商業世界誕生的那一天起，人們就不斷意識到，運營過程中產生的副產品，往往會有其他人樂意花錢買下它，一個有利可圖的新業務產生了。

有數不清這樣的例子：賣豆腐腦的攤主順便售賣豆漿;玉米磨坊主長期賣出的“麥片”是給牲畜吃的玉米粉和玉米油后的剩余料;石油公司定期賣出提煉過程的副產品氫氣……正如在“大數據”這個詞出現之前，很多時候，數據的出現只是伴隨科技進步而產生的免費副產品。就像醫院為了病人就診的便利，建設了掛號系統，從而得到了海量的醫療信息，這就是技術進步所帶來的副產品——數據增量。

而今天，幾乎所有行業的所有公司，都在產生這種極有價值的副產品：數據。我們可以通過數據了解一些截然不同的東西，但遺憾的是，很少有公司能真正利用數據創造價值。

難點何在?究其原因，是人們在大數據處理和應用方面，常常會跌入一些錯誤的邏輯中去。

貪婪：對數據無止境的收集

大數據產業剛剛經歷了爆發的初期，很多公司將他們的數據當作傳世皇冠一樣捍衛，紛紛“跑馬圈地”，或憑借傳統優勢搶占某一應用領域的“山頭”，或積極布局試圖壟斷某些數據資源的入口，產業秩序尚未建立完全。

大數據產業可以說是一種“資源型產業”。據統計，2016年1月至2016年10月底，中國大數據行業有184家企業獲得投融資，占有的數據資源量是資本對大數據公司估值的最重要依據之一。行業內的大數據公司，紛紛將目光集中在了如何獲取數據資源方面。

顯然，對數據源的重視，在前期數據池的擴充方面具有正面效應，但是，因此大量誕生的依托數據資源優勢的企業，也為大數據產業帶來了低附加值的壟斷經濟模式，使得更多依靠技術壁壘打江山的企業不得不面對缺少“原材料”失敗的可能。

而對于那些主營業務并非數據源的公司來說，即使那些看起來可能對你的業務毫無關聯、沒有產出的數據，也很少有公司去考慮“賣掉”它，寧可閑置不用也不去售賣，從而轉換為有利可圖的新服務項目。

售賣的關鍵在于識別那些不是競爭者的公司——在相關領域運營，但并不是正面競爭的邊際業務。如豐田就開創了一項新業務，就是利用它在日本賣出的車里安裝的GPS定位設備，捕捉車的速度和位置，再將其以每月2000美金的價格交通數據賣給市政規劃部門，幫助改善交通問題，并通過數據結果，整合自己公司的發貨渠道。

歸根結底，數據資源打通難是因為行業缺乏國家層面的統籌規劃，缺乏在生產環節解決數據權屬等核心問題的規則和制度。如何才能以開放的視野打破數據孤島，實現數據變現?仍需要在數據資源層面形成統一的行業共識和行為規范，引導產業走向以資源、技術、應用綜合發展為導向的良性發展模式。

麻木：非法數據交易猖獗

以國有數據資源和公共數據資源為主、看得見的數據，像冰塊一樣凝結不動，而地下數據交易黑市規模坐大，針對用戶信息的非法收集、竊取、販賣和利用行為猖獗，甚至形成一條龍式的產業鏈形態。

在國內，數據交易流通產業規模逼近百億產值。百度、騰訊、阿里、京東等互聯網巨頭紛紛切入數據交易和數據服務市場，啟動了百度API、騰訊云、阿里云、京東萬象等大型數據交易和數據服務平臺，已經匯集的數據供應商超過500 余家，數據交易流通超過每天百億次。北京、貴州、河北、上海、武漢等地方政府，建立了政府數據開放、數據資產管理、本地數據流通為目標的區域數據交易市場，而未納入公開市場的數據流通，更是體量巨大，整個數據流通產業如火如荼。

