京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据的达摩克利斯之剑
当前,大数据产业风生水起,走到哪里都有人谈大数据。
但越接触大数据,我们就越担心,它到底是让我们生活得更好的"阿拉丁神灯",还是让释放无数危险的"潘多拉魔盒"?
很多人都并未意识到,自己头顶依然悬着一把法律之剑。
目前,欧盟已经出台了苛刻的数据保护条例,美国也对出售客户数据的运营商施以重罚,那么,还处在萌芽状态的中国大数据行业,究竟将向何处去?
是先放水养鱼,让产业发展和数据应用游走于现行法律法规的边缘;还是尽快修改和出台法律法规,尽可能与技术发展相匹配?
在这个过程里,我们还有太多的法律问题需要考虑。
首先,现有法律限制的是什么样的数据交易,什么数据才是可交易的,法律保护的是客户隐私数据,还是数据的全部属性?
数据是有很多属性和分类规则,用户的个人的数据除了客户资料之外,还包括用户数据,还有平台记录的与用户有关的行为,而法律主要禁止与个人隐私有关的部分属性交易。
所以,不能将数据简单等同于个人信息和隐私(法律啥都保护,这个同前面一样,换个角度说妥当,法律禁止的是什么)。
因此,原则上无害于个人,不涉及隐私,不能被辨析到客户个体,那么数据的获取、交易甚至开放,与现行法律的基本原则不相冲突。
所以说,在数据交易前,需要对数据做脱敏处理。或者匿名,或者打码,或者隐去,才能继续对"不具有个人识别性"的数据或属性进行交易。
但是,数据的哪些属性不具有个人识别性呢?在实际案例中,很多客户的隐私属性是通过分析识别出来的。
从技术角度看,无论是海量数据的信息挖掘,还是不同属性的交叉分析,都可能把看似不泄密的数据,转化生成能够辨识客户的隐私信息。
客户信息不能被直接辨识出来,是不是就等同于去除了个人身份属性?通过技术手段能够间接导致将个人的数据甚至个人不愿为人所知的信息被披露,这样的数据泄露算不算侵犯个人的权益?
甚至于,企业机密和国家安全都可能因为大数据的挖掘和披露,面临新的威胁。
对这些技术问题,法律专家并不熟悉,因此在讨论时往往被忽略了。
其次,经过加工之后处理的数据财产权,到底是归属于数据的生产者,还是原始数据的拥有者?
有的人认为:大数据源于对个人数据和信息的再利用,之后虽通过技术加工处理,但数据的产权还应该归属于个人。
另一种观点是:大数据应用就像开矿一样,如果没有企业的运作和投入,数据就不能产生应有的价值。企业投入巨资,为数据的采集、识别、存储、分析,买了那么多服务器和存储设备,资源投入几十亿,才将数据生产出来。
因此,数据的所有权应该属于数据的生产企业,并拥有从中汲取收益的权利。
当然,对于用户自己填写的信息,用户与用户之间的行为,用户在平台留下的印记,这些不同情况下,处理的方式并不一样。比如如果一开始财产权就是共有的,那么后面只要不影响用户、不能识别出是谁,企业就可以利用。
还有一种比较客观中立的观点:为推动大数据的发展,应该允许进行数据加工的企业获得部分权利。
例如,对用户数据进行匿名处理后,企业可以豁免个人数据保护法规定的相关的义务,这就意味着企业不必再征得用户的同意,就拥有了对数据的利用权利等等。
但通过这种方式获得权利的同时,企业也需要承担相应的义务。还以匿名处理为例,增加的义务应该包括:
(1)要确保数据始终处于匿名状态;
(2)对数据的匿名安全性作出评估,如果数据交易的对象具备对数据复原身份属性的能力,则应当限制此类交易。
(3)在交易协议中,需要通过协议来明确交易各方对于数据安全的责任,尤其约束交易方不得再进行身份识别性的利用。
大数据的经营者们,看懂这些安全法律防范手段了么?
第三,针对性营销的合法性问题。
能否在识别客户身份的基础上开展市场营销?这个原本我看来天经地义的行为,居然并不一定合法,这让我大跌眼镜。
大数据营销中,用得最多的就是精准营销。数据交易中,最值钱的也是个人数据。我们日常分析中做的客户画像,目的就是给海量客户分群、打标签,然后针对性地开展定向营销和服务。
然而在一些激进的法律人士认为,如果利用用户的个人信息(比如年龄、性别、职业等)进行营销,必须事先征得用户的同意;如果向用户发送广告信息,如果用户反对,下次再发也属于违法。
这么听下来,如果真要严格执法,是不是现在运营商、BAT做的大数据精准营销就全废了?众多希望通过数据交易获取客户信息的企业,也完全失去了商业前景?
如果说,前两个问题要靠进一步界定范围来解决的话,这个问题简直就是针锋相对,完全无解了。
其实精准营销模式在传统商业场景下,也是存在的,合理的。而且中国整体环境还是支持大数据的发展的,甚至由政府牵头开放数据交易。
如果针对个人客户的定向营销无法施行,那么大数据的商业价值就只剩下海量数据的宏观分析,大规模数据的综合运用,虽然这并非没有空间(比如导航软件依靠车辆位置信息,计算出路况与大家分享;运营商根据用户真实使用情况,形成终端市场分析报告),但商业价值必然大打折扣,大数据的故事真不好讲了。
从宏观来说,法律滞后于发展是常态,真正法律的游戏规则最终会由个案创设,在碰撞中完善。
好在,我们国家的法制建设还有相当长的路要走。
在野蛮生长主导的中国互联网领域,相信大数据的发展前景会先于欧美,好于国企,在试错与博弈中,迎接曙光。
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