爱华网
2015年8月出版
正文目录
1. 移动互联推动运营商跨入大数据时代 ...................................................................... 3
2. 通信大数据价值对比互联网、金融大数据特点显著 .............................................. 4
2.1、大数据技术助力运营商数据获取能力拓展 .......................................................... 4
2.2、互联网企业大数据人群广度上仍有所不足 .......................................................... 6
2.3、金融企业大数据在对人群属性定位在过于狭窄 .................................................. 7
2.4、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
3.1、通信大数据可细分为五个产业环节 ..................................................................... 9
3.2、采集环节价值并不显著 ........................................................................................ 10
3.3、非结构化数据特点推动大数据库卡位的价值 .................................................... 11
3.3.1、创新公司高估值表明大数据底层架构体系受到欢迎 ..................................... 12
3.3.2、 Hadoop 体系将是大数据时代最有可能的发展方向 .................................... 12
3.3.3、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
4.1、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
4.2、大数据分析将是有别于传统数据分析的新市场 ................................................ 17
4.3、大数据应用将是最大的蛋糕所在 ........................................................................ 19
4.3.1、大数据营销公司获得市场青睐 ......................................................................... 19
4.3.2、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
5.1、大数据行业现状 .................................................................................................... 20
5.2、运营商大数据商业模式 ........................................................................................ 22
5.2.1、传统模式：经营分析 ......................................................................................... 23
5.2.2、第三方分析 ......................................................................................................... 23
5.2.3、精准营销 ............................................................................................................. 23
5.2.4、第三方合作 ......................................................................................................... 24
5.3. 运营商大数据市场规模 ......................................................................................... 24
5.3.1、运营商DSP ........................................................................................................ 24
5.3.2、消费金融 ............................................................................................................. 26
5.3.3、信息安全监测 ..................................................................................................... 27
5.3.4、运营商大数据加大投入 ..................................................................................... 28
