前沿技术普及系列·写在前面

不知道大家有没有和象牙妹儿一样的感觉，就是最近1年很多AI产品铺天盖地的来到了我们的生活，比如某些家的智能陪伴音响、翻译棒、智能机器人、AR拍照手机等等。

这里面背后的前沿技术大数据、云计算、区块链、物联网、 5G、数字化…前几年甚至现在听着还很遥远，却已有不少在冲击着商业的世界，渗透进我们的生活！

如何拨开层层浓雾，抵达未来的彼岸？如何把握技术的钥匙，启开未来商业世界的大门!

大象互联网圈发起主办的第二届中国【郑州】开发者大会不但关注技术·商业的融合，也关注着前沿技术的分享。

因此，从今天起，大象互联网圈公众号将目光聚焦在大数据、云计算、物联网IOT、人工智能AI、区块链、VR/AR等板块，一一从概念层、目前行业发展状况、企业实际应用层、技术层、岗位前景等为大家带来干货的普及，快来和象牙儿妹一块围观吧！

本文由“壹伴编辑器”提供技术支持

正文

如果你说大数据就是数据大，或者侃侃而谈4个V，也许很有深度的谈到BI或预测的价值，又或者拿Google和Amazon举例，技术流可能会聊起hadoop和Cloud Computing，不管对错，只是无法勾勒对大数据的整体认识，不说是片面，但至少有些管窥蠡测，也许“解构”是最好的方法。

首先，大数据就是互联网发展到现今阶段的一种表象或特征而已，没有必要神话它或对它保持敬畏之心，在以云计算为代表的技术创新大幕的衬托下，这些原本很难收集和使用的数据开始容易被利用起来了，通过各行各业的不断创新，大数据会逐步为人类创造更多的价值。

其次，想要系统的认知大数据，必须要全面而细致的分解它，本系列文章我们着手从概念、技术、实践三个层面来展开，本篇文章我们先介绍概念层。

本文由“壹伴编辑器”提供技术支持

大数据的定义

大数据（Big Data）概念是1998年由SGI首席科学家John Masey在USENIX大会上提出的。他当时发表了一篇名为Big Data and the Next Wave of Infrastress的论文，使用了大数据来描述数据爆炸的现象。但大数据真正得到业界关注，则是其后多年的事情了。

大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

本文由“壹伴编辑器”提供技术支持

大数据的分类

互联网上的大数据很难清晰的界定分类界限，我们先看看BAT的大数据：

百度拥有两种类型的大数据：用户搜索表征的需求数据；爬虫和阿拉丁获取的公共web数据搜索巨头百度围绕数据而生。阿里巴巴拥有交易数据和信用数据。这两种数据更容易变现，挖掘出商业价值。除此之外阿里巴巴还通过投资等方式掌握了部分社交数据、移动数据，如微博和高德。

腾讯拥有用户关系数据和基于此产生的社交数据。这些数据可以分析人们的生活和行为,从里面挖掘出政治、社会、文化、商业、健康等领域的信息，甚至预测未来。

在信息技术更为发达的美国，除了行业知名的类似Google，Facebook外，已经涌现了很多大数据类型的公司，它们专门经营数据产品，比如：

Metamarkets：这家公司对Twitter、支付、签到和一些与互联网相关的问题进行了分析，为客户提供了很好的数据分析支持。

Tableau：他们的精力主要集中于将海量数据以可视化的方式展现出来。Tableau为数字媒体提供了一个新的展示数据的方式。他们提供了一个免费工具，任何人在没有编程知识背景的情况下都能制造出数据专用图表。

ParAccel：他们向美国执法机构提供了数据分析，比如对15000个有犯罪前科的人进行跟踪，从而向执法机构提供了参考性较高的犯罪预测。他们是犯罪的预言者。

QlikTech：QlikTech旗下的Qlikview是一个商业智能领域的自主服务工具，能够应用于科学研究和艺术等领域。为了帮助开发者对这些数据进行分析，QlikTech提供了对原始数据进行可视化处理等功能的工具。

本文由“壹伴编辑器”提供技术支持

大数据的4V特征

即Variety(多样化)、Volume(大量化)、Velocity（快速化）、Value(价值密度低)。如下图所示。

其中，Variety表示来源多和格式多，数据可以来源于搜索引擎、社交网络、通话记录、传感器等等，这些数据要么以结构化形式存储，要么以非结构化数据存储；Volume表示数据量比较大，从TB级别，跃升到PB级别。

尤其是在移动互联时代，视频、语言等非结构化数据快速增长；Velocity表示数据存在时效性，需要快速处理，并得到结果出来，这一点也是和传统的数据挖掘技术有着本质的区别；Value表示大量不相关信息，不经过处理则价值较低，属于价值密度低的数据。

本文由“壹伴编辑器”提供技术支持

大数据处理流程

都有以下几个过程：数据采集、数据清洗、数据建模、数据加工、数据展现。如下图所示。

举个例子，做饭通常都要包括“买菜~洗菜~配菜~炒菜”这几个必须环节，无论你是开饭店还是家里一日三餐，做饭的规模大小会有不同，但流程却是一样的。而这几个环节其实正好对应了数据人的日常工作内容：买菜（数据采集）~洗菜（数据清洗）~配菜（数据建模）~炒菜（数据加工）-上菜（数据展示）。

在大数据时代，由于数据种类多，数据大，从结构化的数据到非结构化的数据，数据采集的形式也变得更加复杂而多样。

当存储技术的发展变得步履蹒跚，赶不上数据发展的速度时，分布式存储成为了必然选择，非结构型数据也对存储格式提出了新的要求。

层出不穷的数据源也使得数据量产生了井喷似的迅猛增长。此时分布式存储与NoSQL的诞生回应了这样的需求，解决了大数据存储的根本难题。

本文由“壹伴编辑器”提供技术支持

大数据思维

关于大数据思维即我们该如何去理解大数据，十余年潜心研究数据科学的技术权威维克托·迈尔-舍恩伯格认为要注意三点：

需要全部数据样本而不是抽样关注效率而不是精确度关注相关性而不是因果关系。

阿里巴巴的王坚对于大数据也有一些独特的见解，比如：

今天的数据不是大，真正有意思的是数据变得在线了，这个恰恰是互联网的特点非互联网时期的产品，功能一定是它的价值，今天互联网的产品，数据一定是它的价值你千万不要想着拿数据去改进一个业务，这不是大数据，你一定是去做了一件以前做不了的事情

