运营商变现模式分析

内、外兼修，云、数兼备。

1. 海外样板：各类业务模式和场景均有尝试

海外运营商已经在数据应用领域有一定探索。 精准营销是运营商较成熟的数据应用。早期运营商的数据营销主要针对内部需求，对 用户消费等数据分进行析评估，改善通信服务水平，提升用户体验，降低客户流失率；之 后延伸到外部市场。西班牙 Telefónica 推出“Smart Steps”产品，基于商圈周围的人流 特征、消费特征、客户标签等帮助零售商进行选址规划；AT&T 推出 Adworks，利用大数 据实现广告精准推送，覆盖电视、邮件、手机、电脑等终端；Verizon 针对第三方精确营 销，如帮助 NBA 球队找到球迷位置等；Sprint 利用大数据为行业客户提供消费者和市场洞 察（人口、行为等分析）、季节性分析等；德国电信整合车联网数据打造开放生态价值链。 外部收益模式也有所探索。例如 AT&T 将与用户相关的数据出售给政府和企业以获利； AT&T 将用户在 Wifi 网络中的地理位置、网络浏览历史记录以及使用的应用等数据销售给 广告客户（如星巴克优惠券案例）；英国电信发布安全数据分析服务 Assure Analytics， 帮助企业收集、管理和评估大数据集，将这些数据通过可视化的方式呈现给企业，帮助企 业改进决策。

综合看来，海外运营商数据应用主流商业模式有如下六类： 1）数据源供应模式，基于 BSS、OSS 等域积累的海量结构化、非结构化数据，直接 对外提供商业化数据产品（数据货币化，将清洗脱敏过的数据进行转售，以此获得收入）， 应用直接、营业周期短、技术门槛低，但数据安全隐私、二次交易、变现价值空间等方面 存在疑问； 2）基础设施供应，以底层计算、存储硬件为基础，凭借机房、网络等已有资源提供大 数据服务（进一步可发展为“湖仓一体”）等，对运营商的资源规模有较高要求，硬件设 施投入大，偏重资产； 3）软件供应，数据与软件系统结合，但对运营商的软件开发与代码能力有较高要求， 国内亦有部分尝试，例如中国电信曾与 IBM 合作，基于自身网络设施和数据积累，加之 IBM 的软硬件服务能力，为用户提供 SAP 云服务等； 4）数据应用服务供应，目前有较多应用，是典型的大数据应用场景，针对不同下游定 制化各类服务，例如文旅、医疗、金融、能源、交通等；此外也服务于自身内部的需求，借助大数据技术，通过对业务、网络的分析，支撑用户体验优化、改善服务水平、促进营 销的精准化与支持商业决策； 5）数据交易，模式起步阶段，但运营商较少涉足（综合性数据交易中心例如美国的 BDEX、Ifochimps、Mashape、RapidAPI 等，以及细分行业的数据服务商如位置数据领 域的 Factual、经济金融领域的 Quandl、工业数据领域的 GE Predix、德国弗劳恩霍夫协 会工业数据空间 IDS 项目，个人数据领域的 DataCoup、Personal 等，此外科技巨头例如 AWS Data Exchange、谷歌云、微软 Azure Marketplace、LinkedIn Fliptop 平台、Twitter Gnip 平台、富士通 Data Plaza、Oracle Data Cloud 等也有交易平台涉及）； 6）产业支撑服务，海外亦有探索，预计可以与运营商的产业数字化、云等业务结合。

从海外市场发展情形看，运营商的数据应用仍处初级阶段，即便拥有海量高价值数据 但暂未带来可观收益。过去运营商对外提供的数据服务大多只停留在原始数据输出的层面， 即便以平台服务形式输出，但受平台建设周期、数据资产确权、隐私安全等因素影响，价 值难以真正体现。 过去十年云计算的蓬勃发展为运营商数据应用奠定了技术，数据存储技术、分布式计 算技术、隐私计算、可视化等生产工具逐渐成熟，加之自上而下政策与配套产业环境的完 善，运营商（尤其国内）的数据价值已足够具备长期变现的能力。

2. 对内：数据应用起点，营销与管理内驱

电信服务具有一定的消费品属性，因此运营商传统的业务经营思路（尤其 to C）和消 费品类似，需要借助线上线下各类渠道体系（例如下沉市场的各级区县公司、营业厅等）。 以中国移动为例，公司拥有 33 万家实体渠道，通过具有固定场所的营业服务网点提供服务； 同时也具备直销渠道，通过直销人员提供面向个人、家庭的点对点/上门服务，也包括客户 经理面向政企客户提供信息化解决方案；线上渠道则包括了热线电话、网上营业厅、手机 APP 等。 但传统营销方式存在瓶颈：目标人群、产品和渠道的适配精准度不高；上千万用户量 级的营销服务精细化程度不足；客户管理和维系的手段，缺乏针对性和持续性；全营销流 程人工参与度较高，人力成本投入大。