6、电信运营商大数据投资建议 ................................................................................... 29
6.1、运营商大数据进入实质性商业阶段 .................................................................... 29
6.2、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 ................ 30
6.3、大数据挖掘技术快速发展 .................................................................................... 30
7、主要公司分析 ........................................................................................................... 32
7.1、东方国信 ................................................................................................................ 32
7.2、烽火通信 ................................................................................................................ 32
3.3、荣之联 .................................................................................................................... 34
7.4、风险提示 ................................................................................................................ 35
图表目录
1. 移动互联推动运营商跨入大数据时代
互联网时代正面临着从IT（Information Technology）时代向DT（Data Technology）时代的演进，大数据已经成为主旋律，而作为最为庞大的大数据资源行业——电信运营商行业即将面临时代赋予的机遇，带来诸多的投资机会。
受益于移动终端数量的快速普及和移动网民数量的大幅增长，运营商已形成 有效的用户大数据，其自2012 年左右启动大数据搜集，并于2013 年起开始陆续收集大数据，开始累积比较完整的用户信息；进入2014 年后，运营商基本已进入到全用户数据采集阶段并已开始积极寻求合作，目前已有部分产品雏形。根据调研的情况，某省分运营商目前采集的数据量已经达到PB（1PB=1024TB）的级别。
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。
图表 1:电信运营商数据采集的层次与阶段
图表 2：中国电信大数据发展路线图
此外，运营商大数据现在主要分为三部分：采集、分析与应用（如图表1）。 由于运营商现有商业智能合作方对于运营商情况较为了解，可能优先获得业 务拓展的机会。此外，运营商倾向于一站式解决问题的供应商以提高项目效率与效果。因此，提供一体化商业解决方案的现有合作公司更有望获得运营商的优先合作机会，并且在运营商大数据资本开支投资不断增长的情况下获益。
2. 通信大数据价值对比互联网、金融大数据特点显著
2.1、大数据技术助力运营商数据获取能力拓展
目前运营商在用户数据的获取上不断扩大范围，从最初的用户信息、通话信 息、账单信息等快速延伸，目前已包含：1）传统数据：如用户通信信息、账单信息、用户个人信息、客服信息等；2）个人附加信息：如位臵轨迹等；3）APP 使用数据：主要包括APP 下载、用户对APP 的使用时长、点击等数据。在上述数据的基础上，目前运营商已经构建了多个大数据平台，全方位、多角度地收集用户信息。
图表 3：电信运营商大数据平台
运营商天然具有用户的信息，并且在这几年国家力推用户实名制后，运营商 基本具备用户真实信息和完整信息。此外，考虑到，手机信息非常重要，主要有以下几大原因：
图表 4：手机数据具有重要作用
利用这些数据进行对内及对外的大数据运营将是运营商扩大自身价值的不二选择，而在此之前对于数据收集、管理、应用的投入也将不断增加，利好产 业链。
2.2、互联网企业大数据人群广度上仍有所不足
反观互联网企业，虽然在各自垂直领域拥有较为深入的数据，在深度上较有 优势，但是其数据覆盖面较窄，可能难以勾勒出用户全景。可以以BAT 三家大数据情况为例：
1）阿里巴巴：阿里最为突出的是电商数据，尤其是用户在淘宝和天猫上的商 品浏览、搜索、点击、收藏和购买等数据，其数据最大特点是从浏览到支付形成的用户漏斗式转化数据。借此，阿里拥有用户的交易数据和信用数据，并通过支付宝获得用户实名认证。此外，阿里巴巴还通过投资等方式掌握了部分社交数据、移动数据，如微博和高德等。但典型如芝麻信用，其能够定位信用度较高的人，但是由于其数据对人群覆盖广度的不足，无法定位信用度不够的人，这一点在其实际应用中已有体现。
2）百度：百度的数据以用户搜索的关键词、以及被抓取的网页、图片和视频数据为主，百度的数据特点是通过搜索关键词直接反映用户兴趣和需求，百 度的数据以非结构化数据更多，但是其无法得知用户个人信息和最终消费行为等。
3）腾讯：腾讯拥有用户关系数据和基于此产生的社交数据。这些数据可以分析人们的生活和行为，从里面挖掘出政治、社会、文化、商业、健康等领域 的信息，但是其社交信息也存在非实名制问题，同时，腾讯也无法得知用户的具体行为，只能做出一定的推断。
图表 5：BAT 大数据来源
2.3、金融企业大数据在对人群属性定位在过于狭窄
