2015年《大数据》高被引论文Top10文章No.10——我国大数据交易的主要问题及建议...
2015年《大數據》高被引論文Top10文章展示
【編者按】本刊將陸續發布2015年《大數據》高被引論文Top10的文章，歡迎大家關注！本文為高被引Top10論文的No.10，刊登在2015年第2期。其引用格式如下：
楊琪, 龔南寧. 我國大數據交易的主要問題及建議[J]. 大數據, 2015017.
YANG Q, GONG N Y. Reflections on big data exchange of China[J]. Big Data Research, 2015017.
楊 琪，龔南寧
數據堂（北京）科技股份有限公司，北京?100190
摘要：數據的開放和流通是數據資源價值體現的前提和基礎，我國數據交易市場仍處在發展的初級階段，大數據在社會管理和經濟發展中遠未發揮應起到的作用。為此，對國內外大數據流通和交易市場的現狀及特點進行了分析，提出當前我國大數據流通交易環節面臨的主要問題是價值鏈條的不完整和對數據資源流通過程中商業秘密和個人隱私泄露的恐懼。最后，從數據商品化、社會認知建立和市場主體權益保護3個方面提出了對于推動數據資源流通的建議。
關鍵詞：大數據；交易；商品化；數據開放；隱私；安全
doi:10.11959/j.issn.2096-0271.2015017
Reflections on big data?exchange of China
YANG Qi, GONG Nanning
Datatang(Beijing) Technology Co., Ltd., Beijing 100190, China
Abstract：Data circulation is the decisive factor realizing big data value. The benefits of big data in social management and economic development are highly restricted because of immature of data exchange market of China. Based on the contrast analysis of the data circulation market, awareness was proposed that the data exchange was mainly hindered by the integrity of the value chain as well as the fear of business secret and personal privacy leakage. Finally, solutions were advised from the following aspects: the commercialization of data, the establishment of social cognition, the protection of the rights and interests of market entities.
Key words：big data, exchange, commoditization, open data, privacy, security
1?引言
大數據的出現，引發了全球范圍內深刻的技術與商業變革，已經成為全球發展的趨勢以及國家和企業間的競爭焦點，直接關系到國家安全、社會穩定、經濟發展和民生幸福等諸多方面。數據資源日益成為人類社會的生產要素和戰略資產，而數據的開放和流通是其價值體現的前提和基礎。據Gartner Group公司預測，到2017年，約2/3的大數據整合項目將是企業防火墻之外（外部數據）的整合；根據Teradata?天睿公司的調查顯示，很多公司僅存儲了15%與其業務相關的數據，其他85%的數據駐留在其他公司或網站上。麥肯錫全球研究院預測，開放數據在全球的教育、交通運輸、消費市場、電力、石油/天然氣、醫療健康、消費金融（包括銀行、保險和房地產）7個領域可以撬動3. 2萬億~5.4萬億美元的經濟價值，如圖1所示。
圖1 ?全球數據開放價值（來源于麥肯錫全球研究院）
