
大数据推动社会思维变革
大数据并非新概念
记者:沈教授,您怎么看待大数据这个概念和大数据时代这个说法?
沈阳:我个人认为,大数据并不是一个新的概念。它很多内在的研究,其实我们计算机学科领域一直在推进。比如,对数据的挖掘和分析方法,以及纯数据内容方面的研究就一直存在。在若干年前,大数据已经在某些领域实现了具体的应用。不过,最近两年出来的大数据概念更加强调互联网的因素,更加强调数据的体量,以及数据与各行业的运用对接。大数据概念的推广和它对社会的影响,使得数据分析的概念从计算机学科快速地扩展到社会的各个领域,这是非常有价值的。大数据就是互联网发展到现今阶段的产物,在以云计算为代表的技术创新背景的衬托下,一些原本很难收集和使用的数据开始容易被利用起来了,并且不断作用于各行各业的创新发展,这就是大数据的价值。数据实用化是大数据时代的一个特点。
大数据利于社会治理
记者:您认为大数据思维会对当今社会带来哪些主要影响?
沈阳:大数据思维有这么两个特点。第一个特点是,数据一切可量化。比如说,它有助于我们研究政府官员的民意支持度。又比如,政府的信息公开程度,我们也是可以测量的。比如新媒体指数、城市幸福指数、各城市堵车指数,从大数据的角度来看,这些指数的研究方向和方式就体现了相关特点。第二个特点是,大数据思维特别强调不同数据之间的相关性,乃至于寻找它们之间的不相关性。这如果运用到社会治理上,可以提升政府反应的灵敏度。
记者:今年有句话很火,叫“证明你妈是你妈”。它直指简政放权和政府服务方面的一些问题。但在具体的新闻事件中,我们也可以看出,它还透露出相关部门一些信息共享的问题。比如,要办一个证,时常就会出现“多部门跑腿”的现象,民众要跑完这个部门再跑另一个部门。您认为,随着大数据时代的来临,政府在思维方面需要做什么样的必要刷新?
沈阳:在大数据时代,传统的政务查询、社保查询、医疗教育、水电煤等公共服务将被集成,各政务服务间的信息化壁垒、数据孤岛将会消失,政府、企业、研究机构间的数据可实现安全的分享流通、交易交换。因此,随着大数据的发展,政府首先要进一步把为人民服务的观念和责任意识落实到实际工作中去,要有数据信息开放思维、数据信息整合思维和数据信息分享思维。从互联网的角度来看,政府服务优化是没有止境的。也就是说,不同部门之间要加强服务融合,要加强信息的交换。我们需要用移动互联网的思维去打造一个指尖上的政府服务体系。正如李克强总理强调的“要让政府信息多跑路,群众少跑腿”,我们各级政府应该按照方便办事、就近服务的原则,充分利用大数据的功能,真正完成向服务型政府转变的时代要求。
大数据应进一步实用化和安全化
记者:大数据的发展离不开政府的推动,近年来,我国政府在这方面主要做了哪些工作?
沈阳:我们国家在推动大数据发展方面已经形成了较好的顶层设计。若干个省份有准备成立大数据管理局的构想。在学术支持方面也体现了我国大数据的发展比较蓬勃。还有,大数据的民间团体也非常活跃。大数据相关的公司在融资和产品推广方面也都得到了社会各界的支持。2013年,我们国家发布了《关于数据中心建设布局的指导意见》,提出了以市场为导向,以资源节约和提高效率为着力点,通过引导市场主体合理选址、长远设计、按需按标建设,逐渐形成技术先进、结构合理、协调发展的数据中心新格局。我国在加强信息基础设施建设、增强信息产品的供给能力、培育信息消费需求、营造发展环境、提升公共服务信息化水平等方面采取了一系列具体措施。
在今年6月的国务院常务会议上,李克强总理再次强调了大数据运用的重要性。之后,国务院办公厅还印发了《关于运用大数据加强对市场主体服务和监管的若干意见》,意见提出,要运用大数据提高为市场主体服务水平,加强和改进市场监管,推进政府和社会信息资源开放共享,提高政府运用大数据的能力。这些都有助于推动我国大数据的发展。
记者:沈教授,以您的研究视角来看,目前我国大数据的发展有哪些需要重视的问题?
沈阳:目前我国政府对大数据高度重视,民众对网络、新媒体越来越关注,高校的相关人才培养也在作出相应调整。我个人认为目前需要重视的问题有这么几个。第一,大量的权威数据资源集中在政府手中,而很多数据我们目前还没有开发。所以,政府应该开放更多的数据源。在政府数据开放方面,我们还需要迈向一个新台阶。第二,相关部门在保护隐私安全方面要有更多的考虑。我们要建立有效的法规机制,让隐私权和大数据的社会便利性获得一个最佳平衡点。第三,在数据的流入和流出方面,我们需要更加清晰的界定。在不同领域,我们需要更多的数据标准。第四,要加强大数据的科普。既不能神化大数据,又要让大数据在更多领域取得快速进展。第五,大数据研究只有与实际接轨,工具化、服务化和实用化,才能解决具体问题,从而提升社会的生产力。
记者:作为相关方面的资深专家,您和您的团队在大数据方面做了哪些深入研究,或者您近期有没有什么研究计划?
沈阳:我们构建的新媒体指数涵盖了不少微博数据、百万级别的微信数据,还有APP的数据等,我们目前主要的研究重点在大数据的数据源、大数据的分析模型、大数据的发布服务等方面。我们团队与教育部、新华社、人民网(603000,股吧)、新浪网、腾讯网等单位均有紧密合作,可以说,我们已经有了一个很好的研究起点。我们还做了一系列的评估指标,会对大数据的发展方向做一些客观中立的学术性评估。此外,我们还试着在新的领域扩展大数据的应用,比如说传感器新闻、互联网的虚拟社群研究等。当然,每一个团队的精力都是有限的,研究需要聚焦。我们会广泛关注,重点突破,进行不同学科之间的合作。我们团队和清华的大数据研究院有密切的合作。我们现在有若干项目是在国家有关部门的重点支持下进行的。
大数据需要复合型人才
记者:今年7月22日,国务院办公厅就2015年上半年工业通信发展情况举行发布会。工信部表示在进一步贯彻“互联网+”指导意见中,将重点推进重要工业云、工业领域大数据等发展,而“互联网+”和大数据发展的核心在于人才,清华大学作为国内一流学府,在相关方面是否已经有培养计划?
沈阳:对大学生的培养,对大数据人才的培养应该符合教育规律。我个人觉得新闻传播专业的学生大一大二的时候,还是应该强化他们的经典阅读。强化文化修养和理工科的逻辑思维。如果只是培养学生的浅阅读能力,如果学生不具备深度思考、缜密思维的能力,那就难以成为优秀的大数据人才。优秀的大数据人才是复合型人才,需要中外融合、文理相通、深浅结合,以及理论和实践的结合。因为我们需要提供能解决实际问题的产品。目前,包括清华在内的一些国内高校已经有一系列的培养方案。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03