本文不討論運營商在大數據的應用上暫時的頹勢，也不評擊其擁有金庫卻見不着有數的着的商業模式。或許是因爲運營商們探索時間起步較晚；也可能由於運營商對於如何開放用戶數據還沒想明白；又或者是歷史遺留的用戶數據還存在業務線條分割、區域分割，數據分散情況較嚴重，企業內部不同系統之間的數據格式也不一致，而且沒有建立起統一的大數據基礎性平臺導致的商用很難。
在這裏，獵人只想分享現在市場上相對成熟或有潛在機會的基於運營商數據的一些應用產品類型、場景如何使用的、大概有多少潛在規模及一些跨行業應用的思考。當然主要還是偏互聯網金融領域爲主。
本文只圍繞運營商3要素覈驗、在網狀態、在網時長、位置覈驗、爬蟲接口、運營商用戶畫像、運營商大數據平臺這7大數據產品應用分享一些心得。並對3要素覈驗、在網狀態、在網時長這幾個產品預估其市場規模。預估方式可能導致最終結果不太準確，僅供參考。
一、運營商3要素
規模驅動因素評價：有政策推動規模增長，同時有金融風控場景強需求增持推動。用於驗證姓名+身份證+手機號的準確性。
3要素覈驗，這個接口都是在運營商實現大部分實名制之後才實現的對外接口。也就是通過實名制這個過程，運營商逐漸有了把手機號與個人身份信息綁定的數據，手機號對應上了個人的姓名和身份證號信息。
這纔有了運營商要素覈驗的接口對外，正常情況非風控環節有個舊產品運營商2要素，它調用次數會比3要素覈驗更多點，原因是很多行業的註冊環節只看手機號是否實名，2要素覈驗便可以實現。
但由於重名的情況很普遍，2要素覈驗無法定位到真實的個人身份，則在風控環節應用不夠嚴謹；因此現在基本只會調用運營商3要素覈驗，精確定位到的用戶是誰，這個號碼是這個人身份信息綁定的。
隨着保監會對投保人信息準確性的要求，很多投保機構也開始對存量和增量客戶進行運營商3要素覈驗，確保代理人上傳投保客戶的聯繫方式是客戶本人的。這個要求既保證了保監會可以對個人投保真實意願進行有效回訪，也可以提高各保險機構的續保率，須知各保險機構的存量客戶聯繫方式多是代理人的，想直接觸達到客戶是沒門的。
這裏獵人將針對運營商3要素的調用次數和市場規模做個預估，這個預估的前提僅限於在互金行業的風控場景及投保場景。其他場景對於用戶是否綁定的是自身實名手機大多不在乎，沒有與資金安全或風險防控相關的場景需要運營商3要素覈驗的需求不大，因此不用考慮。
風控環節必須進行運營商3要素覈驗的前提，還是基於對個人綁定非個人實名號碼後續催收或做關聯圖譜時不準確的考慮。要不然運營商3要素的存在感就更弱了。
獵人通過2018年的調用量預估2019年大概的規模，各位可以作爲後續規模的參考。這個是不考慮市場滲透率及替代接口的前提。
互金風控環節的3要素調用次數=2018年借貸人數/20%
單筆調用價格按0.25一筆計算，三網價格不一樣，這裏做平均處理。
2018年借貸人數怎麼找？
獵人從這段互金協議的信息中發現了累計的借款人數9685萬人，這個數據不知道是否做了去重，獵人當是去重了。如果按照互金的歷史從2011年正式算起，平均每年也有個1200萬的借款人數。
中國互金協會稱，爲規範網貸類會員機構信息披露行爲，提升網貸行業信息披露透明度，保障金融消費者知情權，協會根據《網絡借貸信息中介機構業務活動信息披露指引》有關要求以及《互聯網金融信息披露 個體網絡借貸》(T/NIFA 1—2017)團體標準，堅持不懈推動網貸機構信息披露和產品登記，加速全國互聯網金融登記披露服務平臺(以下簡稱登記披露平臺)的建設工作。
目前，協會按照網貸類會員機構自律管理相關要求，對外通告了2018年9月網貸類會員機構在登記披露平臺上披露信息的情況。通告顯示，共有100家會員機構在登記披露平臺上披露了2018年9月的運營信息，其中貸款餘額合計6376億元，累計交易總額40359億元，累計服務出借人數3760萬人，累計服務借款人數9685萬人。