金融大数据重点如银联大数据、银行大数据等，其主要特点是对用户的消费 交易流水、资金流水等能够进行获取利用，主要能够对该用户的支付能力判 断提供较好的数据支撑，但对比于电商大数据，其对用户具体消费属性的定 位可能有所欠缺，对特定O2O 需求更是缺乏定位。
2.4、运营商大数据在定位用户O2O需求方面优势显著
以BAT 为首的互联网企业在各自领域已积极布局大数据，并已对大数据挖掘等进行深入探索。但是，互联网厂商数据在O2O 时代仍存缺陷。如果把全国社会消费零售总额区分为“提袋消费”和“非提袋消费”两类，则提袋消费占据大概1/3，也就是可以通过物流等方式实现的商品购买行为，这部分是受电商冲击比较直接的部分，BAT 和携程等的数据能够较好的搜集用户关于提袋消费方面的数据；然而在占据2/3 的非提袋消费中，主要特征为无法线上消费，但是可以线上预订必须线下消费，也就是大家所说的O2O，比如旅游、娱乐、健康、教育等，而在这个领域，电信运营商可以通过用户的电话指向、搜索关键词、位臵信息、APP 使用特征等较为全面的描绘，而在互联网领域由于O2O 业务本身并
未成熟，相关数据欠缺。在O2O 用户需求数据搜集方面，运营商大数据明显更胜一筹。
图表 6：互联网企业信息具有局限性
3. DT 时代通信大数据将迎来货币化大机会
流量经营时代将驱动运营商强化大数据应用能力带来行业性机会近两年运营商对于大数据的经营发生了较大变化，从过去主要采集用户信息、ARPU 值等用于经分、客户维护等，逐渐转向信令数据、用户数据、APP 数据的采集和分析等。这其中主要由于发生了几大变化，使得运营商更注重大数据：
1）移动互联网时代的到来：进入到移动互联网时代，手机变成用于上网最多的终端。在移动端上，运营商可以监测到每个用户使用的流量、用户的常用 APP、每个APP 打开次数、停留时间、搜索和浏览的网页等；
2）由增量用户抢夺变为存量用户维系：目前移动用户已达13 亿户，新增空间已十分有限。运营商的策略讲从争夺新增用户转向存量市场的挖掘和用户维 系，并且提高单用户的ARPU 值。因此，运营商更加关注大数据，希冀从中能够获得更多用户习惯和偏好进而通过针对性的措施提升ARPU。
从运营商进行大数据挖掘的出发点进行考量，运营商目前最为关心的将主要 聚焦于如何用大数据提升用户的流量使用量，以及如何通过新的商业模式获 取更多收益。重点把握DT 时代大数据三种关键机遇
3.1、通信大数据可细分为五个产业环节
对于大数据的关注不应当仅仅局限于其应用领域。大数据的成功必然是整个流程的运作成功。在获取大数据后，其应用流程应当包含：采集、大数据库、分析与应用。
目前，在数据中，非结构化数据的占比已快速增长，而且非结构化数据与结 构化数据相比增长速度快10 到50 倍。根据IDC 的报告显示，目前大数据中非 结构化数据占到了80%~90%之间。非结构化数据主要包含邮件、视频、微博、手机呼叫、网页点击、搜索等数据来源。可以说，非结构化数据随着互联网、特别是移动互联网的发展而快速兴起。如果说结构化数据用详实的方式记录了企业的生产交易活动，那么非结构化数据则是掌握企业命脉的关键内容，所反映的信息蕴含着诸多企业效益提高的机会。因此，只有解决非结构化数据的分析困难，才能有效挖掘这些数据背后的价值，驱动企业价值提升。未来，非结构化数据将占到更加主导的地位。随着非结构化数据的爆炸式增长，传统体系已难以支撑。主要原因为：（1）传统体系无法支撑短时间内大量数据的采集；（2）传统体系要求必须将数据进行归档和分析后进行储存；（3）传统体系的大数据调取和分析需要耗费大量时间。（4）庞大的规模、指数级的增长和多变的特征使得大数据迫切需要一种可伸缩性更强、更灵活的数据管理和分析框架。而传统体系难以实现。
因此，大数据产业链将主要分为如下几个环节：基于采集设备和存
储设备的部署、大数据库开发运维、分析以及应用。
图表 7：运营商大数据产业链环节
在目前数据快速增加、大数据需要先存储再之后再按需及时进行大规模数据分析的现状，传统体系将遇到重大挑战，而这也是将数据采集、存储作为重要环节的原因。其中，随着目前基础架构的革新，采集和存储、乃至分析的相关性都愈发增强。随着大数据的发展，Hadoop 日益成为该领域的主流架构，其在各项领域中均较原有的架构和体系拥有较大进步。
此外，在分析层面，未来的分析工具将是集合从采集、分析到应用的一体化 大数据分析平台。以美国公司Splunk 为例 ，其为客户提供的是从数据采集、索引、核心功能到最终应用的一整套大数据分析平台，而非仅仅是最后一套设定的分析工具。在该平台上，用户可以随时按需定制化或更改应用。在数据分析后，Splunk 能够给出可直接使用或查看的结果。对于用户而言，在Splunk上可以实现数据分析的全过程。Splunk 目前市值已达80 亿美元。而在应用层面，运营商大数据的应用范围将远不止于目前已经较为成熟的精准营销范畴，未来运营商将与第三方合作，将大数据的应用扩展到更多层面的应用，包含金融、流量经营等。目前，联通已与招商银行成立“招联消费金融有限公司”，双方将在大数据方面进行深入合作。未来，类似的合作将更多。
3.2、采集环节价值并不显著
运营商在大数据的采集上主要使用DPI 等进行。DPI 能够感知网络应用，给运营商提供网络控制和管理的手段。通过部署DPI 系统，运营商在流量及大数据方面可以做到：
1）了解运营商网络的实际运营情况：DPI 系统能将网络上的流量情况从不同角度采集数据并且呈现给运营商；
2）优化网络：在了解网络运营情况的基础上，运营商可以利用自身网络资
源，重新整合网络价值，从而达到降低投资成本的目的。
由于运营商在大数据上的持续布局，运营商对于DPI 等采集设备的需求也在持续扩张。以中移动为例，可以从其“中国移动采购与招标网”上注意到，DPI 设备在不断进行采购，从总部到各省分均有较大需求，DPI 设备在运营商部署 初期存在快速上量的机会。
但是从目前来看，DPI 虽然采集数据，但是采集的数据较为常规化，并且采集数据的种类和范围通常由运营商提出需求，DPI 设备和运维商根据需求进行相 应调整即可。
图表 8：中移动DPI 采集设备集采招标
3.3、非结构化数据特点推动大数据库卡位的价值