且当前电信服务 to C 市场几乎进入存量博弈阶段，线下渠道红利瓶颈，“携号转网” 等产业竞争现状倒逼运营商思考获客、留存的最佳方案；to B 蓝海市场也需要定制化服务 的深耕。 目前运营商对内营销的数据应用价值，最终体现为营销费用 ROI 的提升。1）获客和 客户流失分析，通过数据帮助了解客户偏好并识别流失风险；据麦肯锡，运营商可以使用 数据分析来预测并将客户流失率降低 15%。2）价格优化，通过分析客户对不同定价策略、 购买历史和竞争对手定价的反应，获得准确的数据洞察并制定最佳定价策略；可以最大限 度地提高投资回报率，根据成本-收入情况优化定价策略以提高效率。3）定向营销，识别 目标客群（年龄、性别、偏好、位置等），匹配客户最需要的产品，在最合适的时间触达客 户（客户-产品-渠道匹配），提高营销效率及精准度。

运营商云网经营也需要数据支撑，例如网络优化等。运营商利用大数据分析来有效地 监控和管理网络容量，建立容量预测模型，并将其用于网规网优：通过实时数据分析，运 营商可以确定网络使用量接近其容量阈值的高度拥堵区域，以优先扩展新容量；通过预测 模型，在网络发生中断时规划额外的容量；帮助检测异常情况，保障网络系统以安全、可 靠和高效运行。此时数据应用的价值体现为运维支撑费用 ROI 的提升。

机会成本视角看，运营商数据应用的内部价值空间可能至少在十亿至百亿级。若仅考 虑数据在营销端的应用，运营商历年销售费用中渠道费用占比约在 70%至 80%区间上下， 国内三大运营商年渠道费用总和在 1000 亿级别。据中国移动，社会渠道费用主要系公司通 过社会渠道发展和维系客户所支付的费用，如通过渠道商办理套餐、宽带、政企业务等所 产生的费用；销售费用的其他部分主要是广告费等。若从机会成本视角理解，以数据应用为基础的营销活动实际上部分替代了传统的渠道营销模式，即年 1000 亿元级别的渠道费 用预算中，投向数据营销应用的潜在比例逐年提升（例如假设 5%-20%）；进一步假设这 部分数据应用成本的 ROI 高于传统营销手段，可以粗略估计数据产生的价值空间可能至少 在十亿至百亿数量级。

以中国联通为例，基于内部数据能力，智慧客服体系下已建成西咸、无锡两大数据中 心，石家庄、济南、成都、韶关四大区域话务中心，累计完成 25 省份客服集约化工作。用 户意图识别率达 95%，智能自助服务占比 81.5%，客户评价满意度达 90%，服务滚动成本 下降 26.8%，用户等待时长节约 70%。 以中国移动为例，基于数据为代表的“能力中台”，截至 2022 年 12 月底对内降本达 38 亿元，节约人力 483.27 万人天。 综上可见，运营商对内数据应用的驱动力大致在于营销与管理，价值空间巨大；但若 以运营商整体视角看，实际数据应用是提升营销类费用、业务支撑类费用的 ROI，本质是 降本增效，最终通过 EBIT 率和资产周转率的优化反映在运营商综合 ROE 的提升上，进而 传导到估值端，体现数据价值。

3.对外：平台倍增效应+外部生态协同

数据对外变现包括场内、场内两大类。当前我国数据交易主要为两种形式，一是通过 交易中介形成的撮合型交易，二是通过数据服务商进行的数据综合交易。从主要交易的产 品来看，包括数据包、数据分析产品及数据分析服务等。 运营商积极参与以数据交易所为主导的场内交易环节，挂牌交易各类数据产品。例如： 中国移动与地处北京、上海、广州、深圳、贵阳、郑州的 6 家数据交易所达成战略合作， 此外移动“乾坤大数据”依托 9 亿个人用户、2 亿家庭用户的海量数据资源，为金融行业客户提供面向多种应场景的数据能力和服务；中国电信“翼知时空”大数据服务是上海数 据交易所揭牌后上架的第一批数据要素产品，提供时空数据洞察的行业定制类数据服务； 中国联通早期参投上海数据交易中心，数据产品已挂牌上海数据交易所并形成交易。

