
2017年我国大数据产业发展五大新突破
2017年,大数据产业发展打开突破口,迎来爆发期,大数据融合应用进程加速,产业集聚进一步特色化发展,创新驱动仍是产业发展主基调,为做大做强数字经济、带动传统产业转型升级提供新动力。
2017年接近尾声,这一年大数据新模式、新业态层出不穷,面对五大瓶颈问题——数据资源开放共享程度低、技术创新与支撑能力不强、大数据应用水平不高、大数据产业支撑体系尚不完善及人才队伍建设亟需加强,打开突破口。
政务大数据开放共享呈现新格局
“加快政府数据的开放共享”作为国家《促进大数据发展行动纲要》三大任务之首,2017年,在政策、法规、技术、应用等多重因素的推动下,获得了进一步发展,在城市侧表现尤为突出,基本形成了跨部门数据共享共用的格局。
京、津、沪、渝、冀、辽、贵、晋等省市政府相继出台了大数据研究与发展行动计划,整合数据资源,实现区域数据中心资源汇集与集中建设,与“建设全国一体化的国家大数据中心”的国家战略要求契合,为实现跨层级、跨地域、跨系统、跨部门、跨业务的协同管理和服务提供了平台。
根据2017中国开放数林指数显示,在这些陆续开放共享政府大数据的省市中,上海、青岛、贵阳、广州、东莞位列总排名前五名,上海、贵阳、青岛位列数据层前五名,佛山、哈尔滨、上海位列平台层前五名。
技术创新驱动产业发展
大数据领域每年都会涌现出大量新的技术,成为大数据获取、存储、处理分析或可视化的有效手段。大数据技术能够将大规模数据中隐藏的信息和知识挖掘出来,为人类社会经济活动提供依据,提高各个领域的运行效率,甚至整个社会经济的集约化程度。
2017年,伴随着新一轮的信息技术革命和商业模式创新,实体经济插上数字化羽翼,一场以数字化为形式、以技术进步为手段、以经济转型升级为目标的变革已经全面展开。
工业和信息化部总工程师张峰认为,目前我国大数据产业迎来全面良好的发展新局面,“关键技术领域取得新突破,大数据软硬件自主研发实力快速提升,一些大数据基础和平台处理能力提升世界潜力,涌现出一大批大数据创新企业和创新模式。”
大数据应用迎来黄金时代
2017年,大数据产业依旧保持高速增长态势,并从单一的技术概念逐渐转化为新要素、新战略、新思维。今年,大数据产业正经历从构想迈向应用的过渡期,在政府和市场力量的全力推动下,大数据已经在政用、商用和民用领域全面覆盖,并且在区块链应用上实现重大突破。
目前,我国广东、福建、浙江、河南、上海等16个地区均依据当地发展现状制定相应的大数据相关政策,近20个地方政府陆续推进大数据应用平台建设。
数据资产运营的价值通过应用的落地逐渐得到释放,并在全国涌现出了一批典型应用。中国首家政府大数据资产运营商——九次方大数据凭借在全国各省、市、自治区的实践经验,在各地打造了旅游、精准扶贫、医疗、信用、农业等一系列政府大数据应用样板间,助力实现政府结构扁平化、政府运作智能化、社会治理网格化、公共安全数字化、民生服务智慧化、公权力约束精准化。为激活政府数据资产价值提供了研究样本,掀起政府大数据应用的发展高潮。
大数据产业支撑体系逐渐完善
2017年,我国大数据产业发展环境持续优化、产业生态系统日趋完善。大数据标准体系初步形成,开展了大数据技术、交易、开放共享、工业大数据等国家标准的研制工作,在北京、上海、贵阳开展了大数据标准试点示范。一批大数据技术研发实验室、工程中心、企业技术中心、产业创新平台、产业联盟、投资基金等形式的产业支撑平台相继建成。大数据安全保障体系和法律法规不断完善。
从管理机构方面看,大多数城市在推进城市数据开放共享中,将组织机构作为工作开展的前提。截至2017年9月,全国至少有已有13个省成立了21家大数据管理机构,而这一数字还在不断增长中。
大数据人才队伍建设进程加快
2017年11月,我国首个由行业主管协会起草的大数据人才培养发展方向的通识性标准——《中国大数据人才培养体系标准》正式发布,预示着中国评定大数据人才的核心标准转向是否能够综合使用工具为企业或客户创造商业价值。
数据显示,2017年,我国已有35所本科学校获批“数据科学与大数据技术”本科专业,62所专科院校开设“大数据技术与应用”专科专业,申报数据科学与大数据技术本科专业的学校达到293所。
由于目前国内培养大数据人才的院校都尚处于起步阶段,学校教育与大数据市场需求脱节严重,社会培训机构对大数据人才的培养所起的作用将是很好的补充。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15