大数据时代，对于数据有了新的需求，首先数据库要能够存储大量数据并且 数据库易延展性较好，能够随时扩容；其次，非结构化数据也要能够做到易 于存储并随时按需调用；第三，大数据分析能力需要高效。而传统关系型数 据库在上述三者均遇到较大挑战。相比而言，Hadoop 体系能够较好地满足上 述需求，因此日益成为该领域的主流架构。
3.3.1、创新公司高估值表明大数据底层架构体系受到欢迎
Hadoop 商用企业Cloudera 估值超40 亿美元
在Hadoop 生态系统中，Cloudera 规模最大且最为知名。Cloudera 成立于2008 年，是最早将 Hadoop 商用的公司。Cloudera 于2014 年4 月宣布完成一轮9 亿美元的融资，其中包括英特尔投资的7.4 亿美元。当时，Cloudera 的估值约为41 亿美元。
Cloudera 的客户包括AOL、哥伦比亚广播公司、eBay、Expedia、摩根大通、 Monsanto、诺基亚、RIM 和迪士尼等。Cloudera 提供了Cloudera Enterprise、ClouderaManager 以及Cloudera Navigator 等管理软件，实现数据的安全性、可扩展性和易管理性。
Hortnoworks 估值超10 亿美元
Hortonworks 成立于2011 年，是雅虎与Benchmark Capital 合资组建的公司，也是一家完全支持开源的Hadoop 公司。截至2013 年4 月财年，其年度营业收入仅仅1100 万美元，但该公司的合作伙伴已超过140 个，其中包括微软、Teradata和Rackspace 等行业巨头。2014 年，公司收入中的60%来自于“productionsubscriptions”，另外40%的份额是来自培训和咨询业务。Hortnoworks 已经上市，目前市值为10 亿美元。
3.3.2、 Hadoop 体系将是大数据时代最有可能的发展方向
Hadoop 原本来自于谷歌一款名为MapReduce 的编程模型包。谷歌的MapReduce框架可以把一个应用程序分解为许多并行计算指令，跨大量的计算节点运行非常巨大的数据集。使用该框架的一个典型例子就是在网络数据上运行的搜索算法。Hadoop 最初只与网页索引有关，但由于体系适宜大数据特征，其优 越性使得其迅速发展成为分析大数据的领先平台。
图表 9：Hadoop 体系优越性
此外，考虑到运营商的非结构化数据来源过于广泛，可能出现需要的数据占比过低的问题。因此，在获取和采集数据后，需要进行“数据清洗”，将不必要的信息进行清洗，以达到减少数据存储量以及存储有用信息的目的。“数据清洗”的步骤在数据采集以及进入大数据库之间，随着数据量的迅速上升，该环节将得到更多重视。
3.3.3、适应DT时代运营商积极转变
BOSS（电信业务运营支持系统）融合了业务支撑系统（BSS，B 域）与运营支撑系统（OSS，O 域），是一个综合的业务运营和管理平台，同时成为融合传统IP 数据业务与移动增值业务的综合管理平台。该系统基本功能包括用户资料管理、计费、结算等。其中BSS 域更偏重于传统电信经营领域，包括计费等；而OSS 域更偏重于网络域，即用户网络访问行为等。过去，BSS 和OSS 相对分离，并且BSS 在传统的通信中更受重视。然而，在移动互联网时代，OSS 所获取的偏互联网相关数据逐渐受到重视，并且将在运营商大数据时代起到更为重要的作
用。从长远来看，OSS 将获得更快发展。同时，由于BSS 和OSS 获得的信息互补，因此两者融合的趋势较为明显。考虑到BSS 业务布臵多年、运营已达精细化程度，而OSS 相对起步较晚，运营商对于原有BSS 布臵和运维的企业的依赖要高于OSS 的，而且OSS领域原有企业领先程度并不如BSS 领域的明显。因此在原有BSS 领域布臵和运营的企业更可能进行这种融合。
图表 10：B 域与O 域融合且O 域不断受到重视
此外，注意到，由于运营商开始注重O 域数据，而这类偏互联网的数据 量将原有数据将明显增加。在传统B 域，运营商只需要记录用户通话数据、发短信数据、计费信息等，并且对于通话数据的记录也较为简单，基本仅包含：通话起始时间、挂断时间、通话时间、呼叫人、被呼叫人、地域等简单且结构化信息。而在O 域的数据将复杂地多，将包含：打开网页、打开APP次数、搜索关键词等多项非结构化数据。在移动互联网时代，该类信息量已远超过去，因此，传统的关系型数据库开始受到挑战。这种挑战主要体现在几方面：1）关系型数据库无法大规模扩展，尽管网络解决方案和优化在一定程度上改善了这个问题，但网络中仍然无法动态地创建新的集群，因此使用关系型数据库构建大数据解决方案就会变得异常昂贵和低效；2）关系型数据库不善于处理互联网时代下爆发的非结构化数据；3）SQL 和关系型数据库的组合对一些简单查询难以快速实现。 而Hadoop 体系对于大量的非结构化数据有其独到之处，获得各方青睐。未来， 运营商将主要依靠Hadoop 体系作为大数据库的底层架构。以中移动为例，在“中国移动采购与招标网”上注意到，中移动对于Hadoop 的招标非常频繁且持续不
断，表明运营商目前对于Hadoop 体系的大量建设需求，同时也间接反映出运营商在大数据上的快速前进。从调研情况来看，某运营商仅一省分公司每年对于Hadoop 体系的投资将达到数千万规模，集团公司层面将更多。
图表 11：中移动Hadoop 集采招标
4. 大数据分析将占据未来产业链技术能力核心
大数据从最初的原始数据必须转化为有效信息，再提炼出有效内容和规律后，才能最终应用。而其中转化和提炼的步骤需要由专门的大数据分析体系或软件来完成。由于目前数据过于繁杂，快速、高效地提炼出信息和规律并非易事，而考虑到这对于最终的转化与应用至关重要，因此大数据分析的重要性毋庸臵疑。
4.1、分析工具类公司高估值表明大数据分析体系有较高价值
分析工具Palantir 估值150 亿美元
Palantir 的数据挖掘软件来源于在线支付平台Paypal 的技术，当时被用于挖掘欺诈信息。Palantir 开发的软件可对各类数据进行分析，这些数据包括结构化内容、非结构化内容以及时间、地理空间内容。Palantir 的优势在于具有功能强大的数据库并允许用户对此类信息进行细致分析。2014 年11 月新一轮融资中，Palantir 的估值已经达到150 亿美元。
