京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据带来大智慧
当前电子政务发展模式正在朝3个方向发展:一是云模式成为技术主流发展趋势;二是业务系统以加强政府各部门协同合作为本质,而非部门分工;三是政府信息资源的开发利用趋于“大数据”应用。从而形成“整合、互联、共享、重构、高效”的电子政务建设和发展总趋势,即:
对已有的应用系统要进行深入整合,实现重点业务领域的跨部门协同;克服条块分割,加快实现互联互通;在整合、互联、协同的基础上,提高信息资源共享的水平和能力;按照政府组织体系的调整,重构一些重大综合应用系统、特别是面向公众的社会管理、公共服务系统,提高政府公共服务能力和社会管理水平;提高电子政务的资金使用效率,进一步促进信息产业发展。
云模式成为技术主流
云计算的本质是通过互联网将大量本该运行在机构内部计算机和服务器上的应用和服务交付由第三方提供,其目标是把所有IT能力都纳入到网络上,云就是网络,网络就是计算机。云计算借助互联网的庞大资源体系,以一种全新的计算模式向用户提供服务。云计算具有4个显著特征:
便捷性:在云计算模式中,所有应用和服务请求的数据资源均存储在云中。用户可以在任意场合、时间通过网络接入云平台,按需求获取所需信息,实现不同终端、设备间的数据与应用共享。多元性:庞大的计算机群具备极高的计算、存储能力,可以使用基于海量数据的数据挖掘技术来搜索网络中的数据库资源,并运用各种方法为用户反馈出尽可能详尽、准确的结果。低廉性:由于云计算模式下大量的计算及存储工作都被放到了网络上,使得个人的用户端简化成浏览器。云计算终端功耗低,成本低廉,终端用户使用简单,维护方便。安全性:分布式系统具有高度容错机制,可以实现严格、有效的控制、配置与管理,具有更好的可靠性、安全性和连接性能。高度集中化的数据管理、严格的权限管理策略可以让用户避免数据丢失、病毒入侵等麻烦。
云计算的本质、特征、功能等决定其成为解决电子政务3大难题的强大武器:最大限度地实现资源共享、最大限度地实现政务业务协同,以及最大限度地实现互联互通。
全流程跨部门业务协同
电子政务业务系统发展将呈现以政府社会管理和公共服务事项全流程为对象,面向政府管理创新开展电子政务建设,将跨部门协同业务相关的各个部门的工作流程整合,在统一网络平台上统筹、集中构建面向该事项全流程的应用系统的特征。相关政府各部门的公务员通过在线接入方式联合协同办公,共同使用无缝集成的全流程跨部门应用系统为公众服务。在这种新型应用架构下,政府为提高服务满意度而对流程采取优化、重组的管理创新,以实现无缝集成的全流程跨部门应用系统更新。
这就有可能使以往阶段发生的、以分分合合为特征、行政成本巨大、社会效果较为激烈的行政管理体制改革,通过动态的、渐变的、持续的、低成本的、更加以人为本和人性化的、比较和谐的政务创新方式加以实现。更重要的是,这种跨部门应用架构将使政府的职能与机构之间的刚性依存结构弱化、柔性化。换言之,这种跨部门应用架构将能够适应行政管理机构的任何状况,即可灵活增加,亦可动态减少。在此应用架构下,部门履行其职能是通过获得无缝集成的全流程跨部门应用系统中的相应权限实现的。当机构改革使部门的职能转变时,只需将其使用权限赋予另一个得到该职能的部门并经过培训即可实现职能和权力的转移。可以看到,这种无缝集成的全流程跨部门应用系统将能够适应行政管理体制改革中机构变化的不确定性,因而能够动态、持续地支撑政府的改革和创新。
大数据带来大智慧
电子政务发展必须关注大数据这个新概念,在这一点上一些国家政府已经走在前列。比如,美国奥巴马政府近日就在白宫网站发布了《大数据研究和发展倡议》,提出“通过收集、处理庞大而复杂的数据信息,从中获得知识和洞见,提升能力,加快科学、工程领域的创新步伐,强化美国国土安全,转变教育和学习模式”。
“智慧来自大数据”,在电子政务的推进中必需掌握大量的知识,并具有在大量的政务数据和信息中挖掘知识的能力。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,抽取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。从更广义的角度来说,数据挖掘就是在一些事实或观察数据的集合中寻找模式的决策支持过程。因此,它除了处理传统数据库中的数值型的结构化数据外,还可以对文本、图形、图像、WWW信息资源等半结构、非结构的数据进行挖掘。大数据处理可以进一步提升电子政务价值,使政府决策建立在大量数据分析的基础之上,使政策更加透明,并且可以创造出更大的价值。例如城市管理,利用大数据才能获得突破性改善,诸多产业利用大数据才能发现创新升级的机会点,进而获得先发优势……有了云计算、物联网,但缺乏大数据分析处理的核心技术,智慧政府的“大脑”就不够发达,“智商”就不够高,能力就不够强。
大数据处理并不是简单地把系统放在一个合适的位置,然后自动获取结果。需要掌握从海量数据中获取知识所必需的工具和技能,如数据仓库、数据集成、商业智能、数据可视化工具,业务分析和预测建模等。同时还需要建立正确的工作流程和政策,寻找可以利用数据分析预测市场的人才,构建更有效的产品和服务以满足需求快速变化的市场。我们需要“拨云散物”集合“数据”,更要确立今后“腾云驾物”用“数据”的目标,把握政务事务发展的核心能力
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 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