2014 全球信息技术报告摘要（四 ）

译自：2014 年 4 月 14 日【瑞士】http://www.weforum.org
编译：工业和信息化部国际经济技术合作中心  张强 刘佳源 白旻

     各机构应该了解自身的大数据成熟度水平，大数据成熟度是帮助他们评测进度、找到必要措施的方法。判断成熟度需要衡量环境成熟水平，确定政府提供了多少必要的法律规范、监管框架和 ICT 基础设施，考虑机构内部能力，评估机构是否为实施大数据项目做好准备。

     同时，还要比较众多复杂的大数据使用方法，合适的方法往往意味着效率的提高或商业模式的改进。达到最高程度的大数据成熟水平，需要通过多年的大量投资将商业模式转变为数据驱动型。

     政府部门应特别注意环境成熟水平，向公民充分展示大数据带来的益处，化解人们对隐私的担忧，努力在全球范围内统一对数据隐私的监管。此外，还应创造环境，帮助大数据领域（如数据、服务和 IT 系统提供商）拓展市场，同时采取措施解决大数据专家短缺的问题。随着大数据越来越多地出现在公共部门和私营机构当中，大数据的使用将成为国家和企业获得竞争优势的手段。

平衡大数据公共政策的风险和回报

     报告第 1.4 章作者是麻省理工的 Alex  “Sandy”Pentland，其在报告中强调，我们正走进大数据世界，与过去相比，治理更多地由数据驱动。成功的数据驱动型社会，基础是对个人隐私和自由的保护。

     世界经济论坛上的讨论，对改变全球隐私和数据所有权的标准作出了重大贡献，让个人对与自己相关的数据有了前所未有的控制，同时提高了透明度，为政企互动提供了机会。

     我们依然面临挑战，大型机构可能会禁不住诱惑滥用手中掌握的数据。解决这个问题需要寻找对大型机构和个人都有利的最佳实践。作者在这一章中就如何约束滥用权力，同时让各机构更安全地使用大数据提出了建议，主要政策建议如下：

     1.大数据系统能够以分散的方式存储数据。 根据类型（如金融 VS 健康）和真实世界的类别（如个人 VS 公司）划分，由将自身功能聚焦于那些数据的部门来管理，设置共享权限，并由该部门人员监管。

     最佳实践中的数据托管人应该是区域性的，并使用异构计算机系统。随着保障措施到位，同时攻击许多不同类型的数据就非常困难；同时，在没有真正授权的情况下整合这些数据类型则将变得更加困难。

     2.数据共享应该始终保持与数据相关的起源和许可，并支持自动防篡改审计。只要有可能，最佳实践应该只分享与数据相关问题的答案，而不是数据本身。这允许改进内部合规和审计，并帮助减少未经授权的信息泄漏的风险。

     3.系统由合作机构共同控制，而不仅是单个公司自己的系统，这样应该会比较安全。外部数据共享应该仅在具有相同的本地控制、许可、来源和审计的数据系统之间发生，还应该包括使用那些诸如受雇于信任网络的标准法律协议。否则，数据会在不用直接袭击中央系统的情况下，被从数据源或终端消费者那里抽走。

     4.对于安全数据生态系统的需求延伸到了私人数据及合作公司的专有数据。因此，个人和商业数据流的最佳实践，需要他们具有安全的数据存储，并被吸纳到信任网络数据共享协议中。

     5.所有实体在任何时候都应该使用安全的身份凭证，最佳实践将信任基于生物签名。

     6.创建一个“开放”的数据共享，在法律协议（如信任网络协议）下，对于合作伙伴是可利用的。通过允许第三方改善服务，开放数据可以产生巨大价值。

     尽管这些建议看上去可能比较繁琐，在大多数情况下，被认为是简单应用在现代计算机数据库和网络内的标准协议。然而，在许多案例中，分散数据存储和管理已经成为当前实践的一部分，整个系统应用起来将比集中处理方法更加简单和便宜：在法律或诸如信任网络的监管框架内，认真使用起源、权限和审计，的确都是新的作法。

     最重要的是，这些建议将带来更加安全和富有弹性的数据生态系统，让我们安全地获得使用大数据的优势，帮助建立和监督公共政策。

管理大数据的风险和回报

     TIBCO 公司的 Matt Quinn 和 Chris Taylor 完成了第 1.5 章。他们认为，处理大数据的专家，能以前所未有的速度和范围对改变世界的事件做出反应。比如，跟踪流行病与开发神奇药物可同时进行。

     当然，大数据带来的风险，需要平衡这些收益和由此涉及的个人隐私问题。

     大容量、多种类的数据创造了三个重要趋势：

     ● 大数据利用以前未使用的数据源，从其以前隐藏的地方释放信息。

     ● 大数据管理需要尽可能自动化，因为容量和复杂性消除了人类及时干预和重组过程的能力。

     ● 大数据迫使我们创建适应性强、坚固的数据系统，因为多样性的结构化和非结构化数据打破旧的计算和交易的写作方式。

     这些趋势面临着两个主要挑战：

     ● 大数据是看不见的模式，需要使用可视化分析工具和技术。获得的结果只能在合适的时间、合适的场合以正确的方法使用。

     ● 与封送处理（Marshaling）存储和可计算的资源这些相对简单的问题相比，系统发现、捕获、管理和保护更多数据显得更为复杂。

     本章提到了健康护理、物流以及零售业的例子。在这些领域，大数据正在以系统的方法处理，即考虑连续不断的信息流，以及在历史数据库中有所发现，从而揭开大数据的神秘面纱，并在核心层面去理解大数据的风险和回报。