Palantir 的客户包括美国中情局（CIA）、联邦调查局（FBI）、联邦检察官、私人调查机构及其他客户所使用。此外，Palantir 越来越多的业务已来自于银行、保险、零售、医疗、石油和天然气等领域。
大数据专家Splunk 估值75 亿美元
Splunk 是机器数据的引擎，使用 Splunk 可收集、索引和利用所有应用程序、服务器和设备（物理、虚拟和云中）生成的快速移动型计算机数据 。从一个位臵搜索并分析所有实时和历史数据。 使用 Splunking 处理计算机数据，可在几分钟内解决问题。
Splunk 为客户提供的是从数据采集、索引、核心功能到最终应用的一整套大数据分析平台，而非仅仅是最后一套设定的分析工具。在该平台上，用户可以 随时按需定制化或更改应用。在数据分析后，Splunk 能够给出可直接使用或查 看的结果。对于用户而言，在Splunk 上可以实现数据分析的全过程。
图表 12：Splunk 的整体架构
Splunk 于2012 年推出基于Hadoop 的产品，该产品提供双向整合，能够快速且可靠地将数据在Splunk 与Hadoop 之间移动，且已针对Cloudera 与Hortonworks分布进行测试并得到认证。专注于大数据分析的Splunk 将自身与更擅长Hadoop定制化的Cloudera 及Hortnoworks 兼容，能够最大程度地将双方的用户、产品价值发挥到最大，产生良好的协同效应。
4.2、大数据分析将是有别于传统数据分析的新市场
在大数据使用的流程中，大数据挖掘和分析环节位于中部，在大数据采集、存储以及大数据应用之间。大数据分析环节既是由所拥有的数据决定，又由应用需求所决定。
传统的大数据分析软件主要基于传统的数据仓库和体系，并且在分析端通常 从通用模块出发。同时，考虑到传统的数据分析基于结构化数据进行，与大数据时代的大数据分析并非天然匹配。大数据分析对于需求要能快速响应、设计迅速并且易于更改；此外，应用开发的技术门槛需要大幅下降以应对该趋势。这就需要有别于传统分析软件的新产品，这将是新的蓝海。
大数据分析软件的主要发展方向将有两类：
1）行业普适性分析软件：这类软件能够为客户提供较多且普遍能使用的分析模块及工具，客户可在其中自行选择并使用；
2）行业定制化软件：这类软件对于行业有较为深刻的理解，同时能够为客户度身打造分析软件。这类软件对于专攻行业能够构筑起一定行业壁垒，更适 用于专业化和定制化要求更高的行业，`诸如：国家安全等。
图表 13：大数据分析软件发展战略
此外，由于大数据时代数据非结构化以及数据量增长迅速的特征，同时考虑 到其对应用需求的快速响应与灵活设计，这要求大数据分析软件与底层架构有着良好的匹配，并且可能呈现出融合的态势。Splunk 构建与Hadoop 高度兼容的软件即是该趋势的有力体现。
需要指出的是，Splunk、Palantir 等更偏重于是一款分析软件，虽然本身对于数据拥有较快的采集、索引和计算能力，但由于其软件特性，仍无法与Hadoop对于超大量数据的计算能力相比较。而由于Hadoop 更偏重于底层架构，在编程、定制等方面难度较大，需要耗费较大精力，而这恰好是Splunk、Palantir 等的优势。Splunk、Palantir 与Hadoop 更像是相辅相成的关系。以Splunk 为例，在Splunk 与Hadoop 构成的产品体系下，当需要进行超大规模的基础数据计算时，可以通过Splunk 将具体的运算需求提交给Hadoop，由Hadoop 进行大量计算后，将初步结果返回给Splunk；然后，Hadoop 可以将初步分析的结果进行存储和索引，以供后续更细致和定制化的分析需求。在该体系下，用户相当于 同时使用了Hadoop 与Splunk，同时享受到了两者的优势。
此外，由于政府需求的保密性与高要求，对于进入企业的要求较高，能够切 入政府市场的企业数量将非常少，而这类企业一旦进入，将根据政府部门的需求进行持续改进，从而不断优化自身产品，这将从客观上使得自身产品更具有优势。因此，进入政府部门的企业将在该领域获得持续的优势。对于其他商业行业也存在类似的先入优势，因为大数据分析企业在对行业有更多理解后，其定制化产品将更符合需要，但其优势并不如政府部门那么明显。大数据分析企业的优势在于自身产品的易用性（包括快速响应、灵活设计、输出结果的直观性）、数据处理能力和处理速度、切入行业、与Hadoop 等的结合程度。
4.3、大数据应用将是最大的蛋糕所在
大数据应用是将大数据进行变现的最终手段，目前比较成熟且广泛应用的变 现方式为精准营销。除此之外，未来大数据的应用和变现方式将获得更多探 索与尝试。
4.3.1、大数据营销公司获得市场青睐
大数据营销公司Marketo 估值14 亿美元
Marketo 公司定位于SaaS（软件即服务），Marketo 公司在云端提供一站式服务，包括集客式营销、线索管理、社交营销、活动管理、瞬间CRM 整合、销售仪表盘以及营销报告和分析服务。
Marketo 于2012 年收购社交营销应用开发商Crowd Factory，Crowd Factory 的社交营销应用让营销者可以宣传并优化活动，浏览社交分析与互动，营销者可以将促销消息发到每个社交平台，包括Facebook，Twitter，LinkedIn，横幅广告与邮箱，登陆页面，集社交管理和营销于一体的软件应用。Marketo 已上市，目前其市值约为14 亿美元。
4.3.2、大数据变现将是整个大数据应用的最后一公里
从整个大数据的使用流程来看，部分分析结果可以在企业内化，包括通过大 数据分析跟踪用户信用情况，减少坏账；通过分析网络使用情况进行网络优化；
通过大数据分析了解用户行为提高效率（诸如：客服系统等），这些都将直接或间接地提升运营效率，从而提升公司业绩。运营商大数据对外而言，其分析需要能够进行变现，而相应的应用，包括广告营销等将是较为成熟且可行的渠道。大数据变现的传统渠道为广告，然而，由于传统的广告推广方式效率过低且越来越受到用户所反感，精准营销及新型推广方式将受到越来越多的重视。