特别是最后一点，我是非常认同的，大数据的真正价值在于创造，在于填补无数个还未实现过的空白。

有人把数据比喻为蕴藏能量的煤矿。煤炭按照性质有焦煤、无烟煤、肥煤、贫煤等分类，而露天煤矿、深山煤矿的挖掘成本又不一样。与此类似，大数据并不在“大”，而在于“有用”，价值含量、挖掘成本比数量更为重要。

本文由“壹伴编辑器”提供技术支持

大数据的价值

如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。

Target 超市以20多种怀孕期间孕妇可能会购买的商品为基础，将所有用户的购买记录作为数据来源，通过构建模型分析购买者的行为相关性，能准确的推断出孕妇的具体临盆时间，这样Target就可以有针对的在每个怀孕顾客的不同阶段寄送相应的产品优惠卷。

Wal-Mart作为零售行业的巨头，他们的分析人员会对每个阶段的销售记录进行了全面的分析，有一次他们无意中发现虽不相关但很有价值的数据，在美国的飓风来临季节，超市的蛋挞和抵御飓风物品竟然销量都有大幅增加。

于是他们做了一个明智决策，就是将蛋挞的销售位置移到了飓风物品销售区域旁边，看起来是为了方便用户挑选，但是没有想到蛋挞的销量因此又提高了很多。

这些例子真实的反映在各行各业，探求数据价值取决于把握数据的人，关键是人的数据思维；与其说是大数据创造了价值，不如说是大数据思维触发了新的价值增长。

未来在大数据领域最具有价值的是两种事物：1-拥有大数据思维的人，这种人可以将大数据的潜在价值转化为实际利益；2-还未有被大数据触及过的业务领域。这些是还未被挖掘的油井，金矿，是所谓的蓝海。

本文由“壹伴编辑器”提供技术支持

大数据的风险

提到大数据人们生活造成的干扰，你或许对隐私泄露早有耳闻。当你在不同的网站上注册了个人信息后，可能这些信息已经被扩散出去了。

当你莫名其妙的接到各种邮件，电话，短信的滋扰时，你不会想到自己的电话号码，邮箱，生日，购买记录，收入水平，家庭住址，亲朋好友等私人信息早就被各种商业机构非法存储或贱卖给其它任何有需要的企业或个人了。

更可怕的是，这些信息你永远无法删除，它们永远存在于互联网的某些你不知道的角落。除非你更换掉自己的所有信息，但是这代价太大了。

目前，中国并没有专门的法律法规来界定用户隐私，处理相关问题时多采用其他相关法规条例来解释。但随着民众隐私意识的日益增强，合法合规地获取数据、分析数据和应用数据，是进行大数据分析时必须遵循的原则。

因此在大数据的背景下，很多人都在积极的抵制无底线的数字化，这种大数据和个体之间的博弈还会一直继续下去……

专家给予了我们一些如何有效保护大数据背景下隐私权的建议：

减少信息的数字化隐私权立法数字隐私权基础设施（类似DRM数字版权管理）人类改变认知（接受忽略过去）创造良性的信息生态语境化。

本篇关于大数据的理论层面分析就介绍到这，下一篇我们将对大数据价值体现的手段和前进的基石——大数据技术深入进行展开分析。

END

第二届中国【郑州】开发者大会

线上报名通道全面开放

本次大会将开设从数字化到大数据落地专场，现已开放报名通道，门票分为免费票和VIP票两种，其中VIP票权益非常丰富，票价为199元且仅限200张，下面是两种票的权益对比：

多彩贵州网讯(本网记者贾过之)4月25日，本网记者从2017中国国际大数据产业博览会组委会获悉，今年分论坛所设定的7大板块将分别举办7个核心论坛。其中，国家大数据试验区交流板块的核心论坛确定为“大数据标准化论坛”，定于5月26日下午举办。

据了解，国发[2015]50号文件《促进大数据发展行动纲要》中明确将大数据标准化工作作为重要的政策机制，国发[2016]51号文件《政务信息资源共享管理暂行办法》也提到“统一标准、统筹建设”。工信部出台的《大数据产业发展规划》将“推荐大数据标准体系建设”作为一项重点任务，同时，全国信标委大数据标准工作组作为国家唯一从事大数据标准化工作的组织，也正在积极推动大数据标准化工作。

本届数博会将举办的“大数据标准化论坛”，由工业和信息化部、国家标准化管理委员会指导，2017中国国际大数据产业博览会组委会主办，中国电子技术标准化研究院、全国信标委大数据标准工作组、贵州省大数据标准化技术委员会承办。该论坛将充分交流大数据国家标准的研制和应用推广情况，促进更多的相关单位参与国家大数据标准的研制，共同推进国家大数据重点标准的试验验证和应用推广工作。

【IT168 技术】大数据对于企业的重要性已经不言而喻了，现在企业都在积极收集结构化和非结构化数据进行实时处理和分析，并希望从中寻找到新的业务机会。随着技术的发展，数据的开源也渐渐变得多样化，例如，传感器、物联网、社交等等，企业也在积极投资大数据项目，如从数据湖、处理框架到分析工具再到英特尔硬件等等。

当大量的数据涌入到系统中，如何采集和管理信息就变成了关键。

用户可以利用由x86处理器横向扩展配置所提供的增加的分析计算能力，但并不是所有的公司都对数据质量很挑剔。

新时代，不准确的数据可能会导致很严重的后果，所以数据需要更可靠的技术。例如一家金融服务公司，是根据客户位置信息和购物数据来销售保险的，如果数据在创建、传输、存储和分析等环节中出错，那么很可能会有很多不好的结果产生。

Melanie Mecca表示有偿的数据并没有获得足够的重视，它被视为功能，技术和自动化功能管中的牙膏，而本身从未被视为组织业务的基础和生命之源。

大数据标准应该是什么样?

