京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据商业挖掘的边界到底在哪里
日前,国务院《促进大数据发展行动纲要》正式公开发布,由此开启了国家系统部署大数据发展工作的序幕。《纲要》提出要从政府大数据、新兴产业大数据、安全保障体系三个方面着手,推进大数据领域十大工程建设;要全面推进大数据发展和应用,加快政府数据开放共享,深化大数据在各行业创新应用;通过建设数据强国,提升政府治理能力,推动经济转型升级。
伴随着《纲要》的发布,中国大数据发展将迎来顶层设计,正式上升为国家战略。不论我们称之为大数据时代、互联网时代,还是物联网时代、智能穿戴时代,它们之间都有一个共同的特征,就是信息数据化。当人与物都被数据化之后,就意味着巨大的商机蕴藏到了这些数据中间,而国务院所出台的这个关于大数据的指导意见也足以证明大数据的价值。
面对大数据所蕴含的巨大价值,我并不担心其商业价值挖掘不出来,担心的是如何把握好商业挖掘的尺寸与公民隐私权之间的关系。今天,大数据的商业化已经形成。当我们通过PC登录或者访问了相关的网站,浏览了某些信息的时候,我们在电脑上的这种行为都将被记录下来。当我们再次登录一些网站,打开相关页面的时候,一些“牛皮癣”广告就会被推送到我们的眼前。
那么,有谁在推送这些“牛皮癣”广告的时候征求过用户的意见?追踪用户使用行为的商业挖掘边界到底在哪里?这些问题或许比当前推动大数据商业挖掘来说更为重要。
首先,从目前的实际情况来看,大数据商业的前端很繁华,而商业后端的法律法规则相对滞后。过度的商业化挖掘,如果在没有相关隐私权保障的情况下发生,必然会招致用户的反感。那么,商家到底应该将数据商业化到什么程度,这个尺度如何把控,也就成为当前有关部门着重关注的焦点问题。
其次,对于企业来说,哪些数据是可以挖掘,哪些数据在商业化中是不能挖掘的;对于行政部门来说,什么部门可以拥有什么样的数据使用权限……这些都存在着关键尺度问题。如果相关法律法规和政策能够及时出台,那么公民隐私安全问题就可以缓解很多;反之,如果这个指导规范一直出不来,那么公民隐私就很危险了。
尤其是在智能穿戴时代的万物数据化之后,包括人的一切行为与生命体态特征都被数据化,网络安全、数据安全,就是摆在眼前最急迫、最重大的事情。可以预见,在进入智能穿戴时代,人与物,人与互联网之间的识别关系一定不是当前的这种数字密码,而是更为复杂的生物识别技术,如步态、静脉、视网膜、心率等,借助于可穿戴设备将人与设备连接、绑定在一起。由此通过人的生理特征识别后,建立一种唯一性的身份识别特征和独一无二的ID。
显然,这种识别特征的建议就相对比较安全,尤其是对于金融系统来说,未来的支付就很安全,一旦你的设备被偷了,离开你就自动失效了。深度数据化背后的商业价值将随之放大,而同时被放大的,还有数据安全风险。不过,我们不能因为大数据的安全存在风险,就让科技发展的脚步停下来。
我们需要谨慎地对待数据安全,但亦非谨小慎微。就像我们知道网络网银不安全,但我们还是会谨慎地用,此时对于银行等机构来说就是如何通过技术来最大限度地保障用户财产安全;我们知道美国枪支泛滥,但很多人依然很“向往”美国,此时对于美国政府来说就是如何通过法律法规来杜绝这些案件的发生。面对大数据也是如此,需要政府提高监管的水平和方式,尽可能地把犯罪的风险系数和危害降到一个合理的范围。当然社会上总有一些人想着赚歪门邪道、旁门左道的钱,这就是需要政府作为的问题,怎样有效控制。尽管目前我们还没有完全进入大数据时代,但相关的弊端、问题与安全风险已经或多或少地初露端倪。
随着国务院关于大数据文件的出台,一方面会加速大数据产业的形成,也必然会加速商业价值的挖掘。但是在这个过程中,我们尤其不能忽略了对公民隐私权的重视。所以,发展大数据产业很重要,但对于公民来说或许保护比挖掘更为重要。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-05-21在数据驱动决策的时代,数据质量直接决定分析结果的可靠性与准确性,而异常值作为数据清洗中的核心痛点,往往会扭曲分析结论、误 ...
2026-05-20 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-05-20Agent的能力边界,很大程度上取决于其掌握的Skill质量和数量。传统做法是靠人工编写和维护Skill,但这条路很快会遇到瓶颈。业务 ...
2026-05-20在统计分析中,方差分析(ANOVA)是一种常用的假设检验方法,核心用于分析“一个或多个自变量对单个因变量的影响”,广泛应用于 ...
2026-05-19 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-05-19想高效备考 CDA 一级,拒绝盲目刷题、冗余学习?《CDA 一级教材知识手册》重磅来袭!以官方教材为核心,浓缩 13 章 103 个核心考 ...
2026-05-19在数据统计分析中,卡方检验是一种常用的非参数检验方法,核心用于判断两个或多个分类变量之间是否存在显著关联,广泛应用于市场 ...
2026-05-18在企业数字化转型的浪潮中,很多企业陷入了“技术堆砌”的误区——上线了ERP、CRM、BI等各类系统,积累了海量数据,却依然面临“ ...
2026-05-18