Facebook、Twitter 等社交网站和应用的营收主要来源于广告并且大有增长态势，联系到最近微信推出朋友圈广告，都表明社交与精准营销的结合将是未来一大方向。此外，上海某运营商在基于其大数据进行分析后，电话营销的推广成功率达到5%，较传统水平有了显著提升，表明大数据分析下的精准营销将有长足发展，而运营商的大数据也具有重要意义。可以进一步认为，分析与营销的结合将可能是未来发展的趋势。
5、通信大数据应用将迎来蓝海时代
5.1、大数据行业现状
中国大数据发展迅速，近年来得到广泛关注，目前已进入高速发展期。目前， 大数据商业模式已有部分获得市场验证，包括竞争营销等。此外，对照海外，借鉴其成功经验与商业模式，看到大数据未来仍然具有非常广阔的发展空间。
图表 14：中国大数据市场发展周期
参照海外经验，发现大数据的商业模式主要包含以下几点，其中不少商
业模式国内仍在探索或起步较晚，但仍可能是未来发展方向：
1）数据销售：该模式主要是指将原始数据进行销售，或者授权第三方使用自有数据。该模式在国内由于多种原因进展缓慢，国外主要在金融行业用于信 用分析等。
2）研究咨询分析：该模式是指公司（如咨询公司）通过自有数据、公开数据或第三方数据进行分析，得出行业报告或者某些特定方向的报告，并将报告 进行售卖的模式。
3）平台：该模式提供平台工具的出租，公司将自有数据导入其平台或利用平台工具导入第三方数据，并用其提供的工具进行计算，再将计算结果取回。 该模式下，平台按照数据量和使用时间进行收费。该模式可能与第三方数据 存储相融合，对于用户来说，将数据放在第三方数据仓库并使用其平台进行 计算，较为便捷。
4）广告等应用：通过将大数据进行分析和筛选，从而将广告需求对接至DSP平台等，供实时竞价等。
5）人工智能开发：该商业模式主要通过大数据分析不断进行人工智能产品的开发，如谷歌的智能驾驶等。该模式在国内应用仍较少。
6）第三方存储：在该商业模式下，公司本身并不自建数据库或者数据中心， 而是直接将数据上传到第三方进行存储和管理，该模式对于公司的资本开支压力较小。此外，注意到第三方存储由于其在技术和设备上的领先性，可以帮助公司在节省投资的情况下获得较好效果。
7）第三方分析：在该商业模式下，公司本身并不进行大数据分析，而是聘请第三方对自有大数据进行分析。通常，公司会指定研究方向或研究目的，由 第三方进行操作。同时，也注意到，第三方分析可能会基于第三方存储的技术上由第三方一并完成。
图表 15：大数据商业模式
中国市场各大数据相关企业近年来发展较快，并呈现出快速布局、技术不断 进步并且应用逐步落地的趋势。根据易观智库的报告，国内相对领先的企业包括东方国信、科大讯飞、用友软件、拓尔思等。其中，东方国信进展和技术积累相对较快。
图表 16：中国大数据整体市场实力矩阵
5.2、运营商大数据商业模式
具体到运营商，其对于数据分析的发展模式已从过去供内部使用的经营分析系统，逐渐演化，并已积极寻求与第三方合作。
图表 17：电信运营商大数据商业模式
运营商的大数据商业模式主要有：
5.2.1、传统模式：经营分析
该模式下，运营商会聘请第三方公司对于BOSS 系统进行运维，过去，BOSS 系统主要侧重于BSS 系统的运维，更偏重于对网络使用情况及用户电话、账 单等信息的分析。这类分析能够帮助运营商提升网络使用效率、更好地服务 客户等。
5.2.2、第三方分析
在大数据时代下，传统的经营分析系统遇到挑战，运营商会考虑如何更好地 使用其大数据。可以看到，运营商仍然会采取之前BOSS 系统的方式，自身采购硬件设备，并交由第三方进行运维和分析。目前来看，运营商已经开始采购Hadoop 产品，由于Hadoop 存在定制化，因此，运营商也会倾向于将后续运维等工作交由Hadoop 产品的提供者。
5.2.3、精准营销
在运营商根据用户的ARPU 值、地域、个人信息等大数据进行分析后，可以
进行精准营销。目前，这类合作通常是与第三方进行合作。由第三方提出有效 模型与算法，在运营商数据库中进行运行，并得出符合要求的人群，运营商 通过开放接口对其进行精准营销。在该过程中，第三方无法获得用户的准确 信息。根据调研，某运营商省分公司通过这种合作方式，使得其金融产品推销电话的成功率已高达5%。
以联通为例，沃门户与晶赞科技已经就广告进行合作，包括PC 客户端， Wap 客户端等，涵盖首页、内容页顶部通栏和底部通栏、合作频道等。合作方式 为：联通负责广告素材的审核，而晶赞科技提供全套广告解决方案。晶赞具 体负责从前期（包括位臵及类型在内的广告位价值挖掘），到后期（销售、 投放、制作及管理）的各环节并引入DSP 平台。该类合作即属于运营商大数 据时代下的精准营销。
5.2.4、第三方合作
运营商与第三方合作的方式将不仅限于精准营销。联通已经与招商银行成立 “招联消费金融公司”，共同面向互联网金融领域。该合作模式下，联通主要贡献的是其所拥有的庞大且真实的信息以及基于大数据所能分析出的结果。金融行业对于大数据的需求较为迫切，因为其牵涉的潜在受益或损失成本较高；此外，也由于其此，该项合作能够为大数据分析带来较高溢价，是典型的效用定价而非成本加成定价。运营商与金融行业的合作探索步伐将会加快。此外，运营商目前积极涉足物联网、尤其是车联网，这类合作将需要对于大数据进行有效采集与分析，同样将是运营商大数据未来积极发展的方向。
5.3. 运营商大数据市场规模
5.3.1、运营商DSP
精准营销是目前已经较为成熟且商业模式清晰的大数据变现方式， 中国DSP 广告投放市场呈现出快速增长的态势，根据艾瑞的预测，至2016 年市场规模将超过100 亿元。而作为拥有较多真实用户信息并且掌握全面数据的运营商，其在精准营销的增长潜力十分巨大。根据调研的结果，不少运营商省分公司均已
开始进行大数据第三方商业化合作，其中DSP 是使用最为广泛的方式。
根据调研，某运营商省分公司通过大数据分析的第三方合作，已经能够将金融产品电话推销的成功率上升到5%，效果十分显著。
图表 18:中国DSP 广告投放市场规模预测
基于DSP 市场的快速增长以及运营商在该领域的较大潜力，预测运营商 DSP 的市场规模将迅速达到10 亿并继续快速增长。而这其中，第三方合作方 将占据不可忽略的市场份额和作用。
在此，除运营商外，看好几类公司：1）已与运营商有多年深入合作并拥有相关分析实力的企业；2）在算法和模型上有领先性并能够为运营商带来客户的企业。