隨著數據交易平臺的大量涌現和數據流通交易產業的變現模式為全社會所認知，在利益誘導和監管缺失的情況下，大數據的流通交易面臨的問題也愈發凸顯：數據侵權、數據竊取、非法數據使用、非法數據買賣已成為行業亂象，并呈現失控態勢。大數據的流通交易中的這些問題不僅僅嚴重損害了國家安全、企業合法利益、個人隱私、數據價值挖掘等方面，更在實質上阻礙了大數據產業的整體發展。2015 年以來，電信詐騙、數據泄漏、非法倒賣案件頻發，個人身份信息等用戶數據的泄露，使得違法人員能夠使用大數據實現精準詐騙;微博數據、各類論壇數據等被非法獲取導致用戶社交關系泄露;企業積累數據被二次倒賣致使經濟利益受損。

2016年8月，山東考生徐玉玉因為隱私泄露導致被詐騙后身亡;同年12月，“京東用戶數據泄漏”事件，包括用戶名、密碼、郵箱、QQ號、電話號碼、身份證等多個維度、數千萬條數據被倒賣，引發社會對信息安全的緊張情緒劇增。

如何對流通的數據構建監管、追溯、標識體系，建立行業秩序和標準化行為模式，打擊非法數據流通，保護企業、個人利益，維護行業健康發展，已經迫在眉睫。

盲從：用“巨量”掩蓋個性化

在大數據時代，個人的信息更多的是以數據為載體來進行互動的。海量的數據在為研究和分析社會現象帶來便利的同時，實際上也掩蓋了許多具有個性特征的數據的意義，許多本身具有個性特征的數據已經變得無足輕重了。

大數據簡化了人們對數據差異性的認知。大數據的復雜性不僅在于其數據樣本巨量，更在于其多源異構、多實體和多空間之間的交互動態性。當前，只有少數人掌握處理這種復雜的巨量化大數據的技術，這很容易導致“數據暴力”。

所有數據說到底，都是關于個體的呈現。因此，其中所蘊含著各異的社會文化價值，是更加需要我們了解和掌握的內容。數據來源于社會又作用于社會。無論是可以數字化的數據還是不可數字化的數據，其比較、分析和歸納，其實反映的都是人在符號層面上的一種互動。

如果脫離了人及其所在社會的價值本性，無限放大巨量大數據的效應及其影響力，而忽視人性的本質，就可能本末倒置，最終產生許多難以預期的后果。

分歧：在“因果性”和“相關性”中走極端

數據的本質，是快速讓大家知道發生了什么事，只有降低成本，把簡單數據簡單化或者復雜化分析，快速變成結果去變現，大數據公司才能活下去。

在一場變革或者技術的初期，需要找到最簡單、甚至看起來很粗糙的方式發揮出它的效能。當然，這也還跟現在數據量、數據化和數據保存以及剖析工具等錯綜復雜的因素有關，利用這樣的相關性關系研究，把數據里面的金子挖出來，或者利用相關性，預防或促成某些結果的發生。我們需要一定的速度，應對信息社會“數據爆炸”和諸多涌現出來的“復雜性”很高的問題，然后才是對其過程和背后原由的探詢。

對因果性的執著，強調更多是個體甚至人類整體的記憶，或者經驗、規律性等條件，必須從“人”的態度才能理解的，因果是“自然的人化”。而做大數據的，最怕聽到去解釋“為什么”，因為大數據能做到最真實情況的還原，就已經很難了，數據噪音太大，現實市場狀況往往是混亂的，嘗試去找出項目成敗的因果關系，實際上是沒有必要的。大數據的作用是趨勢判斷，而不是找出因果。

草率：數據共享陷阱難以跨越

當前，國內大數據行業的應用市場呈現政府牽頭的明顯趨勢，各級政府部門、公安、交通、鐵路、金融等各行業龍頭機構對數據開放、共享、應用的日益重視，逐漸形成了中國特色的大數據應用市場。

