大数据在电信范文

大数据在电信范文（精选12篇）

大数据在电信 第1篇

1大数据的特点及发展趋势

IDC曾指出, “大数据”是为了更有效、更高速的从不同结构类型的数据中采集、分析有价值的信息。它具有以下4个特点。

Volume (巨量) , 数据量巨大, 伴随着物联网、车联网、购物交易平台、社交网络等内容的快速发展, 将产生海量数据, 全球在2010年正式进入ZB时代, IDC预计到2020年, 全球将共拥有40ZB的数据 (1TB=1024GB;1PB=1024TB;1EB=1024PB;1ZB=1024EB) 。

Variety (多样性) , 大数据种类众多包括非结构化数据、结构化数据以及半结构化数据, 现在传送的数据类型已非简单的文本消息, 更多的是如订单、日志、音频、视频、位置信息等, 呈现多样化, 对系统的信息处理能力提出了更苛刻的要求。

Value (价值密度) , 单位信息量较少, 价值密度低, 几小时的影音资料, 可能有用的数据仅仅只有一两秒, 如何在海量信息中找到有用的信息成为关键。

Velocity (快速) , 高速甚至实时的获取所需要的信息。种类繁多的数据与用户的及时行为存在紧密联系, 普遍具有实时、离散、非结构化特征, 数据的时效性极强, 在海量数据面前, 如何及时对数据进行提取、分析和挖掘就是企业的生命。

2011年麦肯锡全球研究所就在研究报告中指出大数据正在以很多方式创造价值。各领域都在不断挖掘大数据的潜力, 使得大数据不断驱动生产力的提高、经济的增长以及新价值的产生。据赛迪顾问数据显示, 2012年我国大数据市场规模为4.5亿元, 2013年增至34.3亿元, 到2015年市场规模将突破140亿元, 呈爆发式增长态势。

2电信运营商的现状

随着互联网技术的日新月异, 伴随而来的电子商务、社交网络的发展对于电信运营商来讲存在着巨大的冲击, 例如腾讯微信的推出, 大大降低了运营商短信、固话等主要业务的收入, 电信运营商面临着互联网公司巨大的威胁与挑战, 而大数据又因技术和运营模式等原因仍处在探索阶段, 致使电信运营商运营大数据存在诸多问题:前期建设的业务系统与支撑系统相对独立, 诸如网管监测系统、经营分析系统、流量控制系统、违法信息监测系统等都是分专业建设, 且各系统普遍是各省独立建设运营, 这不仅造成系统的重复建设, 而且各类资源也无法共享。数据来源及种类众多, 各系统数据模型差异较大, 主要针对结构化数据的处理, 无法满足非结构化、半结构化数据的处理, 不能适应当前数据种类的复杂性要求。大数据运营中存在信息泄露的隐患, 随着信息安全问题越来越被重视, 使得电信运营商在使用这些信息时如履薄冰。大数据商业运营模式目前仍不明朗, 即使电信运营商可以将其掌握的大量数据筛选出有用的信息, 也不一定能用这些信息换取相应的价值, 在巨大投入的背景下, 能否带来可观的利润, 这些问题也亟需解答。互联网产业的崛起。目前诸如腾讯的微信、阿里巴巴的来往都对电信行业造成了巨大的冲击, 他们的业务代替了电信运营商的语音、短信业务, 相比短信、语音业务的收费, 电信运营商不得不尴尬的充当了传输管道的角色。

3电信运营商的应对策略

虽然电信运营商对大数据的应用尚在开发初期, 但是由于运营商既具备经营大数据的先天网络优势, 又拥有庞大的用户群体, 在此基础上进行大力开发是电信运营商未来发展的核心。

3.1集中建设大数据采集处理平台, 培养数据分析能力

电信运营商在建设大数据采集处理平台方面还处于探索与尝试中, 缺乏可借鉴的经验。虽然客观现实不利, 但是运营商仍需加紧建设的大数据集中处理平台, 大力培养针对网络运营数据和用户业务数据的分析能力, 为形成新的核心竞争力奠定基础。

网络运营数据从运营商自身的运营支撑系统提取, 通过对这些数据的多层筛选和分析, 首先可以找到延长信令响应时间和影响带宽资源合理动态分配的结点, 在此基础上可以大幅度提升电信网络的服务质量和精确网络资源配置;其次, 通过对运营数据的深入分析, 可以进一步对业务流程、管理职责进行优化, 从而提高运维质量和管理效率。

对用户业务数据的分析是精细化运营的基础。电信运营商掌握的用户数据相对于其它商业公司所拥有的用户数据有着明显的优势:首先, 用户数量巨大, 我国电信用户总量超过11亿, 运营商积累了大量的各种用户数据;第二, 通过用户实名制系统, 保证用户信息真实可信, 比如年龄、性别、籍贯等;第三, 准确的用户位置信息, 用户在使用电信服务时, 电信运营商可以精确获得用户的地理位置信息;第四, 电信运营商会记录用户使用各项业务详细信息, 包括业务类型、资费、时长等。电信运营商可以通过全面采集这些数据, 进行深度分析, 既可以实现对网络资源的精确控制, 细分用户业务流量, 同时也可以针对用户需求提供更精准的电信服务, 提高电信满意度, 创造新的商业价值。

3.2开拓新的电信业务模式

大数据分析将催生新的电信业务模式。通过对用户大数据的分析, 深度挖掘用户需求, 与其他厂商或组织构建新的电信业务模式, 形成以满足用户需求为核心的电信业务, 进行电信业务拓展营销、精细化营销。互联网公司的关联推荐技术就是一个很好的借鉴, 例如, 当用户浏览一个感兴趣的商品页面时, 网站同时进行了记录, 当用户再返回首页时, 就会发现类似商品的推送广告。运营商完全也可以利用自身用户数据优势, 将其它同类商品或商家推荐给用户。一方面给用户购买商品提供了便利性, 另一方面可以帮助其他商家实现精准化营销, 而电信运营商可以增加后向广告收入。

未来电信运营商逐步进军电子商务和支付平台将是必然的趋势。首先, 电信运营商拥有庞大的用户群, 进军电子商务领域具有天然的优势;第二, 电信运营商具有网络和技术优势, 同时利用自身在产业链中的主导地位, 顺利联合硬件平台提供商、软件提供商、应用开发商等众多上下游厂商, 在较短时间内建立安全、高效的异地交易平台;第三, 具备用户认可基础, 作为国有大型企业, 电信运营商具有良好的诚信体系, 可以迅速取得用户群的信任。利用大数据分析技术, 从用户消费数据、社交数据进行分析, 可以较为准确的定位用户需求, 为用户实现需求提供了便利, 这也是电信运营商开展电子商务的必要条件。同时将固话、宽带及手机作为小额支付的工具, 将会在很大程度上降低用户支付的风险, 进一步赢得用户的认可;第四, 线下渠道优势, 电信运营商在全国范围内具有大量的营业服务网点。随着“线下体验、线上销售”“自助服务”理念的深入, 这些服务网点的功能将全面转型, 现有功能将逐步为体验厅、物流配送点、售后服务点功能所取代, 线下渠道功能的发挥, 将对用户感知的提升起到重要作用。

另外, 随着物联网的发展, 智慧城市的建设进程不断推进, 将为大数据分析带来更广泛的发展和应用前景。对运营商来说, 绝不能错失大数据分析在政府服务市场和家庭服务市场上的巨大机遇, 必须紧跟技术发展步伐, 在建立物联网运营支撑系统时, 将其纳入大数据分析平台。为今后政府用户决策提供数据支持, 甚至解决方案;为家庭用户提供更加准确的应用服务和更精准的营销服务。

4结语

我们马上将迎来大数据时代的春天, 而电信运营商只有凭借自身的优势、抢占先机, 才能避免沦为他人的管道;只有结合大数据业务特有的商业价值, 不断地突破创新, 才能在运营商和互联网公司的绞杀中, 寻找到新的利润增长点。总而言之, 大数据分析出的是信息, 在信息社会, 只有掌握了实时、准确的信息, 才能立于不败之地。

参考文献

[1]陈宪宇.大数据的商业价值[J].企业管理, 2013 (6) .

[2]郭晓科.大数据[M].北京:清华大学出版社, 2013.

[3]汲校帅.走进大数据时代[J].中国发明与专利, 2014 (10) .

大数据在教育领域的运用 第2篇

（贵阳护理职业学院 550081）

摘 要：近些年来大数据被多次提起，2016年2月，贵州获批国内首个大数据综合试验区。省委市委高度重视大数据发展，把大数据作为弯道取直的重要机会。目前大数据已经在诸多领域实现了很多成功应用，但在教育中的应用仍处于探索阶段。本文对大数据发展、数据可靠性、学生管理的痛点、教育大数据的应用进行了梳理。以期在一定程度上带来一些新的思考。最后，本文也指出利用教育大数据的机遇与挑战。

关键词：教育大数据；数据可靠性；大数据运用

（一）什么是大数据

2012年3月，美国奥巴马政府宣布投资 2 亿美元启动 “大数据研究和发展计划”，将“大数据研究”上升为国家意志。同年，联合国全球脉动（UN Global Pulse）组织发布《大数据促发展：机遇与挑战》一文，指出大数据时代已经来临【1】。说到大数据，首先要探讨数据从哪里来，大数据解决了什么？大数据科学的兴起是信息时代的产物。计算机的出现和逐步的普及，信息对整个社会的影响逐步提高到一种绝对重要的地位。信息量，信息传播的速度，信息处理的速度以及应用信息的程度等都以几何级数的方式在增长。这些数据的增长带来了大数据的基础。那么信息时代的成功又靠什么呢？是解决信息的不对称。比如说，马云解决了商家和买家之间的不对称，他让信息变得透明，我们购买到便宜又好的商品，并且还不用跑商场，摸摸手机屏幕就能解决问题。美团、饿了么，同样解决我们?c商家的信息不对称，然而这些都是通过信息技术为载体的，在这些过程中就产生了数据。大数据解决了什么呢？大数据解决了政府数据的不对称，政府握着大量的数据，林林总总包罗万象，里面蕴含着巨大的价值，把各个领域单一并且封闭的条数据整合成一个物理空间或行政区域形成涉及人，物事的各类数据总和的块数据【2】首先可以提高政府的办事效率，其次经过整合的块数据进行分析提炼的数据可以对任意一个行业有指导性的作用。这就是大数据可以解决的事情。

