
大数据是中国的战略选择-CDA数据分析师
今天,大数据(big data)一词正越来越多地被提及,人们用它来描述和定义信息爆炸时代产生的海量数据。随着经济社会的发展,大数据可能带来的深刻影响和巨大价值日益被认识,它通过技术的创新与发展,以及数据的全面感知、收集、分析、共享,为我们提供了一种全新的看待世界的方法,其带来的信息风暴正全方位地改变着我们的生活、工作和思维。面对这样一种情势,我们应当以什么态度来迎接大数据时代的到来?如何使大数据为我所用?这些问题亟须我们从学理上作出科学回答。
人类社会的每一次进步,都是由新技术引发新一轮产业革命、进而引发政府管理和社会治理模式的重大变革而推动的。科技革命不断推动着产业的发展,只有那些抓住技术革命的战略机遇并迅速作出适应性调整的国家或民族才能不断生存发展,无视变化或拒绝变化的国家或民族将面临停滞和衰落。现在又到了必须选择的时刻。同以往不同,发生在大数据时代的技术革命是基于纳米技术、生物技术、信息技术和认知科学多学科联动的,这必将引发井喷式的产业创新。
大数据支撑新时代
大数据,或称巨量资料,是指所涉及的资料量规模巨大,以致无法通过目前主流软件工具在合理时间内撷取、管理、处理并整理成为帮助企业达致经营决策目的的资讯。大数据技术不仅能够提高人们利用数据的效率,而且能够实现数据的再利用和重复利用,进而大大降低交易成本,提升人们开发自我潜能的空间。人们可以低成本或零成本进行事物信息全息式的纵向历史比对和横向现实比对。大数据技术自身不仅能够迅速衍生为新兴信息产业,还可以同云计算、物联网和智慧工程技术联动,支撑一个信息技术的新时代。
云计算、物联网、大数据、智慧工程都是新一代信息技术。云计算技术是一种按使用量付费的模式,这种模式可以提供可用的、便捷的、按需的网络访问,进入可配置的计算资源共享池(资源包括网络、服务器、存储、应用软件、服务),这些资源能够被快速提供,只需投入很少的管理工作,或与服务供应商进行很少的交互。云计算技术可以使人们及时利用各类大数据。物联网技术的实质就是物物相连的互联网,物联网的核心和基础仍然是互联网,其用户端延伸和扩展到了任何物品与物品之间,进行信息交换和通信。物联网技术可以溯源大数据和保证信息的真实性。智慧工程就是把感应器嵌入和装备到电网、铁路、桥梁、隧道、公路、建筑、供水系统、大坝、油气管道等各种物体中,并且进行普遍连接,与现有的互联网整合起来,实现人类社会与物理系统的整合。智慧工程可以激活沉寂的大数据。
可见,云计算、物联网、大数据、智慧工程四者之间有着紧密的联系。云计算是互联网的广泛普及和深度应用,实现了从芯片操作系统、应用软件到服务产业链的垂直整合。物联网突破了机器到机器的连接,是感知、传输、处理等技术高速发展的产物。大数据是大量数据的处理技术,实现了从数据到知识的飞跃。智慧工程基于云计算、物联网和大数据技术,实现完美结合,将数据、知识、设备、网络转换成为智慧。
大数据引领新发展
资源配置实现灵动化。物联网通过智能感知、识别技术与普适计算、泛在网络的融合应用,实现全球资源的网联。在此基础上,云计算使全球资源实现了从“端”到“云”的重新分布,给全球资源配置方式带来全局性的颠覆、整合和创新。随着全球网联水平的不断提高,云计算、物联网、大数据、智慧工程在社会生活和经济各行业中将愈发起到基础性和工具性作用,并将带来全球经济乃至社会的变革,改变人们的生活、工作甚至思考的方式。在新技术支撑下,资源配置不再受制于地理位置、物理状态,而是能按需调配,呈现灵动化趋势。
国际竞争延伸至赛博空间(Cyberspace)。领土、领海、领空这三大领域是传统国际竞争的焦点。随着大数据时代的到来,更重要的竞争领域开始凸显——赛博空间(赛博空间是哲学和计算机领域中的一个抽象概念,指在计算机以及计算机网络里的虚拟现实,有的文献译作网络电磁空间,有的误译为网络空间)。美国2014财年预算提出增加赛博安全防御经费,奥巴马政府希望通过给予研究人员更多资金和资源,使美国能够在当前的全球赛博军备竞赛中开展竞争。
大数据成为关键生产要素。随着大数据时代的到来,数据将如能源、材料一样,成为战略性资源。2012年3月,奥巴马政府在白宫网站发布了《大数据研究和发展倡议》,将其视为“未来的新石油”,提出通过大数据加速在科学、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。如何利用数据资源发掘知识、提升效益、促进创新,使其服务于国家治理、企业决策乃至个人生活服务,是大数据时代的重要战略课题。
中国的战略选择
扩大人才供给。政府应采取多种措施,扩大大数据相关人才供给。实施教育培养计划,在大学相应阶段有针对性地增加相关课程,增加学生在感知技术、数据仓库、数据搜索、数据挖掘与可视化等领域的知识积累,扩大人才储备规模。加大从其他国家、地区引进人才的力度,实施各项优惠政策、营造良好发展环境以吸引国外优秀的技术人员,增强我国相应研发实力。采取相应激励措施,鼓励企业对管理者普及数据分析技术培训,推动企业使用相关技术明确消费需求、创新产品及服务。
支持企业研发。产业安全是国家安全的基石,产业安全依赖企业实力,尤其是企业的研发能力。在明确关键技术的基础上,确定重点支持领域,加大研发支持力度,整合云计算专项、物联网专项等项目,支持大数据技术的开发、研究和应用示范,引导企业加大研发力度,实现关键技术突破。在政府部门和公用事业的信息化应用中采购大数据技术,以政府采购引导国内大数据发展。优先支持大数据技术在诸如疾病防治、灾害预测与控制、食品安全与群体事件等民生领域的应用。
加快标准建设。完善知识产权保护体系,促进数据共享和整合,推动数据价值创造。加快制定相关标准和指南,鼓励存在缺口的重要领域推进关键技术研发,推动行业标准制定机构出台各类型的标准,并给予资金支持、税收减免、费用补贴、金融支持等激励措施。
开放政府信息资源。尽快建设信息资源开放平台,促进信息共享与业务协同,努力为群众提供更方便快捷、更优质高效的公共服务,以满足各级政务部门经济调节、市场监管、社会管理、公共服务等方面的需要。根据跨部门协同办公的需要,以部门业务信息为基础,从标准、流程、数据三个方面来设计,形成“物理分散、逻辑集中”的公共数据中心,通过数据集中挖掘,提高数据利用率,提高各级政府行政管理效率和公共服务水平。出台一些配套制度,例如公开数据集的目录,强制要求进行数据公开和共享;设立奖惩制度,对于公开信息及时、可靠的予以奖励,不符合规定的予以惩处;建立预算制度,从预算角度控制各部门经费使用方向,推动数据共享,防止“信息孤岛”现象的出现。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02