场外场景下的数据变现则是当前主流，分析洞察环节贡献更多数据价值。依据 GSMA 的“数据价值链框架”，数据创造价值的系列活动分为生成、收集、分析和交换四个阶段， 当数据经生成、收集进入分析阶段后，就有潜力创造大部分价值。分析阶段又可以细分为： 1）数据处理，将数据转换为适合挖掘和分析的格式；2）数据分析，通过获取和利用数据 处理结果来预测和理解行动，形成有意义的洞察（insights）和有用的信息，如见解、知识。 “在分析阶段，企业最有潜力进行创新、发展和利用其知识产权，建立更有吸引力、更高 防御性和更高利润的业务。”按照 GSMA 框架，当数据进入分析阶段后才真正开始发展成 为高价值量的数据资产、具有产生经济利益的潜力。 我们认为，在法律法规、社会伦理、普遍舆论的因素下，运营商的数据资产价值实现 需要达到“平衡点”。目前主流方式是把数据要素能力和云网能力绑定，以云和 ICT 的方 式输出数据价值。以 IDC 统计的视角，未来数据服务（Big Data and Analytics）的主要 形式和增速贡献大多来自于云服务；《数据二十条》也鼓励公共数据在保护个人隐私和确 保公共安全的前提下，按照“原始数据不出域、数据可用不可见”的要求，以模型、核验 等产品和服务等形式向社会提供。

数字经济定义是“数字”的拉动、倍增效应。可以将数据比喻为原始蔬菜、生肉，经 济活动单一，第一产业的交易附加值低，确权、ESG、安全不可控；但数据的价值运营（数 据服务）走向了第三产业，提供“预制菜”、“半成品”甚至“成品大餐”，附加值更高， 产业链拉长且各环节均可以受益，能够和 ICT 新技术融合，符合确权、ESG、安全可控的 要求。 对于运营商而言，平台化的变现模式选择既是结合主观情况，也是客观必要。 我国 ICT 行业的国情下，数据服务产业的硬件采购占比很高，较多依赖于云和底层设 施。据 IDC 数据，中国大数据市场 2021 年整体规模超 110 亿美元，且有望在 2025 年超 过 250 亿美元。但与美国等区域不同，中国大数据市场的软件订阅制服务占比较低，本地 部署及私有云模式仍需要采购大量硬件设备。至 2025 年，硬件预计将吸收中国大数据市场 约 40%的投资规模，超过软件和服务，增长稳定；大数据软件市场占比将逐年提升，2025 年超 30%的市场支出将流向软件，五年 CAGR 达到 26.7%。

运营商 IaaS 优势显著，PaaS 是短板；但未来产品力提升、云盈利体现主要依赖于 PaaS。 过去一轮运营商云计算业务实现了第一阶段的高增，公有云市场份额逐步进入国内市场一 梯队，最大优势在于底层网络、渠道等基础资源；但市场仍担忧运营商的云业务口径更多 以 IaaS、集成等为主，缺乏核心产品能力。我们认为，运营商基于云网 IaaS 的平台化能力 （即 PaaS）是进一步价值创造的核心,未来云产品能力和云盈利的提升预计体现为以数据平 台为代表的 PaaS 重估。 运营商内部管理架构导致了数据大多沉淀在省公司，需要平台化的专业子公司帮助数 据变现。运营商业务开展的实体是各地区的分支机构，数据资源也因此沉淀在省一级公司； 加之运营商内部省公司、专业公司、研究院等部门众多，业务属性、组织形式等差异致使 部门间盈利能力差异大。以中国移动为例，2020 年口径下主要控股子公司中广东、浙江、 江苏省公司净利润在 271.67、104.74、109.67 亿元，对比终端公司、物联网公司分别亏损 3.02、2.34 亿元。因此内部战略协同和资源分配格外关键，平台化的专业子公司与中台 机制是解决数据要素生产关系的重要途径。

平台/中台曾是互联网公司热门概念，当前对运营商数据变现亦有较高实际意义。2015 年阿里提出中台战略，构建“大中台，小前台”的组织机制和业务机制；2018 年阿里又提 出了“业务-数据双中台”战略。对运营商而言，平台/中台的机制与内部投入产出模式相吻 合，电信天翼云、移动信息技术中心、联通数科等专业部门或子公司均有助于理顺内部协 同关系和业务拓展逻辑。2021 年，中国电信对云计算业务实现“分改子”，天翼云科技有 限公司下设 31 个省云分公司，整合云计算人才与能力，同时将涉云相关优质资产、业务注 入云公司，是平台/中台的机制的体现。