阿里巴巴首倡打假《联合公报》 借大数据平台构建打假新模式

简介:

4月12日,阿里巴巴打假联盟发布《联合公报》,呼吁携手构建一个全球24小时无时差的打假共同体,借助全天候运行的大数据平台,将分散在各地各时区的打假主体统合起来,打破单兵作战的旧有业态,建立打假新模式。

今年1月,在阿里巴巴的倡议下,“大数据打假联盟”在杭州成立。联盟旨在通过线上线下打假协作,运用平台大数据和先进技术,与监管部门、品牌商携手合作,力争通过溯源对假货做到源头打击。

4月11日,联盟第一次会议在杭州召开,30个国内外知名品牌作为联盟成员讨论并通过联盟章程、联盟工作机制。大家认为,全球化趋势正在进一步加速商品和服务在世界各地的分发与流动,传统的单一打假模式已经不足以应对上述挑战,而大数据和云计算的力量将是克敌制胜的有效武器,也是制假售假分子的照妖镜。

联盟发起人、阿里巴巴首席平台治理官郑俊芳表示,成立联盟的目的是共同应对打假挑战,解决整个社会生态问题,让大品牌率先担负起更大的社会责任,用创新、用快速迭代和实践的方法,探索打假在互联网时代的新模式,让联盟所推动的变化惠及所有权利人。

按照《联合公报》约定,打假联盟将向成员开放诚信投诉待遇、共建平台申请使用权、线下线索举报入口和线下案件情况咨询服务等一揽子资源,同时也要求成员跳出自身利益,切切实实履行社会责任,譬如愿意就知识产权保护和打假工作展开经验分享、公众教育、社会宣传等工作,推动全社会共同关注打假和知产保护议题。

“我们在国内开创性地发起成立打假联盟,这既是对DT时代的一个主动拥抱,更是各方在长期合作打假的基础上水到渠成的结果。”阿里巴巴平台治理部知识产权保护总监叶智飞表示,阿里愿意支持和协助权利人、执法部门,共同推动打假模式的升级,充分利用大数据,努力实现对制假售假行为网上发现、源头追溯、属地查处。

联盟成员小米科技相关负责人表示,随着小米生态链的发展和布局,社会上各类型假货层出不穷,给小米的品牌形象造成不利影响,希望打假联盟维护广大企业的品牌价值、促进正品销售。

另一联盟成员贝德玛相关代表表示,基于大数据分析的打假模式效果明显,它能够建立树状分析结构,及时掌握制假售假人的相关情况,未来希望权利人与阿里一起,为推动打假贡献力量。

会上,阿里巴巴通报了去年11月联合斯伯丁和无锡警方破获的“假冒斯伯丁篮球系列案”,介绍了大数据打假的优势与面临的挑战。

叶智飞说,制假售假嫌疑人跨平台进行通联和交易,给大数据侦查带来盲区,因此需要其他互联网平台和权利人联合起来,推动售假数据信息的共享,提高对制假售假者的行为识别和防范打击能力。此外,大数据打假解决的是技术层面的问题,但对于顶层设计,需要全社会形成像“治理酒驾那样治理假货”的氛围。

本文转自d1net(转载)

