
大数据时代你知道数据财产权归属于谁吗?
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",还是会释放无数危险的"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。
其二,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。
其三,大数据的经营者们,看懂这些安全法律防范手段了么?
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。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23