和OTT服务商之间的合作，已成为当下的主旋律。2013年8月，既有中国电信与中国联通与微信的亲密合作，也有中国电信与网易联合推出的易信。
当运营商与OTT服务商之间的合作成为主旋律，人们在赞赏运营商开放合作的态度时，却似乎选择性地遗忘了以下事实：
全球最大的互联网公司，同时也正在积极拓展全球移动互联网业务的Google，正在大规模部署和试验其高速Google fiber光纤网络，同时正在谋求获得无线运营牌照，并且在无线频谱领域已有所斩获。
这给我们带来一个问题：如果有一天移动互联网OTT服务商不再需要电信运营商了，运营商们该怎么办？
这并非耸人听闻，全球城市化的进展，正不断制造着一个又一个人口过千万的超级城市，人口密度的不断增加，正不断降低Google们运用Wi-Fi技术或其他固定无线接入技术向用户提供移动服务的技术门槛和资金门槛。
当有一天Google们的光纤网络和Wi-Fi网络能够覆盖足够多的人口和用户时，掌握绝对互联网内容的Google们，还会像今天一样，高举合作大旗、以平等的心态，来和运营商们合作吗？
市场规律告诉我们，没有相互需要的合作，是不可能平等，更不可能持久的。
在Google们不断向网络运营渗透的今天，电信运营商对互联网内容的把握却总是不得要领，这不能不说是运营商悲剧的根源。也许这样说有点悲观，甚至有点杞人忧天，但事实如此。
电信运营商们真的没有更好的选择了吗？
情况并非如此：运营商们处于劣势的根源，在于运营商们根本没有找到自己的优势所在；而在与OTT服务商的合作中，又无法强化自己的优势，仅仅是以开放合作寻求存在感，显然并非长久之计。
那么运营商的优势在哪里？
运营商的优势在于，作为网络服务接入者和网络内容的承载者，对于用户网络应用行为的熟悉和了解，以及对用户关注内容的了解，理应比OTT服务商有更深刻的理解。
这里不得不提到一个奇怪的现象：一方面运营商在为用户提供移动互联网接入服务时，放弃或者说忽视对用户网络应用发生地、访问内容、交流对象等重要数据的分析和挖掘；另一方面，互联网OTT服务商们，却千方百计通过各种手段想获取上述数据，甚至想得到更多。
有经验的手机用户都会知道，目前移动市场上很多APP应用在安装在手机上时，都会不加通知地、或者以某种晦涩方式简单通知之后，无偿获取到用户的手机识别码、通话记录、位置信息，甚至包含客户重要隐私的短信内容、联系人列表，当然也包括通过APP访问互联网的内容和路径。
移动互联网的APP厂商们为什么要这么做，甚至甘冒法律的风险，游走在罪与非罪的边缘，来获取用户的这些信息？原因很简单：In information age，information is the money.（信息时代，信息就是金钱。）
毫无疑问，通过对上述用户信息的海量搜集，再加以大数据分析和定向数据挖掘，便有机会寻找到埋藏在海量用户信息中的“金子”。
这些闪光的“金子”，也许是定向广告的对象，也许是潜在商品的买家，也许是某个有价值的投资对象，它可能是任何可以想象到的、可以幻化为金钱的数据分析结果。
如果说对于移动互联网厂商来讲，上述数据搜集行为是游走在罪与非罪的灰色地带，并且其数据搜集行为可以通过用户的主动行为来加以部分屏蔽和制止的话；那么，对于电信运营商来说，在现行的法律下，完全可以合法获取上述基础数据：用户通信的位置信息可以通过基站获取，通信内容和通信对象可以通过网络获得。由于并非针对特定用户，且并非从用户终端上提取，因此从现行法律上说完全合法，至少比移动互联网服务商们通过APP从用户的手机上“巧取豪夺”要来的合法、合情、合理。
另外一个方面，如果说移动互联网服务商们所搜集的是部分用户信息的话，那么对于电信运营商们来说，他们所能够搜集的，则是所有用户的网络行为和所有移动互联网厂商们的海量内容。
显然，从大数据分析和数据挖掘的角度来看，电信运营商的潜在优势更为突出。
篇3
【关键词】电力大数据；关键技术；智能电网
1、电力大数据平台总体架构
电力大数据平台总体架构如图1所示，此架构具备一定通用性，适合规划电力企业的大数据。此架构的存储框架是以Hadoop文件系统为基础的分布式文件处理系统，处理框架是以Map Reduce为基础的分布式计算技术。分别以分布式文件处理技术和计算技术为基础，使PB和ZB级的数据存储和查询分析成为可能。此外，此框架还包括传统的数据仓库、大数据调度框架、网络层、操作系统以及数据备份与恢复等模块。
电力大数据平台总体架构应该和电力系统里来源广泛的数据流结合，催生实际的产业应用。电力系统作为复杂的高维非线性系统，内部包括信息流、气象流、电力流等多种数据流向。图2是以电力系统总体平台架构为基础的电力企业商业应用和电力系统内部数据流的可能结合点，包含发电、输电、变电、配电、用电等多个环节的负荷控制系统、电能计量系统、管理信息系统、风电光伏功率预测系统、监测控制及数据采集系统等。
2、智能电网运用中的电力大数据关键技术
2.1集成管理技术
电力企业数据集成管理技术就是将两个及其以上的应用系统数据合并起来，创建出功能更多的企业应用。就集成角度而言，就是在存储介质或是逻辑上将各种来源、性质、特点以及格式的数据集中起来，为系统存储各种面向集成的、主题的、较为稳定的以及能呈现历史变化的数据集合，确保系统数据共享的全面性。
电力大数据集成管理技术包括数据抽取技术、关系型及非关系型数据库技术、数据过滤及清洗技术等多种技术。多样性是大数据的显著特点之一，这就决定了其数据来源的广泛性和数据类型的复杂性，也给大数据的处理带来了很大挑战。要处理好大数据，首先就要抽取并集成数据源数据，从中罗列出实体与关系，经过关联与聚合处理后再用统一结构保存这些数据。在集成与提取数据时要做清洗处理，确保数据的质量和可靠性。
2.2数据分析技术
大数据技术的根本驱动力就是实现信号到数据的转换，先把数据转化成信息，再把信息转化成知识，通过知识实现决策与行动。利用电力大数据分析技术可在海量电力系统数据中找出隐藏的规律和模态，给决策人员提供支撑。相较于传统逻辑推理研究，大数据研究是对海量数据进行统计性的搜索、比较、分类等处理，所以延续了统计科学的某些特点，如统计学关注的数据关联性或是相关性（相关性即指两个及其以上变量的取值间存在一定规律性）。做相关性分析主要是为了找出数据集里潜在的关系网，通常用可信度、支持度等参数进行反映。