然後獵人抽查了已接入互金協會，這些已公開運營數據的近百家機構的部分機構2018年的借貸人數，前5的頭部機構基本借款人數都有個幾十上百萬，尾部機構就幾萬人數。另外上千家未接入的借貸人數暫忽略。以此估算了2018年的活躍借貸人數，在1200萬左右，應該是算保守預估合理區間。
互金行業，多頭借貸傾向比較嚴重，這裏暫按20%的佔比計算。有同時在3家及以上機構借款則算借貸。則1200萬借貸用戶中，起碼有240萬的多頭借貸用戶，這部分用戶貢獻了至少720萬次的借貸次數（借貸次數決定了接口調用次數）。
借款人數指成功放貸的人數，在成功放貸前有個申請貸款的環節，申請貸款到成功借款有個20%左右的通過率，也就是說：
申請貸款次數=（1200萬+（720-240）萬）/20%=8400萬次
原則上這些機構在對這些申請貸款的用戶都是1:1的調用運營商3要素覈驗實名手機號，確認用戶沒有填寫不正確的3要素或者識別是否故意填寫非本人號碼，則2018年應該有8400萬筆的運營商3要素覈驗次數（PS：運營商3要素覈驗爲查詢收費，則失敗部分也會計費，這裏不考慮這部分），則：
2018年運營商3要素覈驗市場規模=8400萬筆*0.25元=210萬收入
這樣一算，這個接口真沒啥市場規模。即使將筆數放大10倍，也就2100萬元規模，換成利潤空間的話，也養活不了幾家數據公司。屬於剛需卻不賺錢的產品。
那這個塊數據接口還有存在的意義麼？——有的。
最近獵人已發現很多銀行在用戶換綁定號碼時都要求或覈驗手機號是否本人的，也算是實名制後的一個趨勢，歷史的卡號與手機號綁定只要求用戶常用，不覈驗是否本人實名。後續銀行綁卡環節和支付環節都要求手機號是本人實名的，這塊市場空間就厲害了。【規模可以簡單用——卡數*換號次數*費用 比例來計算，潛在利潤空間還是挺大的，這裏不做測算】
另外，還可以通過徵信報告個人查詢次數，預估未來的市場規模。
今年3月10日，央行副行長陳雨露在全國兩會期間舉行的新聞發佈會上表示：“徵信很多現在逐漸用到了社會領域，我們看到很多女孩找男朋友，未來的岳母說你得把人民銀行的個人徵信報告拿來讓我看看。”
所謂信用報告已成爲反映企業和個人信用行爲的“經濟身份證”。目前，個人和企業徵信系統已採集9.9億自然人、2591.8萬戶企業和其他組織的信息，分別接入機構3564家和3465家，年度查詢量分別達到17.6億次和1.1億次。
這裏的17.6億次代表上徵信的產品申請用戶被查詢次數，假設徵信查詢能通過資質審覈部分用戶只有10%，需對這部分用戶進行手機號3要素覈驗，則也有1.76億筆查詢量，這裏可以產生
1.76億*0.25元/筆=4400萬元
另外，保險投保場景屬於政策驅動。
2018年6月4日，銀保監會網站發佈《保險實名登記管理辦法（徵求意見稿）》（下稱《徵求意見稿》），要求保險機構及其從業人員在爲投保人、被保險人、受益人辦理保險業務時，依法覈對上述人士的身份證件並查驗和登記實名信息。
其中，身份證件包括居民身份證、戶口簿或出生證明、護照、港澳居民來往內地通行證、臺灣居民來往大陸通行證、外國人居留證件等合法身份證件。而實名信息就包括投保人、被保險人、受益人的姓名、身份證件類型和證件號碼、手機號碼等信息（姓名與身份證件號碼合稱身份信息）【雖然這裏沒有明確對手機號也需要做實名，但根據實名制的推行，及上層需要對下層實名管控，直接要求手機號也爲本人實名會更容易合規管控，因此判斷後續投保人的身份登記，運營商3要素應該會強制要求進行】
根據銀保監會披露的數據顯示，2019年我國壽險保單持有人只佔總人口的8%，人均持有保單僅有0.13張。我國的保險賠付佔災害損失比重遠低於國際上30%的平均水平。根據全國人口普查數據庫的最新數據顯示（近期公佈人口數據），我國2018年全國人口數量爲13億9008萬人。
