
中国需要加快形成大数据国家战略
大数据是新的石油,是本世纪最为珍贵的财产。大数据正在改变各国综合国力,重塑未来国际战略格局。2013年7月,国家主席习近平视察中国科学院时指出:“大数据是工业社会的‘自由’资源,谁掌握了数据,谁就掌握了主动权。”
大数据“安全的小船不能说翻就翻”
数据显示,2015年全球数据泄密的事故达1673起,涉及7亿多条数据记录。《Verizon 2015数据泄露调查报告》也显示,500强企业中,超过半数曾发生过数据泄露事件。更令人惊悚的是,60%的案例里,攻击者仅需要几分钟就可以得手。没有大数据安全,就好比一个国家没有安防一样,数据得不到保护,随时有可能受到破坏、攻击和篡改,极大地阻碍大数据产业的健康发展。可见,实现大数据产业可持续发展的前提是数据安全。
我们平时关心更多的数据“锁”或者“仓库管理员”是否可靠,其实更深层次的数据安全是数据库的安全。我国大数据库几十年一直用国际技术,说白了就是别人建了仓库,我们把数据装到别人的仓库里,按别人的规则、规范使用管理自己的数据,还用别人的仓库管理员(CPU)管理数据,什么都是别人的,除了数据来源是自己的。那么,我们要怎么用这些数据?用了干什么?用了能有什么结果?最终都是国际技术说了算。久而久之,我们国人已经自觉不自觉有个观念:国际技术保障数据安全,但这种安全真的安全吗?有一天国际技术不保障这种安全了,国际技术游戏规则变化了,国际技术被核心技术国完全掌控了,我们怎么办?
在大数据时代,甚至人们连吃什么、用什么都依赖数据分析时,我们依然不把最核心的数据安全放入改革制高点去讨论,这是危险的。所以无论什么性质的改革,核心还是硬技术实力的提升,只有核心基础技术实力提升了,用改革的办法推进核心技术结构调整,减少无效和低端供给,扩大有效和中高端有核心技术支撑的供给,增强供给结构对需求变化的适应性、灵活性、安全性,提高全要素生产率,才能使供给体系更好适应需求结构变化。
在大数据时代,大数据改变人类生活的说法一点儿也不夸张,但如果没有适时建立起大数据安全保障体系,大数据意味着存在安全隐患。对任何企业、机构、机关乃至于社会来讲,大数据分析都是最敏感的资产。大数据分析工作提供了精准、关键的竞争优势;另一方面,如果上述分析被别人掌握或落入别有用心之人手中,则会陷入巨大的风险中,这对企业来讲是如此,对机构来讲是如此,对国家更是如此。
数据库技术建设是国家战略安全无法回避的问题
现在国家间实力竞争,经济实力的竞争占据主要战场,整个社会商业数据分析就是这个主要战场的核心要素,而管理运用这些要素的大数据核心技术就是这些要素的保护者,卫士也就是数据仓库。我们应该在这些核心要素上痛下功夫,无论前端多少展现平台,这不重要,至少我们可以做到把自己的数据装在自己的仓库里,并自己制定规则,虽然数据库建设是所有大数据里最难啃的技术部分,但是也是最核心部分,对技术要求最高。
如果如何使用数据和管理数据,都是我们自己说了算,最好还把这个说了算的标准拿到国际上去,让国际上也使用我们的标准,这样我们就不但拥有了自己的技术,而且拥有了被国际社会认可的,被国际社会遵从的核心技术标准,那么这种核心竞争力应该是供给侧里“补短板”最有力的体现。我们国家在国际标准委大数据分会数据库标准提案的通过,意义也就不仅仅是在国际标准化组织里制定标准这么简单。
我们国家一直以来大数据就是依赖国际技术,因为技术是人家的、产品是人家造的,标准自然就是人家制定了,定了产品标准接下来就是定游戏规则,道理很明白,就是咱们技术上突破不了,就永远用别人的游戏规则玩游戏。所以这场革命势在必行,国家正在这个方面加大力度。大力支持供给侧改革中的“补短板”,其实也是由原来“中国制造”升级到“中国智造”的技术革命过程。在原来由国际上美、德一统天下的大数据核心技术领域,标上“中国智造”这一标志也应该是具有供给侧革命性意义的。
大数据正在成为经济社会发展新的驱动力,将涵盖经济社会发展各个领域,成为新的重要驱动力。大数据重新定义了各大国博弈的空间。在大数据时代,世界各国对数据的依赖快速上升,国家竞争焦点已经从资本、土地、人口、资源的争夺转向了对大数据的争夺。未来国家层面的竞争力将部分体现为一国拥有数据的规模、活性以及解释、运用的能力,数字主权将成为继边防、海防、空防之后另一个大国博弈的空间。
笔者认为,中国需要加快形成大数据国家战略,着力规划“大数据战略”中长期路线图与实施重点、目标、路径,统筹布局,加快大数据发展核心技术研发,推进大数据开放、共享以及安全方面的相关立法与标准制定,抢占新全球科技革命和产业革命战略机遇期,重构国家综合竞争优势已经迫在眉睫。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29