就根本来说，电力大数据分析技术是传统数据挖掘技术在大量数据挖掘下的新发展。但因为大数据具有量大、增长快、种类多的特点，除了包括结构化数据还包括半结构化数据与非结构化数据，所以很多传统的数据挖掘方式已经不能满足需求。大数据环境下的数据挖掘和机器学习算法可从以下三点入手：一是从大数据治理、抽样及特征选择着手，把大数据转变为小数据；二是实施大数据下的分类算法、聚类算法研究；三是实施大数据并行算法，把传统数据挖掘方式做并行化处理后再运用到大数据知识挖掘中。
2.3数据处理技术
电力大数据的数据处理技术主要有三种，即分布式计算技术、内存计算技术和流处理技术。其中，分布式计算技术主要负责大规模数据的分布式保存和处理；内存计算技术主要负责高效读取数据以及处理在线的实时计算；流处理技术主要负责对实施到达以及规模与速度不受控制的数据进行处理。
分布式计算技术属于新的计算方式，主要研究怎样把需要强大计算能力解决的问题分解成多个小块，再将小块分配给多个计算机进行处理，最后综合处理结果即为最终结果。分布式计算技术的典型代表就是谷歌公司推出的Map Reduce编程模型。此模型先分解需要处理的数据，将其分配给多个Map任务区进行处理，然后根据键值保存到本地硬盘，接着在用Reduce任务根据键值汇总结果，最后输出最终结果。分布式计算技术适合在电力系统中采集大规模分散数据源时使用。
内存计算技术就是把所有数据都放在内层里操作，此技术解决了对磁盘读写操作时耗时量大的问题，计算速度也得到大幅度提升。内存计算技术的迅速发展与广泛运用得益于大数据浪潮的来临以及内存价格的降低。EMC、SAT以及甲骨文都相继推出了内存计算解决方法，把以往客户需要以天作为时间计算单位的业务缩减至以秒作为时间计算单位，有效解决了大数据知识挖掘以及实时分析的问题。
流处理技术就是把海量的数据组看作是流，当新数据出现时就即可处理然后返回结果。流处理技术的根本理念就是随着时间流逝数据价值会逐渐减少，所以要尽快处理新数据，得出结果。流处理技术的运用场景主要是金融里的高频交易、网页点击里的实时统计等。随着电力事业的不断发展，电力系统数据快速增长的同时对数据的实时性标准也逐渐提升，在电力系统中运用流处理技术能给决策者提供实时依据，满足数据的实时在线分析要求。
2.4数据展现技术
电力大数据数据展现技术主要包含3种，即可视化技术、空间信息流展示技术以及历史流展示技术。这3种技术从不同层面对电力大数据的数据展现技术作了诠释。利用数据展现技术可以帮助管理者更直接准确地理解电力系统数据要表达的含义，更全面地掌握电力系统的运行情况。
可视化技术主要在电网状态实时监控中运用较多，能有效提升电力系统的自动化运行水平。未来，可视化技术还可以与复杂网络环境里的有关理论相结合，并在电网自动布点、自动分层、自动分区等方面做进一步研究，更深入挖掘电网的联系与规律。
空间信息流展示技术包括变电站三维展示技术、虚拟现实技术等，主要应用在电网参数和已有地理信息系统的结合上。有机结合电力配电设备管理和地理信息系统，能帮助管理者更清晰的掌握设备情况，为决策提供及时、有效的地理信息。空间信息流展示技术可在变电站工程设计中使用，能有效节省资源、时间和成本，给电力企业创造高效益。
历史流展示技术主要在管理和展示电网历史数据中体现。在电力系统里通常都是以历史数据为基础进行深入应用分析。利用历史流展示技术，可根据生产现场实时监测数据以及电网规划、负荷预测数据绘制出相应的数据发展趋势图和走势图，还能模拟重大历史事件的发生和演变过程，更全面挖掘历史事件隐藏的规律和知识。
3、结语
综上所述，在提倡发展低碳经济以及信息网络技术迅猛发展的今天，智能电网的建设是必然趋势。在智能电网运用中的电力大数据关键技术主要包括集成管理技术、数据分析技术、数据处理技术和数据展现技术四种。本文重点对这四种技术进行了分析，得出四种关键技术均在智能电网中发挥了重要作用，实现了电网里海量数据的及时采集、分类、比较和处理。不可否认，电力大数据的四种关键技术有效弥补了传统数据处理方式的不足，提升了电网数据的处理质量和效率，为电力企业节省更多成本、创造更高效益，同时也有效提升电力企业的管理水平。
参考文献
篇4
【关键词】 移动运营商 大数据 发展策略
一、大数据的优势特征和不足之处
1.1大数据优势特征
大数据对于互联网领域的价值是不可估量的，互联网企业的运行效率和生产力在大数据的影响下得以大幅度的提高，移动运营商在大数据应用方面的优势尤为明显。其具体主要体现在以下几方面：
第一，用户基数庞大。随着通信技术的快速发展，消费者对移动运营业务的需求也在不断增长，迄今为止，三家运营商移动用户已达到约13亿人次，移动运营商拥有庞大的用户群体及海量的基础数据。第二，数据的时效性。4G时代的到来促使人们的日常生活与移动互联网紧密相关，移动运营商掌握着庞大的第一手用户行为数据，并保持数据的不间断更新，保证了数据的时效性。第三，移动运营商转型契机。为应对OTT的竞争，移动运营商亟需向数字化服务提供者转型。借助大数据技术的兴起，移动运营商能加快转型的步伐，为用户提供更好的移动信息服务。
1.2移动运营商在大数据应用方面面临的挑战
第一，数据来源广而杂，聚集较为困难。系统数据形式不一，格式多样，而系统往往只支持单一的数据结构处理模式，无法全面覆盖各种类型的数据处理，进而无法满足互联网多样化的发展，同时也给大数据的技术人员在处理数据上造成一定的困难。第二，商业模式尚未成熟。移动运营商由于拥有的用户基数过于庞大，掌握的数据资源也非常多，但对于这些数据的处理上仍存在一定难题。由于移动运营商尚未建立对外数据平台，大量的数据只能供内部人员使用，而不能使外部人员对其加以应用，从而造成这些数据没有得到有效利用，无法实现利益最大化。第三，大数据运营存在风险。人们的隐私关系到他们的自身利益、名誉，甚至生命安全等，因此，移动运营商在为客户提供服务时保证个人隐私不泄露至关重要。对移动运营商而言，大数据安全策略的研究将会是重中之重。
二、移动运营商在大数据方面的应用
移动运营商在大数据方面的应用体现在内外两方面。通过大数据分析，使移动运营商的决策从依据传统经验向科学化的方向转移。