據公安部統計，2018年全國新註冊登記機動車3172萬輛，機動車保有量已達3.27億輛，其中汽車2.4億輛，小型載客汽車首次突破2億輛；機動車駕駛人突破4億人，達4.09億人，其中汽車駕駛人3.69億人。
2019年1月29日，中國銀保監會發布2018年保險數據統計報告。據統計，2018年保險業新增保單件數290.72億件, 同比增長66.13%。其中，產險公司簽單數量282.63億件，增長70.10%；人身險公司本年累計新增保單8.09億件，下降8.46%。
從險種看，貨運險簽單數量48.90億件，同比增長31.91%；責任險72.70億件，增長81.70%；保證險22.86億件，增長35.62%；車險4.48億件，增長12.09%；壽險本年新增累計保單0.89億件，下降19.86%；其中普通壽險5549.10萬件，下降20.35%；健康險32.01億件, 增長417.28%；意外險64.99億件，增長168.51%。
其中車險、壽險、健康險、意外險等獵人相對熟悉，這種針對個人的投保場景均逐漸由上往下推動投保實名制的落實。因此這裏往後每年的新增投保次數及存量用戶非實名部分數量，應該都當做覈驗運營商3要素的潛在調用次數。
但險種計件應該是按照險種種類數量計算的，不同險種產品每次購買的件數不一樣，例如購買健康險，健康險就可選醫療險、住院險、門診險等，一個人可能產生至少3-5個的投保件數，而運營商3要素覈驗每次按照個人計算。
根據獵人的經驗，車險每人每次購買2個險種；壽險，每人購買1個；健康險，每人購買3個；意外險，每人每年起碼購買5個。
則年潛在收入規模：
（4.48億件/2+0.89億件+32.01億件/3+意外險64.99億件/5）*0.25元=（2.24+0.89+10.67+12.998）*0.25元=7億元
則預估這個接口可以創造 7.46億元的收支差。
二、在網狀態
規模驅動因素評價：無相關政策驅動，接口無法通過政策推動規模增長，只能依賴場景需求。
用於判斷手機號的狀態情況，包括：正常使用、停機、在網但不可用、不在網、銷號、未啓用、異常、預銷戶等。
【預銷號：比如當你手機長時間停機或者欠費，運營商就把你的手機號碼預銷號，當這個時間達到運營商的上限後，就直接銷號了。比如預銷號時間段內，你充值了，號碼是可以回來的。預銷號有時候運營商也會只讓你接電話，不能打電話。在網但不可用：號碼剛買完還未進行激活的中間過程或者預銷號，或長時間關機。】
場景驅動爲主：貸前風控、貸後催收、電話營銷等。
運營商在網狀態，是根據用戶歷史的繳費狀態形成的接口產品，用於判斷用戶的手機號是否正常使用或有其他異常狀態。一般返回參數包括停機、關機、在網但不可用、不在網、銷號、未啓用、異常、預銷戶等。
在風控環節一般是在貸前審覈環節查詢用戶提供的手機號狀態是否正常，手機號如果是非正常狀態，則可能觸發風控預警規則，側面體現這個用戶這個號碼可能貸後無法聯繫或存在風險行爲。
我們通過這樣幾個場景瞭解：
1.有欺詐行爲的個人用戶，申請貸款時提供不常用的實名手機號，這個號碼常處於欠費或關機狀態或銷戶狀態，因爲不希望貸款成功後，有人聯繫到自己，所以提供了非常用號碼。
2.收入拮据的用戶，想要貸款用於不明用途，但自己平時連手機費都無法按時繳費，手機可能處於非正常狀態，這種客戶不該通過風控。
3.黑中介幫資質不滿足的用戶進行材料包裝，需要用戶提供一個號碼作爲代接審覈電話，這個號碼正常情況關機或不使用，審覈時的短期間纔會啓動。
而在貸後催收環節和營銷，涉及到這樣一個場景：