国家物理实验室(NPL)试图解决这个问题，不良资产正在努力通过引入一种系统的方法来创造数据可信度。NPL院士Alistair Forbes表示："我们试图将我们的思维方式应用到测量领域，思考它如何应用到数字领域。

在考虑大数据质量时，NPL将着眼于四个方面：收集，连接，理解和信心。

收集意味着验证数据的来源并评估其可信度和准确性。从一个未经验证的数据源获取数据而没有测量数据质量是一个隐患很多的举动。

连接之后如何传输数据以及在干扰情况下是否进行了适当的纠错。

理解意味着确保数据"正确"。当我们使用来自多个来源的数据进行分析时，我们如何确保通过这些数据源的不确定性传播得到正确理解。现在传播建模的最佳工具是由NPL和国际社会开发的"测量不确定度指南"(GUM)。它描述了不确定性如何在不同的传感器和数据源之间传播，以及决策的意义。

Stansfield 表示"如果你试图引导人们收集信息，并放在一起使用，这就是不确定性的流动。所以你在进行系统级的设计时就要考虑好这个问题。

Forbes将其描述为一个相对较窄的指南，而不良贷款研究机构正在进行这项研究，将其扩展到不确定性传播的范围。我们正在从不确定性传播范式转变为不确定性量化范式，这是对不确定性来源的全面评估，并试图使用更好的统计工具对其进行解释。

今天，我们通过建模来确定事物的确定性，但随着模型变得越来越复杂，这种方式也会变得越来越困难。NPL正在开发一种方法来量化与模型相关的不确定性，它主要是针对工程领域，卫星成像以及生命科学的其他领域。除此之外，NPL还在探索如何将有质量的数据存储为机器可读，使这些数据更易于访问。

当然，除了NPL在对数据源提供信心，还有很多其他组织也在积极努力。例如，英特尔与美国能源部的国家能源研究科学计算中心(NERSC)和五个英特尔并行计算中心(IPCC)合作建立了一个大数据中心(BDC)，为创建用于数据管理的强大基础架构而努力。

同时针对于特定行业的解决方案也逐渐成形，今年夏天，英特尔与汽车制造商丰田(Toyota)等公司宣布建立汽车边缘计算联盟(Automotive Edge Computing Consortium)。该小组将致力于汽车行业新兴移动技术的标准，最佳实践和体系结构。

进一步看大数据标准

英特尔也一直努力在大数据方面寻求突破，例如调整英特尔架构上的数据处理平台，与开源企业数据管理方面Hadoop专家Cloudera合作。Hadoop正在逐步成为行业标准的大数据处理平台，而英特尔在全球数据中心市场的份额超过90%，这意味着两者之间可能存在重叠的部分。英特尔和Hortonworks正在制定联合路线图，以加速加密和解密，数据压缩和解压缩，缓存和I / O密集型工作负载的性能。

与此同时，SAS正在制定可以帮助改善大数据环境质量管理的指标。其数据产品管理总监Ron Agresta表示，在客户互动中经常使用的指标包括完整性，一致性和准确性。很多企业都会积极做检查分类，以便及时有效的汇总起来，并反映到仪表盘上。当然，每个客户对于指标以及数据使用的要求都有所不同。

SAS数据管理高级产品营销经理Todd Wright表示："我认为在当前的环境中看不到任何标准的数据管理方式。大数据质量的标准只在医疗保健等严格管理的领域得到了具体部门的处理。即使在同一行业，每个组织都面临着各种各样的问题，尤其是在供应商中，没有一个标准的方式来解决大数据的这些问题。

数据质量和治理框架应该放在更高的层面上。Mecca企业发起了数据管理成熟度(DMM)。它侧重于我们管理堆栈的上层，查看人们用来确保数据质量和一致性的技术。

这是我们必须要做的事情，这个组织并不是从技术角度出发，而是侧重于数据决策，是一个人员流程。DMM着眼于数据管理(为数据和元数据存储库创建业务词汇表)，数据治理和数据质量等领域。

EDM委员会也有自己有效管理大数据的框架，称为数据管理能力评估模型(DCAM)。EDM委员会的语义和标准主管Mike Bennett表示：他们可以提供一个包含数据质量各个方面的圆形图表。

大数据为更多的洞察力和新业务提供了巨大的潜力，但随着更多的设备连接和数据合并在一起，潜在错误明显增加，而缺少对数据管理的统一标准或共识将使这种情况加剧。

随着供应商和研究人员应用更多的专业知识帮助客户提高数据的质量和管理水平，达成大数据管理共识将是可实现的现实。如果数据是新石油，那么一种新的经营方式就变得至关重要，不仅要识别数据中的错误，而且要能够追溯到原来的数据。

《大数据时代》书中写到大数据产品是以一种前所未有的方式，通过对海量数据进行分析，获得有巨大价值的信息或深刻的见地。因为数据本身是没有价值的，只有数据分析师从数据中挖掘出有用的信息，大数据才被赋予了真正的“生命”，才能被称为一种产品。

一、大数据产品设计的两个基本原则：

1、精确：数据只有精确才能让人信服

2、易用：产品只有易用才能让人更方便去挖掘有用的信息，才能体现价值

二、大数据产品的用户

1、狭义：数据分析师和数据科学家

2、广义：产品经理、市场专员、营销经理、机器学习专家、管理层都具有大数据分析的需求

大公司有专门的大数据产品部门，小公司和个体商户（淘宝店主等）可以使用第三方的数据产品（比如友盟、数据魔方等）。

三、大数据产品长什么样？

不同职位、不同技能的用户需要不同交互形式的大数据产品。

管理层：提供可视化数据报表，帮助管理层利用其大脑和经验 做决策；

市场/营销专员、产品经理：提供小型数据库表/OLAP Cube，将数据导入Excel后完成数据分析工作；

初级数据分析师：设计更专业的数据仓库/数据库表，利用SQL、R完成数据分析；

高级数据分析师、机器学习专家：开发大数据平台的数据接口API，利用平台的超计算力进行数据挖掘。

处在表格越下方的产品包含的数据量越大，使用难度越大，产品的用户也越专业。准确地说，提供大数据平台接口API才是真正的大数据产品，其他三种只能算是“小数据”或“类大数据”。但在实际工作当中，一般的数据产品都会包含以上这四个层次，以便于不同层次的各类用户使用。

不过，一个完整的大数据产品不仅仅只有产品的交付形式，背后往往具备一个架构在平台之上的大数据流水线。以可视化大数据报表为例，至少具备五个部分：

获取用户行为的原始数据

上传和处理用户大数据（将“大数据 ”分解为“小数据 ”）

存储大数据（不同层级的数据如何存储）

设计大数据的交互方式（针对不同的用户层次）

数据精确度管控（数据不精确就没有可信度，最核心环节）

任何层级的数据产品都需要具有一定技术难度的数据流水线支撑，流水线的维护、开发就是大数据团队的日常工作。

标准是实现最佳秩序的工具，能有效形成和促进业务协同，能有效地保障和促进信息共享，是实现互联互通必不可少的前提和保障。建立大数据环境中的标准体系，明确分类标准、开放目录、数据格式标准和接口标准等相关规范，可推动政府数据的整合和开放，释放政府数据和机构数据的价值，推动基于开放平台和整合大数据的跨界应用。

