
抓住大数据时代机遇 实现创新驱动发展
拥有数据的规模、活性及解释运用的能力,是实现大数据在广东创新驱动发展战略中的价值的关键。
一、创新驱动战略需要一种数据驱动的新文化
对大数据价值认识和应用,政府、学术界、产业界和资本市场尚待达成一致。各部门、各地方普遍存在“数据割据”和“数据孤岛”现象,缺乏大数据意识也导致数据的公信力弱、质量低,数据定义的一致性差等问题。
数据文化,是尊重事实、强调精确、推崇理性和逻辑的文化。发展大数据产业,需要在社会上弘扬数据文化。
其一,在公共领域推行“数据治省”的理念。以系统采集的数据和科学分析的结果作为公共决策最重要的依据,杜绝个人经验和长官意志。
其二,政府加大“数据治省”的舆论宣传,力争在全社会形成“用数据说话、用数据管理、用数据决策、用数据创新”的文化氛围和时代特点。
其三,形成尊重数据的文化心态,建立大数据思维。其核心是:世界由数据构成,任何问题都可以通过对海量数据进行分析得到解决。一旦建立起该思维方式,就可以通过分析数据资源来寻找问题解决方式,促进创新机会的产生。
二、推动数据开放,提高数据质量,逐步建立数据治理制度
开放、流通的数据是大数据时代的要求。广东面对大数据变革,应该首先开始尝试公开数据和提高数据质量,逐步建立数据治理制度。
其一,宏观层面政府解决“数据割据”问题需要顶层设计,企业则需要在“数据孤岛”间架起桥梁;微观层面需注重“数据质量”,包括数据的正确性、完整性、一致性。
其二,制定统一的政府开放数据标准,包括政府数据开放目录、政府开放数据格式标准等,明确数据开放的范围、方式、内容、细化程度及数据格式,从技术操作层面为政府开放数据的共享奠定基础。
其三,建立相应的法律法规,界定数据资产的归属和使用,以解决发挥数据资产商业价值与侵犯个人隐私之间的矛盾。一方面采取法律方式保护公民的个人隐私;另一方面,保证政府的信息公开。
其四,打破部门数据的分割状态,整合数据资源形成合力,以多种形式向公众实时开放各类数据。
三、促进开放数据驱动企业成长
缺乏核心技术、产品附加值低是广东实施创新驱动的短板。即便是广东的信息技术这一支柱产业亦如此。在大数据领域,广东具有突破核心技术短板的机会。
大数据技术以开源为主,迄今为止,尚未形成绝对技术垄断。即便是谷歌、IBM、甲骨文等行业巨头,也同样是集成了开源技术,与本公司原有产品更好地结合。开源技术对任何一个国家都是开放的,广东企业同样可以分享开源的蛋糕。
支持和孵化开放数据驱动的企业,并创建体制结构从而确保企业的成长。一是推出“大数据研发计划”,由政府投入来改进处理海量数据的工具和技术,旨在资助处在知识创新前沿的大数据领域的研究活动,加强大数据基础性研究和行业性应用研究,并加强企业与科研机构、政府部门之间的合作伙伴关系;二是建立开放数据研究院,召集世界顶级专家共同合作、孵化、培养、指导新的创意和推动创新;三是政府可建立“开放数据优秀人才中心”,聚集开放数据供应方和需求方的专家,为利用开放数据的创业企业提供孵化支持;四是用竞赛等活动来支持创新,能激发创意和早期原型产品的诞生,也有助于建立开放数据用户社区。
四、制定云优先战略,推动计算产业的创新和发展
政府和产业界对云计算是热情高涨,但是,云计算的行业应用还处在刚刚起步的阶段,云计算发展面临着体制、商业模式、利益分配等诸多障碍。
政府制定“云优先”战略,规定各个政府部门都必须有序推进,向社会购买云服务。政府是最理想、最合适的消费用户。为推动云计算尽快成为一个产业,在不涉及国家安全的情况下,政府各部门都不应该再营建自己的数据中心、开发本地软件,无论是存储还是计算,都应该以云的形式向社会购买服务。
五、抓住大数据时代机遇,以网络智能制造作为突破口,以创新驱动制造业转型升级
由于国内需求减少,出口出现萎缩,广东制造业正面临困境。虽然我省已提出两化深度融合,但在战略设计、组织保障、推进路线等方面还有待深化。
未来的工业发展模式是信息技术与工业技术的高度融合,是网络、计算机、数据信息、软件与自动化技术的深度交织。广东制造业基于过去30年发展已积累了一定的技术基础和研发能力,抓住大数据这一机遇,完全有可能实现战略性的重点突破、重点跨越,在制造业上实现创新驱动发展。
推进网络智能制造。智能制造将从数字制造转变为依托大数据、云服务的协同,共同分享网络协同的运营服务。宽带网络、云计算、3D打印,信息开放获取、交通物流、全球市场等,为智能制造创造了全新的自由创造、公平竞争、高效合作的网络创新和制造服务的环境。网络智能制造是在线协同,人人可以公平自由参与、竞争合作、创造分享的一种全新方式。网络智能制造将会引领中国制造技术和产业的创新跨越,将充分发挥每个人的创造力,而且还可以集成利用全球的知识信息和创新资源。
六、以大数据引发新业态的发展,推动公众共享运动
大数据变革的潜力主要体现在数据开放战略和数据驱动方式上,在战略层面,可利用数据处理从封闭、断点、静态向开放、海量、实时的转变,引发社区、众包、网格等新业态、新模式蓬勃发展,在此基础上推动机构数据开放和公众共享运动的兴起。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 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 ...
2025-09-03CDA 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 ...
2025-09-02