貸後催收一般是人工催收，雖然現在很多情況都通過機器人代替，但催收率來看，人工催收的話術不是一般機器話術短期內可以替代。同理，營銷環節特別是理財、保險等高端產品營銷，人工可以適應各種話術場景，因此這個環節大多還是會通過人工電呼，這個在成本可控的前提，會通過在網狀態來識別哪些號碼是正常狀態，哪些非正常狀態，減少人工撥打的這個時間，提高效率。【這裏有個替代產品是空號檢測，這個成本可能幾釐就搞定，邏輯是非空號可以撥打或發短信】
因此基於以上場景，在借貸環節預估筆數和收入規模還相對容易，催收環節佔比不多，營銷環節難以估算。
在網狀態的潛在市場規模可以這樣預估下：
上文估算的互金借貸次數大概爲8400萬，據瞭解在網狀態部分機構在這個貸前核驗環節會查在網狀態，部分會在反欺詐或某規則通過後才調用在網狀態，看手機號正常與否，來給用戶評分或人工通知客戶提交正常使用的號碼。因此這裏做個50%的折算，即有4200萬的調用次數，4200萬次*0.15元/次=630萬的收入規模。
另徵信相關產品1.76億查詢中，查詢狀態的環節折算率比互金的低很多，按20%計算，則收入規模：
1.76億*20%*0.15元=528萬
營銷環節產生的收入規模，理論上比借貸風控環節的多很多。如果按照互金的借貸人數爲基數，理論上撥打-貸款成功的轉化率應該有0.3%，以此簡單推算撥打號碼次數爲：
8400萬/0.3%=280億次
如果1：1查詢實名狀態，起碼也有個42億的收入規模。當然這個環節真用得上實名狀態的比例應該會更低或者計費會遠低於0.15元的市場價。這裏即使按10%的有效折算（10%撥打次數查狀態或收費折算），也有個4.2億的規模，遠高於風控環節的規模。
則預估這個接口在金融行業最少可以創造 4.3億元的收支差。如果加上全行業營銷量級，這種查詢號碼狀態的接口市場很有想象空間。
三、在網時長
規模驅動因素評價：無相關政策驅動，接口無法通過政策推動規模增長，只能依賴場景需求。用於判斷手機號在網時間，一般返回區間值(0,3],(3,6],(6,12],(12,24],(24,+),T-1等，(0,3]表示在網時長0-3個月。
場景驅動爲主：貸前風控。
運營商在網時長，是根據用戶歷史的繳費歷史記錄形成的接口產品，用於判斷用戶的手機號繳費了多久，是否新使用的號碼及號碼穩定性，一般返回參數按照月劃分的區間值。
在風控環節一般是在貸前審覈環節配合查詢狀態是否正常，正常的話用戶提供的手機號時長是多久，新開的手機號，則可能觸發風控預警規則，側面體現這個用戶這個號碼可能是用戶爲了申請貸款新註冊的手機號，存在風險傾向。
我們通過這樣幾個場景瞭解：
1. 有欺詐行爲的個人用戶，因爲不希望貸款成功後，有人聯繫到自己,因此申請貸款時提供的不是自己的常用號碼，只是臨時申請了個新號碼。
2. 有欺詐行爲的個人用戶，自己常用的號碼可能在多處借貸有留過信息或者借過給別人申請貸款；或者自身是黑中介或號碼曾經因爲其他原因被運營商錄入黑名單，爲了繞過風控，臨時開個新號碼，防止被查到關聯的不良信息。
3. 黑中介幫資質不滿足的用戶進行材料包裝，需要用戶提供一個號碼作爲代接審覈電話，這個號碼是新註冊的。
在網時長的市場價格一般在0.2元左右，調用筆數可以參考在網狀態的互金調用筆數和徵信調用筆數。約可以創造1544萬的收支差。
四、位置覈驗
規模驅動因素評價：屬於剛需功能。
各機構都希望知道自己用戶的位置信息，例如借貸機構與銀行。借貸機構希望知道用戶的申請地址的真實性及位置軌跡，銀行希望知道用戶的資金髮起是否本人非盜刷，這些場景都是風控相關。還有更多的場景用於其他，下文細說。
因此關於位置的產品，一直很喫香，但因爲敏感的問題，基本無相關位置具體信息查詢的接口。但各擁有位置信息的機構爲了合規，推出了覈驗類產品，不主動告知機構用戶位置，只根據機構提供的用戶位置做是否的反饋。
要知道位置覈驗產品的邏輯，需要先知道位置信息一般有哪些來源.