由于多源頭、跨領域的關聯分析才有可能形成更完整的知識和更深刻的智能，數據資源的流通日益成為普遍認知和客觀需求。在Bloomberg Ventures創始人Matt Turck的研究中，專門將與數據流通直接相關的數據生產者、匯集平臺以及數據集市（大意如此，原圖在各區塊內部的細分邏輯上稍顯凌亂）歸納為產業鏈上的數據供給（data sources）環節，如圖2所示。
圖2 ? 大數據產業鏈分布
2 ??數據交易市場概況
針對任何一種商品交易，都可以從供需兩端入手進行分析，以形成市場概貌。根據圖2的大數據產業區塊劃分，能夠最為直觀地反映數據交易流通概貌的就是對產業鏈條兩端的分析，即對數據源和應用區塊的分析。
（1）數據源機構或企業處于整個大數據市場的供給端，其主要特征是向用戶直接交付數據產品或服務，包括原始數據、加工處理后的數據以及由多份數據整合后的新數據，分別對應數據產生者、數據加工者和數據整合者的角色。
（2）應用端則反映了數據交易的客觀需求，是大數據交易市場的主要推動力，而且還帶動了分析區塊內的企業進入數據流通市場。應用端的發展程度決定了大數據交易的規模上限。
2.1 ??國外數據流通和交易現狀及特點
在數據的流通和交易方面，歐美發達國家尤其是美國已經走在了前面，圖3為國外數據市場的概貌。
圖3 ? 國外數據市場概貌
如圖3所示，數據中介通過政府、公開和商業渠道，從數據源頭處獲取各類信息，進而向用戶直接交付數據產品或服務。其中，數據源頭、數據中介和最終用戶構成了數據流通和交易的主體。
數據源頭和中介環節共同構成了大數據資源的供給端，其中比較典型的案例見表1。
表1 ? 數據市場供給端典型案例
Twitter將自身數據授權給公司Gnip、DataSift和NTT DATA進行售賣；Acxiom等公司通過各種手段收集、匯聚關于企業和個人的信息；Sermo.com和Inrix?等公司則通過網絡和傳感器直接從公眾采集數據，獲得了傳統上單個企業難以采集的海量、實時數據。
數據市場的另一端是數據的需求方，包括各類數據分析服務商和行業用戶，涉及政府決策、公共服務、影視娛樂、交通物流、醫療健康、金融、電信、人力資源、零售、廣告營銷、農業、能源等領域。表2為各行業或領域內的數據用戶（即引入外部數據支撐自身產品或服務的企業或機構）總結。
表2 ? 典型數據用戶總結
根據數據供給端和需求端的概況，可以總結出以下特點。
（1）數據中介大多以采集和聚合為主
數據中介層在整個大數據流通和交易中地位突出。根據美國參議院商務、科學與運輸委員會發布的報告，全美數據中介市場2012年的總規模已達1 500億美元，相當于當年美國情報總預算的兩倍。相反，數據生產者很少直接面向最終用戶，大多通過中介渠道實現自身數據的變現。例如Twitter這樣的海量數據擁有者，也僅是通過授予公司Gnip、DataSift和NTT DATA數據轉售權實現數據資源的變現。
（2）集市類的形態逐漸弱化
全球范圍內，相關平臺都最終在數據類型上有所側重，不再以“綜合性”為主要策略。Datamarket公司以國民經濟與工業相關的數據集為主；InfoChimps公司在地理位置、社交網絡、網絡信息等方面的數據更為突出，且逐漸轉型為PaaS平臺；Factual公司從提供全范圍的數據交易平臺轉為專注于提供地理位置相關的數據集。更為極端的例子是致力于社交網絡數據的數據市場Kasabi（英國）在2012年7月關閉，僅經營了一年多。
（3）用戶端需求廣泛、應用典型
在大數據當前主要的應用領域內，都有比較典型的、引入外部數據支撐自身業務的案例。Rentrak公司基于機頂盒數據，監測各種屏幕上的媒體消費情況，為影視制作公司和廣告公司提供咨詢服務；Carolinas HealthCareSystem公司采集200多萬客戶的消費數據，識別其中高風險的患者；SAP公司從運營商處收集智能手機使用信息和位置數據，并銷售給市場營銷機構；Kabbage公司使用來自于亞馬遜公司、UPS?公司和Intuit公司的信用評分模型數據，評估中小企業的風險等級；Glassdoor和ResumUp等公司通過各種方式收集企業信息，為求職者提供企業評估服務；Climate公司從200多萬個采集點獲取天氣數據，向農民提供保險服務；Energy Hub公司與傳感器網絡廠商Earth Networks合作，利用氣象數據提高能源供給設施的效率。
2.2 ??國內數據流通和交易現狀及特點
在具體的領域或行業內，我國普遍未形成成型的數據采集、加工、分析和應用鏈條，以數據為主要服務或產品的案例較少，國內典型數據供給企業見表3[1]。
表3 ?國內典型數據供給企業