（二）什么样的数据才可靠

上面是大数据的概念，那么我们怎么提取到有用的数据呢？电子科技大学互联网科学中心主任周涛博士向我们提供了如何提取有用数据的方法方式。周涛博士提到，数据分为两种，一种为可控数据，（controllable data）和另外一种行为数据（behavior data）。而可控的数据都是不靠的，因为有人为因素夹杂在里面，真正可靠的是人们的行为数据，行为数据是关于机体的行为和行为发生时环境的观察报告。最早成功的使用行为数据的例子之一是亚马逊，怎么理解行为数据？亚马逊是怎么使用这些数据的呢？简单地说，就是用户在网站上发生的所有行为，如搜索、浏览、打分、点评、加入购物筐、取出购物筐、加入期待列表（Wish List）、购买、使用减价券和退货等。亚马逊通过对这些行为信息的分析和理解，制定对客户的贴心服务及个性化推荐。这就是行为数据所带来价值。并且行为数据不会骗人，通过对行为数据大量采集，并分析，政府可以更好的制定政策来宏观调控市场。不止只在商业方面，行为数据在各个领域都有着很多有价值的方式等着去开发和利用。

（三）教育大数据

教育界说的大数据，多属名词滥用。收集的数据，往往不能和政府人口统计数据那样，涉及成千上万人和多个采集维度。更准确地说，学习数据属分析数据，或者说是“小数据”甚至是数量不大，范围狭窄的“微数据”数据是“大”还是“小”，其实关系不大，关键是我们要用大数据的思维方式去处理这些所获得到的数据，把我们自己手头拿到的微小的条数据整合为可以使用的块数据，通过这些块数据来给学生带来帮助。在教育管理过程中，高校出于自身管理方便和成本的节约而忽视学生正当权益的事情时有发生；部分教职员工的服务意识淡薄，服务能力和水平较低，把较多的精力和时间投入到科研中，对学生缺乏应有的关爱和引导；再者由于学生教育管工作面广量大，与学生利益相关的管理部门众多，因此在解决学生实际问题过程中，出于部门利益的考虑，部门之间经常相互推诿，管理效率低下。因此，高校应积极构建和完善大学生成长成才的服务机制，完善与学生利益的相关政策规章的制定和实施程序，明确和提高教育管理组织的服务职能，培养和提高广大教职员工的服务意识，帮助解决学生在个体发展阶段必然或者可能面临的实际困难，为学生的成长成才创造条件和平台【3】。

例如：大数据思维方式可以预警学生失学风险。高风险学生，是指濒临辍学，转学，退学风险的学生。首先我们要掌握一些信息来判断哪些学生是高风险的学生，具体的信息包括：

1.学生学习情况：如成绩滑坡、出勤、作业、考试、焦虑、学习压力过大等；

2.身体状况，如疾病、缺少睡眠、遭遇虐待或无法完成相关任务；

3.精神问题、如有自杀倾向、情绪低落、失恋、抑郁、压力、焦虑等；

4.生活问题，如家里出现了危机、家人去世朋友去世、经济困难等；

5.专业和职业选择问题，如无法确定专业不适合目前专业等；

6.行为问题，如行为不当、行为对他人造成干扰、语言骚扰、肢体骚扰；

7.退学风险、如考虑转学、因为经济困难无法继续；

想要得到切实可靠的准确信息往往非常的困难，传统的方式往往是发放问卷或者主动询问，首先学生不会认真的去填写，经常避重就轻，人是群居性的生物，往往不会承认自己是异类，所以都会选择看起是“正常人”的选项和回答，这是典型的不可靠的可控数据。其次，拿到的数据还要花时间进行分析，得到结果需要一定的时间，我们无法知道哪些学生是有可能的高危学生。往往不能做到防范于未然，并不能有效的解决问题。所以我们必须通过行为数据来分析问题，然而有些信息我们是可以通过大数据的方法方式来获取的。比如分析刷饭卡的行为数据这一项就可以分析出很多的信息，例如每月饭卡的消费金额，可以判断学生目前经济是否相对宽裕。分析一个时间段的消费次数，可以判断该学生是否有帮他/她的好朋友刷卡，可以作为该学生是否孤独的一个参考项。还有刷卡的成群出现，通常好朋友们都会相约去食堂，所以饭卡号在系统中都是成组，成群出现的。如果总是一个人去吃饭，该学生的饭卡号不出现在任何的好友小组中，基本证明他是孤独的。这样的学生就是高危学生。然而这只是个条数据的基本应用。通过收集这些可靠的数据，建立健全贫困生资助信息数据库，并对数据库中的各项信息不断更新完善，以便动态管理贫困生，实现按需资助【4】。

（五）总结

大数据技术的应用，使得高校可以对其数据资源采取完全数据筛选的方式来分析、挖掘隐藏在数据背后的规律，从而能够让我们更真实、更全面地了解学生，促进学生的发展。然而，由于当前人们对大数据的认识尚处于探索阶段，大数据在教育领域的研究才刚刚开始，而且大数据提供的也只是参考答案而非最终答案。因此，要真正的将大数据完美地应用于教育，造福于教育，仍然有很长的路要走，但是只要我们能够开放心态、锐意创新、实事求是，就一定能抓住历史机遇，更好地为打造中国经济升级、全面建成小康社会提供坚强有力的人才支撑和智力支持。

参考文献：

[1]PULSE U G.Big data for development： Challenges & opportunities[M/OL].New York： UN Global Pulse，2012[2016-11-22].http：//

[3]蒋远喜，等.新媒体环境下高校学生教育管理的应对机制研究[J].吉林教育学院学报，2011，（9）

大数据与电信业务经营 第3篇

大数据开启了一次重大的时代转型。在大数据时代，我们面临的最大变革是思维变革。大数据市场前景广阔;电信运营商在大数据产业链中处于数据传递和交换中心的地位，天然具有丰富的数据资源，但电信运营商在大数据时代也面临诸多挑战。电信运营商需要把握大数据时代的机遇，充分利用和分析大数据。未来电信市场的一个重要方向是运营商将利用大数据来推动业务转型。电信运营商已着手采取关键举措，推进大数据时代的业务经营。

让我们热烈拥抱大数据时代

大数据并非是一个确切的概念。最初，这个概念是指需要处理的信息量过大，已经超出了一般电脑在处理数据时所能使用的内存量，因此工程师们必须改进处理数据的工具，这导致了新的处理技术的诞生，例如谷歌的MapReduce和开源Hadoop平台，这些技术使得人们可以处理的数据量大大增加。今天，人们认为大数据是在大规模数据的基础上可以做到的事情，而这些事情在小规模数据的基础上是无法完成的。

大数据开启了一次重大的时代转型。从科学研究到医疗保险，从银行业到互联网，各个不同的领域都在讲述着一个类似的故事，那就是爆发式增长的数据量。谷歌公司每天处理超过24拍字节的数据，这意味着其每天的数据处理量是美国国家图书馆所有纸质出版物所含数据量的上千倍。Facebook这个创立时间不足10年的公司，每天更新的照片量超过1000万张，每天人们在网站上点击“喜欢”按钮或者写评论大约有30亿次，这就为Facebook公司挖掘用户喜好提供了大量的数据线索。

2013年，全球存储的数据预计能达到约1.2泽字节。事情真的在快速发展。人类存储信息量的增长速度比世界经济的增长速度快4倍，而计算机数据处理能力的增长速度则比世界经济的增长速度快9倍。物理学和生物学都告诉我们，当我们改变规模时，事物的状态有时也会发生改变。大数据也一样，量变导致质变。数据的科学价值和社会价值正是体现在这里。大数据是人们获得新的认知、创造新的价值的源泉;大数据还是改变市场、组织结构以及政府与公共关系的方法。

在大数据时代，我们面临思维变革。第一个转变就是，在大数据时代，我们可以分析更多的数据，有时候甚至可以处理和某个特别现象相关的所有数据，而不再依赖随机采样。当数据处理技术已经发生了翻天覆地的变化时，在大数据时代进行抽样分析就像在汽车时代骑马一样。第二个转变是，研究数据如此之多，以至于我们不再热衷于追求精确度;执迷于精确性是信息缺乏时代和模拟时代的产物，如果不接受混杂，剩下的95%的非结构化数据都无法被利用，只有接受不精确性，我们才能打开一扇从未涉足的世界的窗户。第三个转变因前两个转变而促成，即我们不再热衷于寻找因果关系。知道“是什么”就够了，没必要知道“为什么”。在大数据时代，我们不必非得知道现象背后的原因，而是要让数据自己“发声”。大数据的核心就是预测。它通常被视为人工智能的一部分。在不久的将来，世界许多现在单纯依靠人类判断力的领域都会被计算机系统所改变甚至取代。当当网可以帮我们推荐想要的书，谷歌可以为关联网站排序，Facebook知道我们的喜好，而LinkedIn可以猜出我们认识谁。当然，同样的技术也可以运用到疾病诊断、推荐治疗措施、识别潜在犯罪分子上。

大数据虽然只是最近几年才开始流行的词，但它掀起的社会与生活变革大幕已经拉起。2009年，大数据这个说法开始在互联网圈内传播。2012年，美国奥巴马政府高调宣布其“大数据研究和开发计划”，大数据概念真正变得火爆。大数据出现的时间点自有它深刻的原因。互联网与传统经济的碰撞，催生了今天几乎全民关注的大数据。从数据量的角度来看，在电子商务模式出现以前，传统企业的数量增长缓慢。传统企业的数据仓库中的数据大多数来自于交易型数据，电子商务模式使得企业可以采集到用户的浏览、搜索、比较等行为，这就导致企业的数据库至少提升了一个数量级。现在日益流行的移动互联网，以及将来会流行的物联网又必将使数据量提高两三个数量级。从这个角度来讲，大数据时代是必然会出现的。