1. GPS，經緯度精細定位用戶位置，各種APP上大多會記錄個人GPS信息。5-20M以內誤差。GPS定位原理是用手機自帶的GPS模塊，通過GPS衛星定位系統判斷出當前的位置座標（東經 北緯 ），然後通過移動網絡（GPRS）傳輸到後臺服務器上，後臺服務器將之顯示在地圖上，用戶可以通過網絡進行隨時查看。
2. 網絡IP地址，每個IP地址有相應的位置，例如WIFI和局域網。IP一般是公里級誤差，WIFI是20-50M。
3. 運營商基站（LBS），手機需要有通訊信號，需要與各基站連接上。精確位置一般1-5KM誤差，與基站密度有關。
LBS定位的優勢是方便、成本低，因爲它是通過現有的基站進行定位的。理論上只要計算三個基站的信號差異，就可以判斷出該設備所在的位置，而不受天氣、高樓、位置等影響。
缺點：這種基站定位的方法，在沒有基站的位置上，誤差範圍會比較大，並且有些地方沒有基站是不能實現定位功能的，因此如果手機是使用LBS定位的，就一定要問清自己所在的地方是不是有服務基站。
4. 電商及物流公司，歷史收貨位置信息，可得治工作或常住地址，但無法實現實時監測。
以上位置獲取方式的不同，造成了不同位置產品的準確性不一樣。基於GPS的定位方式是利用手機上的GPS定位模塊將自己的位置信號發送到定位後臺來實現手機定位的。這種技術在我們手機APP上很常見。而基站定位則是利用基站對手機的距離的測算距離來確定手機位置的。這種技術也就是運營商所使用的。
但由於GPS與網絡IP這些都容易被位置修改軟件攻破，現在用來做位置覈驗，電商物流公司的位置只是定點位置，不能實時獲取。因此現在就準確性來說基站的位置信息相對更精確，在一些非追逃、法院傳票的場景，例如盜刷、及用戶城市變動風險判斷有一定的使用場景。當然應用更廣泛和顆粒度更細的肯定是GPS打點獲取的位置。
一種位置覈驗產品舉例：
位置覈驗入參：手機號+具體住址或城市名，部分機構要求提供用戶身份信息。
返回：是/否，或者告知與定點的誤差距離（這個距離一般以位置到基站的距離爲準）。
我們通過以下使用場景瞭解下：
1. 用戶申請貸款，在住址和公司地址一欄填寫的信息不知道是否真實，通過位置覈驗接口，查詢驗證準確性及距離誤差，來判斷用戶是否填了虛假信息。
2. 銀行用戶網上交易，風控一般要求用戶發起交易地址與用戶所在地址是一致的，以防異地盜刷，通過發起交易地址與用戶所在地址進行校驗，發現位置不一致，則可能存在盜刷，及時通知用戶，攔截交易。
3. 公安需要對目標名單人羣做監控，監控規則是監控名單是否經常不在本市，經常去澳門（有賭博嫌疑），外國（有高消費或出逃嫌疑），通過定時發起位置覈驗，查詢監控羣體位置變動情況，及時做防範。
這裏暫不針對GPS的位置信息做解析，主要GPS容易被修改，且定位的是手機位置，基站定位的是手機卡位置，兩者還是有區別的，雖說正常情況，卡機一般是一起的。針對GPS的應用在下文另提。
這幾個場景如何預估市場規模？
首先借貸風控環節，這裏的調用筆數可以根據上文提到的借貸調用次數計算：
8400萬筆*0.6元+1.76億次*20%*0.6元=7152萬元
銀行盜刷規模，與銀行的非本人卡轉賬支付交易次數有關，這塊暫不展開。公安監控的也暫不展開。有興趣的可以私下交流。
五、爬蟲接口（非運營商體系內）
規模驅動因素評價：無相關政策驅動，接口無法通過政策推動規模增長，只能依賴場景需求。
用戶詳單數據，運營商沒有單獨出這樣的詳單分析接口，但在數據行業，被眼尖的機構做成了集合爬蟲接口，前端用戶申請借貸，需要主動輸入手機號及登錄密碼，機構爬蟲進去把用戶在運營商的詳細數據都爬取出來，然後主要把數據詳單這塊數據做文章，各機構疊加自己的一些數據形成運營商詳單分析報告。因此獵人在這裏將其列爲非體系內，但是成功依靠運營商數據賺錢的一種成熟方式。