盡管案例較少，但實際上我國有大量掌握海量、高價值數據的企業或機構，具有成為社會化數據商品源頭的潛質，見表4。
表4 ?國內潛在的大數據供給源
除了上述企業外，特定地區和行業內部也有基本的數據流通機制，比如行業內的數據共享聯盟。而在政府端，各地政府也已逐步推動數據開放的工作，其中比較典型的是北京市政務數據資源網和上海市公共信用信息服務平臺。
我國數據市場中，引入外部數據支撐業務的典型案例見表5。
表5 ? 國內數據市場的用戶端典型案例
結合我國數據市場的供給端和用戶端，可以得出以下主要特點。
（1）大量數據源未被激活。大多數數據擁有者沒有數據價值外化的路徑。比如，各醫療健康類應用收集了大量的數據，但沒有像Sermo.com那樣面向醫藥公司售賣數據。
（2）需求端以互聯網企業為主，覆蓋面不廣。尤其在O2O趨勢下，大型互聯網廠商積極引入外部數據支撐金融、生活、語音、旅游、健康和教育等多種服務。但是，與國外相比覆蓋面偏窄，我國的政府、公共服務、農業應用基本缺位，而電信和銀行業缺少與外部數據的碰撞。
（3）諸多企業基于自身的海量高價值數據對外提供服務。比如阿里巴巴網絡技術有限公司開始做金融行業的數據分析應用，中國民航信息網絡股份有限公司通過“航旅縱橫”應用提供航班信息服務。
3 ??國內數據流通環節的問題
數據源活性不夠、應用覆蓋面較窄等問題的根本結癥在于我國大數據產業發展還處于非常初級的階段。除了語音和地理信息類數據之外，其他數據的價值實現鏈條尚未成型。而且，在面對數據資源流通的問題上，數據擁有者普遍存在恐懼心理或沒有足夠的動力。
3.1 ?大數據價值實現鏈條的缺位
參照國外市場的發展現狀，數據市場的成熟離不開供給、中介（匯集、清洗和加工）和需求端的協調發展，這3個環節構成了大數據價值實現鏈條的基本要素。
國內外典型的數據價值鏈如圖4所示。一個典型的國外大數據價值鏈案例：Sprint?公司將設備位置信息提供給數據集成與分析商Locately，由后者在匯總分析之后將結果提供給市場營銷公司HAVAS和Mobext，最終Whole Foods、Sears、Target和沃爾瑪等連鎖超市獲得相應的市場調研報告及咨詢建議。與之相對應，我國較為成型的數據價值鏈主要體現在語音和圖像領域，比如數據堂（北京）科技股份有限公司采集眾客的語音數據，在經過加工標注之后提供給科大訊飛股份有限公司等企業。
圖4 ? 國內外典型的數據價值鏈
相對于其他商品，數據作為商品被用來交易的歷史十分短暫。尤其在我國，數據中介的環節極度缺乏，而這正是大數據流通和交易的中樞所在。
大數據的本質并未脫離傳統的數據分析概念，已有的專業化分工模式不會因為大數據帶來的新特征而消亡，相反，進一步強化了對各環節專業化水平的要求。
（1）多源數據的匯集。由于數據來自于政府機構、企事業單位、科研院所及社會大眾等多個源頭，集成整合的技術方法還處于摸索階段。
（2）非結構化數據的處理。音頻、視頻、圖像和文本等非結構化數據迅猛增長，使得傳統的數據挖掘技術和工具無法滿足大數據時代的需求。比如，對于紙質票據，要經過自動化標注的環節轉化為結構化的數據，才能為后續的分析挖掘環節所用，紙質票據的處理過程如圖5所示。
圖5 ? 紙質票據的處理過程
（3）應用場景的探索。應用環節是大數據價值實現的落足點，數據在不同行業的利用離不開特定領域的知識，需要大量傳統行業信息技術和業務人員的積極參與。
上述制約因素嚴重妨礙了數據的分析和挖掘工作，使得數據商品的價值無法充分體現，導致數據供給和需求之間存在巨大的差距，嚴重抑制了數據流通和交易的活躍度。而數據類型越單一、應用場景越聚焦，技術和業務模式相對就越容易成型，數據產品或服務才越有可能實現規模化的生產和交付。因此，數據集市型的平臺由于很難對所有數據都進行深度的價值提升，正逐漸淡出或轉型。
3.2 ? 對于數據流通的恐懼和回避心理
價值認知的鴻溝和避險心理。數據交易的目的是促進數據的流動和價值體現，但是不同數據擁有者對數據資產的價值和風險認知存在較大差異。因為對數據中蘊含的信息缺乏足夠的洞察，很多數據擁有者不放心讓自身的數據進入流通環節，擔心用戶隱私或企業機密泄露。
對數據外部性認知不足。數據擁有者無法意識到自身數據的資產屬性，缺乏足夠的動力將自己的數據公開。比如，搜索引擎出于服務的目的，記錄了用戶搜索所輸入的關鍵字，而這些數據可以被衛生部門用來進行疾病的監控與防治。數據能夠對數據生產業務相關方之外的第三方產生影響。從另一方面而言，政府、企業或組織都還未充分認識到引入外部數據可以對自身工作或業務起到巨大的提升作用。