让我们热烈拥抱大数据时代吧！

电信运营商面临的机遇与挑战

大数据市场前景广阔。市场研究公司Markets and Markets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。 当前，全球范围内的许多知名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。

微软以1.1亿美元的价格购买了大数据公司Farecast，而两年后谷歌则以7亿美元的价格购买了给Farecast提供数据的ITA Software 公司。在国内，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。百度副总裁王湛介绍，百度已经建成了包括百度指数、司南、风云榜、数据研究中心和百度统计在内的五大数据体系平台，帮助企业实时了解消费者行为、兴趣变化，以及行业发展状况、市场动态和趋势、竞争对手动向等信息，以便适时调整营销策略。除此之外，阿里巴巴的云计算、奇虎360的商业模式、腾讯微信的运作自如……这些都与“大数据”紧密相连。

相对于互联网数据，电信运营商拥有的数据是相对“全面的”。电信运营商在大数据产业链中处于数据传递和交换中心的地位，天然具有丰富的数据资源，具有进行基于大数据业务的独特优势。首先，用户在办理固定电话和手机入网手续时需要提供实名信息，诸如年龄、性别、单位等;其次，运营商能够掌握用户的电信业务消费信息，诸如电信业务类型、业务资费、通话双方基本信息等;再次，运营商基于位置的电信服务可以精确获得用户的地理位置信息;最后，运营商拥有庞大的用户互联网访问量信息。

nlc202309031415

基于用户行为分析、行为理解、行为预测的客户深度洞察，电信运营商将数据封装为服务，形成可对外开放、可商业化的核心能力，从而实现商业模式的创新。据电信与媒体市场调研公司Informa Telecoms &Media最近的一份调查结果显示，全球约有48%的运营商正在实施大数据业务。

电信运营商在大数据时代面临巨大的机遇;但我们也应看到，大数据时代的数据需求、数据处理、管理模式不同于传统时代，这些都给电信运营商业务运营带来巨大挑战。

电信运营商数据规模大，每天的数据处理、数据存储量十分庞大;电信运营商传统上对于海量数据存储处理依赖于数据库和数据仓库，它发展过程当中面临着拓展不足的问题，比如说省公司的交易系统、分析系统之类的，由于这个问题面临着分库问题，分库之后也带来了很多问题，比如数据资源利用不均、管理复杂等等问题。还有传统数据仓库对于非结构化数据处理能力比较有限。

电信运营商数据种类繁多。在全业务运营背景下，电信运营商除了传统数据库、数据仓库处理的结构化数据以外，还有很多半结构化，甚至是非结构化的数据。这些数据，在大数据处理当中都变成非常重要的原材料，尤其是像话音、视频、文本等，这些原来并不是机器所能识别处理的。

电信运营商数据处理速度需要更快。传统上的分析型系统某种意义上是一个非实时、后台型的系统，但是现在很多应用实际上要求联机分析、在线分析，对于实时性要求会有很大提高，比如说网站上的信息几分钟可能就要更新一次。

电信运营商的管理模式需要适配数据化决策。大数据开发的根本目的是以数据分析为基础，帮助人们做出更明智的决策，优化企业和社会运转。哈佛商业评论说，大数据本质上是“一场管理革命”。大数据时代的决策不能仅凭经验，而真正要“拿数据说话”。因此，大数据能够真正发挥作用，还需要改善管理模式，需要管理方式和架构与大数据技术工具相适配。这或许是电信运营商面临的最大挑战。

大数据时代的电信业务经营

全球电信市场如今正在发生深刻变革，面对移动互联网带来的庞大的数据挑战，电信运营商的转型之路必须要围绕海量数据所带来的商机做深度挖掘和分析。电信运营商转型的突破口是基于目前的管道优势，搭建智能管道驱动流量经营。在此基础上，运营商需要把握大数据时代的机遇，才能有效利用和分析大数据、获得洞察能力。未来电信市场的一个重要方向是运营商将利用大数据来推动业务转型。电信运营商已着手采取关键举措，推进大数据时代的业务经营。

电信运营商加速推进4G建设，积极备战大数据时代。电信运营商一直在不遗余力地推进TD-LTE的建设。早在2010年底，电信运营商就开始在上海、杭州等六个城市进行TD-LTE规模技术试验，并在北京建设演示网。在2012年的工作会议上，电信运营商就提出大力实施GSM、TD-SCDMA、WLAN和TD-LTE四网协同发展。

电信运营商在大数据处理方面，跟云计算研发工作齐头并进来做。电信运营商在大云1.5平台上部署了分析型PaaS产品，利用BC-Hadoop构建大数据处理平台，并在英特尔至强+Hadoop平台上运行，同时建设了并行数据挖掘系统（BC-PDM&ETL）以及商务智能平台（BI-PAAS）等大数据应用平台，为将来在大数据应用和服务市场做了充分准备。

在大数据时代，电信运营商需要在业务上进行持续创新。电信运营商可以利用大数据分析用户的电信业务数据，深度挖掘用户需求，建立业务模式。比如，借鉴互联网企业的关联推荐技术，运营商可向用户推荐电信关联业务，实现精细化营销。运营商可以利用基于云计算的大数据分析系统，自动找到与该类商品相关联的其他商品并推荐给该用户。事实上，大数据在电信运营商的业务应用中可以涵盖多个方面，包括企业管理分析如战略分析、竞争分析;运营分析如用户分析、业务分析、流量经营分析;网络管理维护优化如网络信令监测、网络运行质量分析;营销分析如精准营销、个性化推荐等。

除了内部数据之外，电信运营商还应与外部数据打通互联、共同运营，比如互联网的用户邮箱、社交网站的用户关系、运营商的用户通讯录、银行的用户消费、用户的通信位置、地理应用的位置与手机号关联等。通过更多不同的尝试，将电信运营商大数据的价值发挥得更广。事实上，目前国外运营商已经开始将自己手握的海量用户数据变现，将用户的位置、旅行、上网流量习惯等信息提供给合作的第三方。比如Verizon 推出的 Precision Market Insights服务，跟合作方共享面向商场、体育馆等特定场所手机用户的活动和背景信息。

以大数据为支撑的业务运营，还需要电信运营商进行组织结构调整。在未来几年，电信运营商可能需要整合市场部和数据部，随后还可能会涉及到业务支撑部门。未来对业务支撑部门的定位是，业务支撑部门不仅是单纯的系统支撑、数据调取的运维部门，还需要利用海量数据进行深度挖掘以产生巨大的商业价值。相应的，电信运营商对业务支撑部门的人员也应提出更的要求，数据挖掘人才将更受电信运营商欢迎。

（作者系仁达方略企业管理咨询有限公司研究总监）

电信行业大数据应用浅析 第4篇

一、大数据对电信行业的机遇

如何在前三波的发展浪潮后继续保持可观的利润?如何避免被时代的浪潮抛下, 并努力拓展新业务, 迎头赶上, 是全球各国的电信运营商和设备商都在努力思考的问题。4G、物联网、云计算作为未来电信业发展的技术支撑, 背后蕴含着丰富的构建于其上的大数据应用, 大数据的研究会带动行业生态的变革和崭新的业务模式创新, 因此对于传统的电信运营商和设备商来说, 孕育着巨大的商业机遇。

电信运营商拥有大量的数据资源, 如网络信息、用户终端信息、用户位置信息等, 电信设备商对电信网络有深刻的理解和技术积累, 具有敏锐的行业发展嗅觉和强大的产业研发能力, 因此基于大数据进行深度挖掘分析, 将丰富的网络、用户等数据资源加工抽取后封装为服务, 将数据资源在一定程度上货币化, 向大客户提供增值服务, 从而增加新的盈利模式, 实现运营商、设备商以及产业各方的共赢。

二、大数据在电信行业的应用

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:

1. 服务于运营商。

借助大数据转变经营理念, 改善服务水平, 提升用户体验。实现智能化网规网优, 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行的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;实现智能运营, 利用大数据改进自身服务, 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, 增强用户粘性;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。

2. 服务于行业客户。

借助大数据转变经营模式, 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的转变。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;实现位置服务, 基于移动蜂窝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。

3. 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、兴趣内容等, 生成用户基础数据特征与用户偏好、习惯的兴趣特征模型, 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。

三、大数据应用的新技术支撑

信息化技术的普及使得企业更多的办公流程通过网络实现, 由此产生的数据以结构化数据为主。当前数据创造的主体由企业逐渐转向个体, 而个体所产生的绝大部分数据为图片、文档、视频等非结构化数据。同时, 在线个性化推荐、实时信息推送等数据处理时间要求在分钟甚至秒级, 传统的数据仓库系统、数据挖掘等应用无法处理非结构化数据, 也不能满足数据处理的实时性。

大数据与传统数据两者数据量的差别如此之大, 决定了数据的存储、计算从架构上很不一样。常规的数据仓库技术仍然有用武之地, 但更适合大数据的, 有大规模并行处理 (MPP) 、分布式处理、流式数据处理等技术。结合当前技术发展状态, 从性能、并行计算能力、可扩展性、软件的成本、硬件的投资等方面综合分析之后, 为满足结构化与非结构化数据存储与处理, 数据存储分析采用RDBMS+Hadoop混合方式, 流式数据处理采用开源的Storm平台。

Hadoop平台的分布式存储的特点, 可以把数据存储在多个节点上, 能够处理PB级数据。Hadoop能够在节点之间动态地移动数据, 并保证各节点的动态平衡, 利用其Map Reduce的并行处理能力, 处理速度非常快。非结构化数据在Hadoop平台上存储与处理;大数据量计算在Hadoop平台上处理;结构化, 不需要关联分析、查询较少的数据, 保存在Hadoop平台;结构化、需要关联分析或经常查询的生产、汇总数据保存在关系型数据库。

