大数据背景下政府决策数据化的实现路径

　　在大数据背景下，政府决策者需要树立大数据的决策思维与习惯，形成自下而上、动态性、非线性的决策理念。

　　（二）培养大数据分析的专业化人才队伍

　　在大数据迅猛发展的时代，大数据专业人才成为数据更好发挥价值的重要助推力。大数据分析的专业化人才是具备数学、统计学、数据分析、自然语言处理等综合知识的复合型人才。因此，对于大数据专业人才队伍的培养要立足于多种知识综合的基础上创新人才培养模式。当前，在大数据专业人才培养中，首席数据官（简称CDO）和数据科学家的培养是当务之急。首席数据官的具体职责是将数据转化成业务语言，找到有价值的数据，辅助管理层的决策。而数据科学家相比于首席数据官，更多的是对数据价值进行专业性研究，主要包括数据分析师、数据挖掘师、数据可视化设计师等高级数据型专业人才。

　　大数据专业化人才队伍的培养是一个系统性的工作，需要政府结合地方实际与地方高等院校、优秀企业等多个部门采取合作的方式稳步推进。在财政投入上加大对数据科学和数据工程专业的财政扶持力度，设立具有激励作用的奖学金制度，鼓励人才资源向大数据领域自由流动。依托教育培训和大数据价值与知识的宣传普及，提高社会公众对大数据的整体认知水平。

　　四、提高政府决策数据质量

　　（一）确保基础数据收集的独立性、权威性

　　数据的处理分为两大阶段：一是数据的纯技术处理阶段，二是数据挖掘与分析阶段。在第一阶段数据的纯技术处理阶段，数据的采集和数据的预处理是保证数据来源可靠性、可利用性和权威性的重要前提。数据在纳入政府决策系统数据库之前需要确保其在采集过程中的独立性，即数据的采集不受外界因素的人为干扰。此外，数据的权威性需要通过数据的预处理来确保数据的真实、可靠、有效。因此，在进行基础数据采集过程中，要确保数据采集的渠道和方式的科学性，要组建专业的数据收集控制小组，并做好数据的预处理工作。数据的预处理主要包括对数据的清洗、转换、脱敏。数据的清洗是将采集到的问题数据，如重复数据、不完整数据甚至是错误数据、互相冲突数据等无效数据进行剔除的工作环节。在这一阶段可以过滤掉大量的无效数据，这是确保数据质量的第一步。数据的转换是在决策需要的情况下，将大量的非结构化、半结构化数据转换成结构化数据的一种专业技术手段。数据脱敏是将涉及个人敏感信息和隐私的数据过滤掉，以提升数据安全性的一种技术措施。数据各阶段