數據資源的壟斷意識較強。大多數數據源企業仍然較為關注自己的小生態圈，尤其是一些大型企業往往不愿意把自己的數據資源向自己業務圈外的市場提供，從而形成了多個規模和性質各異的數據封閉生態。尤其在我國，全社會普遍還未形成數據分析的傳統。在大數據氛圍的激發下，對于擁有海量數據資源的企業或機構而言，撬動自身數據資源支撐業務的優先級必然會高過通過數據交易獲得收益。
4 ?對于推動數據資源流通的建議
針對上面提到的兩個主要問題，可以通過商品化改造、社會認知提升、安全顧慮消解等幾個方面著手解決。
4.1 ??數據的商品化改造環節
對比美國的數據市場形態，對于價值鏈條缺位的問題，最關鍵的是培育數據的商品化環節，包括糾錯、補漏、標準化、整合等方面。數據商品化改造的核心目的在于降低數據利用的門檻，為用戶端進行數據分析和挖掘提供便利。數據商品化環節是數據價值鏈條上的共性需求，比如美國三大信用機構之一的Equifax，專門引入外部的技術力量進行重復數據的刪除和清洗工作。
對于商品化改造效果的評估，不同數據必然有不同的標準。不過總體而言，有一些共性的抽象指標可以作為參考，比如準確性（是否真實反映了客觀現實）、完整性（數據是否有缺漏）、一致性（同類數據表述形式是否一致、多次出現的同一數據是否存在差異）、及時性（數據是否根據客觀現實的變化而及時更新）和可用性（是否容易被用戶理解、是否便于通過用戶現有的技術手段進行分析和挖掘）等。除了上述共性指向之外，針對每類具體的數據都有必要根據用戶共有的需求，提煉出針對具體行業的數據商品化標準。比如，語音數據所需的元數據包括是否包含有效語音、語音對應的文字、語言本身的描述、噪音情況、時長、錄音設備描述以及發音人的性別、年齡、地域、口音等。
除根據數據市場的客觀規律打造專業的商品化改造環節之外，根據數據價值鏈條還處于發展初期、廣大用戶端企業缺乏專業數據處理和分析手段的現狀，我國還具有孕育新型產業形態的可能性。就我國具體情況而言，由于大部分企業尤其是傳統行業用戶缺乏對數據進行改造的能力，很難直接對原始形態的數據進行挖掘和分析，再加之文本、圖像和音視頻等非結構數據的激增，使得市場對更為“強大”的數據中介層有著強烈的需求。此外，一個兼具技術、信息安全和法律責任的數據價值轉化渠道，還可以在很大程度上消除數據擁有者的顧慮，使之能夠對自身數據資源在市場中的流通具有一定的控制力，從而比多對多的交易集市類平臺更具安全感。與銀行所具有的金融資產供需對接的中介功能相似，這類數據中介的新形態可以稱之為數據銀行。數據銀行和數據中介的對比如圖6所示。
圖6 ?數據銀行和數據中介的對比
數據銀行的特點在于承擔了部分源頭和用戶端的職能，將資源的對接提升到資產改造、優化和組合的層面，更加強調對數據價值的深挖。比如，數據銀行可能根據用戶端的要求，定向采集當前并未實現電子化的信息（這與數據中介只是實現各現有數據源的物理匯集有著根本區別），或在市場需求和技術都就位的前提下，開展一定的分析活動，包括對非結構化數據的轉化和標注。
同時，數據銀行還更多地承擔起粘合作用，比如，通過API（application programming interface，應用程序編程接口）或應用開發平臺的形式，保證用戶可以方便地訪問和利用所需數據；在開拓數據源和最終用戶時，需要對數據應用場景和方案進行預先的儲備，以此讓市場供需兩端確信數據流通所能帶來的價值，即storytelling、布道或咨詢的職能。從實際的情況來看，國內的綜合性流通平臺已經有朝數據銀行形態轉變的趨勢。
數據銀行與交易型平臺都為數據資源的流通提供了規模化的通路，但是兩者具有重要的區別。交易平臺更關注數據的買賣交易，以規模化為主要追求目標，是一種商品集散的概念；而數據銀行則在追求流通規模的同時，注重數據價值的深層挖掘，是資產改造、組合和融通的平臺，核心能力不在于實現客戶數量的最大化，而是讓數據資源能深度嵌入到特定領域的價值鏈條中。直觀地說，數據銀行就是以價值實現鏈條為基礎的橫向聚合，可能更符合數據市場發展的客觀規律和我國國情。
4.2 ??以政府數據開放帶動社會認知的提升