Storm平台是一个开源的、分布式的、容错的、支持多种语言的实时计算系统, 可以方便地在一个计算机集群中进行持续不断的复杂的实时计算。Storm是高可靠性的, 它支持多种流分发机制以及记录级容错机制, 能够确保流式消息按照预设方式被可靠地处理, 如果有任务失败, 则从消息源重试消息, 保证每个消息至少得到一次完整处理。Storm是高性能的, 它是服务型的计算作业系统, 没有作业调度以及数据持久化的时延, 它使用Zero MQ消息队列实现直接传送, 消除了消息排队时延, 保证了消息能够得到快速的处理, 每秒可以处理百万量级的消息。

四、大数据应用的展望

目前电信行业海量数据还未形成有效的信息资产, 其中蕴含的价值和机会还有待发掘。电信运营商应聚焦自身真实、特殊的数据资源, 增强大数据分析和使用技能, 挖掘数据宝藏, 从而提升经营效率, 提升网络质量, 优化网络性能, 盘活战略资产, 实现数据增值, 借助于大数据发展推进自身的去电信化战略转型。大数据的发展需要产业链的开放和更大范围的数据聚合, 为此运营商需要与包括设备商在内的产业各方共同合作, 打造电信业大数据产业生态圈, 实现开放合作共赢, 大数据必将成为电信业发展的新引擎。

摘要：本文结合电信行业拥有的大数据类别, 分析了大数据在电信行业的典型应用类型, 给出了大数据应用相关的关键技术支撑, 通过大数据应用推动电信行业的产业升级和商业创新。

关键词：大数据,数据挖掘,hadoop,storm

参考文献

[1]史斌, 周双阳.电信行业如何应用大数据[J].通信世界, 2013 (20) .

[2]王秀磊, 刘鹏.大数据关键技术[J].中兴通讯技术, 2013 (04) .

大数据在旅游管理的应用论文 第5篇

(2)在旅游行业的定位。企业对大数据进行挖掘与分析，能够掌握客户的具体需求与偏好，通过具体的信息进行正确的战略部署，不仅能够推动企业自身的产品升级，还能够加快企业的创新与改革。将大数据运用在旅游行业中，能够推动旅游企业自身的市场定位，及时整理数据分析数据中的信息价值，能够通过数据信息对市场进行新的开拓，更进一步挖掘市场。利用市场信息的精准定位，推动旅游产业的快速发展。

(3)旅游市场的营销利器。如今互联网传播速度如此之快，通过对大数据进行分类整理，可以形成一个巨大的数据行业，从中能够得到整个市场的发展趋势以及相关信息。由于信息总量的上涨，可以有效地提升整个旅游市场的行业需求，能够推动旅游行业的有效发展。旅游行业通过大数据进行分析，还可以对市场的变化进行有效的应对。在越来越激烈的市场竞争中，可以更加准确的对自身的市场定位进行分析，进一步完善自身的产品定位，实现旅游行业的快速成长。

3结语

数据挖掘在电信业中的应用 第6篇

关键词:数据挖掘；电信；客户流失

数据挖掘是近年来伴随着人工智能和数据库技术发展而出现的一门新兴技术，就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。随着电信市场竞争的日益加剧，运营商普遍开始向“客户驱动”管理模式转变。电信部门有着庞大的数据积累和沉淀，直接从数据中很难得到比较有价值的信息，这种现状迫切需要利用数据挖掘技术得到做出营销决策的信息。

作为一种先进的数据信息处理技术，数据挖掘与传统的数据分析的本质区别在于它是数据关系的一个探索过程，而且多数情况下是在未有任何假设和前提的条件下完成的。数据挖掘具备多种不同的方法，供使用者从不同的纬度对数据展开全面分析。

（1）相关分析和回归分析。相关分析主要分析变量之间联系的密切程度；回归分析主要基于观测数据与建立变量之间适当的依赖关系。相关分析与回归分析均反映的是数据变量之间的有价值的关联或相关联系，因此两者又可统称为关联分析。

（2）时间序列分析。时间序列分析与关联分析相似，其目的也是为了挖掘数据之间的内在联系，但不同之处在于时间序列分析侧重于数据在时间先后上的因果关系，这点与关联分析中的平行关系分析有所不同。

（3）分类与预测分析。分类与预测用于提取描述重要数据类的模型，并运用该模型判断分类新的观测值或者预测未来的数据趋势。

（4）聚类分析。聚类分析就是将数据对象按照一定的特征组成多个类或者簇，在同一个簇的对象之间有较高的相似度，而不同的簇之间差异则要大很多。在过程上看，聚类分析一定程度上是分类与预测的逆过程。

数据挖掘在电信部门中的应用主要是通过对海量数据的挖掘，找出某一种客户的比较固定的行为模式，并对这种模式进行针对性的策略，目前主要的应用方面为：客户获取，客户细分，客户赢利能力分析，客户的流失和保持分析。

(1)客户获取的传统方式一般是通过大量的媒体广告、散发传单等方式吸引新客户。这种方式涉及面过广不能做到有的放矢而且企业投入太大。数据挖掘技术可以从以往的市场活动中收集到的有用数据(主要是指潜在客户反应模式分类)建立起数据挖掘模型。企业因此能够了解真正的潜在客户的特征分类，从而在以后的市场活动中做到有的放矢而不是传统的凭经验的猜想。

（2）细分就是指将一个大的消费群体划分成为一个个细分群体的动作，同属一个细分群体的消费者彼此相似，而隶属于不同细分群体的消费者是被视为不同的。比如将数据库中的数据按照年龄的不同来组织存放这样一个简单的动作就是细分。细分可以让用户从比较高的层次上来观察数据库中的数据，细分可以让人们用不同的方法对待处于不同细分群中的客户。数据挖掘中的分类、聚类等技术可以让用户对数据库中的数据按类别、年龄、职业、地址、喜好等企业感兴趣的属性进行客户细分。客户细分是企业确定产品和服务的基础．也是建立客户一对一营销的基础。

（3）就企业的客户而言，企业的绝大部分利润是来自于小部分的客户，而对于企业来说很难确定哪些客户是高利润回报，哪些客户是低利润回报甚至是负利润回报的。数据挖掘技术能帮助企业区分利润回报不同的客户。从而可以将资源更多的分配在高利润回报的客户身上以产生更大的利润，同时减少低或负利润回报客户的投入。为此，在数据挖掘之前，企业应该建立一套计算利润回报的优化目标方法。可以是简单的计算，如某客户身上产生的收入减去所有相应的支出，也可以是较复杂的公式。然后利用数据挖掘工具从交易记录中挖掘相应的知识。在实际应用中，利用数据挖掘工具为已经流失的客户建立模型，然后利用这些模型可以预测出现有客户中将来可能流失的客户，企业就能研究这些客户的需求，并采取相应的措施防止其流失，从而达到保持客户的目的，这种分析是目前各个电信运营商比较重视的数据挖掘分析。

当运营商面临海量的客户资料时，应如何才能够从中提取出有效的信息。数据挖掘所提供的数据探索能力得到了充分的发挥，下面简要地描述数据挖掘在管理中的应用过程。下面以客户流失分析为例，数据挖掘在分析管理中的应用过程分为如下的几个过程。

（1）定义主题。客户流失分析中的主题应当包括流失客户的特征；现有客户的流失概率如何(包括不同细分客户群的流失程度)；哪些因素造成了客户的流失等。主题是数据挖掘的主要目标，决定了此后过程中数据挖掘的主要努力方向，因此在定义上应当十分明确。

（2）数据选择。数据选择是数据挖掘的前提，主要是确定数据字段的收集，因为并不是所有的客户信息都会对客户的流失产生影响，应尽可能地降低数据的复杂度以发掘较高的关联度，但是考虑到后期客户流失的多维分析，应当尽量确保客户信息的完整性，因此，应对客户的有价值信息予以区分收集，剔除部分冗余数据，减少数据噪音。此间要注意的是在客户流失分析上，从数据仓库中采集数据的主要目的是调查客户信息的变化情况，因此对数据采集时间间隔的设置显得尤为重要。若采集时间过长，可能在流失判断出来时客户已然流失；若采集时间过于紧密或者实时采集则需要考虑运营商现有系统的支撑能力。

（3）分析数据。分析数据主要是对提取的数据进行分析，找到对预测输出影响最大的数据字段，并决定是否需要定义导出字段。在分析数据时需要谨慎选择对预测相关的流失客户数据参与建模才能有效建立模型。分析数据过程还应包括数据清洗和数据预处理。数据清洗和预处理是建模前的数据准备工作，主要包括数据抽样、数据转换、缺损数据处理等。数据抽样是根据事先确定的数据进行样本抽取，选择抽样而不是对整体进行处理，以降低系统的处理量。另外样本一般分为建模样本和测试样本，一部分用来建模，另一部分用来对模型进行修正和检验。数据转换是为了保证数据的质量和可用性，比如某些数据挖掘模型需要对连续数据进行离散化、归一化处理等。缺损数据有时可以不做处理，由后面具体选择的数据挖掘模型来处理。

（4）模型建立。对数据进行分析并利用各种数据挖掘技术和方法在多个可供选择的模型中找出最佳模型。初始阶段可能模型拟合度不高，需要反复更换模型，直到能够找到最合适的模型来描述数据，并从中找到规律。建立模型通常由数据分析专家配合业务专家来完成，常用的流失分析模型主要有决策树、贝叶斯网络和神经网络等。

（5）模型的评估与检验。模型建立之后，一般要通过训练集的测试才能考虑下一步应用。比较常规的验证方法是输入一些历史的流失客户数据，运行此模式予以判断，比较数据挖掘的结果与已知历史结果的差异。客户流失判断一般存在两种错误结果。一是弃真错误，即原有历史客户具备流失倾向并且已经流失，但是模型未能够准确预测客户的流失倾向；二是存伪错误，即原有用户并未有流失的倾向，但被模型判断为具有流失倾向。

（6）应用模型。从前面的工作中可以得出一些简单的结论，比如通信支出越少的客户越容易流失、欠费频率越高的客户越容易流失等。除此之外，数据挖掘人员还应配合业务专家，根据数据挖掘分析寻找流失的原因，并找出潜在的规律，对未来的客户流失进行预测，指导业务行为。

随着电信行业竞争的日益加剧，客户关系和客户价值开发将成长为电信企业考虑的重点所在，而技术的不断进步将为深度的数据挖掘提供更多的支持，也必然会被越来越多地应用到运营商的客户关系管理之中。

参考文献：

［1］韩秋明，李微，李华锋.数据挖掘技术应用实例[M].北京: 机械工业出版社，2009.