1、提升网络服务，优化网络建设。通过分析小区级数据流量，了解用户流量消费水平的分布情况，针对流量消费较高的区域重点优化4G网络建设；通过MR数据分析，辨别信号较差的区域，然后根据关联用户的相关信息，为用户进行网络优化服务；还可以根据用户的位置信息实现网络切换，优化网络性能，为用户提供更好的服务。
2、基于用户行为信息，为用户提供个性化服务。基于用户数据为用户提供个性化服务的模式主要有两种，以用户手机号码为例，第一种是根据用户提供的相关信息，移动运营商先对用户的手机号码进行匿名处理后，即用伪码来代替真正的手机号码，然后第三方再根据用户提供的相关数据为伪码做标签处理，使其成为用户手机号码特有的标志；第二种与第一种的不同之处在于为用户打上标签的是移动运营商，而非第三方。
三、移动运营商在大数据应用上的发展策略
3.1应用大数据协助内部运营
利用大数据来协助移动运营商的内部运营对于移动运营商具有非常重要的意义，具体措的施可从以下几方面做起：第一，运用大数据为用户服务。通过对用户的位置定位，根据用户对网络信息的反馈，及时了解关联用户的网络质量，帮助用户解决网络问题。第二，优化网络质量。移动运营商通过对用户的爱好、位置等相关信息关联，分析用户所在的网络质量，为用户提供更好的网络服务，进而促进运营商的网络建设。
3.2向大数据转型、开展新的业务模式
移动运营商向大数据转型的核心要点是合理规划大数据业务模式。首先，借助大数据运营中心平台，通过分析海量基础数据，为用户提供个性化的优质服务，同时实现移动运营商利润的最大化。其次，通过采集、分析大量数据，发挥大数据的真正价值。构建完整的大数据运营中心，针对性的解决数据多而杂的问题。除此之外，利用大数据开展新的业务模式，以进一步加强移动运营商的竞争力。
结束语：随着4G时代的快速发展，OTT业务的激烈竞争，移动运营商面临着巨大的挑战。借助大数据技术的兴起，移动运营商要充分利用自身优势，发挥大数据价值，竭尽可能发掘新的商业模式，实现从电信网络运营商向信息运营商的华丽转身。
参 考 文 献
篇5
电信运营商拥有多年的数据积累，拥有诸如财务收入、业务发展量等结构化数据，也会涉及到图片、文本、音频、视频等非结构化数据。从数据来源看，电信运营商的数据来自于涉及移动语音、固定电话、固网接入和无线上网等所有业务，也会涉及公众客户、政企客户和家庭客户，同时也会收集到实体渠道、电子渠道、直销渠道等所有类型渠道的接触信息。整体来看，电信运营商大数据发展仍处在探索阶段。
大数据在电信行业应用的总体情况
目前国内运营商运用大数据主要有五方面：(1)网络管理和优化，包括基础设施建设优化和网络运营管理和优化；(2)市场与精准营销，包括客户画像、关系链研究、精准营销、实时营销和个性化推荐；(3)客户关系管理，包括客服中心优化和客户生命周期管理；(4)企业运营管理，包括业务运营监控和经营分析；(5)数据商业化指数据对外商业化，单独盈利。
第一方面：网络管理和优化。此方向包括对基础设施建设的优化和网络运营管理及优化。
(1)基础设施建设的优化。如利用大数据实现基站和热点的选址以及资源的分配。运营商可以通过分析话单和信令中用户的流量在时间周期和位置特征方面的分布，对2G、3G的高流量区域设计4G基站和WLAN热点；同时，运营商还可以对建立评估模型对已有基站的效率和成本进行评估，发现基站建设的资源浪费问题，如某些地区为了完成基站建设指标将基站建设在人际罕至的地方等。
(2)网络运营管理及优化。在网络运营层面，运营商可以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，同时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。
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。由于用户群的不同，不同小区对运营商的贡献也不同。运营商可以将小区的数据进行多维度数据综合分析，通过对小区VIP用户分布，收入分布，及相关的分布模型得到不同小区的价值，再和网络质量分析结合起来，两者叠加一起，就有可能发现某个小区价值高，但是网络覆盖需要进一步提升，进而先设定网络优化的优先级，提高投资效率。
德国电信建立预测城市里面的各区域无线资源占用模型，根据预测结果，灵活的提前配置无线资源，如在白天给CBD地区多分配无线资源，在晚上，则给酒吧地区多分配无线资源，使得无线网络的运行效率和利用率更高。
法国电信通过分析发现某段网络上的掉话率持续过高，借助大数据手段诊断出通话中断产生的原因是网络负荷过重造成，并根据分析结果优化网络布局，为客户提供了更好的体验，获得了更多的客户以及业务增长；
第二方面，市场与精准营销。此方向包括客户画像、关系链研究、精准营销、实时营销和个性化推荐。
(1)客户画像。运营商可以基于客户终端信息、位置信息、通话行为、手机上网行为轨迹等丰富的数据，为每个客户打上人口统计学特征、消费行为、上网行为和兴趣爱好标签，并借助数据挖掘技术(如分类、聚类、RFM等)进行客户分群，完善客户的360度画像，帮助运营商深入了解客户行为偏好和需求特征。
(2)关系链研究。运营商可以通过分析客户通讯录、通话行为、网络社交行以及客户资料等数据，开展交往圈分析。尤其是利用各种联系记录形成社交网络来丰富对用户的洞察，并进一步利用图挖掘的方法来发现各种圈子，发现圈子中的关键人员，以及识别家庭和政企客户；或者分析社交圈子寻找营销机会。如在一个行为同质化圈子里面，如果这个圈子大多数为高流量用户，并在这个圈子中发现异网的用户，我们可以推测该用户也是高流量的情况，便可以通过营销的活动把异网高流量的用户引导到自己的网络上，对其推广4G套餐，提升营销转化率。总之，我们可以利用社交圈子提高营销效率，改进服务，低成本扩大产品的影响力。
(3)精准营销和实时营销。运营商在客户画像的基础上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，并在在推送渠道、推送时机、推送方式上满足客户的需求，实现精准营销。如我们可以利用大数据分析用户的终端偏好和消费能力，预测用户的换机时间尤其是合约机到期时间，并捕捉用户最近的特征事件，从而预测用户购买终端的真正需求，通过短信、呼叫中心、营业厅等多种渠道推送相关的营销信息到用户手中。
