
中国需要加快形成大数据国家战略
大数据是新的石油,是本世纪最为珍贵的财产。大数据正在改变各国综合国力,重塑未来国际战略格局。2013年7月,国家主席习近平视察中国科学院时指出:“大数据是工业社会的‘自由’资源,谁掌握了数据,谁就掌握了主动权。”
大数据“安全的小船不能说翻就翻”
数据显示,2015年全球数据泄密的事故达1673起,涉及7亿多条数据记录。《Verizon 2015数据泄露调查报告》也显示,500强企业中,超过半数曾发生过数据泄露事件。更令人惊悚的是,60%的案例里,攻击者仅需要几分钟就可以得手。没有大数据安全,就好比一个国家没有安防一样,数据得不到保护,随时有可能受到破坏、攻击和篡改,极大地阻碍大数据产业的健康发展。可见,实现大数据产业可持续发展的前提是数据安全。
我们平时关心更多的数据“锁”或者“仓库管理员”是否可靠,其实更深层次的数据安全是数据库的安全。我国大数据库几十年一直用国际技术,说白了就是别人建了仓库,我们把数据装到别人的仓库里,按别人的规则、规范使用管理自己的数据,还用别人的仓库管理员(CPU)管理数据,什么都是别人的,除了数据来源是自己的。那么,我们要怎么用这些数据?用了干什么?用了能有什么结果?最终都是国际技术说了算。久而久之,我们国人已经自觉不自觉有个观念:国际技术保障数据安全,但这种安全真的安全吗?有一天国际技术不保障这种安全了,国际技术游戏规则变化了,国际技术被核心技术国完全掌控了,我们怎么办?
在大数据时代,甚至人们连吃什么、用什么都依赖数据分析时,我们依然不把最核心的数据安全放入改革制高点去讨论,这是危险的。所以无论什么性质的改革,核心还是硬技术实力的提升,只有核心基础技术实力提升了,用改革的办法推进核心技术结构调整,减少无效和低端供给,扩大有效和中高端有核心技术支撑的供给,增强供给结构对需求变化的适应性、灵活性、安全性,提高全要素生产率,才能使供给体系更好适应需求结构变化。
在大数据时代,大数据改变人类生活的说法一点儿也不夸张,但如果没有适时建立起大数据安全保障体系,大数据意味着存在安全隐患。对任何企业、机构、机关乃至于社会来讲,大数据分析都是最敏感的资产。大数据分析工作提供了精准、关键的竞争优势;另一方面,如果上述分析被别人掌握或落入别有用心之人手中,则会陷入巨大的风险中,这对企业来讲是如此,对机构来讲是如此,对国家更是如此。
数据库技术建设是国家战略安全无法回避的问题
现在国家间实力竞争,经济实力的竞争占据主要战场,整个社会商业数据分析就是这个主要战场的核心要素,而管理运用这些要素的大数据核心技术就是这些要素的保护者,卫士也就是数据仓库。我们应该在这些核心要素上痛下功夫,无论前端多少展现平台,这不重要,至少我们可以做到把自己的数据装在自己的仓库里,并自己制定规则,虽然数据库建设是所有大数据里最难啃的技术部分,但是也是最核心部分,对技术要求最高。
如果如何使用数据和管理数据,都是我们自己说了算,最好还把这个说了算的标准拿到国际上去,让国际上也使用我们的标准,这样我们就不但拥有了自己的技术,而且拥有了被国际社会认可的,被国际社会遵从的核心技术标准,那么这种核心竞争力应该是供给侧里“补短板”最有力的体现。我们国家在国际标准委大数据分会数据库标准提案的通过,意义也就不仅仅是在国际标准化组织里制定标准这么简单。
我们国家一直以来大数据就是依赖国际技术,因为技术是人家的、产品是人家造的,标准自然就是人家制定了,定了产品标准接下来就是定游戏规则,道理很明白,就是咱们技术上突破不了,就永远用别人的游戏规则玩游戏。所以这场革命势在必行,国家正在这个方面加大力度。大力支持供给侧改革中的“补短板”,其实也是由原来“中国制造”升级到“中国智造”的技术革命过程。在原来由国际上美、德一统天下的大数据核心技术领域,标上“中国智造”这一标志也应该是具有供给侧革命性意义的。
大数据正在成为经济社会发展新的驱动力,将涵盖经济社会发展各个领域,成为新的重要驱动力。大数据重新定义了各大国博弈的空间。在大数据时代,世界各国对数据的依赖快速上升,国家竞争焦点已经从资本、土地、人口、资源的争夺转向了对大数据的争夺。未来国家层面的竞争力将部分体现为一国拥有数据的规模、活性以及解释、运用的能力,数字主权将成为继边防、海防、空防之后另一个大国博弈的空间。
笔者认为,中国需要加快形成大数据国家战略,着力规划“大数据战略”中长期路线图与实施重点、目标、路径,统筹布局,加快大数据发展核心技术研发,推进大数据开放、共享以及安全方面的相关立法与标准制定,抢占新全球科技革命和产业革命战略机遇期,重构国家综合竞争优势已经迫在眉睫。
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在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10