［2］Pang-Ning Tan,Michael Steinbach.数据挖掘导论[M].北京:人民邮电出版社,2006.

［3］张俊妮.数据挖掘与应用[M].北京:北京大学出版社，2009.

法国电信:拥抱大数据产业机遇 第7篇

那么, 运营商如何看待大数据的价值, 在此方面又进行了哪些尝试?记者近日采访了法国电信企业通信解决方案部门Orange Business Services的首席执行官Vivek Badrinath。

云计算应对大数据挑战

Vivek Badrinath非常赞同大数据的潜在价值, 认为大数据对于运营商的意义非常重大。

大数据到来之后, 企业将面临海量信息存储的需求, 其迫切需要解决的问题就是提升数据存储能力, 因为只有将数据妥善存储, 才有可能进一步挖掘其潜在价值, 而提升数据存储能力则给了Orange Business Services这样的运营商难得的机会。“随着信息化方式的普及, 很多企业都需要提升数据存储能力和改善IT支撑系统。”Vivek Badrinath表示, “Orange Business Services的策略是用云计算的方式为客户提供存储资源, 使得企业客户能够以经济有效的方式妥善保存私有数据, 并且充分发挥数据智能的作用。”

据悉, Orange Business Services目前已经能够提供涵盖Iaa S、Waa S (工作台站即服务) 、Saa S三个层面的端到端的云计算解决方案。其中, 大数据所需要的方案集中在Iaa S层, Orange Business Services在这一层面推出了以“灵活计算”命名的系列方案, 突出使用灵活、计费灵活的特点, 从而灵活满足用户对数据存储的需求。

Vivek Badrinath特别强调, Orange Business Services虽然为客户提供数据存储系统, 但是会严格遵守相关的隐私保护规定, 不会去读取或者使用客户的这些数据。

移动业务和公共服务领域初试牛刀

除了帮助客户应对大数据的挑战外, 法国电信自己也在发掘大数据能带来的价值, 目前已在移动业务部门和公共服务领域进行了探索和尝试。

在移动业务部门, Orange Business Services已在借助大数据改善服务水平, 提升用户体验。Vivek Badrinath介绍, 法国电信目前开展了针对用户消费数据的分析评估, 以帮助法国电信改善服务质量。比如, 通话中断产生的原因除了技术故障外还有网络负荷过重, 如果某段网络上的掉话率持续过高, 则意味着该网络需要扩容。法国电信通过分析掉话率数据, 找出了那些超负荷运转的网络, 并及时进行了扩容, 从而有效完善了网络布局, 给客户提供了更好的服务体验, 获得了更多的客户以及业务增长。

基于电信大数据的流入人口统计研究 第8篇

在本文中, 流入人口指使用某一特定地级市移动通信服务的非本户籍地群体, 其数据信息在身份信息、位置变动和通信行为方面具有特定的表现规律。

(1) 在推行用户实名制之后, 运营商获取到更加准确全面的用户身份证信息, 其中前六位对应着用户的出生地信息, 借助其与运营商所在地进行比对, 即可确认其是否为流入人口。

(2) 若客户身份信息有缺失或无法获取, 也可借助位置变化轨迹和通信数据进行分析。

首先, 电信部门通过基站实时采集用户的位置信息, 手机终端在移动过程中, 可根据设备通信的基站位置创建用户移动的相应轨迹, 尤其是在五一、十一、春节等长假期间, 我国人群一般热衷返回户口所在地与亲人团聚, 这段时间内运营商采集到的位置区域变化与人群的户籍流动方向呈现相反的趋势;其次, 流动人群大多会频繁与户口所在地进行通信, 而电信部门出于收费的需要, 会采集并存储各个用户的通讯信息, 包括被叫用户、被叫所在地等重要信息, 这为研究人群主要通讯对象的户籍所在地提供了数据支持。

基于以上对流入人口的电信数据判定思路, 将结合Hadoop大数据技术和数据挖掘技术分别对用户身份信息和位置、通话数据信息进行统计研究。本文将介绍如何借助Hadoop大数据平台对已认证身份信息的客户统计流入人口数量;并针对未实名认证的客户进行数据挖掘, 根据流入人口在位置变化和通话数据方面的不同进行分类统计;最后介绍利用电信大数据分析流入人口的展望与建议。

2 基于Hadoop大数据平台统计实名认证用户

在运营商获取的用户个人信息中, 身份证号码的前六位表示出生户籍的数字地址码, 其中, 第一、二位表示省、自治区等位置, 第三、四位表示地级市、自治州等, 五、六位表示县级市等区域。由于本文以地级市作为特定区域进行流入人口的研究, 故选取运营商数据系统中所有实名制用户的前四位进行数量统计, 以北京市为例, 其四位编码是1100, 与此不同的即为北京地区的流入人口。

考虑到运营商获取的数据量较大, 将借助大数据处理平台Hadoop架构中的Map Reduce编程模型对身份信息进行多节点的分布统计计算。首先将所有身份信息的输入文件划分为M份, 将其分配到不同的节点中执行Map函数, Map依次遍历所有位置信息, 每遇到一个新位置编码w, 就产生一个中间键值对<w, “1”>, 再次遍历到w时, 增加其值, Map Reduce将位置编码w相同的键值对传给reduce函数, 将w的值进行累加就得到位置编码w的出现次数, 即来自某一特定区域的人口数量。最后再对存储起来的所有位置编码的出现次数进行统计, 计算出身份信息与当地位置编码不同的用户所占的比例, 就得到了实名制用户中流入人口的所占比。另外, 还可统计结果进行深入分析, 获取流入人口的具体来源区域及所占比例。

3 基于数据挖掘技术分析未实名制用户

分类是数据挖掘中重要的应用技术之一, 其研究目的是利用算法模型M对尚未确定具体类别的所有数据进行计算, 获取其分类结果。对于尚未进行实名制认证的移动用户来说, 是否为流入人口为其对应的所属类别, 将其作为算法的预测集P。分类的总体流程为:选取合适的数据分类样本, 并确立数据集合的属性特征X并对其进行量化, 常用属性有类别属性和数值属性两种;然后选取适当的分类算法M进行计算, 常用分类算法包括监督学习和无监督学习两种, 区别在于监督算法需要将已知分类结果的数据作为训练集T进行模型参数的估计, 再利用训练好的模型对预测集合进行分类, 获取最终的分类结果, 常用模型包括支持向量机、神经网络等。无监督学习需要直接对数据进行建模, 不需要训练集的参与, 聚类算法是常用的算法之一。

3.1 用户数据集特征的选取与构建

对于流动人口而言, 不管其流动方向如何, 节假日期间特别是春节期间总会回到户籍所在地与亲人团聚, 另外, 流动人口一般会经常与户籍地留守亲人进行长途通话, 移动公司由于计费的需要, 会对所有被叫进行记录。根据流入人口和本地人口在节假日和平日的不同表现, 选取春节七天假期间和普通一周里未认证用户的基站位置和通话数据作为数据集。特征代表着数据在不同属性方面的表现, 是进行分类的主要参考依据。以流入人口为例, 其在外地通话数量、节假日位置变化等方面与本地人口有明显的差异, 可作为数据集的重要特征。如表1所示, 选取以下属性作为数据集的关键特征。

在表1中, JJR-WZ为分类型属性, 若在本地其值为1, 否则为0;其他属性均为数值型, 为消除数值规模差异对分类结果的影响, 对其数值进行归一化的预处理。

3.2 选取分类算法M进行建模

3.2.1 选取人工神经网络进行监督学习

人工神经网络 (Artificial Neural Networks, ANN) 是一种具有自学习能力和快速计算最优解的模仿生物神经网络的监督学习模型, 由一系列联接的节点构造而成。模型中节点的作用是接受系统中其他节点的输入信号进行加权求和, 并利用激励函数对累加和进行放大或限制后进行输出, 再作为下一组节点的输入信号。激励函数通常为非线性函数, 在实际应用中经常选用Sigmoid函数。按照神经网络中节点之间的互联方式, 常见的网络结构包括前馈神经网络、反馈神经网络和自组织网络。

单隐藏层前馈神经网络 (Single-hidden Layer Feedforward Neural Network, SLFNN) 是目前应用最为广泛的前馈神经网络, 由输入层, 单一隐藏层和输出层构成。计算时, 输入信息通过输入层进入网络后, 按照输入层-隐藏层-输出层的单一顺序流动, 在经过隐藏层加权处理后由输出层显示计算结果, 其中不包含节点输出对输入的任何反馈和循环。

要使用人工神经网络模型对未实名认证用户进行流动人口的统计, 首先构造训练集和预测集, 预测集包含所有未实名认证的通信客户, 训练集是标记了是否为流入人口的数据集合, 数据可从已经统计出结果的所有数据中随机选取, 包含流入人口和本地人口, 总体数量大于预测集。两个集合中所有数据的属性与确立的特征保持一致。将训练集数据输入到神经网络模型中对相关参数进行计算和优化, 参数包括联接输入神经元和隐藏层节点的输入权值、隐藏层节点的偏置系数;b.联接隐藏层节点和输出神经元的输出权值, 从而确定分类模型并对未认证客户进行分类计算。

