
数据基因是建设好政务大数据的奠基石
数据正在重塑当今时代资源观
未来如果一个组织未能掌握数据,不能运用数据,那么这个组织的竞争力将会越来越下降,不管这个组织是企业还是商业机构或者政府,对数据的治理能力决定未来新的竞争优势。数据治理能力正在成为组织竞争新优势。
数据正在重塑当今时代资源观。信息时代正在上演计算、连接、数据“三部曲”,在计算时代,我们关注的是信息的本地化处理,在连接时代关注的是关系价值,在数据时代关注的则是如何将数据资产化。能源和物质具有不可复制性,并且在使用过程中是不断消耗的过程,而信息资源在传递和应用的过程中是被不断赋予新的价值。数据时代的浪潮比想象的还要迅猛,互联网的核心是连接(信息层)和关系(价值层)构成的价值网络,大数据则可以更精准地反映、认识和掌握世界,数据资源的价值凸显,数据的多寡、好坏、开发利用能力的强弱已经直接影响组织运营和创新服务能力。人类社会正在进入数据时代,从关注网络、系统到注重数据,已成为当前信息化的重要视角与核心任务。
政务大数据发展的现状与挑战
数据成为当今信息化发展的重要视角和应用,但如果是假数据或者是质量不高的数据,那么就将会影响整个系统的运行效率。当前我国政务大数据发展主要存在以下问题:
第一是网络复杂,包括政务网,互联网,政务专网、外网等等;
第二是系统庞杂,一些大城市可能有几千个系统,各种格式、各种规模、各种标准等给管理带来巨大挑战;
第三是数据混杂,不同种类、不同颗粒度的数据混淆不清;
第四是数据体量越来越大,随着各种传感设备的使用增多,以及在业务系统中的应用增多,数据体量前所未有地飙升;
第五是需求多样,以前对数据的需求偏单一,现在越来越能感受到对数据的渴望,尤其是商业系统对数据的渴望。
从全球政府数据开放的角度来看,目前政府数据还存在四个方面问题:
第一是“少”,相比大型互联网平台而言,从政府数据开放平台的开放量来看还是太少;
第二是“乱”,数据管理方面格式规范混乱;
第三是“差”,数据质量过于粗糙,还没有达到提纯应用的标准;
第四是“死”,数据的流动性较差,没有流动就没有价值。因此亟待建立规范统一、运行高效、服务有力、保障到位的信息体系。
虽然城市大数据中心已经成为智慧城市发展的标配,但同时面临多方面的机遇与挑战。首先多个政策强调支持政务大数据中心建设,各地发展需求越来越多,技术的支撑能力越来越强。同时,政务大数据怎么应用,怎么管理,怎么发展等等数据价值的深度认识还不够,对政务大数据中心的组织能力、维护能力,管理能力等也面临困难。从挑战性方面来说,有来自城市为主的同行的挑战,有来自管理的挑战以及来自绩效要求的挑战。
对于政务大数据的管理,有很多要点和难点是并存的。
第一点就是如何确保数据质量,如果我们数据质量不能确保,基础不牢则可能“地动山摇”,比方说我们来自特征数据库得到人口的信息,如果差异很大的话,我们就会不知道哪些数据是准确的。如果有一块表的使我们很容易知道时间是多少,但是如果有两块表的时候,我们对时间的判断将会出现凌乱,如果有十块表的话你完全不知道时间是多少。所以各个系统的数据质量不能保证的话,数据用起来将会心惊胆战。
第二是数据的管理能力与管理方式,不能因循守旧依靠传统方式去管理政务大数据;
第三是如何建立有序的信息规则,实现数据有序共享与流动,大数据应用具有很多关联部门,存在着利益主体及相关者,如何构建好信息规则让利益相关者共建和共赢;
第四是数据如何实现按需流动,数据是一种极具价值的社会公共财富,是一种在使用过程中价值不会衰减而会增加的社会资源,数据因流动而产生价值,所以我们提倡“按需流动”,这也是国脉在电子政务领域的长期研究而首先提出的观点;第五是如何真正实现数据驱动服务。
重塑信息体系需从数据基因构建开始
关于政务大数据应用与管理尚有待深入思考的关键问题,包括底层数据如何确保一致?信息体系如何有效运营?数据价值如何有效开发?如何促进大数据产业发展?如何有力、有序、有效管理与服务?等等。而这些问题的背后则提出了元数据/数据元的标准化、信息规则的建立、数据应用的内生动力体系以及建立可持续发展的保障体系等要求,问题的核心是——基于数据开发基础上的大数据公共服务平台应如何建设与运营。传统的信息体系更多关注的是流程与业务逻辑,以网络和系统为主,而要从数据视角重构信息体系,需要关注数据的流动性和数据价值利用,其核心逻辑是遵从信息流动的内在逻辑,发挥数据最大价值,提供数据复用率,按照数据流动逻辑而非现实规则逻辑来重塑信息体系。
要重塑大数据时代的信息体系,构建健壮的信息体系依赖于优质的数据基因系统,数据体系的能力大小、发展前景和应用价值,从缔造数据基因开始。数据基因具有稳定性、可复制性、可剪辑性,保障内部信息的规则的一致性。优质的数据基因系统应有助于解决当前数据治理的相关问题,从根本和底层上解决数据发展难题,并有助于信息体系的成长发展。而构建数据基因系统需要以数据标准化为原点,从数据元和元数据的标准化开始。标准化是解决数据的关联能力,保障信息的交互、流动、系统可访问,提高数据活化能力。保障信息体系不发生混乱,确保数据规范一致性——避免数据混乱、冲突、多样、一数多源。
随着政府部门的数据越来越多、需求越来越旺、呼声越来越高,压力越来越大,数据管理部门的角色也将发生变化,从收集数据、管理系统、保障低层次运维逐步转变为数据资源管理、挖掘、开放与创新利用,从系统运维保障者进化为数据开发运维者。面对政务大数据的发展需求,亟需对数据基础管理服务平台进行体系性、结构性改造,从数据基因出发,从底层构建数据元标准,通过对信息体系的重构迎来智慧应用的新生。
2017.2.15国脉首发“数据基因”产品奠基政务大数据体系建设
政务大数据基因系统是按照国家、行业和地方标准,通过政务数据元、元数据标准化和数据模板化实现数据规范编辑、智能管理、关联应用和共享开放,以提升全域或行业的数据资源活化和管理能级。它是实现数据跨系统共享交换、创新应用的底层逻辑和关键规则体系,是解决(大)数据混杂、提升数据质量、促进数据创新应用的前提,也是集成信息资源目录体系、交换体系和开放体系三合一的管理平台,为优化政务数据体系、探索数据关系、驱动数据服务奠定基础。是城市和行业数据中心的必备管理工具,实现从管网络、系统到管用数据的跃迁。本文来自国脉物联网
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