电信运营商大数据平台和应用实践
运营商网络运营大数据应用实践研究
运营商网络运营大数据应用实践研究摘要：以电信运营商的大数据资源为基础，对网络运营大数据平台所要汇聚的数据范围、系统定位及功能架构进行了分析，并与4 G网络的建设和推广相联系，说明了怎样才能更好地运用网络运营大数据平台的大量数据资源，来对移动互联网的业务进行全面的评估，同时还可以对网络运营大数据平台在网络精细化运营中所具有的价值进行挖掘，为运营数据资源的内部应用提供借鉴。
关键词：运营商；网络运营；大数据平台；数据资源1.网络运营大数据概述1.1客户信息由顾客的实际注册信息、业务定单、消费、付款、投诉等信息构成，该信息以顾客关系管理（CRM）和客服系统为主，以“客户/人”为“主KEY”进行相关聚合，并体现出该用户所使用的电信服务的基础信息。
1.2用户实时业务信息具体包含了用户的实时位置信息、正在使用的业务类型、业务内容、 APP名称、终端型号版本、业务使用感知（时延、成功率、速率）等内容，它的主要作用是对用户的行为进行描述，能够反映出用户使用业务时实时体验的动态信息。
通常情况下，运营商会使用部署探针、镜像抓包等方式来对其进行捕捉和存储，之后再对其进行分析。
1.3网络/设备运行信息：具体内容有：反映各设备/各端口/各链路的速率、带宽、抖动、延时等硬件运行情况的信息，还有能够反映网络情况的业务统计信息（例如，无线信号强度/覆盖/干扰等一系列指标、各端口消息收发成功率及处理时延、各协议定义的计数器情况、性能指标等）等，这类信息通常是由网管系统进行监控和采集的。
在这些数据中，无论是用户实时业务信息还是网络/设备运行信息，都是从现网实时产生并实时采集到的动态信息。
这一类型的信息，不仅包括了用户使用电信业务及互联网业务的行为特点，而且还能反映出用户使用业务时的网络实时状况，这对运营商提升网络质量以及提升用户使用业务时的感知有着十分重要的作用。
2.网络运营大数据平台架构2.1实时性通信网络每时每刻都在对各种业务进行处理，因此，网络的运行情况也是实时变化的。
大数据分析师实习工作总结电信运营商用户行为分析
大数据分析师实习工作总结电信运营商用户行为分析大数据分析师实习工作总结——电信运营商用户行为分析随着互联网的快速发展，大数据分析已经成为当今时代的核心竞争力之一。
作为一名实习生，我在电信运营商就用户行为分析方面的大数据进行了深入研究和实践。
在此总结并分享了我在实习期间所学到的经验和感悟。
一、研究目标及背景用户行为分析是基于大数据技术对电信运营商用户在通信网络中的行为进行分析和建模的过程，旨在洞察用户需求、行为模式和趋势，以为电信运营商提供决策支持和优化服务。
本次实习的研究目标是对电信用户的行为进行综合分析，探索用户使用网络服务的规律和特征，提供有针对性的市场策略和精细化运营建议。
二、数据采集和清洗1. 数据采集在实习期间，我利用电信运营商的大数据平台，获取了海量的用户数据样本。
这些数据包括用户的基本信息、通话记录、短信记录、上网行为数据等。
2. 数据清洗由于数据样本的庞大和多样性，数据清洗是必不可少的一环。
我使用了数据质量分析工具，对数据质量进行了评估；同时，根据需求我进行了数据筛选和去除重复、缺失值等处理，确保分析数据的准确性和完整性。
三、数据分析与挖掘1. 用户画像通过对用户基本信息的分析，我构建了用户画像，包括用户的年龄、性别、地域等方面特征。
这有助于电信运营商制定精确的用户群体策略，提供个性化的服务。
2. 通话分析我对用户的通话记录进行了统计和分析，包括通话次数、通话时长、通话地点等指标，从中提取出用户的通话习惯和偏好。
基于此，我向电信运营商提供了优化通话套餐和服务的建议。