3.2.2 应用聚类算法进行无监督学习

聚类分析属于无监督学习, 它将数据看作多维样本空间中的一个点, 依据数据属性的相似性为基础对数据进行分类, 计算的主要目标是最大化同类对象的相似度, 尽可能地缩小不同类对象的相似程度, 是数据挖掘的重要算法, 其中较为典型的是基于距离进行度量的K-means聚类算法。

K-means算法进行分类时, 不需要借助指定类标签的训练集建立算法模型, 先根据需要设置所有数据样本大致所属的类别个数, 然后通过K-means算法将具有相同特征, 或者参照某一规则将较为相似、与其他分组明显不同的数据聚集到一起形成同一个分组。最后, 依据每组数据的特点, 确实合适的类标签。

采用K-means算法对尚未实名认证的所有客户进行分类时, 将依照已经确立的属性进行相似性度量, 具体步骤包括:

(1) 将所有未实名认证的用户作为输入数据集; (2) 是否为流入人口是数据所属类别, 随机选择两个数据作为聚类的质心; (3) 计算其他数据点与两个质心的距离, 将所有数据点聚集成2个分组; (4) 对两个分组重新计算中心点作为新质心; (5) 重复执行步骤3, 4, 直到质心不变或变化很小停止聚类; (6) 根据流入人口的判定思路, 确定其对应的分组, 从而获得流入人口的统计数量。

4 对基于电信大数据统计流入人口的展望

人口的流入数量在一定程度上反映出当地的经济发展情况, 也对当地的人力资源分配、城市建设、公共设施等造成一系列的社会影响, 短周期内快速统计流入人口数量有利于促进城市各方面的健康发展。

为进一步提高识别流入人口的准确性, 可利用网络调查问卷, 针对学生、务工者等不同群体建立通信行为模型, 获得更加精准的属性特征。根据基站位置的分布, 建立基于社区、城乡电信数据的抽样统计方法, 实现小区域范围内的流入人口统计, 根据流入人口的统计数量绘制城市分布密度图, 有利于促进城市的规划管理。另外, 电信数据涉及用户的个人隐私, 有关部门在采集加工时, 应注重保护数据的安全性。

参考文献

[1]智勇.基于移动通信信息资源的人口流动趋势研究[J].山东社会科学, 2013 (5) :102-105.

[2]赵时亮, 高杨.基于移动通信的人口流动信息大数据分析方法与应用[J].人口与社会, 2014 (3) :20-26.

[3]刘震, 付俊辉, 赵楠.基于移动通信数据的用户移动轨迹预测方法[J].计算机应用与软件, 2013 (2) :10-14.

[4]张国栋.基于Hadoop技术的电信大数据分析平台的设计和实现[D].上海:上海交通大学, 2014.

大数据在电信 第9篇

随着移动互联网的兴起, 以BAT为代表的互联网公司和OTT企业对电信运营商传统业务的冲击越来越大,产业结构升级面临关键窗口机遇期,通过大数据技术可以有效提升精准营销水平和客户感知,对大数据的运营能力直接关系着运营商今后的发展。

由于电信数据特有的真实性、敏感性,数据安全已成为制约运营商运用大数据的关键因素。 本文在介绍了运营商如何采用Hadoop构建大数据平台支撑大数据运营的基础上,给出了一种保障数据安全的解决方案。

2电信大数据的特点

电信运营商拥有大量网络侧、用户侧的数据,具有非常高的商业价值。 电信大数据具备几个明显的特点。

(1)真实性、敏感性。 电信运营商拥有海量用户真实的信息,这类数据属于敏感数据,必须保证数据安全。

(2)数据量大。 用户每时每刻都在产生大量的通话、 短信、流量、业务等数据,同时网络侧也在时刻产生大量数据,数据量在TB级别。

(3)数据种类多。 电信运营商拥有海量结构化的业务数据,海量半结构化的网络数据,海量非结构化的图片、语音、视频数据,数据种类繁多。

(4)商业价值高。 通过对电信大数据进行整体的分析和挖掘,提取出有价值的部分应用于提升精准营销水平、提升客户感知、提升数据服务能力等方面,提升企业竞争力。

(5)低密度。 大数据具备低密度这一特性,只有经由审慎的挖掘,才会解析得来实用特性的潜在信息,供应最佳价值。

3大数据平台面临的数据安全挑战

随着大数据时代的到来, 电信运营商都在从网络侧、业务侧搜集大量的数据进行分析,并且基于分析的结果做出决策。 由于电信数据特有的真实性、敏感性,数据安全保护已成为衡量运营商大数据运营能力的关键因素。

基于Hadoop的大数据平台常见的安全隐患有几点:(1) 如何强制所有接入大数据平台的客户端上的用户及应用进行验证;(2) 如何确保服务不是流氓服务冒充的;(3) 如何实现基于属性的访问控制或基于角色的访问控制;(4) 怎么才能将大数据平台跟已有的企业安全服务集成到一起;(5)如何控制谁被授权可以访问、修改和停止Map Reduce作业;(6)如何加密静态数据。

4基于Hadoop的安全大数据平台设计

采用开源软件Hadoop+Hive+Impala+Kerberos +Sentry架构构建电信大数据平台, 提供海量数据的存储、计算服务,服务电信大数据运营。 其中,Hadoop负责整个大数据平台数据的存储和资源的管理,Hive适合于长时间的批处理查询分析,Impala适合于实时交互式SQL查询,Impala给数据分析人员提供了快速实验、验证想法的大数据分析工具, 选择Kerberos作为Hadoop的认证机制, 通过Sentry可以在用户操纵Hive和Impala时进行安全控制。

保障Hadoop数据安全主要包括七个部分: 数据保护措施、网络安全、系统安全、存储安全、计算引擎设计、 授权中心、客户端。

4.1数据保护措施

在数据入大数据平台之前, 明确数据隐私保护策略,充分考虑企业的隐私政策、相关行业规定及政府法规等因素,明确企业中需要进行安全保护的数据,同时根据数据的敏感程度进行安全等级划分。 对于已经存储在大数据平台中的数据,需要全面梳理和核实是否有安全系数高的敏感数据。 明确业务分析是否需要访问纳入安全保护的数据,或此类数据“脱敏”后能否使用。 然后选择合适的敏感信息遮挡和加密等矫正技术。

4.2网络安全

考虑到大数据的安全问题,大数据平台采用环形网络拓扑结构部署在企业的DCN网中, 采用万兆防火墙进行访问控制,只有经过授权的用户才可以访问。

4.3系统安全

采用开源集群监控工具Ganglia进行大数据平台的系统性能指标采集。 采用开源网络监视工具Nagios进行大数据平台告警。

4.4存储安全

采用Name Node主备的配置,主备节点可以在不影响业务使用的情况下1~2秒内完成自动切换,避免单点故障问题。 数据保存3个副本,分散存储在大数据平台的不同节点上。 选择合适的加密算法采用大数据技术进行数据加密。 Name Node元数据定时备份到备份服务器上面,同时配置大数据平台垃圾回收站,确保数据可以在一定时间内可以恢复。

4.5计算引擎设计

采用统一资源调度框架YARN进行大数据平台计算资源的管理和分配,它是为了更好的进行集群资源的管理而产生的, 它的基本设计思想是将Map Reduce中的Job Tracker拆分成了两个独立的服务:全局的资源管理器Resource Manager和每个应用程序特有的Applica- tion Master,其中Resource Manager负责整个系统的资源管理和分配, 而Application Master则负责管理一个在YARN内运行的应用程序的每个实例的管理。 用户通过大数据平台接口机提交数据处理任务到大数据平台,任务在运行过程中由于各种原因失败的情况下,YARN框架可以实现任务的自动重启,保证计算任务的稳定性。

4.6授权中心

采用Kerberos作为Hadoop的认证机制, 可以实现RPC连接上做相互认证,为HTTP Web控制台提供 “即插即用”的认证,强制执行HDFS的文件许可,用于后续认证检查的代理令牌,用于数据块访问控制的块访问令牌,用作业令牌强制任务授权, 网络加密。

采用Kerberos+Sentry技术或者单独采用Sentry技术可以实现用户在使用Hive和Impala接入大数据平台时的安全管控, 当前最细粒度可到表级别的访问控制, 可以满足企业基于角色访问大数据平台的需求。

4.7客户端

客户端是数据的最终使用者,用户通过客户端将数据处理任务提交到大数据平台,大数据平台在执行之前会在授权中心对用户提交的任务进行访问权限审核,只有审核通过的任务才会真正在大数据平台上运行,并将任务执行结果返回给客户端。

将客户端加入到堡垒机中,用户通过堡垒机登录客户端,可以有效监控和阻止合法用户的非法操作,以及非法用户的恶意操作,便于问题追踪。

5结束语

浅析大数据时代下电信业的未来 第10篇

关键词：大数据,云计算,电信

1大数据时代的到来

云计算浪潮未尽, 大数据粉墨登场。谷歌公司每天要处理超过24PB的数据;Facebook每天更新照片量超过1 000万张, 每天人们点击“like”按钮或写评论大约30亿次;YouTube平均1 s就有1 h以上的视频上传;截止到2012年, 每天都会发布超过4亿条微博。到2013年, 世界上存储的数据预计能达到3.5 ZB。这样大的数据量意味着什么?如果把这些数据全部记在书中, 这些书可以覆盖整个美国52次。如果将这些数据存储在只读光盘上, 这些光盘可以堆成5堆, 每一堆可以伸到月球。

随着数据的爆炸, 数据的收集、保存、维护、共享、使用等等任务, 都成为横跨各个领域、牵一发而动全身的现象和挑战。但这些现象和挑战的重中之重, 还是因为人类分析和使用数据的能力大幅提高, 通过数据的分析、开发和整合, 人类现在可以发现新的知识、创造新的价值, 从而带来“大知识”“大科技”“大智能”“大利润”和“大发展”。