(4)个性化推荐。利用客户画像信息、客户终端信息、客户行为习惯偏好等，运营商可以为客户提供定制化的服务，优化产品、流量套餐和定价机制，实现个性化营销和服务，提升客户体验与感知；或者在应用商城实现个性化推荐，在电商平台实现个性化推荐，在社交网络推荐感兴趣的好友。
第三方面，客户关系管理。此方面包括客服中心优化和客户生命周期管理。
(1)客服中心优化。客服中心是运营商和客户接触较为频繁的通道，因此客服中心拥有大量的客户呼叫行为和需求数据。我们可以利用大数据技术可以深入分析客服热线呼入客户的行为特征、选择路径、等候时长，并关联客户历史接触信息、客户套餐消费情况、客户人口统计学特征、客户机型等数据，建立客服热线智能路径模型，预测下次客户呼入的需求、投诉风险以及相应的路径和节点，这样便可缩短客服呼入处理时间，识别投诉风险，有助于提升客服满意度；另外，也可以通过语义分析，对客服热线的问题进行分类，识别热点问题和客户情绪，对于发生量较大且严重的问题，要及时预警相关部门进行优化。
(2)客户关怀与客户生命周期管理。客户生命周期管理包括新客户获取、客户成长、客户成熟、客户衰退和客户离开等五个阶段的管理。在客户获取阶段，我们可以通过算法挖掘和发现高潜客户；在客户成长阶段，通过关联规则等算法进行交叉销售，提升客户人均消费额；在客户成熟期，可以通过大数据方法进行客户分群(RFM、聚类等)并进行精准推荐，同时对不同客户实时忠诚计划；在客户衰退期，需要进行流失预警，提前发现高流失风险客户，并作相应的客户关怀；在客户离开阶段，我们可以通过大数据挖掘高潜回流客户。国内外运营商在客户生命周期管理方面应用的案例都比较多。如SK电讯新成立一家公司SK Planet，专门处理与大数据相关的业务，通过分析用户的使用行为，在用户做出离开决定之前，推出符合用户兴趣的业务，防止用户流失；而T-Mobile通过集成数据综合分析客户流失的原因，在一个季度内将流失率减半。
第四方面，企业运营管理。可以分为业务运营监控和经营分析。
(1)业务运营监控分可以基于大数据分析从网络、业务、用户和业务量、业务质量、终端等多个维度为运营商监控管道和客户运营情况。构建灵活可定制的指标模块，构建QoE/KQI/KPI等指标体系，以及异动智能监控体系，从宏观到微观全方位快速准确地掌控运营及异动原因。
(2)经营分析和市场监测。我们可以通过数据分析对业务和市场经营状况进行总结和分析，主要分为经营日报、周报、月报、季报以及专题分析等。过去，这些报告都是分析师来撰写。在大数据时代，这些经营报告和专题分析报告均可以自动化生成网页或者APP形式，通过机器来完成。数据来源则是企业内部的业务和用户数据，以及通过大数据手段采集的外部社交网络数据、技术和市场数据。分析师转变为报告产品经理，制定报告框架、分析和统计维度，剩下的工作交给机器来完成。
第五方面，数据商业化。数据商业化指通过企业自身拥有的大数据资产进行对外商业化，获取收益。国内外运营商的数据商业化都处于探索阶段，但相对来说，国外运营商在这方面发展的更快一些。
(1)对外提供营销洞察和精准广告投放。
营销洞察：美国电信运营商Verizon成立了精准营销部门Precision Marketing Division。该部门提供精准营销洞察(Precision Market Insights)，提供商业数据分析服务。如在美国，棒球和篮球比赛是商家最为看中的营销场合，此前在超级碗和NBA的比赛中，Verizon针对观众的来源地进行了精确数据分析，球队得以了解观众对赞助商的喜好等；美国电信运营商Sprint则利用大数据为行业客户提供消费者和市场洞察，包括人口特征、行为特征以及季节性分析等方面。
精准广告投放：Verizon的精准营销部门基于营销洞察还提供精准广告投放服务；AT&T提供Alert业务，当用户距离商家很近时，就有可能收到该商家提供的折扣很大的电子优惠券。
(2)基于大数据监测和决策支撑服务。
客流和选址：西班牙电信于2012年10月成立了动态洞察部门DynamicInsights开展大数据业务，为客户提供数据分析打包服务。该部门与市场研究机构GFK进行合作，在英国、巴西推出了首款产品名为智慧足迹(Smart Steps)。智慧足迹基于完全匿名和聚合的移动网络数据，帮助零售商分析顾客来源和各商铺、展位的人流情况以及消费者特征和消费能力，并将洞察结果面向政企客户提供客流分析和零售店选址服务。
篇6
随着移动互联网的深入发展，尤其是智能移动终端和3G/4G网络的快速普及，电信用户的移动数据流量增长迅猛，数据流量收入已经成为拉动电信业务收入增长的主要驱动力，大数据应用将成为电信业务的主要发展方向。
运营商的数据源主要包括网络数据（如信令数据、日志数据）、业务数据（如业务套餐、客服信息）和用户数据（如签约数据、位置数据），电信行业的大数据应用主要基于此三类数据源进行深度挖掘和分析，主要服务于三个对象。
大数据改善服务
大数据服务于运营商，帮助运营商借大数据转变经营理念，改善服务水平，提升用户体验。大数据能够实现智能化网规和网优，根据网络流量变化趋势、网络信令数据信息的变化和各个设备长期运营的KPI情况，及时调整资源配置，进行全网络优化，提升网络质量和网络利用率。大数据能够实现智能运营，实时监控服务质量，建立突发故障自动应对机制，改进用户感知，培养用户使用习惯，增强用户黏性。大数据能够实现流量经营，通过分析不同用户群流量使用特征以及存量用户流量趋势，结合网络流量分布特点，提供不同档次的流量服务，真正让流量创造价值。
数据还能够帮助运营商提升用户体验。运营商在客户使用过程中将每一个环节的行为数据留在IT系统中，形成日志数据并对其进行实时采集、处理、监测，将操作行为轨迹数据与正常行为轨迹标准进行对比，就能不断发现总结客户的典型行为模式，修正产品和流程设计。
大数据助精准营销
大数据服务于行业客户，帮助其转变经营模式。大数据能够对拥有的各种数据进行关联、参照、聚类、分类等深度挖掘，根据不同行业客户的业务特点，提供不同的信息服务，实现从单一网络服务提供商的管道模式向多元的信息服务提供商的智能模式转变。