3. 上网行为分析通过对用户的上网行为数据进行分析，我了解到用户的上网偏好、流量消费情况和热门网站访问习惯等信息。
这有助于电信运营商优化网络服务质量，提高用户满意度。
4. 用户价值评估基于用户行为数据，我构建了用户价值模型，通过评估用户的忠诚度、活跃度和付费习惯等指标，对用户进行了分类和评估。
这为电信运营商的精细化运营提供了重要的决策支持。
电信运营商大数据分析与应用研究
电信运营商大数据分析与应用研究近几年，随着大数据技术的快速发展和互联网的普及，人们生产、生活中产生的数据量也不断增加，这些数据为企业提供了更多的商业价值。
电信运营商作为通信服务提供商，每日都会产生大量的通信数据，如何利用这些数据拓展业务，提高服务水平，是电信运营商面临的重要问题。
本文将重点研究电信运营商大数据分析与应用。
一、电信运营商大数据的特点电信运营商产生的大数据主要来自于用户的通话、短信、上网和实名认证等多方面。
这些数据经过清洗、处理后，可以应用于市场营销、用户服务和网络优化等多个方面，具有以下特点：1. 数据量大，速度快。
电信数据的产生速度非常快，每时每刻都在不断更新。
而且电信数据在存储和处理时，需要考虑数据的安全性和隐私性，所以在存储和处理上需要较高的技术能力。
2. 数据类型多样。
电信数据类型包括文本、语音、多媒体等多种形式，这使得电信数据在使用时，需要针对不同类型的数据采用不同的技术和算法进行处理。
3. 数据价值高。
通过对电信数据进行深度挖掘，可以发现很多有价值的信息，如用户通信习惯、兴趣爱好、地域分布等信息，这些都是电信运营商在提供个性化服务和精准营销方面的重要资产。
二、电信运营商大数据应用场景电信运营商可以根据自身情况，将大数据应用于多个场景中，下面分别介绍几个典型的场景：1. 市场分析。
通过对用户数据的统计和分析，可以了解用户群体的特征、购买行为及喜好等，为市场部门提供有力的支持，帮助企业制定精准的营销策略，提高销售额和市场份额。
2. 网络优化。
通过对网络数据的监控和分析，可以了解网络运行的状态，找出网络性能的瓶颈，进而进行网络优化，提高网络性能和用户体验。
3. 个性化推荐。
通过对用户数据的分析，可以了解用户的兴趣爱好、偏好等特点，从而为用户提供个性化的业务推荐服务，如音乐、电影、游戏等。
4. 欺诈检测。
通过对用户数据的分析，可以识别出欺诈行为，如虚假注册、短信诈骗等，从而提高运营商的安全性和信誉度。
大数据在电信行业的应用指南
大数据在电信行业的应用指南第1章大数据在电信行业的发展概述 (3)1.1 电信行业大数据的背景与意义 (3)1.2 国内外电信行业大数据发展现状 (4)1.3 电信行业大数据的发展趋势 (4)第2章电信行业大数据技术架构 (4)2.1 电信行业大数据技术体系 (5)2.1.1 技术体系概述 (5)2.1.2 技术体系特点 (5)2.2 数据采集与存储技术 (5)2.2.1 数据采集技术 (5)2.2.2 数据存储技术 (6)2.3 数据处理与分析技术 (6)2.3.1 数据处理技术 (6)2.3.2 数据分析技术 (6)2.4 数据挖掘与可视化技术 (6)2.4.1 数据挖掘技术 (6)2.4.2 可视化技术 (7)第3章用户行为分析与个性化推荐 (7)3.1 用户行为数据采集与预处理 (7)3.1.1 数据采集 (7)3.1.2 数据预处理 (7)3.2 用户行为分析模型与方法 (7)3.2.1 用户行为分析模型 (7)3.2.2 用户行为分析方法 (8)3.3 个性化推荐系统设计与实现 (8)3.3.1 推荐系统架构 (8)3.3.2 推荐算法 (8)3.4 个性化推荐在电信行业的应用案例 (8)第4章网络优化与故障预测 (9)4.1 网络优化概述 (9)4.1.1 基本概念 (9)4.1.2 优化目标 (9)4.1.3 优化方法 (9)4.2 大数据在网络优化中的应用 (9)4.2.1 数据采集与预处理 (9)4.2.2 网络功能分析 (9)4.2.3 用户行为分析 (9)4.2.4 参数优化与调整 (9)4.3 故障预测方法与模型 (9)4.3.1 故障预测方法 (10)4.3.2 故障预测模型 (10)第5章智能运维与自动化运维 (10)5.1 智能运维的背景与需求 (10)5.2 大数据在智能运维中的应用 (10)5.2.1 数据采集与预处理 (10)5.2.2 数据分析与挖掘 (10)5.2.3 预测性维护 (11)5.3 自动化运维技术与发展趋势 (11)5.3.1 自动化运维技术 (11)5.3.2 发展趋势 (11)5.4 智能运维与自动化运维实践案例 (11)5.4.1 案例一：某电信企业智能运维系统 (11)5.4.2 案例二：某电信公司自动化运维平台 (11)5.4.3 案例三：某电信运营商大数据分析与应用 (11)第6章网络安全与风险管理 (11)6.1 电信行业网络安全挑战与需求 (11)6.1.1 网络安全挑战 (11)6.1.2 网络安全需求 (12)6.2 大数据在网络安全中的应用 (12)6.2.1 数据挖掘与分析 (12)6.2.2 安全态势感知 (12)6.2.3 智能化安全防护 (12)6.3 风险评估与管理方法 (13)6.3.1 风险评估方法 (13)6.3.2 风险管理方法 (13)6.4 网络安全与风险管理实践案例 (13)6.4.1 案例一：某电信企业数据泄露防护 (13)6.4.2 案例二：某电信企业5G网络安全防护 (13)6.4.3 案例三：某电信企业网络安全风险评估与应对 (13)第7章融合与创新：跨行业数据应用 (13)7.1 跨行业数据融合的背景与意义 (13)7.1.1 背景介绍 (14)7.1.2 意义分析 (14)7.2 跨行业数据融合方法与技术 (14)7.2.1 数据融合方法 (14)7.2.2 数据融合技术 (14)7.3 跨行业数据应用场景与实践 (15)7.3.1 应用场景 (15)7.3.2 实践案例 (15)7.4 跨行业数据应用案例解析 (15)7.4.1 案例一：某电信企业联合金融机构推出基于用户消费行为的信贷产品 (15)7.4.2 案例二：某电信企业与医疗企业合作，推出远程医疗服务平台 (15)7.4.3 案例三：某电信企业参与智慧城市建设，优化交通信号灯控制策略 (16)第8章大数据在营销与客户关系管理中的应用 (16)8.1.1 客户细分与精准营销 (16)8.1.2 营销活动监测与优化 (16)8.1.3 跨界合作与数据整合 (16)8.2 客户关系管理概述 (16)8.2.1 客户关系管理的定义与目标 (16)8.2.2 客户关系管理的关键环节 (17)8.3 大数据在客户关系管理中的应用 (17)8.3.1 客户信息整合与分析 (17)8.3.2 客户生命周期管理 (17)8.3.3 客户互动与关怀 (17)8.4 营销与客户关系管理实践案例 (17)第9章大数据与5G技术融合创新 (18)9.1 5G技术概述及其与大数据的关系 (18)9.1.1 5G技术概述 (18)9.1.2 5G与大数据的关系 (18)9.2 大数据在5G网络优化中的应用 (18)9.2.1 网络规划与优化 (18)9.2.2 网络切片管理 (18)9.2.3 预测性维护 (18)9.3 大数据在5G行业应用中的创新实践 (18)9.3.1 智能制造 (18)9.3.2 智慧医疗 (18)9.3.3 智慧交通 (19)9.4 5G与大数据融合应用案例 (19)9.4.1 案例一：某城市5G智能交通项目 (19)9.4.2 案例二：某企业5G智能制造项目 (19)9.4.3 案例三：某医疗机构5G远程医疗项目 (19)第10章电信行业大数据未来展望 (19)10.1 电信行业大数据发展瓶颈与挑战 (19)10.2 未来电信行业大数据技术发展趋势 (20)10.3 电信行业大数据应用创新方向 (20)10.4 电信行业大数据发展策略与建议 (20)第1章大数据在电信行业的发展概述1.1 电信行业大数据的背景与意义信息技术的飞速发展，电信行业作为国家经济的重要组成部分，其数据量呈现出爆炸式增长。
电信运营行业的云计算技术与实践案例
电信运营行业的云计算技术与实践案例云计算技术是指将数据存储、处理和管理任务等传统计算应用通过互联网与大规模的计算设备相连接，以达到优化计算资源的利用效率和降低运营成本的目的。
在电信运营行业，云计算技术的广泛应用已经成为提高服务质量、加强网络安全和提升运营效率的重要手段。
本文将以电信运营行业中的几个典型案例为例，探讨云计算技术的应用和实践。
一、基础设施云化随着云计算技术的成熟和发展，电信运营商纷纷将传统的IT基础设施迁移到云端，实现基础设施云化。
以中国移动为例，其利用云计算技术建设了全国最大的云平台——云+。
这一平台整合了移动互联网、大数据、人工智能等先进技术，为电信运营商提供了包括计算、存储、虚拟化、安全等在内的全方位云服务。
通过基础设施云化，电信运营商可以大幅降低IT运营成本，提高服务的可靠性和稳定性。
二、大数据分析云计算技术为电信运营商提供了强大的计算和存储能力，为大数据分析提供了支撑。
通过对海量的用户数据进行分析，电信运营商可以挖掘出用户需求、行为模式等有价值的信息，并通过个性化推荐、营销策略等方式提供更好的服务。
例如，中国联通利用云计算技术对用户的通话记录、短信记录等进行大数据分析，提供个性化的套餐推荐，有效提高了用户的满意度和忠诚度。
三、虚拟化网络云计算技术还可以支持电信运营商实现网络资源的虚拟化，提高网络的弹性和可扩展性。
以中国电信为例，其利用云计算技术建设了虚拟化网络，实现了网络功能的软件化和可编程化。
通过虚拟化网络，电信运营商可以提供更加灵活、高效的网络服务，为用户提供更好的上网体验。
同时，虚拟化网络还可以提供网络安全的保护，有效防止网络攻击和数据泄露。
四、边缘计算随着物联网的快速发展，电信运营商需要处理和分析越来越多的位于边缘的设备产生的数据。
云计算技术为处理边缘设备的数据提供了解决方案。
以中国移动为例，其利用边缘计算和云计算技术搭建了“移动物联网云平台”。
通过在物联网边缘部署计算和存储资源，实现了对边缘设备数据的快速处理和分析，为物联网提供了更好的服务。
电信运营商大数据应用典型案例分析
通 过 技 术 手 段 ，能 轻 易获 得 通 话 者 的 地理 位 置 ，且 精 确
于很难 用常规的数据管理工具或传统 的数据 管理 技术来
处理 这些数据 。Ｆ ａ ｃ ｅ ｂ ｏ ｏ ｋ 、Ｔ ｗｉ ｔ ｅ ｅ ｒ 、微博等各 类社交
、
岛状的特点 ，难 以深入应用 。
对于 大 数 据 的 应 用 已 经 成 为 一 种 必 然 趋 势 ，其 发 自己的数据优 势，采取 灵活深入的分析方法进行 基于大数据的挖掘 ， 从 中摸 索崭新的商业模式闭。
势头非常强劲 。大数据驱动 不仅 是电信 运营商增强业务
营商的基础语音业务和短信 业务 带来了不小冲击 ，运营 商缓慢增长的 网络 流量收入 和网络建设成 本之间不断增 加的剪刀差 ，正不 断侵 蚀着运营商的利润。面对互联网 公司的激烈竞争 ，运营 商要 如何做 才能扭 转逐 步被 “ 管
道化”的趋势？
约每两年翻一番 的速度增长 ，预计￣ １ ２ ０ ２ ０ 年 ，全球将产 生３ ５ Ｚ Ｂ的数据量 。这意味着我们正进入 大数据 时代。
