
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
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