京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代到来 “数据驱动”全球大趋势
大数据时代的到来,让“数据驱动”成为新的全球大趋势。国家竞争战略正从对资本、土地、人口、资源/能源的争夺转向对大数据的争夺。大数据颠覆性地改变经济形态、国际安全态势、国家治理和资源配置模式,引发了巨大的经济社会变革,而数据开放与共享成为推动各国大数据发展的使能器。
近些年来,全球各国纷纷将开放数据纳入到国家发展战略。截至2014年4月,全球已有63个国家制定了开放政府数据计划,数据开放推动政府从“权威治理”向“数据治理”转变。美国政府最先对大数据革命做出战略反应。2009年,美国联邦政府发布《开放政府指令》,作为大数据的前奏推出了“Data.gov”公共数据开放网站。2012年3月,美国联邦政府发布了《大数据研究和发展计划》,正式启动了“大数据发展计划”,宣布将投入超过2亿美元在大数据研究上。
欧盟同样是数据开放的积极行动者。2011年11月,欧盟数字议程采纳欧盟通信委员会《开放数据:创新、增长和透明治理的引擎》的报告,开始推进开放数据战略,该战略从三方面对原有法律、政策进行修订与补充:第一,建立适应信息再利用的法律框架;第二,动用金融工具,以支持开放数据和行动作为建立欧洲经济数据门户的部署;第三,促进各成员国之间的协调与经验交流,为开放数据与共享提供平台。
此后,欧盟专门在2014年发布了《数据驱动经济战略》,有望近期内成为欧盟经济单列行业,为欧盟恢复经济增长和扩大就业,做出巨大贡献。欧盟在大数据方面的活动主要涉及两方面内容:一是研究数据价值链战略计划;二是资助“大数据”和“开放数据”领域的研究和创新活动。数据价值链战略计划包括开放数据、云计算、高性能计算和科学知识开放获取四大战略,主要原则是:高质量数据的广泛获得性,包括公共资讯数据的免费获得;作为数字化单一市场一部分,欧盟内数据的自由流动;寻求个人潜在隐私问题与其数据再利用潜力之间的适当平衡,同时赋予公民以其希望形式使用自己数据的权利。
大数据对于中国的战略意义母庸置疑。中国是全球互联网用户、移动互联网用户最多的国家,拥有庞大的数据生产和数据消费的主体。我国已经具备建设数据大国的潜在优势。
然而,与国外先进国家相比,数据共享与开放严重滞后。我国政府掌握着80%以上的数据,是大数据时代的财富拥有者,政府作为政务信息的采集者、管理者和占有者,具有其他社会组织不可比拟的信息优势。但由于信息技术、条块分割的体制等限制,各级政府几个部门之间的信息网络往往自成体系,相互割裂,相互之间的数据难以实现互通共享,导致目前政府掌握的数据大都处于割裂和休眠状态。行政分割导致数据无法共享。我国政府数据资源多按地域或部门进行分割管理。不同地域和部门为了自身利益,形成人为数据共享壁垒,加大了政府大数据开发难度。由于政府部门业务管理信息系统开发和建设的“部门化”,政府信息系统出现“系统林立”和分裂状态,政府公共信息资源重复采集现象严重,信息摩擦和治理成本偏高。
总体而言,我国政府开放数据的程度远远落后于世界领先国家。从国际上公认衡量各国信息化发展水平的全球电子政务发展指数(EGDI)上看,近十年,我国EGDI排名先升后降,从2003年第74位升至2005年第57位,2012年又跌至第78位,已经严重阻碍大数据在国家治理中的统筹与应用。因此,近期出台的《促进大数据发展行动纲要》提出要把数据开放共享作为战略部署的重要任务切中要害,顺应未来发展大势。
随着数据治理理念的影响渗透,我国公共数据开放共享进程开始逐步加快。2013年,国务院发布了《关于促进信息消费扩大内需的若干意见》,要求促进公共信息资源共享和开发利用,推动市政公用企事业单位、公共服务事业单位等机构开放信息资源。此外,2011-2013年陆续上线了国家数据(NationalData.gov.cn)、北京市政务数据资源网(BjData.gov.cn)和上海政府数据资源网(DataShanghai.gov.cn)。然而,总体而言与发达国家还有非常大的差距,据“开放知识基金会”发布的《2013年开放政府数据普查》结果,在被普查的全球70个国家和地区政府中,我国综合排名第35位,与我国经济大国和数据大国的身份极不匹配。
数据开放与共享涉及到诸如数据跨境流动和数据主权,数据开放隐私保护、数据安全保障及其政策框架体系等问题,这些重大问题的有效处理和把握将是影响中国未来推动数据开放、实施数据治国战略的关键所在。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14