詳單字段主要包括：
起始時間、通話時長、呼叫類型（主被叫）、對方號碼、本機通話地、對方歸屬地、通話類型、業務類型、通話費。
機構疊加字段：號碼庫對應機構名或使用屬性。例如座機號碼一般都可以找到對應的機構，以此區分銀行、信用卡、互金機構、催收機構等，業務類型多指手機號的使用者屬性，催收機構人員、黑中介、黑名單用戶等。
如何應用分析？舉幾個例子：
1. 輔助判斷是否非常用手機：雖然風控環節會做在網時長覈驗，但時長再長，也不能排除養卡行爲，養卡行爲通話次數和時間肯定會有異常，這樣可以輔助判斷，避免通過新手機號進行騙貸的情況發生。
2. 基於號碼的關聯圖譜評價用戶資質：驗證聯繫人中是否存在黑名單用戶，與黑名單用戶聯繫頻繁，可能會是一夥人或者受黑名單用戶影響。驗證聯繫人中是否存在公安、法院、銀行風控、催收機構等，公安不會無緣無故經常和你通話，法院也不會無緣無故與你聊天，與這些機構聯繫頻繁，說明這個用戶存在很大風險問題。驗證聯繫人中的是否存在優質用戶，比如通話記錄中有多個系統內部標註的高淨值用戶，且聯繫頻繁，主要看呼出時間和是否有主動呼入，這些人屬於優質用戶，通過二度關係間接判定用戶的資質。
3. 催收號碼庫來源：通話詳單有詳細的非脫敏通話號碼清單，機構獲取後，可以爲後續的催收做準備的，這些號碼比用戶主動填寫的緊急聯繫人還管用。這樣機構催收時，如果無法通過該號碼與借款人取得聯繫，可以通過通訊錄中的他人號碼間接與借款人取得聯繫。
4. 其他：根據通話時長及頻率判斷關係緊密度；根據號碼歸屬地，判斷關係圈區域範圍；根據通話時間分佈，判斷是否有非正常時間活動，例如大半夜常通話；配合APP內置爬蟲，將通訊錄名字標註與機構記錄的標註對比，分析用戶可疑行爲，例如在用戶通訊錄備註的催收人員號碼爲快遞號碼，但機構記錄的是某催收公司職員，等
六、運營商用戶畫像
規模驅動因素評價：無相關政策驅動，接口無法通過政策推動規模增長，只能依賴場景需求。
運營商擁有從底層的設備和網絡數據到上層的用戶行爲數據，我們結合電信行業的具體情況，可以將運營商的數據特徵總結如下：
只用用過手機的用戶，基本都會在運營商留下數據痕跡。我們通過日常場景來反推運營商內部可能存儲的用戶數據維度，來推測還有哪些運營商數據可以用來做接口產品或者平臺產品。這裏暫時排除工業物聯網等場景，只針對個人用戶。
移動端入口：手機品牌,手機型號；日常通訊交互產生的數據-通話時間、通話語音、通話對象（個人或公司）、通話類型（呼入呼出）；短信時間、短信圖片、短信對象、短信內容；日常上網產生的：APP名，APP打開時間、APP在網時間、WIFI地址、網頁地址、網頁流量、網頁時長網頁類型；基站記錄相關-開關機時間、基站切換導致的位置變換。可以衍生類似APP類型，APP使用軌跡等。短信內容中可以提取用戶餘額、轉賬、借貸註冊、借貸情況、還款情況等體現用戶資質的內容。基站打點、WIFI等可以得知用戶常在位置軌跡及區域，判斷消費能力和資質能力等。
PC端入口：IP地址、網頁地址、網頁類型、網頁流量、網頁查看時長。這些基本字段又可以產生很多衍生字段。
物聯網入口：智能手錶、智能電視、智能空調、智能冰箱等智能傢俱，可以知道用戶在室內的各種行爲軌跡，這裏不展開了。【獵人預測往後的優質數據源及更精準的用戶畫像將在物聯網機構巨頭中產生】
可以看出運營商體系，可以得知一個個人的超級詳細的畫像，但由於各種原因：數據使用合規性原因-如何脫敏輸出很難界定；各類數據存儲分省分部門，聚合起來就非常難；數據產品化，無法指定到哪個部門進行研發，中間的利益關係太複雜，想要推動這個事情還存在很多問題。因此纔有了外部數據公司的存在價值，開發各種爬蟲適配各省各市各運營商的用戶信息頁面獲取詳單數據。