图表 19:DSP市场份额
5.3.2、消费金融
2013 年中国消费信贷规模达到13 万亿元，同比增长24.7%。预计中国消费信贷规模仍将维持20%以上的增速，到2017 年将超过27 万亿元。尽管如此，目前国内整体消费金融规模仍偏小，而且专业化服务机构十分不足。央行统计 数据显示，2013 年，银行业的信贷资产里，消费信贷只占15%；在消费信贷中，按照消费信贷1.5%的手续费用测算，则有1,950 亿的市场，其中消费信贷数据提供方有望获得1/3 的受益，即600 亿市场。
图表 20：消费金融运营商大数据可提供商业模式
目前，运营商也已开始涉入互联网金融领域，主要体现在征信领域。联通与 招商银行成立的“招联消费金融公司”即是较好案例。招商与联通的合作模 式主要体现在招商银行有对客户信用评级的迫切需求，而联通拥有大量真实 而全面的用户信息。当招行需要了解某位潜在客户的信用或个人情况时，可 向联通发起申请，联通会根据已有信息作出分析和判断，给出是或者否的判 断；或者给出某些标签。类似于此的商业模式将会在互联网金融大发展时期获得更多重视。目前，国内互联网金融发展的一大壁垒即是信用体系的缺失，而运营商拥有的宝贵大数据将是较好的解决渠道之一。
考虑到征信对于金融机构的潜在收益与潜在损失具有较大预判力，具有较大 价值，并且能够提供这类数据的机构相当有限，而拥有大量用户真实而全面 信息的企业更是极为稀缺。因此，该市场将为运营商带来大量收入。招联消费金
融公司即将于今年开始试运营，而这将是运营商大数据在金融领域的第一步。预计，两年内该市场份额将达到数亿规模。
5.3.3、信息安全监测
由于国家安全监测信息网络的特殊性，参照美国进行粗略估算。大数据 分析公司Palantir 已经上市，可以从其公开信息中进行了解。其客户包括美国中情局（CIA）、联邦调查局（FBI）、联邦检察官等。根据公开信息，自2009 年以来的五年时间，Palantir 已获得了联邦调查局、美国国防部和国土安全部累计2.15 亿美元的订单（即平均每年约5,000 万美元订单），而这仅仅是一家企业所获得的订单数，假设其占市场份额的5%，则市场规模达到60 亿人民币。根据IDC 的报告，中国国防在IT 上的支出已仅次于美国，大致推测相关市场规模也达数十亿。
此外，中国的信息安全产品市场规模仍在快速增长，目前市场规模已超200 亿元，预计仍将保持每年20%以上的增速。在信息安全中起到较大作用的信息监测市场也将获得快速发展。假设信息监测占信息安全市场规模的10%，则其规模也已超过20 亿元。
图表 21:中国信息安全产品市场规模预测
图表 22:中国信息安全检测市场规模预测
运营商作为拥有大量真实而全面信息的国有企业，其在信息安全方面将起到 举足轻重的作用，以运营商为依托的大数据分析将获得较大市场份额并将迎 来持续快速发展。
5.3.4、运营商大数据加大投入
运营商本身一方面在积极加大自身的投入，一方面也在经过过去两三年的大数据积累后，开始积极寻求第三方合作，根据实际调研的情况，运营商在大数据领域的步伐大致接近，移动相对较慢。整体而言，运营商从2014 年开始对外合作并已开始产生收入，2014 年三家运营商整体的大数据市场在12 亿左右。 而三家运营商在大数据领域的扩张在快速增加，除上述提及的几大方向外，运营商大数据在包括对内运营改善以及对外合作上都将有更多进展。预计未来两年每年的增速将高达200%以上。
图表 23:运营商大数据市场
6、电信运营商大数据投资建议
大数据的快速发展主要依靠三大驱动力，而这三大驱动力有望带来投资机遇：
6.1、运营商大数据进入实质性商业阶段
运营商在2015 年将加速推进大数据商业化。一方面：从运营商自身诉求看， 传统业务下降较快，运营商面临较大的收入和业绩增长压力，尤其是FDD 牌 照发放较晚所影响的联通与电信，而这两者在大数据领域步伐较快。招联消 费金融公司（招商银行+联通）很快将进行试运营，步伐超出预期，表明运营 商在大数据变现上的积极诉求。
在经过3 年多的BS+OS 大数据积累后，这些大数据的价值需要兑现，运营商基本在2014 年已经开始逐步试水，2015 必将有大动作，估计仅运营商大数据市场规模15 年30 亿、16 年100 亿。从合作方式来看，可以判断运营商不会成立合资公司，应是授权合作应用，这将给予有能力且已有深入合作的第三方先发机遇。
6.2、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
目前，诸多行业已逐渐被互联网、特别是移动互联网进行渗透，这将带动大 量的用户行为和信息，从而产生大数据。而能够检测到该类数据的企业将获得最大收益。由于不少需求难以在线上得到满足，诸如：医疗、教育、娱乐、旅游、出行等，这将带来各行业的信息化及各类大数据。
同时，单个企业获得的数据过于片面，并可能导致失真，最终难以形成全面信息采集和数据挖掘。而运营商在该领域能够获得范围较广且真实的信息，能够更好的进行后续数据挖掘与分析，如果将运营商数据能够与各行业内企业数据进行结合，将产生显著的协同效应。
6.3、大数据挖掘技术快速发展
在拥有大数据后，数据挖掘与分析将起到至关重要的作用。从美国市场来看， 大数据分析企业能够产生较高收益，并获得较高市场认可，最终反映为较高 的市场估值。专注于大数据分析的Palantir 以及Splunk 估值分别为150 亿美元及80 亿美元。并且由于大数据时代Hadoop 体系更为适宜，分析软件通常与 Hadoop 有着较为紧密的联系，Splunk 就是很好的例子。
东方国信在运营商大数据布局较早，不仅过去帮助运营商进行BI、运维等， 目前还积极布局基于Hadoop 的大数据分析，随着其在运营商各省分公司项目 的不断落地，其价值将得到不断认可。
图表 24：大数据发展三大驱动力
综合判断，运营商大数据蓝海看好全产业链布局者和行业理解深入者。运营 商大数据应用的直接方向就是精准营销，未来可能能够依托移动互联实现用 户定制化需求解决等方向。考虑到从技术、政策层面解决运营商大数据涉及 的用户信息保密等问题，运营商大数据仍未有深入的商业化运作，相关参与 者仍存一定技术差距，因此依托自身大数据应用如精准营销布局与运营商针 对性合作的厂商有可能率先获得信任，可重点看好。另外，部分BOSS 厂商早 期深度介入运营商CRM 体系，对其用户数据的理解和挖掘具有先发优势，可 重点看好。
