
统筹推进大数据 四大工程建设
积极发展大数据产业是贵阳加快发展的机会窗口和超常规发展的重要抓手。发展大数据产业既是贵阳实现后发赶超的创新性产业方向,又是贵阳实现产业转型和新型工业化的战略选择,也是贵阳着力促进“四化”同步发展、坚守两条底线、奋力打造贵阳发展升级版的必由之路。当前贵阳市正从强化政策带动、金融推动、市场驱动、外力拉动等多个角度发力,统筹推进全市大数据强基、筑云、智端和掘金四大工程的建设。预计到2016年底,贵阳大数据相关产业规模达到540亿元,约占全市信息产业总产值的30%,相当于2013年贵阳地区生产总值的四分之一;大数据龙头企业达到30家,上市公司5家以上,聚集200家大数据企业,引进和培养5000名以上大数据研发与应用人才,形成完整的大数据产业体系。当前全市上下应紧紧咬住这些奋斗目标,俯下身子,真抓实干,不折不扣地积极贯彻落实大数据产业发展应用规划和政策措施,着力做好五个方面的工作。
一是坚持政府推动和市场主导相结合。发展大数据产业的基本原则是市场驱动,政府引导,资源整合。为此,要发挥好省大数据产业发展领导小组的作用,加快组建大数据产业管理机构,为大数据产业发展提供组织保障。政府要主动适应互联网特别是移动互联网万物互联时代产业发展的新形势,打破传统时代服务企业的固有模式,探索基于信息化、云计算等新技术条件的新服务方式,努力为大数据企业提供新服务。要创新政府服务模式,精准把握大数据企业的发展需求,加快数据交易、流通平台建设,推动服务流程和模式升级换代,建立规则、强化监管、科学引导,促进产业良性发展。
市场需求是大数据产业发展的推动力量,大数据产业发展要以应用为抓手有序推进,发挥市场的配置作用,大力培育和引进市场主体,依托贵安新区大数据产业基地,建设数据交换(交易)平台,使市场在大数据产业发展中“点石成金”的效应最大化。
大力引进战略投资者和风险投资者。更加注重开展招商引资,通过政府简政放权换来市场高效配置,在基础设施建设、应用服务、研发设计等方面引进一批优强企业,催生增值服务、端产品制造等各个层面企业群,鼓励产业链上下游之间进行数据交换,培育面向应用的数据资产交易市场。
二是培育形成完整的大数据产业链。在产业链的每个环节,既要大力引进大企业,也要促成初创企业生成。在大数据产业生态基础层和分析层加强技术攻关、抢占技术前沿。围绕海量数据存储、数据库技术、数据挖掘、数据信息应用、信息安全等重点方向,以企业为主体加强关键技术攻关并推动成果产业化,形成一批达到国家制高点水平的“杀手锏”技术。在大数据产业生态应用层着力抓好增值服务层和配套端产品层服务。在增值服务层,重点引导数据挖掘应用,催生增值服务企业集群,可以培育出大量中小微企业。结合我省电子信息制造业实际,重点围绕提高本地配套能力,引进培育配套端产品企业,将“实业做实”,同时注重拓宽产业幅,谋划高端企业,发展芯片封装测试产业,推动我省集成电路产业起步发展。将云服务纳入政府采购目录,创造应用市场。发展贵阳智慧旅游、大健康产业、政府服务、网上金融。
三是积极申报国家级大数据科技产业园(产业基地)。区域经济发展的快慢很大程度上取决于国家制度及支持力度。国家级大数据科技产业园(以下简称大数据产业园))从成立到后续的开发建设都属于国家战略,大数据产业园的获批,对于大数据企业的发展,意味着项目加资金加政策倾斜。大数据产业园作为大数据企业的重要聚集基地,能够有效地创造聚集力,通过共享资源、克服外部负效应,带动关联产业的发展,从而有效地提升企业效益、提升地区品牌、创造社会价值和推动产业集群的形成。建议以贵阳云基地、呼叫中心、高新区顶新国际大陆云端大数据总部、贵阳市大数据服务外包示基地为依托,积极申报国家级大数据技术产业园(产业基地),争取国家级政策扶持,加快大数据产业的发展。
四是加快培养大数据技术人才。发挥好平台作用,加快培训和引进一批创新型技术人才和应用型大数据技术人才,以大数据领域研发和产业化项目为载体,积极引进一批领军人才和高端人才,鼓励大数据产业人才到贵阳创业。既要发挥好中关村贵阳科技园平台作用,又要发挥好在筑高校院所科技创新联盟作用,更要发挥好贵州省大数据产业联盟平台作用;更好发挥好贵州省大数据产业发展应用研究院、贵州大学大数据与信息工程学院平台作用,加快培养一批大数据产业发展急需人才,为奋力打造贵阳发展升级版提供强劲智力支持。
五是促进大数据前沿的技术创新。促进大数据前沿的技术创新要大力支持大数据工程和学术紧密结合,开展前沿技术攻关;着力发展服务器、移动智能终端产品、云计算与大数据通用基础软件、移动互联网应用软件等产品的企业,构建较为完整的电子信息软硬件产品链;培育开源社区,加强技术扩散和产业化,鼓励参与国际开源社区,培育自主开源社区,加快国际、国内先进技术产业化;建设公共服务平台,推进软硬件产品链垂直整合和企业间战略合作;大力发展面向信息技术产业的规划咨询、方案设计、投融资服务、系统集成、测试评估、安全审计、人员培训等公共服务,增强产业技术创新支撑能力,加快大数据分析能力和利用能力建设。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14