
发展“大数据”聚焦三大问题
当前,对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析,从中发现新知识、创造新价值、提升新能力的新一代信息技术和服务业态正快速发展。而为了进一步促进“大数据”的发展,日前,国务院印发了《大数据发展行动纲要》(以下简称《纲要》),聚焦三大问题,成为“大数据”未来发展的指南。
焦点一:加快政府数据开放共享
《纲要》指出,要加快政府数据开放共享,推动资源整合,提升治理能力。即要大力推动政府部门数据共享,稳步推动公共数据资源开放,统筹规划大数据基础设施建设,支持宏观调控科学化,推动政府治理精准化,推进商事服务便捷化,促进安全保障高效化,加快民生服务普惠化。
从整体上看,政府数据的开放程度相较以前有了明显好转。在数据公开方式上,已经由纸质文件转为线上线下结合,除了相应的官方网站外,还有微信、微博等线上平台与群众进行互动答疑。在数据公开内容上,由此前“不解渴”的数据逐渐转向群众所需求的数据,达到真正的急人之所急、需人之所需。
然而,“数据平台”、“信息共享”、“互联互通”等词汇虽频频被政策文件提及,但实际上,仅仅是政府各部门间的数据共享就未能得到全面普及,从群众的反馈上可见一斑。
购房时客户需要填报十几张表格,其中表格的重复率高达30%;办理证件时需要来往各个部门开具相应证明,群众为此跑断腿;不同区域、不同部门的政府数据实现分割、垄断式管理,产生一个个“数据孤岛”,从而影响其社会服务效率。
由此可见,要实现政府各部门间的数据共享仍有很长一段路要走。虽然不同部门规则不一、层次不一等多方面原因造成了“数据孤岛”,但破除“数据孤岛”也是发展“大数据”的首要任务。因此,加快政府数据开放共享无疑是亮点之一,也是社会群众所迫切需求的。
对于如何加快政府数据开放共享,《纲要》也提出若干措施,如加强顶层设计和统筹规划,明确各部门数据共享的范围边界和使用方式;厘清各部门数据管理及共享的义务和权利,依托政府数据统一共享交换平台;大力推进国家人口基础信息库等国家基础数据资源,以及金税、金关、金财等信息系统跨部门、跨区域共享;加快各地区、各部门、各有关企事业单位及社会组织信用信息系统的互联互通和信息共享,丰富面向公众的信用信息服务,提高政府服务和监管水平等。
焦点二:推动产业创新发展
《纲要》指出,要推动产业创新发展,培育新兴业态,助力经济转型。即要发展工业大数据、新兴产业大数据、农业农村大数据、万众创新大数据,推进基础研究和核心技术攻关,形成大数据产品体系,完善大数据产业链。
当前,新兴产业对推动经济发展、助力经济转型有着重要作用。然而,也正因为它是新兴产业,所以拥有的资源比传统产业少,发展环境也不如传统产业。“大数据”的发展则能有效弥补新兴产业缺少资源的短处,故而发展“大数据”能变相推动产业创新发展,亦能改变新兴产业的盈利模式。
以发展万众创新大数据为例,对于初次创业的创客们,实施大数据创新行动计划,鼓励企业和公众发掘利用开放数据资源,无疑能激发创新创业活力,减少许多不必要的创业弯路。
同时,利用大数据、云计算等技术,对各领域知识进行大规模整合,搭建层次清晰、覆盖全面、内容准确的知识资源库群,亦能为创客们提供精准、高水平的知识服务,避免跨界发展的创客遇到知识盲区等。
此外,许多互联网模式下的新兴产业也可利用相应的网络平台积累自己的大数据,以自己的大数据衍生出其他服务,形成不同的盈利模式,百花齐放。
焦点三:强化安全保障
《纲要》指出,要强化安全保障,提高管理水平,促进健康发展。即要建立大数据安全评估体系,健全大数据安全保障体系,明确数据采集、传输、存储、使用、开放等各环节保障网络安全的范围边界、责任主体和具体要求,强化安全支撑。
在信息化的时代,数据应用无处不在,数据的安全问题也随之层出不穷。仅以个人数据为例,在消费途径多样化的大环境下,个人数据被留存在各种渠道上。从管理资金的金融系统到出行旅游的交通系统,再到快捷消费的电子商务平台,个人数据无处不在,而要保护这些数据不被非法利用,则是难上加难。
然而,要发展“大数据”,就必须对数据的安全有所保障,营造一个安全的数据流通环境。一方面要在数据的获取、存储、使用等方面进行有效保障,如加大“大数据”安全保障体系建设、建立网络安全信息共享机制等;另一方面也要完善相关法律,利用法律的牙齿来进行刑事责任约束,对非法利用数据等违法行为加大惩处力度。
对此,《纲要》也提出举措和目标,即在涉及国家安全稳定的领域采用安全可靠的产品和服务,到2020年,实现关键部门的关键设备安全可靠。完善网络安全保密防护体系。建设国家网络安全信息汇聚共享和关联分析平台,促进网络安全相关数据融合和资源合理分配,提升重大网络安全事件应急处理能力等。
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