图表 25：上市公司运营商大数据进展梳理
7、主要公司分析
7.1、东方国信
公司已经构建从大数据库技术能力-〉大数据资源整合-〉大数据应用布局的链条，公司大数据库技术已经在运营商得到有效验证，而大数据资源整合方面已在电信、金融、工业等领域布局，逐步树立门槛，在应用场景方面也已经走在前列。
图表 26：东方国信大数据资源所在行业的拓展
东方国信本身提供的Hadoop 产品拥有较强的竞争力，对标美国公司Cloudera，仅提供Hadoop 产品就估值40 亿美元。此外，东方国信向多行业进 军的战略也与美国公司Splunk 接近，而Splunk 估值已达80 亿美元。东方国信的竞争力毋庸臵疑，其在大数据、尤其是运营商大数据的领先性将给他带来持续的快速发展。预计到2016 年，仅运营商大数据市场规模就将达到100 亿，东方国信将重点受益。
7.2、烽火通信
2014 年11 月，烽火通信宣布收购烽火星空剩余全部股权，使之成为自身全资孙公司。烽火星空是目前国内信息安全的龙头企业，其业务主要包含网络信 息安全和移动信息化两大板块。在网络信息安全板块中，烽火星空的核心产品包括电信数据采集和分流平台、私有云存储和大数据分析平台两大系列的核心产
品；移动信息化板块，烽火星空的主要产品是企业移动应用平台ExMobi 和企业移动管理平台MobileArk。
图表 27：烽火星空业务布局
烽火星空的产品以网络信息安全产品为主，占其收入的90%左右，这类产品的最终客户以政府部门为主。随着信息安全形势的日益严峻，中国已成立了中 央国家安全委员会以及中央网络安全和信息化领导小组，并将信息安全上升 至国家战略高度。同时，随着行业用户对信息安全需求的增加，除政府、电信、银行、能源、军队等行业需求增长较快外，证券、交通、教育、制造等新兴市场的信息安全需求也在快速增加。我国信息安全行业将继续保持快速发展的态势。据预测，中国的信息安全产品市场规模仍在快速增长，目前市场规模已超200 亿元，预计仍将保持每年20%以上的增速。在信息安全中起到较大作用的信息监测市场也将获得快速发展。
图表 28：烽火通信大数据战略
烽火星空的业务偏重于国家政府部门的信息安全，由于国家安全的相关业
务涉及较高的技术要求、保密性、专业性等特性，同时由于大数据分析、运营等需要后续持续投入和维护，因此该领域的进入门槛较高且拥有一定的行业壁垒。烽火星空涉足该领域，不仅可能获得较高的毛利率水平，同时非常可能持续获得政府订单。同时，公司在获得政府订单的同时，也在积极寻求向其他行业，诸如证券、交通、教育、制造、能源等行业。有鉴于此，烽火星空所介入的大数据市场非常有价值，同时可以对标美国公司Palantir，其也在发展初期主要为国家部门提供大数据服务，并随后拓展至更多领域，Palantir 目前估值已达140 亿美元。
3.3、荣之联
公司先是于2013 年收购车网互联75%股份，随后又于2014 年收购泰合佳通，并于2015 年增发，将其中一部分资金用于车联网。公司的战略路径较为清晰，同时拥有较高的执行力，并且收购和实施的步骤都能有效完成当前阶段使命并为下一步扩张打好基础。荣之联基于自身原有业务，采取了“三步走”的战略： 第一步：控股车网互联，将车联网终端、服务与自有IT 规划、云计算、数据 中心等业务整合车网互联定位为物联网技术解决方案及服务提供商，综合运用移动、定位、云计算、数据采集融合技术为工具。依靠其自主研发的 Carsmart 移动资源管理平台，向用户提供物联网行业平台开发服务和移动终端软硬件产品；
1）个人用户：公司通过企业客户向个人用户提供服务（采用B2B2C 方式）；
2）公司客户：公司为行业客户开发相应的行业应用平台及相关配套终端产品。荣之联本身在IT 系统建设、云计算、数据处理方面具有优势；通过车网互联可以获得大量的车载信息与物联网终端数据，将自身形成良性循环。两者可 发挥协同效应，为目标客户提供从数据采集、数据存储、数据分析到数据应 用的整体解决方案，进一步扩大下游市场空间。据预测，到2015 年我国车联网应用和服务市场渗透率或将接近10%，而车联网市场规模将有望突破1500 亿，未来我国车联网市场发展前景极其广阔。第二步：收购泰合佳通，获取运营商数据，打造全方位的用户大数据体系2014 年，公司收购泰合佳通，其主营运营商网络优化，并通过内臵在营运商用户的智能终端的底层应用程序，实时采集用户在使用移动网络时的网络信号质量数据，并自动上传至后台系统进行数据分析，
帮助运营商提高网络使用效率和用户体验。通过这一业务，公司平台积累了大量的移动终端数据。通过本次交易，荣之联可以实现泰合佳通与荣之联各自在移动网络优化以及云计算、大数据方面技术和产品的协同效应，并借助两者优势为客户提供从数据采集、存储、分析到应用的整体解决方案。在进一步扩大市场空间的同时，能够获取更多大数据资源。
第三步：通过增发全面提升现有产品渗透率，并搭建完整体系
2015 年，公司宣布增发，并将其中一部分资金用于车联网。根据公司规划， 公司将通过100 万台OBD 终端的推广，搭建百万级车联网用户的业务服务体系，从而为满足保险公司、汽车经销商及服务商等行业用户及车主等个人用户的不同需求提供精准服务。并同时建设面向行业及个人用户的基于车联网信息服务模型，进而形成车联网信息可持续生产、运营的综合运营平台。
图表 29：荣之联大数据战略与布局
荣之联通过其清晰的战略已经在大数据、尤其是车联网领域获得了一定的竞 争优势和先发优势，同时，其通过不同公司优势业务的整合，也产生了较强 的协同效应，未来将打造终端、服务、平台、大数据的整条解决方案，并能 够联合第三方企业，诸如险企等共同打造生态圈。
7.4、风险提示
政策风险：由于目前尚未对运营商大数据的对外使用与合作有明确规定，不排除未来国家相关部门会对其使用做出诸多明确限制，阻碍其对外合作。
运营商大数据进展不达预期：由于目前运营商大数据的商业模式进展较为缓慢，仍以传统的精准营销为主，对于新模式的探索需要多方协调，可能会进展较慢。
百度搜索“爱华网”,专业资料,生活学习,尽在爱华网