自2009年大数据概念提出以来，越来越多的国家开始从战略层面重新定义大数据。根据IDC（InternetDataCenter)即互联网数据中心预测，2020年的数据增长量将达到35ZB。美国易安信公司曾经表示，它的1000多个客户在其阵列中使用1PB以上的数据，这个数字到2020年将增长到10万。2015年，中国互联网发展进入新的拐点，“互联网+”、“中国制造2025”“一带一路”，促使中国产业结构与商业模式发生变化，大数据成为引领中国经济社会变革的关键。随着数据呈现出爆发性增长的态势，大数据已经渗透到各行业的业务领域，2016中国大数据产业峰会透露，未来5年，大数据产业规模将以每年50%以上的速度增长。

大数据在各个行业的垂直特色化应用会更有想象空间，包括金融、电信、大健康、媒体、零售、交通、社会信用管理、政府、智慧城市、房地产和家居生活等行业都会有很多应用机会。目前关于行业的核心数据及个人和企业的信用数据大部分掌握在政府部门手中。政府数据开放在全国部分地方政府进行了尝试，但政府数据开放程度依然不高。当前政府数据开发存在的主要问题除了意识理念滞后还包括缺乏法律法规及标准规范的支撑。

一、标准基础知识

1.标准是什么、标准体系是什么、为什么要做标准

下面是对三个问题关键点的表述。

标准的出发点和目的是“为在一定范围内获得最佳秩序”和“促进最佳社会效益”。其中,“最佳秩序”是指通过制定和实施标准,使标准化对象有序化程度达到最佳状态;“最佳共同效益”是指相关方的共同效益；

标准体系是什么？标准体系是一定范围内的标准按其内在联系形成的有机整体，也可以说标准体系是一种由标准组成的系统。

上面这张图简单说来就是，标准告诉大家应该怎么建，要怎么用，怎么让大家一起使用，怎么才能一起用好。

2.标准的分级

不同级别的标准是需要向不同的主管部门申请立项批准（团标、企标不需要），然后组织起草、征求意见、技术审查、发布和组织实施的。

详细内容看下面这张图：

2015年3月国务院下发了《深化标准化工作改革方案》，强制性国家标准已经收紧，立项比较困难，优化推荐性国家标准、行业标准、地方标准体系结构，简化制修订程序，推动向政府职责范围内的公益类标准过渡，所以大力鼓励推荐性行标、地标、团标和企标的编制。

3.标准的制定程序

大致了解标准的制定程序，有利于项目经理了解标准编制工作量及对客户进行有效引导。

采用国外先进标准的可以省略起草阶段或征求意见阶段，这个我们目前政府项目基本不会涉及到。

二、政府项目对标准建设的重视

1.国家政策文件的支撑

2015年7月1日，国务院办公厅印发《关于运用大数据加强对市场主体服务和监管的若干意见》（国发〔2015〕51号）2015年9月5号，国务院印发《促进大数据发展行动纲要》（国发〔2015〕50号）

都明确指出要建立标准规范体系。推进大数据产业标准体系建设，加快建立政府部门、事业单位等公共机构的数据标准和统计标准体系。

2015年12月30日国务院下发《国家标准化体系建设发展规划（2016—2020年）》，下图是政府管理领域标准化重点工作方向。

下图是政府管理领域标准化重点工作方向。

2016年12月20日国务院下发《“互联网+政务服务”技术体系建设指南》要求“进一步加强全国一体化的“互联网+政务服务”技术和服务体系整体设计，不断提升各地区各部门网上政务服务水平”；

以上国务院密集颁发的文件可以看出国家对政府项目标准化的重视。标准的基本原理是简化、统一、协调、最优化，标准是实现最佳秩序的工具，能有效形成和促进业务协同，能有效地保障和促进信息共享，是实现互联互通必不可少的前提和保障。

2.标准对平台的支撑

这并不是严格意义的划分，只是抽象表示利于理解。其中：

总体标准是在平台的建设过程中具有广泛指导意义的标准和规范，包括术语、标识或总体技术要求等；

应用支撑标准是为保证平台体系互联互通和信息共享设计而制定的标准和规范，包括信息交换类、数据管理类、数据接口类系统服务类等标准；

应急业务类标准是对平台业务应用中需要协调统一的工作事项而制定的标准，包括基础数据库类、业务流程或业务考核类标准等；

安全和管理类标准是确保系统安全和日常运行所需要的管理标准和规范。包括平台安全保障规范、平台运维管理规范等标准。

3.标准组在政府项目中的支撑

请注意，以上3、4项内容只有承担省级项目或部委项目，标准以行业标准或地方标准为目标时才会发生。

三、关于项目“标准”需要注意的问题

1.标准不是设计文档

有一些标准例如数据规范、数据元、元数据、信息资源分类等与设计文档紧密相关，是在设计文档的基础上形成的，但不完全一致，上述标准只规范核心数据，对于扩展数据或业务数据不做规范，一是为了保证平台设计的稳定性，二是为了保证平台不被轻易拷贝仿造，所以一般发布的标准都在设计文档基础上删减。

2.哪些级别政府客户可以做标准

部委、省级相关部门，一般可以申请行业标准、地方标准立项。

地市和县级部门一般做不了地方标准，“地方标准由省、自治区、直辖市人民政府标准化行政主管部门制定，设区的市人民政府标准化行政主管部门根据本行政区域的特殊需要，经所在省、自治区人民政府标准化行政主管部门批准，可以制定本市的地方标准”。地市级政务平台类项目伴随产生的标准在省级质监局一般不给立项，因为一般地市级项目平台管理设计不可能反推到全省使用。所以目前进行的地市级或县级政府项目只能定位于规范性技术文件。

3.签订项目合同中关于标准要注意什么

报价

一个平台一般配套系列标准，省级项目一个标准一般报价20万以上，地市级或县级项目因为定位不同，可以依据实际情况酌情报价。

标准列目

如果在售前咨询阶段，大家可以引导客户编制公司比较成熟的标准，比如总体技术要求、安全类、管理类标准。

边界

请注意标准与管理文件的边界，政府项目体制上存在的问题需要编制管理文件解决，不适于编制标准；关于业务评价或考核类的标准也请注意尽量避免，这类型标准需要后期投入大量时间和人力跟进。

