A. 大數據時代如何應對信息化戰爭挑戰

不知道這位網友說的信息化戰爭是指什麼？大數據這個概念被清晰提出應該專是在維克托邁屬爾和肯尼斯庫克耶的《大數據時代》一書中。個人理解對於這個時代的到來，分三個層面的應對，一個是國家層面，一個是企業層面，一個是個人層面。
一、國家層面的應對，推薦這位網友去看看國內作家徐子沛的《大數據》和《數據之巔》。
二、企業與個人層面的應對，《大數據時代》一書中有很多例子。其核心是三大轉變：
1、大數據使我們習慣於分析與事物相關的「所有」數據，而不是采樣分析部分樣本數據。
2、大數據使我們習慣於接受龐雜的、海量的各類數據所展現的模糊性，而不再一味的追求精確性。
3、大數據使我們習慣於接受數據與現象之間的關聯性，而不再探究兩者之間的因果。

B. 專家：中國如何應對大數據時代的挑戰

從小數據到大數據「大數據」是一股新的技術浪潮，也是逐步形成的歷史現象，其具體是指隨著信息存貯量的增多，人類在實踐中逐漸認識到，通過數據的開放、整合和分析，能發現新的知識、創造新的價值，從而為社會帶來「大科技」、「大利潤」、「大智能」和「大發展」等新的機遇。大數據概念的提出，可以追溯到1980年代，但其「數據」二字卻和我們傳統的理解有所不同。傳統意義上的「數據」，是指「有根據的數字」，但在進入信息時代之後，「數據」二字的內涵在擴大，它不僅指代「數字」，還統稱一切保存在電腦中的信息，包括文本、聲音、視頻等。更重要的是，隨著信息技術的進步，其數量在爆炸，特別是新媒體出現之後，數據的收集、保存、維護、使用等任務，成為橫跨各個領域的現象和挑戰。大數據之「大」，並不在於其表面的「大容量」，而在於其潛在的「大價值」。有很多例子可以證明，由於新工具的出現，我們從以前的小數據當中也能發現大的價值。例如，美國把二十多年的犯罪數據和交通事故數據映射到同一張地圖上後驚奇地發現，無論是交通事故和犯罪活動的高發地帶，還是兩者的頻發時段，都有高度的重合性。這引發了美國公路安全部門與司法部門的聯合執勤，通過共治數據「黑點」，交通事故率和犯罪率雙雙降了下來。再例如，最近有學者將白宮200多年總統洗衣服的記錄電子化，然後進行分析，也得出了一些新的結論。這些數據，都是地道的小數據。這說明，小數據只要在縱向上有一定的時間積累，在橫向上有細致的記錄粒度，再和其他數據整合，就能產生大的價值。從這個角度來看，大數據也可以理解為針對某個對象在時空兩個維度上的「全息」數據。這種「全息」，在大數據的時代還表現為「多源」，即有多個源頭在從不同方向對同一個對象進行數據記錄，數據之間互相印證。另外，從全球數據技術投入的資金分布來看，傳統的小數據仍然占據絕對的重頭。據國際數據集團(IDG)統計，2012年，全球對小數據分析工具的投資為349億美元，而對大數據分析工具Hadoop的投資僅為1.3億美元，不及前者的1%。IDG的結論是，傳統的小數據軟體滿足了企業和組織95%的需求。目前行業發展的最新態勢，是 「大」、「小」數據分析工具趨於一體化並在向「雲」遷徙。

