京公网安备 11010802034615号
经营许可证编号:京B2-20210330
9月10日,工业和信息化部在北京召开媒体通气会,表示将按照国务院的部署,与国家发改委一起牵头,组织各部门、各地方全力做好《促进大数据发展行动纲要》的实施工作,重点抓好我国大数据技术和产业的创新与发展,提升大产业支撑能力,培育新业态新模式,并从五个方面开展工作。
一是支持大数据技术和产业创新发展。目前,工信部正在制定《大数据产业“十三五”发展规划》,还将出台促进大数据产业发展的推进计划,统筹布局大数据技术和产业发展。促进规划、标准、技术、产业、安全、应用的协同发展,为《行动纲要》的实施提供技术和产业支撑与保障。组织实施“大数据关键技术及产品研发与产业化工程”,加强自主创新,通过相关项目和资金引导支持关键技术产品研发及产业化;开发面向工业、电信、金融、交通、医疗等数据密集型行业的大数据应用解决方案;力争形成先进的技术体系、完善的产品体系和高效的应用服务体系。
二是促进大数据与其他产业的融合发展,着力发展工业大数据,加强产业生态体系建设。组织实施“工业和新兴产业大数据工程”,围绕落实《中国制造2025》,支持开发工业大数据解决方案,利用大数据培育发展制造业新业态,开展工业大数据创新应用试点。促进大数据、云计算、工业互联网、3D打印、个性化定制等的融合集成,推动制造模式变革和工业转型升级。围绕落实《国务院关于积极推进“互联网+”行动的指导意见》,以加快新一代信息技术与工业深度融合为主线,以实施“互联网+制造业”和“互联网+中小微企业”为重点,以高速宽带网络基础设施和大数据等信息技术产业为支撑,积极培育新技术、新产品、新业态、新模式。集中资源重点培育和扶持一批龙头骨干企业,鼓励中小企业特色发展。组织实施“大数据产业支撑能力提升工程”,建立和完善大数据产业公共服务支撑体系,加快培育自主产业生态体系。
三是推动大数据标准体系建设。目前,工信部已经指导全国信息技术标准化委员会组建由130余家单位组成的大数据标准工作组,组织起草了《大数据标准化白皮书》,制定大数据标准体系,已经开展数据质量、数据安全、数据开放共享和交易等方面的多项国家标准的立项和研制工作,同时还要积极参与ISO/IEC、ITU等国际标准制定工作,与国际同步发展。
四是支持地方开展大数据产业发展和应用试点。目前工信部已支持和指导北京、上海、贵州、广州、陕西等地大数据产业和应用发展,这些地方先行先试,主动探索,已初见成效。如支持贵阳·贵安大数据产业集聚区创建工作,在出台产业扶持政策、开展数据共享交易、法律法规等方面成效显著。授予陕西省西咸区创建软件和信息服务(大数据)示范基地,鼓励当地大数据产业创新发展。北京、上海、广东等地方政府在支持大数据产业和应用发展等方面各具特色,走在全国前列。下一步,还将进一步动员和支持各地方、各行业、各部门开展大数据技术、产业、应用、政策等方面的探索和实践,利用相关项目资金,引导和支持在重点地区和工业等重点行业开展应用示范,并总结经验、加快推广。
五是加强大数据基础设施建设,探索和加强行业管理。结合工业和信息化部正在实施的“宽带中国”、“建设互联网强国”等战略,落实《关于数据中心建设布局的指导意见》,指导数据中心科学布局,加快推动宽带普及提速,提升互联网数据中心业务市场管理水平。同时还需从法规制度入手,加强行业管理和安全保障。研究制定网络数据采集、传输、存储、使用、管理的标准规范。加强对隐私信息保护、网络安全保障、跨境数据流动的管理,组织开展相关的专项检查和治理。推动和配合相关部门组织开展数据共享、开放、交易、安全等方面的立法研究工作。解决制约大数据产业发展的体制机制因素和不确定性的市场因素,为产业和应用发展营造良好的法规和市场环境。数据分析师培训
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在Power BI数据可视化分析中,切片器是连接用户与数据的核心交互工具,其核心价值在于帮助使用者快速筛选目标数据、聚焦分析重点 ...
2026-04-23以数为据,以析促优——数据分析结果指导临床技术改进的实践路径 临床技术是医疗服务的核心载体,其水平直接决定患者诊疗效果、 ...
2026-04-23很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标是所有企业都需要的”“哪些指标是因行业而异的”“北极星指标和 ...
2026-04-23近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15