验收成果物

如果是省级或部委级别项目，在签订合同时一定要注意成果物尽量写成“工作组讨论稿或征求意见稿”，前面讲过，标准从编制到报批发布耗时很长，后续其他成果物形式耗时太长。

付款方式

如果单独签订标准项目会涉及到付款方式，跟平台开发不同，标准项目一般分两次付款，首次付款60%以上，目前公司业务还未涉及，暂不多讲。

如何合法、安全、规范的开放政府组织数据为社会服务，将是数据开放至关重要的一个环节。建立大数据环境中的标准体系，完善数据处理标准、数据开放标准及个人隐私保护标准，明确分类标准、开放目录、数据格式标准和接口标准等相关规范，可推动政府数据的整合和开放，释放政府数据和机构数据的价值，推动基于开放平台和整合大数据的跨界应用。

大数据时代的到来，让政府、企业看到了数据资产的价值，快速开始探索应用场景和商业模式、建设技术平台。这无可厚非。但是，如果在大数据拼图中遗忘了数据治理，那么做再多的业务和技术投入也是徒劳的，因为很经典的一句话：Garbage in Garbage out，数据质量没有保证。而保证数据质量，数据治理是必须的手段。

数据治理这个话题看似阳春白雪高大上，实际上是非常下里巴人接地气，或者说必须要顶天立地才能见实效。顶天是指，与信息化类似，数据治理也是一把手工程，没有高层推动、在业务与业务间、业务与技术间协调，数据治理无法落地；立地是指：一般是IT人员对数据问题有深刻体会，也是IT人员最先意识到数据治理的重要性，而且数据治理最终是在IT层面落地的。

数据治理大的脉络并不复杂：对数据资产家底清晰、管理权责分明、建立配套标准规范、确保落地执行，由此去保障数据质量。虽然大数据的规模大、类型多、速度快，但数据治理的原则对于大数据也是同样适用的。

那么大数据的到来会给数据治理提出哪些新的要求呢？

我们首先来看《大数据时代》的作者的观点之一，他认为在大数据时代数据质量不再重要，因为人们需要的是整体趋势的分析而非精确结果。我个人不太同意此观点，而是认为对大数据而言数据质量更加重要。作者提的整体趋势分析仅仅是大数据的应用之一，而从精准营销、风险识别等应用场景来看，因为数据与运营结合的更紧密、要求数据粒度更细，任何一点错误都可能直接带来业务上的损失；而传统的指标应用，反而对运营环节没有如此直接的影响。因此，在大数据环境下对数据质量的需求是提升而非降低。

其次，Hadoop、Spark等大数据技术的应用，对数据治理的技术手段提出新的要求。传统模式下基于RDBMS进行管理，SQL是通用的数据访问方式。而在大数据环境中，Hadoop、MPP、RDBMS、Spark并存，如何在混搭的异构环境中实现对数据资产的可视化统一管控，避免大数据系统成为不可管理的黑盒子，这是传统行业应用大数据技术需要面对的关键问题之一。特别是大数据技术人才目前更多流向互联网企业，进入传统行业的少之又少，在人才可得性短期不能快速解决的情况下，需要依靠技术手段来确保传统企业IT人员能够对数据资产的可视、可控。

第三，数据安全，或者说数据隐私的重要性比以往有显著提升，这也需要在数据治理中加强对数据安全的重视。在传统应用场景中，数据由企业收集，在企业内部应用，数据所有权的问题并不突出。在大数据时代，数据要更多进行跨界整合、外部应用的商业模式创新，这其中就涉及到更多数据所有权、数据隐私的话题。用户信息究竟属于企业还是用户、在什么条件下企业可以拿来用于商业应用？这些问题的答案还在探讨当中，毋庸置疑的是，企业需要在数据治理过程中，需要更加注意数据安全、数据隐私相关的制度和政策。

关注佳源信息，关注更多资讯。

【版权与免责声明】如发现内容存在版权问题，烦请提供相关信息发邮件至jy@jiayuaninfo，我们将及时沟通与处理。

确切地说，在许多技术和社会领域，我们更倾向于纷繁复杂的内容。

几个世纪以来，人们一直用分类法和索引法来帮助自己存储和检索数据资源。这样的分级系统通常都不完善。在“小数据”范围内，这些方法就很有效，但一旦把数据规模增加好几个数量级，这些预设一切都各就各位的系统就会崩溃。

相片分享网站Flickr在2011年拥有来自大概1亿用户的60亿张照片。根据预先设定好的分类来标注就没有意义了。

恰恰相反，清楚的分类被更混乱却更灵活的机制所取代了。这些机制才能适应改变着的世界。

当我们上传照片到Flickr网站的时候，我们会给照片添加各种各样的标签。也就是说，我们会使用一组文本标签来编组和搜索这些资源。人们用自己的方式创造和使用标签，所以它是没有标准、没有预先设定的排列和分类，也没有我们必须遵守的类别的。

任何人都可以输入新的标签，标签内容事实上就成为了网络资源的分类标准。标签被广泛地应用于Facebook、博客等社交网络上。

因为它们的存在，互联网上的资源变得更加容易找到，特别像是图片、视频和音乐这些无法用关键词搜索的非文本类资源。

当然，有时人们错标的标签会导致资源编组的不准确，这会让习惯了精确性的人们很痛苦。但是，我们用来编组照片集的混乱方法给我们带来了很多好处。

比如，我们拥有了更加丰富的标签内容，同时能更深更广地获得各种照片。我们可以通过合并多个搜索标签来过滤我们需要寻找的照片，这在以前是无法完成的。

我们添加标签时所固带的不准确性从某种意义上说明我们能够接受世界的纷繁复杂。这是对更加精确系统的一种对抗。

这些紧缺的系统试图让我们接受一个世界贫乏而规整的惨象，假装世界万物都是整齐地排列的。而事实上现实是纷繁复杂的，天地间存在的事物也远远多于系统所设想的。

互联网上最火的网址都表明，它们欣赏不精确而不会假装精确。

当数量规模达到一定境界的时候，确切的数量已经不那么重要了，要想获得大规模数据带来的好处，混乱应该是一种标准途径，而不应该是竭力避免的。

我们甚至发现，不精确已经渗入了数据库设计这个最不能够容忍错误的领域。传统的数据库引擎要求高度精确和准确排列。数据不是单纯地被存储，它往往被划分为包含“域”的记录，每个域都包含了特定种类和长度的信息。