眾所周知，由于政府各部門各自主導的信息系統設計上，先天開放共享的條件就不足，加上部門管理體制原因，信息孤島、數據壁壘現象普遍。然而，大數據、信息化項目普遍存在涉及部門多、推進難度大、“一把手工程”現象，同時項目周期長、投資規模大、直接經濟效益不顯著，使得政府部門更傾向于追求短期效果而非長期利益，使得大數據項目建設如火如荼，核心政府數據資源的匯聚卻沒有真正實現。

此外，在有些政府企業PPP(Public-Private Partnership)合作模式中，由于沒有約定合理的數據資產歸屬權和政府資本退出機制，導致政府重要數據資源過早變現或廉價變現，國有資產流失到社會，公共數據資源沒有經過高技術、高附加值的處理而野蠻開放。

政府及行業客戶對大數據需求不斷增長，但數據資源的封閉與過度開發現象并存，一方面使得部分機構陷入大數據項目沒有真正有效利用數據的“數據共享陷阱”;另一方面，為了籌措項目資金，政府高融資、高負債、高擔?，F象嚴重，一旦項目實際應用效果不佳，容易誘發政府債務危機等問題。

主觀：數據人才缺失嚴重

國家十三五規劃綱要中明確提出：“實施國家大數據戰略，推進數據資源開放共享”，在這樣的契機下，大數據領域必將迎來建設高峰和投資良機。而推動大數據發展不僅依靠國家戰略與相關政策的支持，更需要大數據相關人才的支撐。而當前制約大數據發展的瓶頸之一，也在于大數據人才的極度緊缺。

教育部分別于2016年2月和9月公布新增大數據本科和?？茖I，國內高校紛紛成立大數據研究機構或大數據學院。然而，僅僅依靠體制內是遠遠難以滿足我國大數據產業對人才需求的。首先，體制內培養人才尚屬起步和探索階段，人才培養需要3-4年的周期，體制內向產業界規模性輸送大數據人才大約在2019年到2020年;其次，體制內的招生受到名額限制，現有體制下的招生名額遠遠低于市場需求;最后，正如北京大數據研究院院長鄂維南院士所提到的，國內大數據學科的發展依然比較落后。“這種落后是多方面的，不僅是觀念上的落后，還包括培養體系上的落后。舉個例子，大數據分析涉及到的最重要的兩塊是統計和算法。而要讓做統計的老師重視算法，讓做算法的老師關注數據，這需要時間和努力。”

可以說，大數據的人才培養是全程實踐性的，需要以數據為核心、以問題為導向開始實踐性教學，這也意味著必須在大數據人才培養上進行創新和改革，加強體制外大數據人才的培養，把人才教育、科研創新和市場化、產業化結合在一起，否則培養的人才可能會和市場需求脫節。

客觀：數據價值不易標準化

2015到2016年，不少地方政府主導成立了數據交易所，一些商業化的數據交易平臺也上線運營，但目前基于數據的全新商業模式依然還處在探索的初級階段，數據的商業化仍面臨諸多挑戰，如應用場景和價值不易標準化，從而引發數據定價及資產評估難的問題。

數據與工業時代的商品有截然不同的屬性，工業時代的商品是實體物品為主，基于一定成本的原料生產后，基于工廠相對標準化的大規模生產模式生產出來，其商品經歷了上百年的發展之后，已經形成了大家都認同的標準化定價模式，比如基于物權的定價模式，是由成本加上品牌定價決定。

而目前的數據應用水平和程度有限，數據標準化程度很低，無法按照傳統的商品銷售模式進行銷售。數據的權屬問題還是個大難題，傳統物權、知識產權等都存在不適用的部分，同時數據產生的邊界成本基本為零，因此，目前從數據加工的成本和基于數據加工衍生出的服務出發，總體規模和盈利模式都遠不成熟。