基于海量数据的存储与处理面临挑战,TB级到PB级; 行业技术标准的日益形成,Hadoop; 趋势:
发展趋势:云计算(服务化)–> 大数据(管道化)–> AI(智能化)
指无法在可承受的时间内用软硬件进行捕捉、管理和处理的数据集合,需要新处理模式才能该数据集合成具有更强的决策力、洞察力和流程优化等能力的海量、多样化的信息资产。 关键:预测。
非结构化(音视频、文档)、结构化数据(可以存储在关系型数据库中,用二维表来逻辑表达)、半结构化数据(HTML)
体量大、样式多、处理快(及时性高)、价值大(价值密度低,大量不相关)
传统网络架构:从垂直(南北向网络流量)访问到水平(东西向)访问 数据中心:同时访问子系统压力大 数据仓库:非结构化数据无法处理
大数据是需求,云计算是解决之道。云计算是平台,大数据是应用。 大数据在云计算平台支撑下,调度下层资源,进行数据源加载、计算和最终结果输出等动作。
(1)运营商相关业务得发展更加依赖数据,如传统的语音、窄带、宽带数据,以及超宽带、数字经济等相关业务数据量越来越大; (2)OTT,虚拟运营商的介入使得运营商竞争环境更加的复杂和激烈; (3)客户消费模式的改变,需要大数据分析深入洞察用户的需求,进行定制化的服务,改善客户体验; (4)提供精细化的管理水平,以数据为中心的运营支撑一体化、精细化,数据将成为企业的核心资产。
构建统一的数据采集与整合能力、大数据分析处理能力、计算及数据服务能力、大数据应用能力和互联网化的数据开放能力,支撑业务创新与商业成功。 (1)延长用户生命周期,大数据建模支撑用户全生命周期的营销和维系; (2)提升业务使用量,基于大数据的营销体系有效运作,支撑多批次、小群体、高成功率、多用户触点的营销;(通信收入) (3)实现对外合作,MR数字轨迹形成商业价值,用户行为轨迹成为商业价值。(非通信收入)
通过大数据的用户管理,对潜在的离网用户进行数据分析,通过大数据实现用户管理、营销策划、营销实施和闭环反馈的拉通。 当海量的用户数量来了之后,用大数据平台对所有用户进行分类、识别和管理,如常见的后付费、预付费。用户识别之后,根据用户的大数据分析结果触发营销策略,如用户的余额不足、签约到期、体验不好投诉或者用户流量溢出时,对其进行分析。对用户在内部进行渠道选择,匹配相应的资源套餐,通过用户的选择来进行效果的反馈。
根据已离网用户的位置轨迹、用户的业务行为、基站地图以及基站网络质量KPI获得数据源,然后进行大数据的建模分析,判断离网用户是否与其常出没的基站存在关联。进而输出质差基站列表、基站供需平衡度、经常出没已识别质差以及基站的未离网用户列表。最后确定客服务的商用场景,如预付费、后付费维挽场景、网络优化以及4G基站选址等等。
现阶段户外媒体行业缺乏受众测量的方法,行业交易混乱,进行户外广告价值的评估。 可以通过大数据平台去分析人流量、车流量、覆盖率等相关信息,根据所得的信息进行统一的管理。获得相应的需求描述,得到目标人群的属性、MR、工参、用户行为、RNC信令、地图等相关数据,同时结合户外的LED广告屏、公交站的广告屏,进而整合所有的数据,得出最终的广告资源价值评估、广告投放效果检测、广告投放时段和内容规划以及精准的营销策划。
未来将进入数字化的服务收入时代,所以就需要建设这样的大数据平台,来支撑自有业务收入提升和支撑非通信价值变现,进而使运营商的业务数字化。
O域(operation 运营域)、B域(business 业务域)、M域(manage 管理域) 域有用户数据和业务数据,比如用户的消费习惯、终端信息、ARPU的分组、业务内容,业务受众人群等。O域有网络数据,比如信令、告警、故障、网络资源等。M域有位置信息,比如人群流动轨迹、地图信息等。
3.1 数据采集 ETL(数据抽取、转换、加载)、Crawler(爬虫)、流处理(Streaming,实时数据) 数据分类:离线数据、实时数据
3.2 数据处理 批处理模式(规模大,常见)、流处理模式(实时性强) 处理方式由库内计算转变为库外计算(Hadoop集群)
3.3 数据存储
Hadoop:
3.4 数据治理 通过数据集成来实现数据的组织和生成,而其关键在于数据治理。
3.5 数据分析与挖掘 输入数据 --> 训练数据 --> 生成模型(预测、评估等)
3.6 数据应用 用户画像,生成用户全景视图 实时营销(发送短信、亚马逊预测配送) 实时监控及热力图
平台架构:
结合运营商需求的混搭架构:
传统数据处理系统面临的问题: 海量数据的存储成本、有限的扩展能力、数据资产对外增值、大数据处理能力不足、单一数据源、流式数据处理缺失
演变:集群化、实时性、分布式
定义:在数据中(半)自动发现隐含的,以前未知的和有价值的信息。
挑战:应用周期长、缺乏实时分析能力、模型设计与优化缺乏辅助工具、使用门槛高。
常用的挖掘软件:HUAWEI Universe SmartMiner、SAS、R、IBM MODELER。
监督学习 | 无监督学习 |
---|---|
Regression(回归) | Clustering(聚类) |
Classification(分类) | Association(关联) |
… | Recommendation(推荐) |
… | … |
关联算法:关联规则; 数值预测:线性回归、时间序列; 分类算法:朴素贝叶斯、随机森林、梯度回归决策树、决策树、逻辑回归; 聚类算法:均值聚类、混合高斯聚类、最小哈希聚类; 降维算法:主成分分析、隐含狄克雷分布; 推荐算法:协同过滤、概率传播、热度传播、相似特征; 社交分析:影响力传播、相似邻近点、全连接子图、页面分级(PageRank); 集成学习:投票、步进优化。