索引也是事先就设定好了的，这也就限制了人们的搜索。

增加一个新的索引往往既消耗时间，又惹人讨论，因为需要改变底层的设计。传统的关系数据库是为数据稀缺的时代设计的，所以能够也需要仔细策划。

在那个时代，人们遇到的问题无比清晰，所以数据库被设计用来有效地回答这些问题。

但是，这种数据存储和分析的方法越来越和现实相冲突。我们现在拥有各种各样、参差不齐的海量数据。很少有数据完全符合预先设定的数据种类。而且，我们想要数据回答的问题，也只有在我们收集和处理数据的过程中才会知道。

“大数据”这个词现在可能已经存在了一段时间，但对于它实际意味着什么仍然存在很多混淆。事实上，这个概念在不断发展和重新考虑，因为它仍然是许多正在进行的数字化转型浪潮的驱动力，包括人工智能，数据科学和物联网。但究竟什么是大数据以及它如何改变我们的世界？

这一切都始于我们自数字时代开始以来产生的数据量的爆炸式增长。这主要是由于计算机，互联网和能够从我们生活的世界捕获数据的技术的兴起。数据本身并不是一项新发明。甚至在计算机和数据库之前，我们还有纸质交易记录，客户记录和存档文件 - 所有这些都是数据。计算机，特别是电子表格和数据库，为我们提供了一种以易于访问的方式大规模存储和组织数据的方法。突然间，只需点击鼠标即可获得信息。

如今，我们采取的几乎所有行动都留下了数字化的痕迹。每当我们上网，携带配备GPS的智能手机，通过社交媒体或聊天应用程序与朋友交流，以及购物时，我们都会生成数据。你可以说我们把数字足迹留给了我们所做的所有涉及数字动作的东西，这几乎就是一切。除此之外，机器生成的数据量也在快速增长。当我们的“智能”家庭设备彼此通信或与其家庭服务器通信时，生成并共享数据。世界各地的工厂和工厂中的工业机械越来越多地配备有收集和传输数据的传感器。“大数据”一词指的是所有这些数据的收集以及我们在包括业务在内的广泛领域中利用它的能力。

大数据的工作原则是，您对任何事情或任何情况了解得越多，您就越可靠地获得新的见解并预测将来会发生什么。通过比较更多的数据点，开始出现之前隐藏的关系，这些关系使我们能够学习并做出更明智的决策。最常见的是，这是通过一个过程来完成的，该过程涉及根据我们可以收集的数据构建模型，然后运行模拟，每次调整数据点的值并监控它如何影响我们的结果。这个过程是自动化的 - 今天的高级分析技术将运行数百万个这样的模拟，调整所有可能的变量，直到找到一个模式 - 或一个洞察力 - 有助于解决它正在处理的问题。

直到最近，数据仅限于电子表格或数据库 - 而且它们都非常有序且整洁。任何不容易组织成行和列的东西都太难以使用而被忽略了。现在，存储和分析方面的进步意味着我们可以捕获，存储和处理许多不同类型的数据。因此，“数据”现在可以表示从数据库到照片，视频，录音，书面文本和传感器数据的任何内容。为了理解所有这些混乱的数据，大数据项目经常使用涉及人工智能和机器学习的尖端分析。通过教导计算机识别这些数据代表什么 - 例如通过图像识别或自然语言处理 - 他们可以学习比人类更快更可靠地发现模式。

这种不断增长的传感器信息，照片，文本，语音和视频数据流意味着我们现在可以以几年前无法实现的方式使用数据。这正在彻底改变几乎所有行业的业务世界。公司现在可以准确地预测客户想要购买哪些特定细分，以及何时达到非常准确的程度。大数据还帮助公司以更有效的方式运营其业务。

大数据为我们提供了前所未有的见解和机会，但它也引发了必须解决的问题和疑问：

数据隐私 - 我们现在生成的大数据包含大量有关我们个人生活的信息，其中大部分信息都是我们保密的。我们越来越多地被要求在我们透露的个人数据量与大数据驱动的应用和服务提供的便利之间取得平衡。 数据安全 - 即使我们认为我们很高兴某人为特定目的获取我们的数据，我们是否可以信任他们以确保安全？ 数据歧视 - 当一切都已知时，基于我们生活中的数据歧视人们是否可以接受？我们已经使用信用评分来决定谁可以借钱，而保险是由数据驱动的。我们可以期望对其进行更详细的分析和评估，并且必须注意，这样做不会使那些已经拥有较少资源和获取信息的人的生活变得更加困难。

面对这些挑战是大数据的重要组成部分，必须由希望利用数据的组织解决。如果不这样做，可能会使企业变得脆弱，不仅仅是在声誉方面，而且在法律和财务方面。

数据正在以前所未有的速度改变我们的世界和我们的生活方式。如果大数据能够满足今天所有这一切 - 想象一下它明天的能力。我们可用的数据量将会增加，分析技术将变得更加先进。对于企业而言，利用大数据的能力在未来几年将变得越来越重要。那些将数据视为战略资产的公司将是那些能够生存和发展的公司。那些忽视这场革命的人有可能被抛在后面。

本文探讨一下软件架构设计的一些设计原则与经过实践验证的设计模式。这些软件架构设计的原则和模式已经有几十年的历史了。先看图

六大设计原则（架构师/大数据 489034603）

单一职责原则（Single Responsibility Principle - SRP）

原文：There should never be more than one reason for a class to change.

译文：永远不应该有多于一个原因来改变某个类。

理解：对于一个类而言，应该仅有一个引起它变化的原因。说白了就是，不同的类具备不同的职责，各施其责。这就好比一个团队，大家分工协作，互不影响，各做各的事情。

应用：当我们做系统设计时，如果发现有一个类拥有了两种的职责，那就问自己一个问题：可以将这个类分成两个类吗？如果真的有必要，那就分吧。千万不要让一个类干的事情太多！

2. 开放封闭原则（Open Closed Principle - OCP）

原文：Software entities like classes, modules and functions should be open for extension but closed for modifications.