据 方 面 具 有 天 然优 势 。 但 是 ，没 有 管 理 的 数 据 就 像 埋 藏
长 ，占比超过８ ０ ％，超越 了传统 关系型 数据库的管理能
力 ，使 得 大 数 据 的存 储 、管 理 和 处 理 很 难 利 用 传 统 的 关 系 型 数 据 库 去 完 成 ，进 而 无 法 提 取 个 中价 值 】 。 以Ｈａ ｄ ｏ ｏ ｐ 为代 表 的 大 数 据 技 术 应 运 而 生 ， 它 是 一
营商带来流量 收益 的同时 ，也带来 了新 的机遇和挑战 。文章结 合大数据的技术现 状以及电信运营商的数据特点 ，分 析 电信运营 商大数据发展遇到 的问题 ，探讨 电信运营 商应 用大数据的策略 。最后 提出一种适合 电信运营商 的大 数据 平台架构 和方 案。
电信运营的大数据应用揭示大数据分析在电信运营中的重要作用
电信运营的大数据应用揭示大数据分析在电信运营中的重要作用随着信息技术的不断发展与进步，大数据正在成为各个行业的关键词之一。
尤其在电信运营领域，大数据分析正发挥着越来越重要的作用。
本文将重点讨论电信运营中的大数据应用，并揭示大数据分析在电信运营中的重要意义。
一、大数据在电信运营中的应用1. 用户行为分析通过大数据分析，电信运营商可以了解用户的通信行为、使用趋势以及对服务的偏好。
通过分析用户数据，运营商可以推出更精准的产品和服务，以更好地满足用户的需求。
同时，运营商还可以根据用户的使用习惯和需求进行个性化推荐，提高用户粘性和满意度。
2. 服务质量监控大数据分析可以帮助电信运营商实时监控网络质量，迅速发现并解决各类问题。
通过分析大数据，运营商可以监测网络信号强度、通信质量、网络故障等指标，及时调整网络资源分配，提高用户的网络体验。
3. 智能营销利用大数据分析，电信运营商可以深入了解用户需求，精准推送个性化的营销活动。
通过分析用户的通信记录、消费习惯等数据，运营商可以划分用户画像，精准定位目标客户，并根据用户需求进行精准推荐，提高市场营销效果。
4. 风险预警大数据分析不仅可以帮助电信运营商了解用户需求，还可以预测和识别潜在的风险。
通过分析用户的通信行为和使用习惯，运营商可以发现异常行为、欺诈行为等风险，并采取相应的措施进行防范和处理，保障用户的权益。
二、大数据分析在电信运营中的重要作用1. 提升运营效率通过大数据分析，电信运营商可以获取更准确的数据和信息，帮助企业优化资源配置、提高作业效率。
运营商可以根据分析结果，调整人员的调配、优化设备配置，降低运营成本，提高整体业务效率。
2. 提供个性化服务大数据分析可以帮助电信运营商了解用户的需求和偏好，为用户提供个性化的服务。
通过分析用户的消费行为、通信记录等数据，运营商可以精准推荐适合用户的产品和服务，提升用户的满意度和忠诚度。
3. 改善用户体验通过大数据分析，电信运营商可以提前预测用户需求、优化产品设计，从而提升用户的体验感。
电信行业大数据分析与应用
电信行业大数据分析与应用数字化时代的到来让许多行业开始重新审视自身的经营模式，并逐渐朝着数据驱动的方向转变。
在电信领域，随着技术的不断进步与应用场景的不断扩展，大数据分析也变得越来越重要。
一、电信行业大数据的意义电信行业作为信息社会基础设施之一，每天都会产生大量的数据。
这些数据包括用户的通话记录、流量使用记录、基站的信号强度数据以及设备使用状况等，是电信企业的重要资产，也是对用户行为、市场趋势等方面的重要观察点。
通过对这些数据的采集、分析和处理，可以为电信企业提供更多的商业模式选择，丰富产品线，优化营销策略，从而提高市场占有率和客户满意度。
二、大数据在电信行业的应用1. 用户画像通过对用户的基础信息及通讯行为数据进行分析，可以建立对用户的画像。
