
大数据时代你知道数据财产权归属于谁吗
当前,大数据产业风生水起,走到哪里都有人谈大数据。但越接触大数据,我们就越担心,它到底是让我们生活得更好的"阿拉丁神灯",还是会释放无数危险的"潘多拉魔盒"?
很多人都并未意识到,自己头顶依然悬着一把法律之剑。
目前,欧盟已经出台了苛刻的数据保护条例,美国也对出售客户数据的运营商施以重罚,那么,还处在萌芽状态的中国大数据行业,究竟将向何处去?是先放水养鱼,让产业发展和数据应用游走于现行法律法规的边缘;还是尽快修改和出台法律法规,尽可能与技术发展相匹配?在这个过程里,我们还有太多的法律问题需要考虑。
首先,现有法律限制的是什么样的数据交易,什么数据才是可交易的,法律保护的是客户隐私数据,还是数据的全部属性?
数据是有很多属性和分类规则,用户的个人数据除了客户资料之外,还包括用户数据,还有平台记录的与用户有关的行为,而法律主要禁止与个人隐私有关的部分属性交易。所以,不能将数据简单等同于个人信息和隐私(法律啥都保护,这个同前面一样,换个角度说妥当,法律禁止的是什么)。
因此,原则上无害于个人,不涉及隐私,不能被辨析到客户个体,那么数据的获取、交易甚至开放,与现行法律的基本原则不相冲突。所以说,在数据交易前,需要对数据做脱敏处理,或者匿名,或者打码,或者隐去,才能继续对"不具有个人识别性"的数据或属性进行交易。
但是,数据的哪些属性不具有个人识别性呢?在实际案例中,很多客户的隐私属性是通过分析识别出来的。从技术角度看,无论是海量数据的信息挖掘,还是不同属性的交叉分析,都可能把看似不泄密的数据,转化生成能够辨识客户的隐私信息。
客户信息不能被直接辨识出来,是不是就等同于去除了个人身份属性?通过技术手段能够间接导致将个人的数据甚至个人不愿为人所知的信息被披露,这样的数据泄露算不算侵犯个人的权益?甚至于,企业机密和国家安全都可能因为大数据的挖掘和披露,面临新的威胁。
对这些技术问题,法律专家并不熟悉,因此在讨论时往往被忽略了。
其二,经过加工之后处理的数据财产权,到底是归属于数据的生产者,还是原始数据的拥有者?
有的人认为:大数据源于对个人数据和信息的再利用,之后虽通过技术加工处理,但数据的产权还应该归属于个人。
另一种观点是:大数据应用就像开矿一样,如果没有企业的运作和投入,数据就不能产生应有的价值。企业投入巨资,为数据的采集、识别、存储、分析,买了那么多服务器和存储设备,资源投入几十亿,才将数据生产出来。因此,数据的所有权应该属于数据的生产企业,并拥有从中汲取收益的权利。
当然,对于用户自己填写的信息,用户与用户之间的行为,用户在平台留下的印记,这些不同情况下,处理的方式并不一样。比如如果一开始财产权就是共有的,那么后面只要不影响用户、不能识别出是谁,企业就可以利用。
还有一种比较客观中立的观点:为推动大数据的发展,应该允许进行数据加工的企业获得部分权利。例如,对用户数据进行匿名处理后,企业可以豁免个人数据保护法规定的相关的义务,这就意味着企业不必再征得用户的同意,就拥有了对数据的利用权利等等。
但通过这种方式获得权利的同时,企业也需要承担相应的义务。还以匿名处理为例,增加的义务应该包括:
(1)要确保数据始终处于匿名状态;
(2)对数据的匿名安全性作出评估,如果数据交易的对象具备对数据复原身份属性的能力,则应当限制此类交易。
(3)在交易协议中,需要通过协议来明确交易各方对于数据安全的责任,尤其约束交易方不得再进行身份识别性的利用。
其三,大数据的经营者们,看懂这些安全法律防范手段了么?
针对性营销的合法性问题:能否在识别客户身份的基础上开展市场营销?这个原本我看来天经地义的行为,居然并不一定合法,这让我大跌眼镜。
大数据营销中,用得最多的就是精准营销。数据交易中,最值钱的也是个人数据。我们日常分析中做的客户画像,目的就是给海量客户分群、打标签,然后针对性地开展定向营销和服务。
然而在一些激进的法律人士认为,如果利用用户的个人信息(比如年龄、性别、职业等)进行营销,必须事先征得用户的同意;如果向用户发送广告信息,如果用户反对,下次再发属于违法。
这么听下来,如果真要严格执法,是不是现在运营商、BAT做的大数据精准营销就全废了?众多希望通过数据交易获取客户信息的企业,也完全失去了商业前景?
如果说,前两个问题要靠进一步界定范围来解决的话,这个问题简直就是针锋相对,完全无解了。
其实精准营销模式在传统商业场景下,也是存在的,合理的。而且中国整体环境还是支持大数据的发展的,甚至由政府牵头开放数据交易。如果针对个人客户的定向营销无法施行,那么大数据的商业价值就只剩下海量数据的宏观分析,大规模数据的综合运用,虽然这并非没有空间(比如导航软件依靠车辆位置信息,计算出路况与大家分享;运营商根据用户真实使用情况,形成终端市场分析报告),但商业价值必然大打折扣,大数据的故事真不好讲了。
从宏观来说,法律滞后于发展是常态,真正法律的游戏规则最终会由个案创设,在碰撞中完善。好在,我们国家的法制建设还有相当长的路要走。
在野蛮生长主导的中国互联网领域,相信大数据的发展前景会先于欧美,好于国企,在试错与博弈中,迎接曙光。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29CDA 数据分析与量化策略分析流程:协同落地数据驱动价值 在数据驱动决策的实践中,“流程” 是确保价值落地的核心骨架 ——CDA ...
2025-08-29CDA含金量分析 在数字经济与人工智能深度融合的时代,数据驱动决策已成为企业核心竞争力的关键要素。CDA(Certified Data Analys ...
2025-08-28CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-08-28