译文：软件实体，如：类、模块与函数，对于扩展应该是开放的，但对于修改应该是封闭的。

理解：简言之，对扩展开放，对修改封闭。换句话说，可以去扩展类，但不要去修改类。

应用：当需求有改动，要修改代码了，此时您要做的是，尽量用继承或组合的方式来扩展类的功能，而不是直接修改类的代码。当然，如果能够确保对整体架构不会产生任何影响，那么也没必要搞得那么复杂了，直接改这个类吧。

3. 里氏替换原则（Liskov Substitution Principle - LSP）

原文：Functions that use pointers or references to base classes must be able to use objects of derived classes without knowing it.

译文：使用基类的指针或引用的函数，必须是在不知情的情况下，能够使用派生类的对象。

理解：父类能够替换子类，但子类不一定能替换父类。也就是说，在代码中可以将父类全部替换为子类，程序不会报错，也不会在运行时出现任何异常，但反过来却不一定成立。

应用：在继承类时，务必重写（Override）父类中所有的方法，尤其需要注意父类的 protected 方法（它们往往是让您重写的），子类尽量不要暴露自己的 public 方法供外界调用。

4. 最少知识原则（Least Knowledge Principle - LKP）（架构师/大数据 489034603）

原文：Only talk to you immediate friends.

译文：只与你最直接的朋友交流。

理解：尽量减少对象之间的交互，从而减小类之间的耦合。简言之，一定要做到：低耦合，高内聚。

应用：在做系统设计时，不要让一个类依赖于太多的其他类，需尽量减小依赖关系，否则，您死都不知道自己怎么死的。

5. 接口隔离原则（Interface Segregation Principle - ISP）

原文：The dependency of one class to another one should depend on the smallest possible interface.

译文：一个类与另一个类之间的依赖性，应该依赖于尽可能小的接口。

理解：不要对外暴露没有实际意义的接口。也就是说，接口是给别人调用的，那就不要去为难别人了，尽可能保证接口的实用性吧。她好，我也好。

应用：当需要对外暴露接口时，需要再三斟酌，如果真的没有必要对外提供的，就删了吧。一旦您提供了，就意味着，您将来要多做一件事情，何苦要给自己找事做呢。

6. 依赖倒置原则（Dependence Inversion Principle - DIP）

原文：High level modules should not depends upon low level modules. Both should depend upon abstractions. Abstractions should not depend upon details. Details should depend upon abstractions.

译文：高层模块不应该依赖于低层模块，它们应该依赖于抽象。抽象不应该依赖于细节，细节应该依赖于抽象。

理解：应该面向接口编程，不应该面向实现类编程。面向实现类编程，相当于就是论事，那是正向依赖（正常人思维）；面向接口编程，相当于通过事物表象来看本质，那是反向依赖，即依赖倒置（程序员思维）。

应用：并不是说，所有的类都要有一个对应的接口，而是说，如果有接口，那就尽量使用接口来编程吧。

将以上六大原则的英文首字母拼在一起就是 SOLID（稳定的），所以也称之为 SOLID 原则。只有满足了这六大原则，才能设计出稳定的软件架构！但它们毕竟只是原则，只是四人帮给我们的建议，有些时候我们还是要学会灵活应变，千万不要生搬硬套，否则只会把简单问题复杂化

补充设计原则（架构师/大数据 489034603）

组合/聚合复用原则（Composition/Aggregation Reuse Principle - CARP）

当要扩展类的功能时，优先考虑使用组合，而不是继承。这条原则在 23 种经典设计模式中频繁使用，如：代理模式、装饰模式、适配器模式等。可见江湖地位非常之高！

2. 无环依赖原则（Acyclic Dependencies Principle - ADP）

当 A 模块依赖于 B 模块，B 模块依赖于 C 模块，C 依赖于 A 模块，此时将出现循环依赖。在设计中应该避免这个问题，可通过引入“中介者模式”解决该问题。

3. 共同封装原则（Common Closure Principle - CCP）

应该将易变的类放在同一个包里，将变化隔离出来。该原则是“开放-封闭原则”的延生。

4. 共同重用原则（Common Reuse Principle - CRP）

如果重用了包中的一个类，那么也就相当于重用了包中的所有类，我们要尽可能减小包的大小。

5. 好莱坞原则（Hollywood Principle - HP）

好莱坞明星的经纪人一般都很忙，他们不想被打扰，往往会说：Don't call me, I'll call you. 翻译为：不要联系我，我会联系你。对应于软件设计而言，最著名的就是“控制反转”（或称为“依赖注入”），我们不需要在代码中主动的创建对象，而是由容器帮我们来创建并管理这些对象。

其它设计原则（架构师/大数据 489034603）

不要重复你自己（Don't repeat yourself - DRY）

不要让重复的代码到处都是，要让它们足够的重用，所以要尽可能地封装。

2. 保持它简单与傻瓜（Keep it simple and stupid - KISS）

不要让系统变得复杂，界面简洁，功能实用，操作方便，要让它足够的简单，足够的傻瓜。

3. 高内聚与低耦合（High Cohesion and Low Coupling - HCLC）

模块内部需要做到内聚度高，模块之间需要做到耦合度低。

4. 惯例优于配置（Convention over Configuration - COC）

尽量让惯例来减少配置，这样才能提高开发效率，尽量做到“零配置”。很多开发框架都是这样做的。

5. 命令查询分离（Command Query Separation - CQS）

在定义接口时，要做到哪些是命令，哪些是查询，要将它们分离，而不要揉到一起。

6. 关注点分离（Separation of Concerns - SOC）

将一个复杂的问题分离为多个简单的问题，然后逐个解决这些简单的问题，那么这个复杂的问题就解决了。难就难在如何进行分离。

7. 契约式设计（Design by Contract - DBC）

模块或系统之间的交互，都是基于契约（接口或抽象）的，而不要依赖于具体实现。该原则建议我们要面向契约编程。

8. 你不需要它（You aren't gonna need it - YAGNI）

不要一开始就把系统设计得非常复杂，不要陷入“过度设计”的深渊。应该让系统足够的简单，而却又不失扩展性，这是其中的难点。

2018年5月1日，《信息安全技术 个人信息安全规范》GB\T35273--2017国家标准正式实施。因为是个技术标准，业内关注不足，其实这个标准的重要性可能会影响大数据行业的发展，并影响整个互联网金融行业的持续经营。建议业内朋友们，能够认真对待，切莫疏漏

1虽不是强制标准，但必须严格对待

也许，您的朋友会说，这次”个人信息安全规范“只是建议标准，不是强制标准，不用挂怀。我们的观点不同，因为某些客观原因这次的标准并未采取强制标准的方式，但据我们所知，各地在执行时会参照本安全规范予以执行。