另外一個原因是運營商用戶畫像，除了運營商3要素、時長、狀態和位置覈驗是在風控層驗證過比較有效可用的數據，在金融風控領域可以直接產生一定的規模價值，運營商上文提到的各種詳細字段形成的用戶畫像，由於價格和建模關聯度等影響，在風控建模領域遲遲得不到良好的應用。
因此運營商及運營商旗下科技子公司逐漸在商業應用層進行平臺產品的盈利模式驗證。
七、運營商大數據平臺
運營商大數據平臺集合了一切運營商可用及脫敏的數據，針對的是羣體決策類業務，大多以用戶GPS打點的位置爲主，用戶運營商畫像爲輔，可以應用於除金融風控場景的衆多場景。這個應用過程，大多需要結合或借鑑使用機構的歷史數據及經驗，雙方纔可以有深度的結合產生好的效果。
1. 羣體精準營銷
運營商通過挖掘用戶歷史數據及實時數據，形成用戶的基本信息、生活習慣、消費行爲等特徵數據，利用模型算法等，提煉並整理符合匹配金融機構或其他類型機構目標客羣的用戶的特徵、行爲偏好的關鍵詞和特定標識，通過短信、網絡營銷等渠道爲各行業提供有效的大數據精準營銷分析與觸達服務。
2. 網點洞察評估與選址
通過對網點服務範圍內的人羣GPS軌跡分析，找出各個軌跡匯集點，也就是人羣大概率進出經過的路徑上進行網店佈局。並對已建網點及自助終端機進行提供拆除或優化建議。網店評估及選址適合銀行網店佈局、店鋪開店選址、各種服務網點選址優化等。
3. 區域客羣駐留特徵分析
提供對指定商業區域（如商場、商鋪、連鎖門店等）的客羣駐留特徵、客羣常駐地、客羣到訪偏好、客羣屬性特徵、客羣互聯網特徵、區域主幹道人流熱力、通達圈分析的全面洞察分析，做到“知人知地”。
舉例：爲一家商場進行客羣軌跡監控，監控哪個門客流大-這個門做活動招商效果會更好，場內客流哪個路徑走動更多-這條路徑鋪租可以提高，哪類店鋪更受客羣喜好-可以多引進這類店鋪，哪些離開的客羣去了外面其他場內沒有的店鋪-引進沒有的店鋪類型等。
4. 人流與交通線路優化
根據城市人流出行軌跡，規劃地面與地下公共交通路線設計與站點選址，方便城市居民出行。
深入分析駛入交通節點車流來源方向和駛出交通節點去向，瞭解重要交通結點（跨江大橋、十字路口等）早晚高峯人流量，爲分析城市擁堵原因合理設計交通信號燈的整體規劃提供數據支撐，結合車流量、客流出行軌跡、出行時長、車速等數據分析每路段的公路疲勞指數。
以上只是一些運營商大數據平臺的應用場景舉例，其實運營商數據現在逐漸在與各政府部門聯合，例如可以監控各洗浴場所人流情況、監控城市常駐及外來人口變動情況、監控城市各商圈人流流動情況、各景區人流來源及出行方式等。
其實用窮舉法與行業場景拆解後可以交叉形成非常多的可以實現商業價值的產品。邊幅問題，本文暫分享到這裏，關於金融領域的各種風控、反欺詐、營銷等場景及跨行業場景的數據應用歡迎交流。
最後，運營商內部的數據資源是很豐富的，除了常見的運營商3要素覈驗、在網狀態、在網時長、位置覈驗、爬蟲接口、運營商用戶畫像、運營商大數據平臺這7大數據產品，及主要在金融領域相對應用更成熟外，其他行業也有其可以應用的環節。
例如電商快遞需要實名綁定手機號，交友產品需要覈驗個人身份信息外，確保手機號也是交友本人的，在網狀態和時長公檢法可以用來判斷監控對象手機號使用是否正常，減少無謂的聯繫動作，各種營銷場景需要豐富用戶興趣偏好、資質能力、當前手機型號等可以結合運營商的用戶畫像標籤字段建模使用，提高客戶分層能力。
要清晰知道各數據源及各數據字段如何應用在各行業各環節場景，需要同時熟悉場景需求及數據產品形成的邏輯。後續獵人會對金融行業常用的各種類型數據字段的來源及形成邏輯及應用邏輯展開分析，給予各位讀者一些參考方向。