大数据能够实现精准营销，基于用户上网时机、终端信息、订购产品等数据分析，实现终端营销，关联产品推荐等增值服务。大数据助推实现位置服务，基于移动网络产生的位置信息具有GPS无法替代的明显优势，可以为政府公共管理、城市规划、交通规划提供数据，为零售商提供人群分布、流向、热点等信息。
大数据为客户画像
大数据服务于个人用户。通过用户基础数据如年龄、性别、终端以及偏好数据，如上网次数、时间、流量、兴趣网站等内容，生成用户基础数据特征与用户偏好、习惯兴趣的特征模型，预测客户行为，提供用户特征描述和兴趣内容推送。通过用户画像来做产品与推广的规划，以个性化、精准型的业务内容不断增强客户黏性。
篇7
【关键词】电网 数据整合 大数据 数据仓库
1 引言
大数据技术的出现及发展，为现今社会的各行各业提出了机遇与挑战。由于电力行业同社会的生产生活密切相关，其同大数据的结合尤为重要。传统的电网业务数据主要由生产、运营、管理三部分数据构成，然而，在实际运行的过程中，上述数据虽然契合度较高，但是其结构性较差，大量的冗余及非结构化信息的存在大大降低了该系统的效率。进一步而言，上述数据仅为电企提供了使用功能，但是深层次的数据分析功能则严重不足，传统的信息化技术无法解决上述问题。本文基于对电企内部的大数据的运行特点，结合东北电网的数据仓库实际情况，提出了其大数据化的升级方案，并对该系统进行架构，现介绍如下。
2 电企内部数据的整合趋势
大数据是融合信息数据同人类社会（human society）之间的重要纽带，在信息空间 （cyberspace）内，人类社会可以借助收集到的信息数据反映物理世界（physical world）的实际情况，电力大数据则是信息大数据的一种表现形式，由于其处理的实时性及容量大，往往瞬间就能产生规模庞大的海量数据。而传统的数据分析系统无法在有效时间内完成对上述数据的整合、管理及处理从而指导企业的运营决策。而在新架构下对于电力大数据分析，可以对其进行深度挖掘，迅速发现问题，提出方案。由于电力系统运行的特殊性，其采集的数据信息量大，内容详实，可信度极高，可以预见，对上述数据的有效整合可以大幅增加企业的运营效率，并在此基础进一步为其他社会部门提供指导。
3 大数据系统的建设方案
3.1 系统总功能介绍
本项目的核心设计将基于传统的电力运行数据仓库为基础，实现功能主要为基础分析、地域分析、数据挖掘及数据共享几大模块。其扩展的应用为运营管理、产品APP开发、客户服务、数据预测及扩展分析几项功能。本项目拟在Hadoop框架平台上运行。通过建立对传统的应用/Web层同Hadoop之间的联系，来实现上述功能的实现。
3.2 实现功能模块介绍
3.2.1 基础分析
传统电力数据由于多来源于电力系统内部，数据种类较少但是信息数量庞大，缺乏智能化分析手段，导致其更新周期过长，图形化形象化不足，往往导致为决策层提供的数据不够丰富。而针对电网的相应的评估多以经验为主。通过对下层数据的收集，并对实时、周期数据的抓取，可以迅速获得电网及企业运行的实际状况，特别是以大量图像化的资料配合数据，可以使企业针对运营的真实情况进行响应。
3.2.2 地域分析
电力部门的特性决定了其地域性的特点，不同地区的电力数据多以数据化的形式存在。单一的数据导致对各地用电、配电的实际状况掌控不足，特别是进一步对下一级地市区电力数据的细化，并配合阶段性的实时变化，往往针对性不足，通过对电网大数据的使用，可以直接对不同地域的实际情况进行快速分析，并得出结论。
3.2.3 数据挖掘
针对电力大数据，配合工业、农业、商业、物流等行业的用电情况。可以快速有效的反映城市公共建设及经济运行的真实状况。通过对电力大数据的充分挖掘，可以为政府的基础设施建设及公共服务提供实际支持，对本地企业，通过对大数据的挖掘，可以针对不同行业及领域企业的实际需求给与帮助，大大提高了企业的效率。
3.2.4 数据共享
通过对于电力公共大数据的整理及评估，得出相应的指导意见，并将其向社会公布，为公众提供参考。而对于战略性细化的数据，则可在大数据平台下，向政府的各级部门有限的共享，分级评估，分级管理，分级共享，可以将电力大数据的实际功能最大化。
3.3 扩展的应用
3.3.1 运营管理
为该大数据应用数据库的核心功能。通过对于底层数据的抓取，对数据仓库内的相关数据进行整合过滤。而这些经过整合后的大数据，则可直接为本集团内部的运营提供帮助。与传统的数据直接整合不同，大数据库可对重复信息、无用信息实时过滤。而且由于大数据仓库可以在任何时间节点截止，并快速响应，为电力企业的实际运营提供了极大的便利。
3.3.2 产品APP开发
从企业的角度出发，可以通过对电力大数据的深度挖掘，以实际需要为蓝本，为企业的相关人员提供APP软件服务。从社会角度出发，可以为公众提供APP接入端口，将付费，通知等项目整合，进一步增加大数据的信息量。
3.3.3 客户服务
由枯燥的数据分析转变为大数据过滤。通过大数据仓库的筛选，面向企业的实际需要进行服务，与相关行业部门的对接。通过这项服务，可以将部门内部的数据，整合为图形化的资料，以方便企业的使用。
3.3.4 数据预测及扩展分析
根据以往整合的大数据平台，可以为部门内的电力供应及配电情况进行实际分析，并可根据已知的数据建立不同区域的模型，对配电过程中的事故隐患进行排查，根据电力数据的波动带入模型，提升企业运行的效率。综合企业运行的各项参数，设置不同的应急预案，充分利用大数据平台的优势。
随着信息化技术的提升、大数据时代的来临，未来电网将在大数据的支持下，向着智能化迈进，而如何基于大数据平台，提高电网的运行效率，增强企业的竞争力，向公众、政府提供更好更安全的服务，充分研究大数据平台在电网中的应用，势在必行，通过本研究，可以为未来大数据同电网的结合提供切入点，促进电力行业的数字化进步。
参考文献
[1]程学旗.大数据系统和分析技术综述[J]. 软件学报，2014（09）：1889-1908.
[2]孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机研究与发展，201350（1）：146-169.