站在數據擁有者的角度，對數據的外流心懷恐懼是很正常的：用戶數據被外界挖掘（即便已經經過脫敏和處理），需要承擔暴露隱私的風險；數據內容極有可能暴露企業的戰略和具體方法；擔心數據歸屬問題導致企業無形資產受損。而在數據用戶一端，同樣會擔心隱私問題導致的連帶風險以及質疑引入外部數據的投入產出比。這些因素使得數據交易在北美從未被完全曬在陽光下，諸如Axicom公司和Experian公司等數據中介巨頭都拒絕向調查委員會透露自身的數據源頭以及最終的用戶[2]；2012年，當美國政府要求數據中介保障公民獲知自身信息被采集情況的權利時，Axciom公司就以沒有通過姓名查詢數據庫的功能為由拒絕。
盡管如此，上述種種顧慮在我國多是由于輿論影響而形成的，不能成為行動遲緩的正當理由。而且，通過正確認知的樹立，疑惑和顧慮是可以被淡化乃至消除的。
消除市場參與者的顧慮，達成正確認知，最有效的方法就是以政府數據開放為切入口，為全社會起到正面的示范作用，原因在于以下幾點。
（1）從企業角度來說，在數據意識剛剛覺醒的階段，如果自身數據還未充分利用于本身業務，則自然會將數據首先視為一種差異化競爭的資本。要想打破數據藩籬，必須用現實案例說明數據外部性的巨大價值，才能讓企業意識到數據的流通也可以帶來可觀的收益。
（2）政府數據的開放最可能快速催生巨大的經濟和社會價值，從而形成巨大的示范作用。政府以及相關機構擁有最高價值的數據（如統計、稅收、治安、土地、就業、環境、交通等各類數據），可以為各行各業所充分利用。當前，美國、英國、法國、日本、德國、加拿大、澳大利亞、新西蘭和新加坡等都紛紛提出了政府或公共數據開放的戰略，并付諸實施。
（3）橫向比較，我國政府數據的規模和價值總量更為可觀。由于國土、人口、經濟規模以及政治體制的原因，我國已成為僅次于美國的數據大國。其中，據麥肯錫全球研究院分析，我國1/3的數據屬于政府和公共事業單位，在政府決策、公共管理和經濟發展方面具有極大的挖潛可能。
在具體的行動措施上，北京、上海等地都建設了政府數據開放網站，貴陽和武漢等地也上線了大數據交易平臺，但是仍然可能受機密數據和個人隱私泄露風險的羈絆。盡管國情不同，在此仍以美國政府數據開放為例，希望能起到一定的借鑒作用。美國政府首任首席信息官昆德拉在負責Data.gov建設的過程中，對于數據原始性、數據安全、數據質量、數據價值和是否物理匯集等主要爭議，僅就原始性和是否物理匯集做出了明確的應對，而對于其他問題則采取迂回的策略，從沒有爭議的數據入手，快速上線、不斷迭代。
從上面美國政府數據開放推進的例子還可以看出，對于大數據交易乃至大數據產業的發展，快速起步、不斷迭代的模式可能比傳統的自頂向下、集中化、大一統的模式更為適用，尤其是在發展初期更是如此。同時，應該正確識別市場發展的真正推動力量，在具體推進過程中多從最終用戶端入手，讓各行各業的業務和技術力量參與、發聲。
最后，大數據本就不是一個嚴格的、有明確邊界限定的技術或商業詞匯，理解內涵遠比呆板的詞句更為重要，而且各方面的探索才剛剛起步。因此，如果伴隨著政府數據開放的動作有相關的標準或規范出臺，需要考慮留出足夠的彈性和想象空間，謹防成為數據市場和產業本身發展的限制因素。
4.3 ??信息安全顧慮的消解
數據商品中可能蘊含涉及國家機密、企業核心信息和個人隱私的內容，當前數據源最擔心是數據不受控制地流動。同時，在單份數據內容安全的情況下，對多個數據整合在一起進行關聯分析，也有可能會造成隱私的泄露[3]。對于消除信息安全方面的顧慮，可分解到制度建設和數據中介機構業務兩個層面進行考慮。
（1）制度層面的舉措
作為數據市場的關鍵主體，數據中介是相關制度的主要針對對象。具體的舉措可以包括資質認定、信息披露和日常評估等。其中，需要特別注意的是信息披露環節，要在披露的形式和范圍上精心設計，否則可能導致數據交易市場停滯不前。
相對于事前預防，更重要的是事后追責。風險永遠存在，正如關聯、跨域分析可能會造成的隱私泄露，事前預防的難度極大。因此，除上述措施之外，更為重要的是事后的懲戒制度。只有足夠高的違規成本，才能比較徹底地消除數據中介和最終用戶泄密的可能性，并促使數據中介切實承擔起確保數據資源安全的責任。可以作為側面印證的是，有觀點認為，Facebook、LinkedIn等企業因為財力雄厚才能承受各類法律官司和公關成本[4]。
此外，在立法和規范之間，應該首先以行業自律規范類的形式來確保數據的信息安全。可以作為旁證的是，在認為數據服務商總體上是為社會帶來更多正面影響的前提下，美國政府一直以行業組織的形式來規范相關企業和機構的行為，直至數據規模增長到能夠導致較大負面效應時，才開始制定相應的法律法規。
（2）數據中介的舉措