用户画像可以描述一个人的性格、消费偏好、生活习惯等个性化信息，可以为电信企业进行精细化运营提供重要支撑。
例如，通过用户画像，针对不同的用户群体，电信企业可以制定出不同的套餐产品与对应优惠政策；同时，在营销推广上也可以实现个性化定制，使推广效果更佳。
2. 基站优化电信基站是保证用户通信质量的关键点。
通过基站信号强度等报表数据的分析，可以优化基站分布，更好地覆盖用户需求。
还可以分析基站区域的人口分布、共享经济活跃度等指标，制定针对不同区域的基站投放方案。
3. 资费优化对用户的流量使用情况进行大数据分析，可以发现一些套餐存在使用率不高的情况，这时可以根据不同流量使用情况调整不同的资费标准，降低客户流失率，提高客户满意度。
4. 风险评估电信行业经常面临客户欺诈等风险问题。
通过对用户的通话、短信、流量等数据进行分析，可以找出潜在的风险客户，提早进行风险预警及防范措施。
5. 数据挖掘电信行业数据源头丰富，杂乱无序，但其中隐含了很多重要信息。
同样的，电信企业也可以根据所需目标，在不同的角度进行数据挖掘，有效利用数据挖掘算法提升数据的价值，以达到优化业务模式、创新产品服务、提升用户体验等效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Twitter利用Hadoop和Pig工具完成数据的批量分析，并进行决策支持和数据挖掘， 利用Storm每天实时推送1亿活跃用户的5亿消息
Amazon为被托管应用提供了多租户、按使用付费的大数据服务，整合了非结构化 （S3）、结构化（RDS、SimpleDB、DynamoDB）数据，通过并行计算EMR能 力，将数据放入RedShift用于最终的数据展现等目的。
电信运营商大数据平台和应用实践
提纲
• 电信运营商大数据面临的挑战 • “大云”大数据平台研发和实践
移动互联网用户流量激增，手机数据化、宽带化趋势明显
用户分布
流量分布
时间分布 移动互联网：通信功能 = 80：20
数据来源：Infoma 2013
全球移动互联网用户数量激增， 已3倍于固定互联网用户数量
2017年，全球4G终端产生的数据流量是非4G终端的8倍，每月数据流量超过 10EB [1EB=1000PB] – （Cisco VNI 2013）
数据业务成为运营商收入的新增长点
2013年全球移动互联网业务收入增加23.4%，达到3千亿美元。其中， 2013年Q4美国运营商的数据收入超过语音收入。
Facebook以Hadoop为基础建设了包括流计算、实时计算、离线分析在内的各种大 数据系统系统。2012年每天要处理25亿条消息、用户点击Like按钮的次数达到27 亿次、上传3亿张照片。Graph Search可以检索10亿用户、2400亿图片和1万亿次 访问。目前已经支持多区域数据同步。Facebook Puma每天处理超过200亿事件， 延迟小于30秒
ABI Research Feb.2014
• Verizon 2013Q3的ARPU同比增长7.1%，比2010年发布4G时增长 21%。
• SKT 2013年Q3 4G的ARPU增长比综合ARPU增长超32%，竞争对 手KT则达到40%。
• 荷兰所有的电信运营商的数据业务收入占比同比增加14%，全部来自 语音业务的下降。
互联网公司目前主要采用Hadoop、Streaming、RDBMS、NoSQL等技 术应对大数据4V挑战，例如Yahoo针对日志数据进行两种处理，并与业务 系统结合（后期尝试Spark技术）
示例：Yahoo数据处理 流程
By Tim Tully (Distinguished Engineer/Architect, Yahoo)