篇8
电子商务的本质是运用现代计算机通信技术，尤其是网络技术进行的一种社会生产经营形态。其根本目的是提高企业生产效率、降低经营成本、优化资源配置，从而实现社会财富的最大化。电子商务要求的是整个生产经营方式价值链的改变，是利用信息技术实现商业模式的创新与变革。作为电子商务企业，其与生俱来的特点就是大数据，而信息时代最大的财富也正是海量数据，因此电子商务企业实现数据化运营也显得尤为迫切和必要。
数据化运营的核心是“以企业级海量数据的存储和分析挖掘应用为核心支持的，企业全员参与的，以精准、细分和精细化为特点的企业运营制度和战略。”数据化运营是在诸多先进技术的直接推动下快速发展起来的，如数据挖掘技术、数据存储技术、数据压缩技术等。在当前的大数据时代，数据技术的飞速发展推动了大数据的存储及其分析挖掘，从而推动了现代企业，特别是电子商务企业，对海量数据的分析、挖掘、提炼和运用，并将其运用于整个流程当中，给予电子商务企业数据化运营以充分发挥的平台。
电子商务企业的数据化运营战略将大数据作为企业经营的战略资源予以运作，以信息为经济要素，构建数据价值链，以数据资源带动其他资源的使用效率的提高。在电子商务企业的数据化运营活动中，管理会计应该充分发挥会计的信息效应。
二、管理会计数据化运营对电子商务企业的支持作用
在21世纪这个信息化的时代，新兴信息技术与应用模式不断地涌现，全球数据量呈现出前所未有的爆发式增长态势。数据量越来越大、数据类型越来越复杂、数据变化频率越来越快，但是数据的价值密度却相对较低。如何沙里淘金，有效地利用这些大数据创造价值，如何将其作为企业的战略性资源予以运营，一部分先知先觉的企业已经行动起来。对于电子商务企业来说，数据化运营作为一种战略性经营模式，是促进企业从粗放化经营向精细化经营发展的必然选择。
成功的企业数据化运营必须有四个方面的基本保证，即企业级海量数据存储、精细化运营需求、数据分析与数据挖掘技术支持以及企业各层次、各岗位的员工的参与。电子商务企业数据化运营中，管理会计日常反映的不只是实际发生的经济活动，更主要的是配合数据化运营活动，系统反映企业所具备的优势、劣势的动态变化，以及企业外部随时可能出现的机会与威胁，从而对电子商务企业正在或即将进行的各种活动发出警示、进行指导。
管理会计的信息服务对象侧重，不仅重视结果更注重过程的观念取向，以及满足企业经营决策与业绩管理的业务处理基准，都决定了其在企业数据资源价值创造中的关键性作用。管理会计数据资源价值创造的主导性功能的发挥，决定了管理会计在电子商务企业数据化运营中的关键支持作用。
电子商务企业的数据化运营战略将大数据作为企业经营的战略资源予以运作，以信息为经济要素，构建数据价值链，以数据资源带动其他资源的使用效益的提高。在企业的数据化运营活动中，管理会计应该充分发挥会计的信息效应。管理会计的实践不仅要通过提供信息来影响管理者的判断和决策，而且要通过影响具有大数据特征的信息的搜寻和处理，通过影响组织和环境的描述和判断，支持数据化运营中的全员参与和配合，而这正是大数据时代企业保持核心竞争力的必要手段。
三、支持电子商务企业的管理会计数据化运营方式
数据化运营是一种“开发合作式”的运营，要更好地发挥管理会计在电子商务企业数据化运营中的功能，首先应该要数据化运营的整体性与合作性特征，打破业务界限以及业务与财务部门之间的数据区隔，形成虚拟管理会计团队。进一步要将管理会计重点完全转移到战略管理轨道上，将战略管理会计以“价值创造”为核心的理念，以“竞争优势形成”为目标的思想有机地融入数据化运营的实务。利用数据分析、数据挖掘技术处理会计大数据，利用虚拟组织或团队的灵活、快速反应，通过以战略为导向的管理会计工具的组合运用，实现管理会计信息系统的整合及管理会计范式的创新。
作为企业经营管理工具的管理会计，其基本职责就是提供信息数据，以支持企业的经营决策、控制与评价，支持企业的战略管理。要发挥管理会计在电子商务企业数据化运营中的主导作用，就要利用大数据的数据分析、挖掘等技术改造管理会计的信息处理与提供方式，建立支持电子商务企业数据化运营实施的平衡计分卡，集成性应用管理会计方法，从战略视角促进管理会计功能的有效实施。
1.变革信息处理方式
电子商务企业进行数据化运营的结果是企业获得了更先进数据处理技术、更充分的数据资源和更快的数据处理速度，但这并不是企业数据化运营中的真正需求，能够让信息在业务运营中创造价值才是企业的真正需求。在大数据时代，如何从会计大数据中提炼出有价值的信息是管理会计所要解决的关键问题。为适应大数据环境下电子商务企业数据资源价值增值的需要，管理会计的信息处理手段必须进行相应的变革。
适应大数据环境下电子商务企业数据运营的需要，从时间上管理会计信息处理要从事后的定时分批的数据收集、处理，转向事中实时的数据收集、处理；从空间上管理会计信息处理要从部门集中的数据收集、处理转向异地分布式的数据收集、处理。管理会计的信息处理应从以货币为主的计量手段向多种计量手段综合运用，定量与定性并用的数据处理方式过渡。借助新型的信息技术，扩展管理会计信息系统的范围，保证其信息处理的及时性，甚至是实时性。同时管理会计数据处理又必须确保会计大数据的质量，保证会计大数据的准确性、完整性、一致性、时效性、可信性和可解释性等。
2.整合管理会计工具
在企业数据化运营中管理会计要体现其核心地位，要发挥数据资源运营的主导功能，就必须突破原有的实践体系，创新原有的功能性方法及其运用方式，通过管理会计工具的整合运用，集成性地发挥管理会计的功能，从而提升企业数据化运营的效益。根据企业数据化运营的管理需求，将管理会计工具分别整合成为面向运营战略分析与规划的工具包，面向运营过程成本计量与控制的工具包，以及面向员工激励、由可供员工在数据分析中使用的方法的工具包。基于战略的视角，借助大数据技术变革的管理会计信息处理方式，实现财务信息和非财务信息等多种类型数据的融合，通过管理会计工具的组合，描述、分析、评判企业的经营态势，确定企业经营成功的关键因素，发现和创造信息资源价值，实现管理会计的数据化运营功能。
3.建立数据化运营战略平衡计分卡
平衡计分卡是将战略转化为行动的目标与措施体系，是战略绩效评价的重要工具。电子商务企业数据化运营战略的实施也同样需要建立平衡计分卡体系，需要将数据化运营的目标与措施分别纳入平衡计分卡的财务、客户、内部经营流程及学习与成长维度，从当前与长远、内部与外部、财务与非财务、过程与结果多角度地进行数据化运营的对策设计和过程控制。平衡计分卡的财务维度反映数据化运营的直接与间接财务成果；客户维度则需要反映数据化运营中满足企业外部客户的产品与服务需求方式与程度，以及满足企业内部各部门的数据分析与数据挖掘需求的方式与程度；内部经营流程维度要体现管理会计对数据化运营过程各环节的成本与风险的度量与分析，帮助实现进行整个运营过程的反馈控制；学习与成长维度要对数据化运营的精细化管理制度、员工的数据意识培养以及企业运用数据分析、数据挖掘技术的能力等予以规划与体现。
四、结论
篇9
业内普遍认为，这一纲要的意味着智慧医疗时代正大跨步赶来。易观国际的预测数据显示，2014年仅我国移动医疗市场规模已达到30.1亿元，同年增长52%，预计2017年，移动医疗市场规模将突破200亿元，市场进入高速发展期。
大数据支撑医疗健康
“互联网+与医疗健康产业的结合，大数据在其中起到决定性作用。”亚信数据电信解决方案&行业创新中心总经理李捷表示，体外诊断是一个新领域，在这个领域里面有很多新兴技术，包括皮下的持续监测血糖、心电的实际监测、基因测序等，让人的健康护理、健康管理在科学上取得很大的进步。
众所周知，亚信是专注运营商行业的企业，那么为什么亚信会选择深耕医疗健康领域呢?
