京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据重塑未来国际战略格局
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。
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
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06