提纲
• 电信运营商大数据面临的挑战 • “大云”大数据平台研发和实践
云计算是挖掘大数据价值的核心基础
传统数据分析处理
DBMS
DW
transaction
ETL
基于云计算的大数据处理
Unstructure
Cluster
Analysis
Stream
Analysis
Multiple data sources (MapReduce)
面对巨大流量，移动运营商面临强大的挑战
超过7.1亿用户 超过100万基站
经分系统数据规模接近10PB 每分钟超过800万通话 每秒上网流量超过40GB 每天信令数据 超过1PB
移动互联网 专业SNS 博客 消息
服务商
新闻 点评
电商
视频 图片
优惠券
音乐
微博
地图 问答 SNS
签到 论坛
电信运营商
2G、3G、4G、WIFI …
• 面向结构化数据，非结构化处理效率低 • 基于昂贵硬件（小型机+磁盘阵列）或一体机 • 硬件平台兼容性差：在跨代硬件或跨厂商硬
件环境下常常无法部署 • 扩展性达到PB级之上可选厂商较少，易绑定
• 具备结构化/非结构化混合分析的能力,大数据多为非结构化 • 基于消费级硬件，以常态化硬件故障为设计出发点，不依赖高
4G、M2M将大大加快移动网络数据业务和流量增长
4G驱动流量增长
2013年4G网络将占到全球流量的 20%，2016年将超过3G网络流量， 2018年将占据超过2/3的移动网络 流量。2013-2018年，4G流量的年 复合增长率达到82.2%。2018年数 据业务收入占运营商的份额的 47.3%
大数据技术在互联网公司得到成功应用
Google在全球多个数据中心大规模混合部署和调度数据处理能力，系统利用率高达 80%+，2011年MapReduce系统每天处理1000PB左右输入数据，支撑其核心业 务，包括搜索、广告、地图、邮件、社区等业务。针对不同的数据处理需求提供多 种数据处理系统。随着技术能力提高，将大数据处理能力服务化。
A+Abis信令 Mc信令
Gn+Gb信令 Gn-IuPS信令
Wifi、Radius信令 4G X2等信令 DNS 数据 语音等业务数据
日志
+
结构化数据
网络优化 决策支持 精准营销 业务创新
需要建立采集、存储、分析、交互等全方位能力，其中既包括传统已经具备的能力，也 包括需要新建的大数据能力
互联网公司通常采用混合架构解决大数据问题
管道数据类型多样、数据巨大、处理速度要求高，同时也存在质量问题，是电信运营商 大数据的主要来源
需要融合巨大的管道数据和业务数据
虽然结构化的业务数据虽然价值含量很高，但是管道数据却提供了用户的数据消费、 社交网络、行为轨迹、内容偏好等业务数据中无法提供的重要信息，这对用户刻画、 套餐设计、用户体验提升等个人和企业产品设计所需依据均有巨大帮助
M2M终端数量大幅度增长 2014年，M2M设备数量接近智能终端
ABI Research 2013.09
数据来源：Ericsson 2013.11 数据来源：ABI Research 2012
2012年9月Verizon LTE网络建成不到2年，用户达到11M， 占Verizon用户总数约12%，流量消耗占全网流量的35% 以上。2013年1月，4G流量占比50%，2013年11月，4G 流量超过64%，视频是主要业务
数据来源：ห้องสมุดไป่ตู้isco 2013
数据来源：GSMA 2013
移动互联网流量激增，2012年底， 移动互联网应用使用时间激增，是
移动数据流量占比超过13%
使用通信服务时间的4倍
中国移动互联网发展有相类似的趋势，截至2013年6月，中国手机网民已达4.6 亿，上半年移动互联网接入流量同比增长62.6%（CNNIC、工信部）