
抓住大数据时代机遇 实现创新驱动发展
拥有数据的规模、活性及解释运用的能力,是实现大数据在广东创新驱动发展战略中的价值的关键。
一、创新驱动战略需要一种数据驱动的新文化
对大数据价值认识和应用,政府、学术界、产业界和资本市场尚待达成一致。各部门、各地方普遍存在“数据割据”和“数据孤岛”现象,缺乏大数据意识也导致数据的公信力弱、质量低,数据定义的一致性差等问题。
数据文化,是尊重事实、强调精确、推崇理性和逻辑的文化。发展大数据产业,需要在社会上弘扬数据文化。
其一,在公共领域推行“数据治省”的理念。以系统采集的数据和科学分析的结果作为公共决策最重要的依据,杜绝个人经验和长官意志。
其二,政府加大“数据治省”的舆论宣传,力争在全社会形成“用数据说话、用数据管理、用数据决策、用数据创新”的文化氛围和时代特点。
其三,形成尊重数据的文化心态,建立大数据思维。其核心是:世界由数据构成,任何问题都可以通过对海量数据进行分析得到解决。一旦建立起该思维方式,就可以通过分析数据资源来寻找问题解决方式,促进创新机会的产生。
二、推动数据开放,提高数据质量,逐步建立数据治理制度
开放、流通的数据是大数据时代的要求。广东面对大数据变革,应该首先开始尝试公开数据和提高数据质量,逐步建立数据治理制度。
其一,宏观层面政府解决“数据割据”问题需要顶层设计,企业则需要在“数据孤岛”间架起桥梁;微观层面需注重“数据质量”,包括数据的正确性、完整性、一致性。
其二,制定统一的政府开放数据标准,包括政府数据开放目录、政府开放数据格式标准等,明确数据开放的范围、方式、内容、细化程度及数据格式,从技术操作层面为政府开放数据的共享奠定基础。
其三,建立相应的法律法规,界定数据资产的归属和使用,以解决发挥数据资产商业价值与侵犯个人隐私之间的矛盾。一方面采取法律方式保护公民的个人隐私;另一方面,保证政府的信息公开。
其四,打破部门数据的分割状态,整合数据资源形成合力,以多种形式向公众实时开放各类数据。
三、促进开放数据驱动企业成长
缺乏核心技术、产品附加值低是广东实施创新驱动的短板。即便是广东的信息技术这一支柱产业亦如此。在大数据领域,广东具有突破核心技术短板的机会。
大数据技术以开源为主,迄今为止,尚未形成绝对技术垄断。即便是谷歌、IBM、甲骨文等行业巨头,也同样是集成了开源技术,与本公司原有产品更好地结合。开源技术对任何一个国家都是开放的,广东企业同样可以分享开源的蛋糕。
支持和孵化开放数据驱动的企业,并创建体制结构从而确保企业的成长。一是推出“大数据研发计划”,由政府投入来改进处理海量数据的工具和技术,旨在资助处在知识创新前沿的大数据领域的研究活动,加强大数据基础性研究和行业性应用研究,并加强企业与科研机构、政府部门之间的合作伙伴关系;二是建立开放数据研究院,召集世界顶级专家共同合作、孵化、培养、指导新的创意和推动创新;三是政府可建立“开放数据优秀人才中心”,聚集开放数据供应方和需求方的专家,为利用开放数据的创业企业提供孵化支持;四是用竞赛等活动来支持创新,能激发创意和早期原型产品的诞生,也有助于建立开放数据用户社区。
四、制定云优先战略,推动计算产业的创新和发展
政府和产业界对云计算是热情高涨,但是,云计算的行业应用还处在刚刚起步的阶段,云计算发展面临着体制、商业模式、利益分配等诸多障碍。
政府制定“云优先”战略,规定各个政府部门都必须有序推进,向社会购买云服务。政府是最理想、最合适的消费用户。为推动云计算尽快成为一个产业,在不涉及国家安全的情况下,政府各部门都不应该再营建自己的数据中心、开发本地软件,无论是存储还是计算,都应该以云的形式向社会购买服务。
五、抓住大数据时代机遇,以网络智能制造作为突破口,以创新驱动制造业转型升级
由于国内需求减少,出口出现萎缩,广东制造业正面临困境。虽然我省已提出两化深度融合,但在战略设计、组织保障、推进路线等方面还有待深化。
未来的工业发展模式是信息技术与工业技术的高度融合,是网络、计算机、数据信息、软件与自动化技术的深度交织。广东制造业基于过去30年发展已积累了一定的技术基础和研发能力,抓住大数据这一机遇,完全有可能实现战略性的重点突破、重点跨越,在制造业上实现创新驱动发展。
推进网络智能制造。智能制造将从数字制造转变为依托大数据、云服务的协同,共同分享网络协同的运营服务。宽带网络、云计算、3D打印,信息开放获取、交通物流、全球市场等,为智能制造创造了全新的自由创造、公平竞争、高效合作的网络创新和制造服务的环境。网络智能制造是在线协同,人人可以公平自由参与、竞争合作、创造分享的一种全新方式。网络智能制造将会引领中国制造技术和产业的创新跨越,将充分发挥每个人的创造力,而且还可以集成利用全球的知识信息和创新资源。
六、以大数据引发新业态的发展,推动公众共享运动
大数据变革的潜力主要体现在数据开放战略和数据驱动方式上,在战略层面,可利用数据处理从封闭、断点、静态向开放、海量、实时的转变,引发社区、众包、网格等新业态、新模式蓬勃发展,在此基础上推动机构数据开放和公众共享运动的兴起。
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