李捷解释说：“运营商正面临着转型，而其庞大的客户群不仅仅有通讯需求，还有更多的自身生活健康相关的诉求。运营商本身也是一个管道提供商，在管道上承载的各种专项服务，对运营商而言都是有价值的。”亚信数据方面认为，产业跨界联合，一方面是对新兴领域的探索，另一方面则是希望通过领域拓宽，给运营商的原有市场和老客户群体带来新的价值。
互联网+医疗健康有诸多价值可以挖掘，随着人们收入的增加，对生活质量的需求也在不断提升，从简单的衣食住行到关注自身健康养生，这也推动了智能可穿戴设备的快速发展，目前已然形成一个完整的生态闭环。从设备的数据采集，数据传输，到数据的挖掘跟管理，再到健康师的分析，最后给出合理的理疗建议。亚信数据在这一过程中扮演的就是生态中最为重要的一个角色——数据分析。
精准化服务
大数据分析的价值在于以此为依据提供定向的专业化服务，李捷表示，亚信数据的准确率高达85%以上，亚信开放云平台有着五年的非结构化数据处理经验，包括对各个APP和互联网语料库的识别能力，行业涉及政府、餐饮、医疗健康、公共媒体等。合作伙伴遍布产学研各个领域，合作模式不仅仅局限于数据支撑，也包括联合运营。
移动互联网时代，很多的企业都在探索如何依托大数据技术实现企业转型，亚信的互联网运营经验得以显现。李捷认为，亚信数据最大的优势在于其与运营商的多年合作，积累了大量的用户上网行为分析经验，同时拥有庞大的运营商用户作为支持，其数据更加多元、精准。用户在管道里面搜索的信息，挖掘的信息，也是由运营商第一时间捕获，其实运营商比互联网公司能够更早的捕获这些信息，这也是运营商数据价值所在。
通过大数据分析，对人群进行分类，可以更好地帮助定向人群找到最适合的解决方案。同时给传统的医学机构、营业机构提供精准的市场分析报告。同时李捷认为，在技术上，目前国内的几家技术领先企业各有千秋、不分伯仲，而亚信数据对于行业的理解是超前的。数据整合之后，需要做深度的行业理解跟模型转换，比如医疗健康行业，数据涉及很多的健康指数，用户日常行为等，这些数据之间有着潜在的关联关系，而对关联关系的解读需要相当的行业沉淀，亚信数据有着专业的咨询顾问团队做后台支撑，不只是医疗健康行业，亚信数据在各个涉及的行业均组建了相应的咨询顾问团队，提供最专业的行业分析。
大数据的流动性价值
与大数据、互联网相关的产业，竞争无处不在。对此，李捷说：“因为现在已经是跨界竞争的状态，我们会遇到很多原来在通信行业里不会遇到的竞争对手，比如说阿里、百度，他们同样在做跨界的渗透。”面对资本雄厚的竞争对手，亚信数据认为，目前其行业经验的积累使其与强大的竞争对手处在同一竞争水平。加之亚信一直与运营商合作比较紧密，行业基础牢固，李捷透露，下一步亚信计划联合运营商在移动端展开战略布局。
篇10
整个系统以广电大数据分析平台为基础构建，系统由数据采集系统、数据分析中心、三个数据应用中心(推荐中心、决策中心和服务中心)组成和系统管理模块组成。
1.1数据采集系统
大数据时代，大数据有着来源复杂、体量巨大、价值潜伏等特点，这使得大数据分析必然要依托计算机技术予以实现．因此从两个方向上加强数据采集统建设，一是侧重于数据的处理与表示，强调采集、存取、加工和可视化数据的方法;二是研究数据的统计规律，侧重于对微观数据本质特征的提取和模式发现，在两个方向上的协同、均衡推进，以此来保障大数据平台应用的稳健成长和可持续发展．广电的网络和用户是其核心资产，而其中流动的数据(包括用户基础数据、网络数据、网管/日志数据、用户位置数据、终端信息等)是核心数据资产．对于广电运营商来说，最有价值的数据来自基础网络，对于基础网络数据的挖掘和分析是运营商大数据挖掘的最重要方向．因此其数据采集的目标包括机顶盒数据、CRM数据、帐务数据、客服数据、运维数据、媒资数据、GIS数据、财务数据和其他手工录入、表格数据．采集频率要求可以实现实时采集和定时批量采集．采集这类数据带来一个问题就是各类数据杂乱无章，会导致数据质量问题越来越严重，通过引进实时质量监控和清洗技术，建设强大的分布式计算和集群能力，提高数据监控和数据采集性能，利用分布式处理技术，实现数据抽取、数据清洗以及相应的数据质量检查工作，保证采集到高质量的数据，将广电大数据中心建设成一个覆盖广电系统全部数据的存储中心，具备采集各类结构化、非结构化海量数据的处理能力．
1.2数据分析中心
广电企业每时每刻都在产生大量的数据，需要对这些数据归集、提炼，广电企业大数据平台建设的意义在于有效掌握规模庞大的数据信息，对这些数据信息进行智能处理，从中分析和挖掘出有价值的信息．在广电大数据分析中需要对直播节目分析、互动业务分析、互联网流量分析、互联网内容分析、广电客户分析、市场收益分析、智能内容推送和广告分析等，通过这类数据分析，能够实时了解广电运营商的经营状况，提供决策支持．因此采用两种方式分析方法对收集到的数据进行分析处理．一是采用在线分析方法技术，使分析人员能够迅速、一致、交互地从各个方面观察信息，以达到深入理解数据的目的．这些信息是从原始数据直接转换过来的，他们以用户容易理解的方式反映企业的真实情况．在线分析策略是将关系型的或普通的数据进行多维数据存贮，以便于进行分析，从而达到在线分析处理的目的．这种多维数据存储可以被看作一个超立方体，沿着各个维方向存贮数据，它允许分析人员沿事物的轴线方便地分析数据，分析形式一般有切片和切块以及下钻、挖掘等操作．二是数据挖掘是从海量、不完全的、有噪声的数据中挖据出隐含的、未知的、用户可能感兴趣的和对决策有潜在价值的知识和规则．这些规则蕴含了数据库中一组对象之间的特定关系，揭示出一些有用的信息，可以为经营决策、市场策划和金融预测等方面提供依据．
1.3数据应用中心
在大数据分析平台应用过程中，数据本身并不是数据分析和数据挖掘的重点，重点在于如何应用这些技术去解决企业在运营中实际的商业问题．通过对数据分析和挖掘，了解企业运行过程存在问题，预判企业中各类业务发展走向．对数据分析与挖掘结果来说主要有两个方面，一是将分析结果给客户使用，另一个是将分析结果提供给内部用户使用，因此在大数据分析平台设计中，将数据应用划分为三个应用中心:
1)推荐中心
推荐中心面向收视、宽带使用用户，通过分析使用用户的收视、互联网、消费等行为，将使用用户分群，总结群体特征，向不同群体推荐个性化的电视节目、广告和增值应用服务．从而提升用户的使用体验，提升用户的满意度和粘度．
