京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据带来大智慧
当前电子政务发展模式正在朝3个方向发展:一是云模式成为技术主流发展趋势;二是业务系统以加强政府各部门协同合作为本质,而非部门分工;三是政府信息资源的开发利用趋于“大数据”应用。从而形成“整合、互联、共享、重构、高效”的电子政务建设和发展总趋势,即:
对已有的应用系统要进行深入整合,实现重点业务领域的跨部门协同;克服条块分割,加快实现互联互通;在整合、互联、协同的基础上,提高信息资源共享的水平和能力;按照政府组织体系的调整,重构一些重大综合应用系统、特别是面向公众的社会管理、公共服务系统,提高政府公共服务能力和社会管理水平;提高电子政务的资金使用效率,进一步促进信息产业发展。
云模式成为技术主流
云计算的本质是通过互联网将大量本该运行在机构内部计算机和服务器上的应用和服务交付由第三方提供,其目标是把所有IT能力都纳入到网络上,云就是网络,网络就是计算机。云计算借助互联网的庞大资源体系,以一种全新的计算模式向用户提供服务。云计算具有4个显著特征:
便捷性:在云计算模式中,所有应用和服务请求的数据资源均存储在云中。用户可以在任意场合、时间通过网络接入云平台,按需求获取所需信息,实现不同终端、设备间的数据与应用共享。多元性:庞大的计算机群具备极高的计算、存储能力,可以使用基于海量数据的数据挖掘技术来搜索网络中的数据库资源,并运用各种方法为用户反馈出尽可能详尽、准确的结果。低廉性:由于云计算模式下大量的计算及存储工作都被放到了网络上,使得个人的用户端简化成浏览器。云计算终端功耗低,成本低廉,终端用户使用简单,维护方便。安全性:分布式系统具有高度容错机制,可以实现严格、有效的控制、配置与管理,具有更好的可靠性、安全性和连接性能。高度集中化的数据管理、严格的权限管理策略可以让用户避免数据丢失、病毒入侵等麻烦。
云计算的本质、特征、功能等决定其成为解决电子政务3大难题的强大武器:最大限度地实现资源共享、最大限度地实现政务业务协同,以及最大限度地实现互联互通。
全流程跨部门业务协同
电子政务业务系统发展将呈现以政府社会管理和公共服务事项全流程为对象,面向政府管理创新开展电子政务建设,将跨部门协同业务相关的各个部门的工作流程整合,在统一网络平台上统筹、集中构建面向该事项全流程的应用系统的特征。相关政府各部门的公务员通过在线接入方式联合协同办公,共同使用无缝集成的全流程跨部门应用系统为公众服务。在这种新型应用架构下,政府为提高服务满意度而对流程采取优化、重组的管理创新,以实现无缝集成的全流程跨部门应用系统更新。
这就有可能使以往阶段发生的、以分分合合为特征、行政成本巨大、社会效果较为激烈的行政管理体制改革,通过动态的、渐变的、持续的、低成本的、更加以人为本和人性化的、比较和谐的政务创新方式加以实现。更重要的是,这种跨部门应用架构将使政府的职能与机构之间的刚性依存结构弱化、柔性化。换言之,这种跨部门应用架构将能够适应行政管理机构的任何状况,即可灵活增加,亦可动态减少。在此应用架构下,部门履行其职能是通过获得无缝集成的全流程跨部门应用系统中的相应权限实现的。当机构改革使部门的职能转变时,只需将其使用权限赋予另一个得到该职能的部门并经过培训即可实现职能和权力的转移。可以看到,这种无缝集成的全流程跨部门应用系统将能够适应行政管理体制改革中机构变化的不确定性,因而能够动态、持续地支撑政府的改革和创新。
大数据带来大智慧
电子政务发展必须关注大数据这个新概念,在这一点上一些国家政府已经走在前列。比如,美国奥巴马政府近日就在白宫网站发布了《大数据研究和发展倡议》,提出“通过收集、处理庞大而复杂的数据信息,从中获得知识和洞见,提升能力,加快科学、工程领域的创新步伐,强化美国国土安全,转变教育和学习模式”。
“智慧来自大数据”,在电子政务的推进中必需掌握大量的知识,并具有在大量的政务数据和信息中挖掘知识的能力。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,抽取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。从更广义的角度来说,数据挖掘就是在一些事实或观察数据的集合中寻找模式的决策支持过程。因此,它除了处理传统数据库中的数值型的结构化数据外,还可以对文本、图形、图像、WWW信息资源等半结构、非结构的数据进行挖掘。大数据处理可以进一步提升电子政务价值,使政府决策建立在大量数据分析的基础之上,使政策更加透明,并且可以创造出更大的价值。例如城市管理,利用大数据才能获得突破性改善,诸多产业利用大数据才能发现创新升级的机会点,进而获得先发优势……有了云计算、物联网,但缺乏大数据分析处理的核心技术,智慧政府的“大脑”就不够发达,“智商”就不够高,能力就不够强。
大数据处理并不是简单地把系统放在一个合适的位置,然后自动获取结果。需要掌握从海量数据中获取知识所必需的工具和技能,如数据仓库、数据集成、商业智能、数据可视化工具,业务分析和预测建模等。同时还需要建立正确的工作流程和政策,寻找可以利用数据分析预测市场的人才,构建更有效的产品和服务以满足需求快速变化的市场。我们需要“拨云散物”集合“数据”,更要确立今后“腾云驾物”用“数据”的目标,把握政务事务发展的核心能力
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24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