也就是说, 大数据之“大”, 其侧重点并不在于其表象的“大容量”, 而在于其潜在的“大价值”。大数据的意义, 也远远不局限于我们当前众多新闻报道中所津津乐道的“啤酒和尿布”等等通过数据挖掘、实现精准营销的故事。我认为, 大数据之所以能被称为革命性的现象, 是因为它标志着我们人类社会在从信息时代、经由知识时代快速向智能时代迈进。

2大数据蕴含巨大的价值

云计算、物联网、Web2.0、社交网络、移动互连的快速发展让数据前所未有的增长, 并且更加集中, 这种趋势也将一直持续下去。海量的数据中, 自然也蕴含着巨大的价值。一个大规模生产、分享和应用数据的时代正在开启, 正如维克托教授所说, 大数据的真实价值就像漂浮在海洋中的冰山, 第一眼只看到冰山一角, 绝大部分隐藏在表面之下。

信息社会所带来的好处是显而易见的, 随着计算机技术融入社会生活, 信息爆炸已经积累到开始引发变革的程度量变引发了质变。大数据使人们获得新的认知、创造新的价值;变革思维, 开启重大的时代转型。大数据已经撼动了世界的方方面面, 从商业科技蔓延到医疗、政府、教育、经济、人文以及社会的其他各个领域。

3大数据下电信行业的未来

近年来, 电信运营商在语音业务增长乏力, 移动互联网异质竞争对传统电信业务的分流和替代不断加剧, 传统电信业务的商业模式即将走到尽头。专家预测, 到2013年年末, 中国的智能手机总量将达到5亿部。5亿智能手机用户将使中国的电子和实体商务孕育出新的业务模式, 越来越多的信息化业务可能被设计成只适用于移动设备。

正当全球最大的移动消费市场初现雏形时, 移动互联网“过顶传球”的特点却将传统电信业务导向低值化、微利化。微信在两年内发展了3亿用户, 很可能年内接近5亿用户, 在其上可以免费提供包括语音、短信、彩信等在内的所有主流电信业务。而视频通话、IPTV这类一度被看好的转型业务, 在互联网、移动互联网OTT业务面前, 只有招架之功, 难有还手之力。尽管移动互联网繁荣带来的流量猛增也能给运营商带来部分收益, 但与庞大的网络建设、运维投资相较, 运营商正陷入增量不增收的窘境。

大数据时代的到来, 为电信运营商增强竞争优势。电信运营商可以利用大数据进行数据创新、挖掘数据的潜在价值、重组数据, 实现数据的再利用。

3.1 利好

1) 提升网络服务质量, 增强管道智能化。

随着互联网和移动互联网的发展, 运营商的网络将会更加繁忙, 用于监测网络状态的信令数据也会快速增长。通过大数据的海量分布式存储技术, 可以更好地满足存储需求;通过云计算分析, 提高网络维护的实时性, 预测网络流量峰值, 预警异常流量, 有效防止网络堵塞改造网络、提高网络服务质量, 优化用户体验。

2) 运用大数据的预测, 精准地洞察客户需求, 增强市场竞争力。

通过使用云计算对大数据分析、数据挖掘等工具和方法, 电信运营商能够整合来自市场部门、销售部门、服务部门的数据, 从各种不同的角度全面了解自己的客户, 对客户形象进行精准刻画, 以寻找目标客户, 制定有针对性的营销计划、产品组合或商业决策, 提升客户价值。

3) 升级行业信息化解决方案, 提升客户价值。

智慧城市的发展以及教育、医疗、交通、环境保护等关系到国计民生的行业, 都具有极大的信息化需求。目前, 电信运营商针对智慧城市及行业信息化服务虽然能够提供一揽子解决方案, 但主要还是提供终端和通信管道, 行业应用软件和系统集成尚需要整合外部的应用软件提供商, 对于客户的价值主要体现在网络化、自动化等较低水平。而随着社会、经济的发展, 客户及客户的客户对于智能化的要求将逐步加强, 因此运营商如能把大数据技术整合到行业信息化方案中, 帮助客户通过数据采集、存储和分析更好地进行决策, 将能极大提升信息化服务的价值。

4) 提供基于云的数据分析服务, 开拓大数据蓝海市场。

大数据和云计算相结合, 使得数据分析也可以作为一种服务进行提供。通过云计算的数据挖掘, 加强数据运用的有效性, 电信运营商可以在数据中心的基础上, 搭建大数据分析平台, 对数据进行分析, 满足在线广告、电子商务等行业的数据分析需求。

3.2 挑战

在大数据、云计算方面, 由于其数据的“集中化”特性, 一旦黑客成功利用漏洞侵入云系统、由此造成的潜在影响将极为严重。网络犯罪分子还可以利用云计算资源实现个人目的。

大数据是社交技术、云计算、移动计算以及互联网的交叉使用所带来的必然性信息集合, 同时也是新的安全隐患。对大数据的开发及利用会影响数据的隐私性, 与此同时, 恶意人士则可能利用大数据创造出新的攻击类型与攻击载体。

目前大数据云计算安全方面已经暴露出很多严峻挑战。概括地来说, 这些挑战主要包括数据保护、数据访问控制以及数据过滤等问题。由于大量的数据产生、存储和分析, 数据保密和隐私问题将在未来几年内成为一个更大的问题, 企业必须尽快开始研究新的数据保护措施。而电信运营商在网络安全、数据中心安全等方面具有优势, 如能以此为基础, 建立整个大数据领域的安全保障优势, 必将从大数据的发展中获益匪浅。

大数据时代顺昌逆亡, 如今社会变革的重点在数据、信息, 我们是时候把聚光灯打向“I” (信息) , 关注信息本身。大数据时代的经济学、政治学、社会学和许多科学门类都在发生本质上的变化和发展, 进而影响人类的价值体系、知识体系和生活方式。

参考文献

[1][英]维克托.迈尔-舍恩伯格, 肯尼思.库克耶.大数据时代[M].盛杨燕, 周涛译, 浙江人民出版社, 2013:2-21.

[2]袁婕.大数据时代的商机[J].现代商业, 2012 (30) .

[3]黄荷.大数据时代降临[J].半月谈, 2012 (17) .

[4]房秉毅, 张云勇, 程莹, 等.云计算国内外发展现状分析[J].电信科学, 2010 (40) .

大数据在电信 第11篇

摘 要 随着新时期各类信息技术的不断升级发展，信息技术已经渗透到各个领域中，在当今电信人力资源管理体系中，信息技术的应用至关重要，特别是数据挖掘技术的实践应用已经发展成为电信人力资源管理体系的技术保障。本文着重研究数据挖掘技术在电信人力资源管理中的实践应用，透过数据挖掘技术的深入分析，充分开拓利用数据挖掘技术在电信人力资源管理中的潜在作用。为构建现代化、科技化电信人力资源管理体系提供技术支持。

关键词 数据挖掘技术 电信 人力资源管理 实践应用

一、前言

21世纪，在知识经济浪潮的推动下，人才的竞争已经发展成为企业竞争的关键本质。人力资源管理领域越来越受到社会各界的重视。伴随着柔性化人力资源管理理念的兴起，现代化的人力资源管理体系中单凭先进的理念无法满足日益升级的市场竞争需求。要想保障人力资源管理体系发挥长效的生命力，还需要借助现代信息技术的支撑。电信行业的技术发展是信息技术更新升级的名片之一，在电信人力资源管理实践中，应充分重视技术的支撑以及其积极的反作用。只有宏观上掌控数据挖掘技术的使用领域，不断拓宽数据挖掘技术对电信人力资源管理实践的功能性，才能更好地发挥数据挖掘技术服务于电信人力资源管理的最大化效应。

二、数据挖掘步骤分析

数据挖掘就是在大量数据里利用分析工具发现数据和模型间关系过程，并通过模型与关系来预测。数据挖掘步骤通常包括准备数据、模型构建、验证与评价模型、模型实施四个步骤。

（一）程序化的数据准备

数据准备主要包括取样、特点探索、研究与预处理数据。与此同时，正确选择数据源作为数据挖掘关键环节，还需把握问题本质，择选合适数据以及进行必要调整。数据挖掘目的就是要寻找电信企业运作规律，因而取样数据时务必要对数据质量严格把关，无论任何时候均不可忽视数据质量。

（二）科学化的模型构建

模型构建作为数据挖掘重点环节，构建模型时需要认真观察哪种模型对本电信企业最有用。模型类型既可以是决策树，也可以是神经网络与传统数学统计。对本电信企业选择模型时，要结合本企业电信实际情况，了解对数据所需做的预处理的工作，例如：神经网络要进行数据的转换。当所有数据均准备好后，就要对模型进行训练。

（三）精确化的模型验证与评价

当通过以上步骤获得一系列分析结果与模型后，其中一种评价方法就是直接采用原有模型构建样板数据进行验证，当获取较好评价后，就表明在数据样本里挖掘出了满足实际规律性。当此方法行不通时，就可寻找另一批数据，虽该种方法验证效果相比第一种要差，但是相差程度却有一个度，否则就表明样本数据缺乏代表性或模型不完善。此外，还可通过实际运行环境获取新鲜数据来验证。

（四）模型实施

构建模型并通过验证后，就可采取以下两种方法来实施：第一种，将模型提供给工作人员以及分析人员作为参考，让他们通过查看与探究该模型后得出行动实施建议；第二种，将模型使用在一个数据集上面，用模型来标识事例类别，并给申请打分，或让模型在数据中寻找特定符号要求记录，在采取数据挖掘技术进行进一步分析。

三、探究数据挖掘技术在电信人力资源管理中的实践应用

数据挖掘技术在电信人力资源管理中的实践应用不仅为公司发展战略给出了合理人才规划，还实现了公司人力资源其战略和公司发展战略有机结合。下面探究数据挖掘技术在电信人力资源管理中的实践应用。