相关实践学习
基于MaxCompute的热门话题分析
Apsara Clouder大数据专项技能认证配套课程:基于MaxCompute的热门话题分析
目录
相关文章
|
4月前
|
数据采集 SQL 搜索推荐
大数据之路:阿里巴巴大数据实践——OneData数据中台体系
OneData是阿里巴巴内部实现数据整合与管理的方法体系与工具,旨在解决指标混乱、数据孤岛等问题。通过规范定义、模型设计与工具平台三层架构,实现数据标准化与高效开发,提升数据质量与应用效率。
大数据之路:阿里巴巴大数据实践——OneData数据中台体系
|
5月前
|
数据采集 存储 大数据
大数据之路:阿里巴巴大数据实践——日志采集与数据同步
本资料全面介绍大数据处理技术架构,涵盖数据采集、同步、计算与服务全流程。内容包括Web/App端日志采集方案、数据同步工具DataX与TimeTunnel、离线与实时数仓架构、OneData方法论及元数据管理等核心内容,适用于构建企业级数据平台体系。
|
5月前
|
分布式计算 监控 大数据
大数据之路:阿里巴巴大数据实践——离线数据开发
该平台提供一站式大数据开发与治理服务,涵盖数据存储计算、任务调度、质量监控及安全管控。基于MaxCompute实现海量数据处理,结合D2与DataWorks进行任务开发与运维,通过SQLSCAN与DQC保障代码质量与数据准确性。任务调度系统支持定时、周期、手动运行等多种模式,确保高效稳定的数据生产流程。
大数据之路:阿里巴巴大数据实践——离线数据开发
|
4月前
|
存储 SQL 分布式计算
大数据之路:阿里巴巴大数据实践——元数据与计算管理
本内容系统讲解了大数据体系中的元数据管理与计算优化。元数据部分涵盖技术、业务与管理元数据的分类及平台工具,并介绍血缘捕获、智能推荐与冷热分级等技术创新。元数据应用于数据标签、门户管理与建模分析。计算管理方面,深入探讨资源调度失衡、数据倾斜、小文件及长尾任务等问题,提出HBO与CBO优化策略及任务治理方案,全面提升资源利用率与任务执行效率。
|
4月前
|
机器学习/深度学习 算法 大数据
构建数据中台,为什么“湖仓一体”成了大厂标配?
在大数据时代,数据湖与数据仓库各具优势,但单一架构难以应对复杂业务需求。湖仓一体通过融合数据湖的灵活性与数据仓的规范性,实现数据分层治理、统一调度,既能承载海量多源数据,又能支撑高效分析决策,成为企业构建数据中台、推动智能化转型的关键路径。
|
4月前
|
存储 监控 大数据
大数据之路:阿里巴巴大数据实践——事实表设计
事实表是数据仓库核心,用于记录可度量的业务事件,支持高性能查询与低成本存储。主要包含事务事实表(记录原子事件)、周期快照表(捕获状态)和累积快照表(追踪流程)。设计需遵循粒度统一、事实可加性、一致性等原则,提升扩展性与分析效率。
|
5月前
|
存储 Java 大数据
Java 大视界 -- Java 大数据在智能家居能源消耗模式分析与节能策略制定中的应用(198)
简介:本文探讨Java大数据技术在智能家居能源消耗分析与节能策略中的应用。通过数据采集、存储与智能分析,构建能耗模型,挖掘用电模式,制定设备调度策略,实现节能目标。结合实际案例,展示Java大数据在智能家居节能中的关键作用。
|
存储 分布式计算 大数据
大数据之路:阿里巴巴大数据实践——大数据领域建模综述
数据建模解决数据冗余、资源浪费、一致性缺失及开发低效等核心问题,通过分层设计提升性能10~100倍,优化存储与计算成本,保障数据质量并提升开发效率。相比关系数据库,数据仓库采用维度建模与列式存储,支持高效分析。阿里巴巴采用Kimball模型与分层架构,实现OLAP场景下的高性能计算与实时离线一体化。
|
5月前
|
SQL 缓存 监控
大数据之路:阿里巴巴大数据实践——实时技术与数据服务
实时技术通过流式架构实现数据的实时采集、处理与存储,支持高并发、低延迟的数据服务。架构涵盖数据分层、多流关联,结合Flink、Kafka等技术实现高效流计算。数据服务提供统一接口,支持SQL查询、数据推送与定时任务,保障数据实时性与可靠性。
|
5月前
|
存储 SQL 分布式计算
MaxCompute x 聚水潭:基于近实时数仓解决方案构建统一增全量一体化数据链路
聚水潭作为中国领先的电商SaaS ERP服务商,致力于为88,400+客户提供全链路数字化解决方案。其核心ERP产品助力企业实现数据驱动的智能决策。为应对业务扩展带来的数据处理挑战,聚水潭采用MaxCompute近实时数仓Delta Table方案,有效提升数据新鲜度和计算效率,提效比例超200%,资源消耗显著降低。未来,聚水潭将进一步优化数据链路,结合MaxQA实现实时分析,赋能商家快速响应市场变化。
280 0