在判定一种数据获取行为是否合规时，这次的“个人信息安全规范”是重要参考标准，甚至毫不夸张地讲，在法院处理相关民事诉讼和刑事诉讼时，遇到技术难题，他们首先找到的就是这个国家标准，也会按照国家标准的理解去理解什么是个人信息；什么是个人敏感信息；什么是明示同意的标准；什么是官方眼里的”用户画像”；什么是个人信息安全基本原则。

因此，作为大数据从业人员和互金机构从业人员，必须了解相关知识，在实际工作中才能把握“实质红线”，合法合规经营，预防重大法律风险。

2厘清几个重要概念

（一）个人信息

以电子或者其他方式记录的能够单独或者与其他信息结合识别特定自然人身份或者反应特定自然人活动的各种信息。列举：姓名、出生日期、身份证号码、生物识别信息、住址、通信通讯联系方式、通信记录和内容、账号密码、财产信息、征信信息、行踪轨迹、住宿信息、健康生理信息、交易信息等。

请注意，这里的“等”是“等外等”也就是说如果未来出现其他与前面列举的这些个人信息对自然人的影响力相等的情况下，也可以认定为个人信息，受到标准的保护和规制。

（二）个人敏感信息

个人敏感信息是个人信息的“子概念”或“子集”，具体是指：一旦泄露、非法提供或滥用可能危害人身和财产安全，极易导致个人名誉、身心健康受到损害或歧视性待遇等的个人信息。列举：身份证号、个人生物识别信息、银行账号、通信记录和内容、财产信息、征信信息、行踪轨迹、住宿信息、健康生理信息、交易信息、14岁以下（含）儿童的个人信息。

请注意，在催收活动中，如果掌握他人通信记录和征信信息等，且不合理使用，极容易导致风险事件，甚至会被借款人举报涉嫌盗抢，在扫黑除恶大背景下，法律风险很高。

（三）明示同意

我们在从事金融机构互联网化项目时，经常被业务人员和项目经理询问：肖律师，到底什么情况下法律才能认可客户“明示同意”了？严格不？那时候，我们都是根据2017年的法律法规进行解释，如今有了更为明确的细节标准。

所谓“明示同意”就是指：个人信息主体通过书面声明或主动做出肯定性动作，对其个人信息进行特定处理做出明确授权的行为。其中，肯定性动作列举为：个人信息主体主动作出声明（电子、纸质均可）、主动勾选、主动点击“同意”、“注册”、“发送”、“拨打”等。

读者可能会问，同意、注册、发送是“or"还是”and“的关系，我们认为应当是择一即可，但为了防止有关部门任意扩大解释，不当理解穿透式监管，建议企业还是选择个人信息主体主动做出声明的方式更为稳妥。

3个人信息安全7个基本原则

个人信息安全有如下7个基本原则，个人信息控制者应当遵守：

1.权责一致。个人信息控制者对其个人信息处理活动对个人信息主体合法权益造成损害承担责任。翻译一下就是，掌握个人信息的企业，如果侵犯老百姓个人信息造成损失，要赔偿。

2.目的明确。具有合法、正当、必要、明确的个人信息处理目的。其中，我们认为第三项“必要”市场主体做的很不到位，很不多多从个人身上撬动信息，全然不顾“最少够用”的初衷，着实可憎。

3.选择同意。向个人信息主体明示个人信息处理目的、方式、范围、规制等，征求其授权。简言之，无授权，无动用他人信息的权利。

4.最少够用。除与个人信息主体另有约定外，只处理满足个人信息主体授权同意的目的所需的最少个人信息类型和数量。目的达成后，及时删除。这里的约定，有点放水的意味，我们预计未来一定会有类似诉讼出现，届时，公司、企业将用这一条来抗辩自己没有多采集信息

5.公开透明。以明确、易懂、合理方式公开，接受外部监督。

6.确保安全。具备与其所面临的安全风险相匹配的安全能力，并采取足够的管理措施和技术手段，保护公民信息的保密性、完整性、可用性。其实就是提醒大家，容易被黑客攻击的，一定得加强安全防范能力。

7.主体参与。向个人信息主体提供能够访问、更正、删除其个人信息，以及撤回同意、注销账户等方法。我们认为，这一点尤为重要，应该提到更往前的位置。

4收集个人敏感信息，“明示同意”更重要

如果收集个人敏感信息，就要更加提高明示同意的门槛， 国家标准要求个人信息控制者完成以下工作：

1.收集个人敏感信息时，应取得个人信息主体的明示同意。

应确保个人信息主体的明示同意是其在完全知情的基础上自愿给出的、具体的、清晰明确的愿望表示； （从法律人眼里，我们分明看到了这一条的意思是把客户自愿的举证责任抛给了企业，如果证明不利，则承担败诉后果）

2.通过主动提供或自动采集方式收集个人信息前，应当：

（1）向信息主体告知所提供的产品、服务的核心业务功能及必需收集敏感信息，并明确告知拒绝提供、拒绝同意将带来的影响。应当允许个人选择是否提供或同意自动采集；（作为普通人，我们可能最无奈的是如果不同意人家就不提供服务....）

（2）产品或服务如提供其他附加功能，需要收集敏感信息，收集前应当逐一说明情况，并允许信息主体逐项选择同意与否。当信息主体拒绝时，不能以此为由，不提供核心业务功能，并应当保障服务质量。换句话说，人家不同意你的附属功能收集信息，你不能掐断给人家提供的主要服务。

3.收集年满14周岁的未成年人个人信息前，应当征得其本人或监护人的明示同意；不满14周岁的，应征得其监护人明确同意。（14周岁以上是否可以判断其提供敏感信息对自己人生的重要性，我们持保留态度。）

最后，我们今天仅仅将国标中的重点内容抽出来，介绍给大家，以期达到提醒大家重视新标准的想法。从新标准可以看出，去年出台的一系列严苛的法律（含对刑法第253条之一的适用）对于大数据、互金行业的影响较大，甚至有人产生了较大的悲观情绪。

从本月国标的内容看，对于公民个人信息的保护正在回归到一个更为科学、居中的位置上，但是我们还是对于有些企业利用“合同约定”、“不提供服务”方法套取个人信息的行为表示担心。希望企事业单位严守法律和道德底线，不要失信于广大金融消费者。

以上就是今天的分享，感恩读者！

【文章来源：肖飒lawyer（ID：lawyer_xiaosa） 作者：肖飒】