（一）数据挖掘技术在电信人力资源管理中的实践应用步骤

1.对挖掘目标进行确定

根据电信企业的实际状况，对挖掘目标进行确定，以寻找电信企业员工的职称、年龄、学历、性别等属性和离职与否间关系，从而在电信企业中找出潜在离职者，进而针对该些潜在离职者，对其采取一系列措施，例如：提高福利、薪资、变更工作性质等来达到降低离职率的目的，因而也可以为电信企业减少损失，形成稳定员工团队。

2.挖掘数据准备

按照人力资源管理部门数据对员工资源间关系进行确定。在职员工的基本信息包括：工号、性别、姓名、所在的部门、现担任的职位、职称、年龄、婚姻、政治面貌、文化程度、入党时间、进电信公司时间、身份证号码等。离职员工的基本信息包括：工号、性别、姓名、所在的部门、职称、年龄、婚姻、政治面貌、文化程度、入党时间、离开电信公司时间、身份证号码等。从以上基本信息中可看到在数据源中获取历史数据，具有存在量大、定义较复杂、属性较繁多、不健全等特性。因此，需要我们在大量数据中择选符合分析条件的数据，并采用SQL查询语句压缩、汇总和删除等来操作员工信息其关系的数据库

3.模型构建

构建模型时，最常用数据挖掘技术为遗传算法、决策树和人工的神经网络。针对电信企业人力资源管理实际情况，最为常用数据挖掘技术为决策树的分类法。建立决策树的过程，就是切分数据过程，并且每次切分均对应着一个问题和一个节点，同时每个切分全部要求分成组间有着最大差异。每种决策法其算法间主要不同就是对该差异衡量模式区别。对于电信公司人力资源管理，我们可将切分当作是将一组数据其分成几个部分，要求统一份内数据要尽可能的相同，不同份之间的数据要尽可能不相同。该类切分过程同样也被称作数据纯化。

（二）数据挖掘技术的实践运用对电信人力资源管理所起的作用

1.优化了人员配备

电信企业熟悉组织内部的人才类型与构成，掌握员工具体实际情况，对选拔人才与制定人才战略具有重大作用。数据挖掘技术在人力资源管理中的应用能够在组织内众多的数据库里获取人力资源的信息，并发现其模式与联系来达到优化其人员配备的目的。

为有效达到以上目的，常采取以下四个数据挖掘步骤：

（1）对数据进行预处理，即净化和收集数据源信息，贮存在数据的挖掘库中；

（2）搜索模型，采取数据挖掘技术在数据里寻找有用的信息，并构建相应知识发现的模型，该搜索过程即可以由系统自行，同样也能加入用户互动过程；

（3）结果分析，数据挖掘搜索过程通常需要重复很多次，因此需要不断的修正搜索，从而形成最终的结构报告；

（4）知识同化，即对结果报告进行解释，并根据此结果实行必要措施，该工程乃人工的过程。

2.预防了人才流失

人才流失将会给电信公司带来巨大损失，因此做好防止人才出现流失状况是人力资源管理重大工作之一。为预防电信公司出现人才流失，要求对已经流失人才给予调查，包括他们的特点、身份以及离职原因，进而构建模型。可采取的数据挖掘步骤为：

（1）整理数据，把离职人员全部信息都从电信企业数据库中导入到人力资源信息体系中，将和离职有着密切关系信息属性分离出来，同时构建相应数据表，确定数据在挖掘途中所需的基本变量；

（2）构建模型，运用决策树方法，将切分当作是将一组数据其分成几个部分，要求同一份内数据要尽可能的相同，不同份之间的数据要尽可能不相同。该类切分过程同样也被称作数据纯化。

3.健全了人力资源的精确管理

人力资源管理所要解决的根本问题就是高效为客户给予优质服务。数据挖掘技术的使用健全了人力资源的精确管理，实现了生产效益和工作效率的提高。具体实行步骤为：

（1）整理数据，分析人力资源管理体系中员工的完成业务和工作信息，将员工的工作能力与业务所需要的时间作为属性，构建成数据表，并在数据处理中确定所需基本变量；

（2）模型构建，该模型的构建能力让管理者及时掌握岗位工作的负荷，并判断员工总量的配置合理与否、人员的结构失衡与否，进而提高生产效益，为电信企业创建效益。

四、结束语

综上所述，数据挖掘技术具有其本身独特的现代化技术基底，在电信人力资源管理过程中要不断开拓数据挖掘技术的积极效能，通过宏观掌控数据挖掘技术的关键，深入研发，合理建立相关人力资源管理模型，从而全面提高电信人力资源管理的精确度。多维度普及数据挖掘技术在电信人力资源管理中的应用结构，营建人力资源知识共享平台，优化人才结构配置，从而引导建立健全的人力资源绩效考核机制，为电信行业的发展提供必备的人力资源管理技术支撑。

参考文献：

[1]王庆,郑汉超.数据挖掘在人力资源管理中的应用及展望.企业活力.2010(4):68-71.

[2]董洪敏,衣龙海,辛爱莉.数据挖掘在人力资源信息化管理中的应用.商场现代(下旬刊).2008(531):306-306.

[3]王明东.数据挖掘技术在高校人力资源管理中的应用.考试周刊.2011(75):151-152.

大数据在电信 第12篇

一、大数据会告诉我们什么

通过老用户的使用数据分析, 详细的了解用户的需求。通过对锁定上网流量和上网时长, 进一步对使用习惯进行明确, 来分析宽带用户;通过对终端品牌类型、价位、品牌进行分析客户喜好, 对其进一步营销时更加有针对性。通过对终端信息的了解, 来针对性的分析客户需求。

1. 宽带。

大数据可以清晰的了解整个区域甚至细到每个网格的宽带用户结构, 拥有的宽带用户数, 其中光用户和非光用户占比, 宽带速率及套餐结构, 到期情况, 续签情况, 曾经参加过的活动, 宽带使用习惯, 每天平均使用时长等。

锁定上网流量和上网时间的双高用户, 区分是否为游戏、视频活跃以及高活跃用户。另一方面, 可明确网格化小区光覆盖情况和光用户发展是否平衡, 了解区域内光网格情况, 在这个基础上, 就可以采取有针对性的宣传和营销措施。

2. C网。

通过大数据分析, 可以知道用户整个使用手机的习惯, 上网流量, 语音习惯, 终端注册的时间, 对终端的价格承受、品牌偏好及客户其他喜好等。另一个方面, 能知道用户在网时间, 协议到期时间明确维系的主次。

3. 宽+C。

(1) 1拖多上网。通过数据分析, 账户下没有C网资产的宽带用户, 却有手机上网行为, 结合宽带速率, 明确风险。 (2) 融合手机零流量用户。账户下有C网资产, 但是C网手机流量为零、或者手机依托宽带上网行为、甚至流量语音为双零的用户。此类客户离网成本较低, 风险较大。

二、在大数据基础上的营销建议

在大数据提供行为分析数据的基础上, 通过精确的营销系统提供专题活动数据发布、取数及活动跟踪。对用户的行为特征和价值属性进行识别, 对用户行为特征分类与策略指引。分渠道协同。通过用户的筛选、细分, 设计个性化的销售策略, 进行精确的营销派单。全渠道全出点协作, 触点信息交互共享。1.宽带:光宽提速、低宽保有。建议在数据的基础上, 对光覆盖全面的小区, 做好现有非光用户的改迁, 强化小区内的高宽百兆的宣传强化, 可选择网页推送百兆宽带。特别是对游戏、视频高活跃的用户, 加强低速率光用户提速行动。针对覆盖一般的区域, 加快光覆盖区域的普通线路用户迁, 做好普通线路用户的网格全光落实的同时对非光区域进行光宽的预受理, 针对普通线路用户占绝大多数网格, 则可先加强的光改落实。在这个基础上, 有针对性的设计低宽政策, 对光纤未覆盖及对高宽无需求的用户做一个有效的保有, 在保证宽带整体体量的基础上, 才有机会再在质上有一个提升。坚持先保有, 再提质。2.C网。结合用户对智能机的需求, 从智能机使用时间长短、手机屏幕的大小, 流量的多少, 高活跃的APP的应用等情况等开展针对性营销, 通过不同的触点切入, 保证营销的成功率。比如对流量需求较大的用户, 建议其更换智能机时可推荐屏幕较大的的终端配合大流量套餐;看到数据体现手机使用时间较长的时候, 也可以做很好的切入做更换4G终端的引导。3.宽+C。针对1拖多上网现象, 且没有C网资产的宽带用户, 针对竞争对手的手机消费X元宽带免费送的政策, 会导致离网现象到期较多。所以要加快宽带提速, 防止用户离网。

三、全渠道联动做存量经营

具体做法:通过外呼邀约、推送邀约、宣传布置、门店布置来邀约客户到店升级4G终端。改变以往简单粗放的3升4活动, 由只升4G套餐不换4G终端, 转变为以4G终端升级为核心, 做大真4G规模。以大数据挖掘为基础, 以网格店为核心, 全渠道联动做存量经营。

通过一步到位升4G营销七步来促成整个营销过程。第一步:锁定用户、提取数据。在前期数据分析的基础上开展后续的工作。第二步:细分数据、精确配餐。针对不同客户指定个性化的营销, 增大营销成功率。第三步:分类外呼、邀约入厅。第四步:门厅装饰、筹划预热。营造门店活动氛围, 结合厅外场营销扩大炒暖店效果。第五步:入厅体验、耐心营销。真机体验, 用性能吸引客户, 结合客户需求, 促使成功。第六步:确认下单、一步升级。换卡开功能升4G.。第七步:营销复盘、优化提升。每次活动组织复盘, 总结不足, 加以提升。

引客入店, 一步到位升4G提百兆, 以社区门店为载体, 开小批量展多波次促销活动, 实现存量用户成功维系, 价值再提升。