站在數據中介的角度，需要在兩個界面上對數據安全作出應對。首先，要在經濟利益、資產歸屬、技術實現、業務限定等各個方面打消數據源的顧慮。根據數據源性質、數據所包含的信息、未來數據服務面向的受眾等因素不同，在具體協議制定上必然會有所不同，但有些注意事項是具有普適性的。
●數據產品和服務的受眾控制。對數據中介可以售賣的受眾加以限制，或者對數據服務接口的訪問進行限制（如果以API形式提供）。
●對可流通的數據范圍進行規定。對數據中哪些信息可以進入流通市場加以限制，防止商業機密或個人隱私外泄。
●系統對接的安全性要求。與數據源一起就系統對接、數據傳輸和存儲等環節進行協商。
●就收益和版權事宜進行協商。這一點主要針對需要進行深度改造的數據商品，雙方針對預期的清洗和加工環節進行評估，對數據增值幅度和市場定價進行溝通，達成收益雙贏的局面。另外，對數據版權進行明確的規定，規避可能發生的糾紛。
●對違約行為的追責。在數據源穩定性、更新頻率、數據擴散范圍等方面商定明確的責任界定和處罰協議，打消源頭的顧慮，并為對外的數據服務提供保障。
對于與最終用戶的條款，可以參照與數據源之間的協議，并且可以通過API等技術手段進行輔助，控制數據的流向、訪問對象和擴散范圍。
5 ?結束語
從對國內外數據流通市場的分析和對比可以看出，我國大數據流通和交易仍缺乏基本的產業鏈支撐，同時大數據相關企業尤其是位于產業鏈最上游的數據源對數據資源的外流存在較大的疑慮。數據資源的流通和交易必須以相對成熟的數據價值鏈條為基礎，否則數據價值的挖掘和體現只能停留在較低層面，遠不能發揮數據在社會管理和經濟發展中本應起到的作用。無論政府、行業還是科研機構，應聚焦重點應用領域，著力數據采集、處理和分析環節的培育，避免目標泛化、過分追求規模效應以及對隱私和安全的過分憂慮，這對國內各大數據交易平臺以及相關規劃工作尤為重要。
參考文獻：
[1]?數據堂（北京）科技有限公司.大數據產業調研及分析報告. http://www.datamall.com/article-news_gongsidongtai-164,2015
Datatang（Beijing）Technology Co, Ltd. Research andanalysis report of big data industry.http://www.datamall.com/article-news_gongsidongtai-164, 2015
[2] Committee on Commerce, Science, and Transportation.Areview of the data broker industry: collection, use, and sale of consumer datafor marketing purposes. http://www.commerce.senate.gov/public/?a=Files.Serve&File_id=0d2b3642- 6221-4888-a631-08f2f255b577, 2013
[3] Samarati P, Sweeney L. Protecting privacy whendisclosing information：?k-anonymity and its enforcementthrough generalization and suppression. Proceedings of the IEEE Symposium on Researchin Security and Privacy, Oakland, USA, 1998
[4] Ken G. Business Models for the Data Economy.Sebastopol: O’Reilly Media Inc, 2013
楊琪，男，數據堂（北京）科技股份有限公司企業發展部副總監，主要研究方向為數據交易、大數據產業、基礎架構。先后獲得國家科技進步獎二等獎、信息產業重大技術發明獎、北京市科學技術獎一等獎、教育部科技進步獎二等獎。
龔南寧,男，數據堂（北京）科技股份有限公司對外合作部副總監，主要研究方向為數據商品化、數據銀行。
總結
以上是生活随笔為你收集整理的2015年《大数据》高被引论文Top10文章No.10——我国大数据交易的主要问题及建议...的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 新书推荐 |《5G安全技术与标准》
- 下一篇： python函数—— .items()