数据“出阁”

简介: 《关于北京市金融公共数据专区建设的意见》是北京市颁布的数据专区建设的指导意见,究竟如何理解?公共数据专区有哪些数据?运营单位如何参与,本文将为您解读。

我们国家的大数据作为重要的基础性战略资源和重要生产要素,很多数据掌控在政府手中,一旦不能使用和流动,就是被“束之高阁”,虽然保证了数据的安全性,但是也没有完全发挥出生产要素的属性。

是,2021北京数据专区论坛召开,北京市经济和信息化局副局长、北京市大数据中心主任等领导参加了论坛。在论坛上政府领导表示,将数据专区打造成为政企数据融汇互通的桥头堡、扶持企业创新成长的孵化器、助力产业生态发展的永动机。同时,北京也成为全国首个建立数据专区的城市。

结合2021年发布的《关于北京市金融公共数据专区建设的意见》,北京的数据专区建立的主要目的是打破数据壁垒,把孤立,分裂的政企数据打通,保障数据在各个领域畅通循环。

《关于北京市金融公共数据专区建设的意见》(以下简称“意见”)是对建设金融数据专区的意见稿,从开篇就可得知数据专区的建设的四个原则,即:政府引导、市场运作、创新引领、安全可控。

从这四个原则可以看出,政府引领还是第一位的,也就是数据专区的建设还是要围绕政府的,数据开放需要政府的授权。由于政府引导作为第一个原则,所以安全可控就可以让人放心很多。而市场运作和创新引领原则是政府想要的东西,换句话说,谁能在政府的框架下,市场的规则内,最大程度的把数据玩出花来,谁就能占领这个新的山头。

政府的指导、统筹、监督部门为市经济和信息化部门。北京金融大数据集团作为金融数据专区的建设单位,同时也作为运营单位。北京金融大数据专区目前开通了118个数据接口,这些接口对接了多维度的数据共25亿条。25亿条数据分布在工商、司法、税务、社保、公积金、不动产等领域,这些领域都是非常敏感的,事关企业、个人钱袋子的领域。金融公共数据是指本市各级行政机关和公共服务单位在履行职责和提供服务过程中获取和制作的,以电子化等形式记录和保存的,可以开放的具有金融属性或金融应用价值的政务数据资源。这也是首次政府向市场公开如此大批量的数据,这也标志着政府对于数据掌控力的自信。北京作为首都,有数以百计的国企、央企数据和无法统计的敏感的个人数据,这些数据既是一座金矿,但也极具风险。因此四个原则的最后一条,着重突出了保密的重要性。

在“意见”中,市政府明确了承接运营的国有企业,要加强对数据的开发,加强资金和数据的投入,并且,明确禁止以营利为目的原始数据交易。这项“禁止以营利为目的的原始数据交易”可以说是对数据恶意使用的可能性的一种防范,可以看出政府处处透露着对数据安全可控的关注。数据的安全可控同时也是老百姓最为关心的问题。

运营服务者(北京金融大数据公司)在面向金融从业者公司服务的时候,必须以合同、协议等形式相互约束,包括使用目的、范围、方式、访问机制等方面要做限制,并且做定期的评估。

在“意见”稿中,还明确了对数据的分级分类工作,不同的数据有不同的管理策略,对不同层级的数据采用不同的管理策略、制度和规程。这种分级分类的工作还需定期的重新评估。

在“意见”稿中的最后三条里,都是对于数据安全可控的意见。第十三条要求运营单位对传输、储存公共数据的网络、系统进行定级备案。其中,意见中要求系统规划建设的要求不低于等保三级。等保三级是非银行机构的最高级等保认证。在倒数第二条中,明确了运营单位必须制定应急预案的要求。在发生信息泄露、损毁、丢失等安全事件时,或者有安全风险的时候,应当立即向监督单位经信部门报告,并立即启动应急预案。最后一条主要明确了经信部门的监督管理职责,以及发现问题后的处理方法。特别提到了由于运营管理单位由于管理不当出现了数据被非授用使用、转卖、非法获取或其他不当应用,市经信部门有权决定责令整改,甚至更换运营单位。

金融大数据的对市场开放,说明数据的价值会被进一步挖掘。作为全国的金融、科技高地,北京作为首个金融数据开放的城市,尽管“意见”中的已经明确了很多干货,但是未来还是充满了不确定性。不过,作为重要生产要素,大数据对市场开放几乎确定是一条必走的路。同时作为重要的基础战略资源,如何保护好数据的安全可控也是一项艰巨的任务。

相关实践学习
简单用户画像分析
本场景主要介绍基于海量日志数据进行简单用户画像分析为背景,如何通过使用DataWorks完成数据采集 、加工数据、配置数据质量监控和数据可视化展现等任务。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
9月前
|
机器学习/深度学习 算法 数据挖掘
灰太狼的数据世界(四)
灰太狼的数据世界(四)
55 0
|
9月前
|
存储 数据库 索引
灰太狼的数据世界(二)
灰太狼的数据世界(二)
94 0
|
9月前
|
SQL 数据可视化 数据挖掘
人人都会点数据分析 | 了解数据
人人都会点数据分析 | 了解数据
|
9月前
|
Java
数据的比较
数据的比较
|
11月前
|
存储 人工智能 缓存
通过数据,你都知道了哪些“原来是这样”的事儿?
在生活中,数据无处不在,有新数据,也有老数据。有1T的数据,也有1P的数据。有文件数据,也有视频数据。通过数据的分析与洞察,我们总能通过数据了解到一些 “原来是这样”的事儿。比如,记账APP会总结自己花费了多少钱,分析钱花在那些地方了。音乐APP会汇总曲库的歌曲自己听了多少次,分析自己喜欢那些类型的音乐。
126 2
|
人工智能 算法 新能源
数据上新啦!
风机检测算法与风机分布数据集上线
数据上新啦!
|
Java 数据库连接 数据库
数据的写入
数据的写入
85 1
|
机器学习/深度学习 数据采集 存储
你已经准备好了,你的数据准备好了么?
  数据准备常常被认为是企业内部利用数据的主要障碍。找到正确的工具则可以帮助企业实现突破。   要想获得数据分析的好处,首先必须正确地准备数据。据市场研究机构Gartner的最新研究显示,对于许多企业来说,这是一个很大的瓶颈,其70%的时间都花在了数据准备工作上了。   作为《数据准备工具市场指南》的主要作者,Gartner的数据和分析团队高级分析师Ehtisham Zaidi指出,“通过适当的人员及时地查找、访问、清理、转换和共享数据仍然是数据管理和分析中最耗时的障碍之一。”   日立Vantara的首席营销官Jonathan Martin认为,对于希望通过分析来转变业务的公司而言,主
140 0
|
机器学习/深度学习 存储 人工智能
你是否适应数据正在“看”着你?
从最近针对AI技术发展与影响进行的调查、研究、预测以及其他量化评估结果来看,消费者对于数据隐私、AI给工作带来的影响以及AI优先层面的竞争,普遍抱有困惑且矛盾的态度。