京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据对法律行业产生的影响
法律是传统手工色彩极其浓厚的行业,强调逻辑、思考、判断。但在互联网颠覆时代的大背景下,法律行业逐渐受到冲击并发生改变,“大数据”、“信息时代”、“互联网+”在法律行业内被不断提及,2015年《中华人民共和国国民经济和社会发展第十三个五年规划纲要》明确把大数据战略提升为国家战略,这些信息都在表明大数据势必会对传统法律行业的发展产生冲击。理脉团队结合国外法学评论和国内相关研究,就大数据可能对法律行业产生的影响展开分析:
律师和客户的关系悄然改变
在传统的律师和客户的关系中,律师通常处于主动地位,而客户相对被动。客户遇到法律问题需要求助律所或律师时,往往会因为缺乏选择参考而依照地域就近选择律所或律师,很多客户没有机会提前挑选法律服务机构,或只能在有限范围内去了解律师的执业水平。但在大数据时代下,每家律所和对应的律师都会有相应的评估报告,根据不同的评估报告,用户能根据自己的需求理性选择律所或律师。举例来讲,某家公司将一项业务交给10-20家律所去完成,根据后期回传的数据,用户能判断出在这项业务中每家律所对相似服务的不同报价,此项任务中律师和其助理分摊的任务比重,按小时计费合理还是按项目整个承包更划算,律所或律师在完成此项业务时额外费用产出的比较,这些内容都会成为客户之后选择合作伙伴的重要依据。
数据时代的到来,会让客户在选择律所或律师时,有更多的参考标准和依据,能在交互关系中占据更为主动的地位,而作为相对方的律师或律所则面临着新的挑战。
打破法律人传统的工作模式
《环球法律评论》专栏作家维克托对法律大数据下有这样的理解:“以一种前所未有的方式,通过对海量法律数据进行分析,对法律问题进行预判,获得巨大价值的产品和服务,或得出新的认知、深刻的观点和主张”。不同于传统的法律数字化资源,法律大数据意味着更大规模量级的数据量,更为重要的是法律大数据不仅是满足传统数据库所做的单纯的法律信息的汇总和整理,法律大数据更为核心的功能在于做出预测。经过海量的数据分析,形成对特定法律问题的裁判预测,进行同案类推,甚至对案件时长、难度、证据要求、胜诉概率、赔偿数额、量刑长短进行预判,推进人工智能发展,实现计算机的自我学习与完善。
这种模式下对律师或律所的利处在于法律大数据能帮助从业人员对案件进行科学合理的预判,甚至预估案件审理法官的裁判倾向,对法律适用做出贴近的分析,会从一定程度上节约法律实践成本。但是从更深层次的角度来看,大数据的普遍运用会对律师的工作带来更高的要求,律师被要求能从庞大的数据源中寻求精准的匹配信息,而用户出于对结果精确性的需要也会对律师提出更为苛刻的条件,除此之外,律师的职业一定程度上会被法律数据分析人员和法律数据服务提供商分化,这些可能出现的情况都是大数据对法律从业者提出的更高的要求。
牵一发而动全身
第一,法学研究模式范式转变。大数据的到来,可能加剧两种法学研究路径的分化,一种继续保持传统的法学教义分析方法,另一种实证研究路径可能加快转向大数据全样本的分析范式,而谁掌握大数据资源、大数据分析工具,则能快速占领实证法学研究的高地。数据的引入还可能改变传统法学研究单兵作战的模式,集团化或团队协作可能在不远的将来成为实证法学研究新模式,而资本可能进一步渗透这种法学研究模式,成为幕后组织运作的智库推动力。
第二,法律大数据可能带来一系列隐私权和其他法律问题。因为大数据在处理大量碎片化、弱相关的数据时,会产生镶嵌理论效应,即“信息拼版的价值高于其组成部分各自价值的总和”。2016年1月6日美国联邦贸易委员会发布了一份题为《大数据:包容工具抑或排斥工具》的研究报告,介绍了大数据的生命周期、大数据技术应用给消费者带来的利益和风险,探讨了应当如何利用大数据,使人们既能充分享受其给社会带来的利益,又能最小化其法律和道德风险。文章也在告诫我们:不能任由大数据运用在法外任性‘裸奔’,涉及个人隐私的法律保护必须提上议程,这是法律大数据在价值层面上的禁区。
第三,大数据和专业分析的结合将在数据时代发挥更大的作用。大数据提供参考依照,但不能解释因果关系。而在未来,客户的需求倾向于“数据+高质量分析报告”的结合.因此,在拥有海量数据后,对大数据背后含义的精准解读尤为关键。对法律数据行业来说,要同时注重数据和专业分析的提供,这样才能综合各种维度,对案件和相关领域做出尽可能准确的分析报告来更好地满足用户的需求。
我们处在一个“巨头齐聚、资本介入、民众法律意识不断提高的时代”,“大数据”与“互联网+”的结合能来领我们走向何处,值得深思。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12