2)决策中心
决策中心面向广电企业内部决策者、管理者、经营分析人员，通过对企业经营数据的KPI、运营监控、经营盘点，使企业决策者掌握企业运营状况及发展趋势;智能报告协助分析人员自动定位经营中的问题;即席查询在预定义的语义层基础上，实现灵活的自定义查询;通过主题分析满足各部门、岗位的多维度分析需求;通过专题分析就某一具体问题进行深入挖掘，辅助专业分析人员的工作;统计报表满足各部门常规统计需求．
3)服务中心
服务中心面向广电的合作伙伴，比如:电视台、广告商、服务和内容提供商、相关政府职能部门等．通过对使用用户收视行为的实时分析，将电视栏目实时收视率提供给电视台，电视台根据收视率进行在线的问卷调查，提高电视台的影响力，帮助其增强栏目的评价体系．为广告商提供精准的广告投放策略，实时准确的广告投放评估，帮助广告商提升广告到达率、准确度和营销效果．为服务和内容提供商的电影、电视和增值应用等产品提升收视率和使用频率，并进行评估，为其提供受众喜好特征，帮助其推出有针对性的产品．通过用户收视数据、节目反馈等信息，将相关舆情向相关政府部门汇报．
1.4系统管理
系统管理是大数据分析平台一个辅助功能模块，主要是为了系统管理员对大数据平台进行有效的监控和管理，提升大数据分析平台性能使用，包含有如下几个模块:权限管理、数据质量管理、元数据管理、调度管理、系统监控等．
2数据应用分析
移动互联网的发展为传统行业带来了新的思考，如何在互联网时代更好地实现以客户为中心的服务理念，借助大数据分析平台、海量的客户非结构化的行为数据和传统的结构化数据，可以有效提升广电个性化、人性化的服务水平．大数据分析平台通过整合广电网络中多个数据源，并按照主题进行划分，在定义主题的过程中，提供广电业务概念的规范定义．数据模型不偏重于面向某个应用，而是站在企业角度统揽全局，提供可扩展的模型设计，偏范式化的设计使平台在最大程度上保持一致和灵活扩展性．依托某广电网络公司业务开展情况，搭建数据分析平台，具有如图2所示的主题结构，共计8大类53小类，从广电网络运营的各个方面进行了数据分析．
2.1直播节目分析主题
直播电视节目作为广电运营模式中一直沿用的产品类型，对于广电用户的影响和广电运营商运营模式起着至关重要的作用．实时直播节目分析，用户可以实时查看每个时间点上每个节目收视率，以此为据来指导产品定制、节目选择、用户推广等方面的商业应用，对直播节目的多维度分析，运营商可深入分析直播节目收视特性及受众影响规律，以指导运营优化，提高节目的收视率和营收．
2.2多媒体业务分析主题
广电行业的双向网络改造不仅将视频点播、通信及娱乐业务成为可能，同时配备增值业务，如广告、支付、股票、游戏、付费节目等服务．可以明显看到哪类业务最受欢迎，哪类业务的增长趋势良好，哪类业务应用下滑得较快，哪类业务不受用户欢迎，从这样的分析结果中，可以为广电网络以后的业务引进中提供指导，避免引进的业务不受用户欢迎，同时也可以预见性的引进一些代表将来趋势性的业务，提前做好业务储备工作．互动业务的互动特性为广电运营商增加客户粘度、制定产品投放策略、获取最大化收益及市场价值提供了前所未有的空间，通过对互动业务的应用分析，可以分析出用户的行为趋势．利用这样的分析结果改善广电业务引进，提高用户的粘度和ARPU值．
2.3互联网应用分析主题
广电作为政府宣传的喉舌，一个主要的特点就是可管可控，相对此而言，互联网网络一个重要特点就是用户各类行为的不可控性．在三网融合的新环境下，广电网络一个重大改变就是引进了互联网业务，同时通过多屏互动技术使广电终端类型日益复杂，如何对广电网络引进的互联网业务和终端进行有效的管控，成为摆在广电网络运营商面前一个重要课题．运营商可以清晰地看到用户在讨论什么、在看什么，以此来分析用户将来可能采取的行为趋势，进而来引导用户舆论与行为，实现对广电网络的可管可控的最终目的．同时广电网络也可以利用互联网数据从如下两方面做了分析，运营流量及应用优化，节省网络带宽，减少运营费，同时用以提高用户体验度，增加用户粘性;充分利用线上、线下同步运营模式，深入挖掘线上讨论内容，为线下运营提供指导．
2.4广电客户分析主题
在三网融合的环境下，广电网络在逐渐摆脱事业单位模式下经营模式，向“市场驱动”、“客户驱动”经营模式的转变，“以客户为中心”的理念和策略不可或缺，而广电网络拥有的客户群和常规用户分析的客户群体有着本质区别，以往分析往往针对个体用户进行分析，广电网络面向的用户通常是以家庭为单位的，这给广电网络用户行为分析带来不可预料的困难．通过针对用户群体不同年龄、不同时间段的收视行为和上网行为分析，可以区分某一时间段内该家庭用户内个人的行为，可以清晰看到各类用户在各个阶段的变化情况，以及这个变化给广电网络运营带来的变化．从用户信息出发，以用户应用行为为主线，深入挖掘用户关系，为广电用户关系管理提供有效基础数据，提高用户满意度、忠诚度，提高广电网络市场运作的主动性．
2.5市场收益分析主题
三网融合后，广电网络作为一个市场主体，需要适应日趋激烈的市场竞争环境，提升广电运营商的企业核心竞争力，应充分利用业务支撑系统产生的大量宝贵的数据资源，建立广电企业收益分析系统，实现对收益数据的智能化加工和处理，为市场运营工作提供及时、准确、科学的决策依据．利用先进的OLAP技术和数据挖掘技术，帮助企业的经营决策层了解企业经营的现状，发现企业运营的优势和劣势，预测未来趋势;帮助细分市场和客户，指导营销、客服部门进行有针对性的营销和高效的客户关系管理;对决策的执行情况和结果进行客观准确的评估，深受用户的青睐．如图7所示的收益分析结果，可以清晰看出企业各类业务在营收中所占比例，可以明确了解哪类业务是企业的优质业务，哪类业务需要进一步加强开拓市场，同时也可以预测哪类业务会有更大的推广空间，为企业持续开展业务提供指导．
2.6智能内容推送主题
深层次挖掘用户潜在的需求，以用户的需求为导向，向用户推送有针对性的内容．广电运营商通过对用户差异性的运营策略，激发用户参与的热情，让用户有持续的良好体验，提升对用户的吸引力和黏着度．信息精准、智能推送的关键在于把握住用户的行为习惯，同时让每一个用户都可以按自己需求方便、快捷地调整、归类相关信息．大数据分析平台基于用户行为收集分析系统，挖掘出用户潜在需求，充分了解了用户的真实意愿，将有助于广电运营商建立以客户为中心的服务理念，提升社会影响力．
3总结