C. 如何應對大數據時代的變革機遇挑戰

大數據搭著信息時代的快車來到了我們的面前，數據的價值逐漸為人們所重視，同時也讓數據分析師的身價倍增。而隨著大數據分析工具等大數據應用技術的出現，未來的數據分析師又將遇到怎樣的挑戰和機遇呢?
工具搶了人的飯碗?
很多大數據分析工具的設計起點非常高，定位了數據分析過程中所需要的大部分功能。很多工具的功能涵蓋了從數據前期整合、收集到挖掘、分析乃至末端的數據可視化的整個數據分析過程，功能不可謂不強大。
但如果僅憑這些就認定大數據分析工具能取代數據分析師，未免有些杞人憂天了。恰恰相反，大數據分析工具不是數據分析師的競爭者，而是協助者。工具本來就是為人服務的，數據分析師的專業素養讓其能很好的發揮大數據分析工具的性能，二者相輔相成，是友非敵。
企業的支持
雖然大數據的概念已經普及，但是很多企業還是留存有一些傳統的觀念。很多企業雖然重金聘用了數據分析師甚至是組建了數據分析師團隊，但是卻並沒有建立完善的數據價值體系。對數據分析工作缺乏理解與支持。
相對於數據管理，數據分析工的工作重心還應該放在「挖掘數據價值」上。企業與數據分析師直接缺少職能的溝通，將直接影響企業對數據分析師工作性質的定位;同時，企業應該建立資料庫並部署大數據分析工具，為了能更好地對接用戶，也為企業和數據分析師留有足夠的空間。
從幕後到台前的轉變
以往的業務人員經常要磨破嘴皮才能得到別人的認同，而現在許多企業正在考慮讓數據分析師帶著數據分析結果去談業務。打算以「讓數據說話，以數據服人」去贏得客戶的信任。而主要的實施過程，是靠數據可視化技術來實現的。
數據可視化技術讓數據能以圖表和視頻的方式直觀地展示在人們面前，而數據分析師作為數據的管理者和挖掘者，是最適合不過的講解人了。這樣就要求數據分析師不僅要有扎實的數據分析能力，還要能提取數據精髓，並將之演講出來以獲得他人的認同。從幕後轉到台前，這裡面會需要許多技能，數據分析師的工作性質也將發生改變。
在大數據時代，數據分析師所扮演的角色不可能是一成不變的。而只有順應時代的潮流，響應時代的需要，數據分析師這個行業才能繼續生存並發展。其實，大數據分析工具，數據可視化這些技術的出現固然使行業受到了影響與挑戰，但對於數據分析師來說，未嘗不是一次擺脫傳統束縛的機遇!

D. 如何應對大數據時代下的位置服務挑戰

「大數據」時代的來臨，對各行業傳統管理模式帶來了巨大的沖擊。以往衡量一個企業的實力，其擁有的資源、財力是最重要的標准，而在「大數據」時代，數據才是王道，才是最重要的資產，才是最被看重的競爭力。然而，傳統的管理模式並未適應「大數據」時代的到來，主要表現在以下幾個方面。挑戰一：大公司的數據壟斷大數據時代，數據是企業獲取競爭優勢的基礎，全球互聯網巨頭都已意識到了大數據時代數據的重要意義，誰佔有數據，誰就佔得先機。例如作為中國最大的電子商務公司，阿里集團目前坐擁支付寶、淘寶、天貓、阿里金融等多個交易平台，其積累的數據達14年之久，利用這些大數據，阿里金融打破了傳統的金融模式，使貸款不再需要抵押品和擔保，而僅依賴於數據，使企業能夠迅速獲得所需的資金。這一切源於對數據的壟斷，它改變了游戲規則，對傳統銀行業帶來了挑戰。挑戰二：決策者未意識到數據的商業價值在這個數據為王的時代，許多企業決策者的意識還禁錮在傳統的管理模式中，企業的信息化管理水平只停留在收發文和電子查詢階段，而大數據分析需要企業在軟硬體設備上的大量投入，構建一個復雜的數據分析系統。另外，雖然有些企業拓展了獲取數據的渠道，但是卻很少深層挖掘數據背後的價值，特別是對系統中的微觀數據的關注和利用很少。如今許多的企業決策者們只是單純的關心像財務報表、企業盈虧表等宏觀的數據，並沒有從組成這些報表的細微數據中去發現企業存在的問題，對於競爭對手的分析也是如此。挑戰三：信息安全的挑戰「斯諾登」事件和「竊聽門」丑聞告訴我們，大數據給企業核心信息的保存帶來了技術上的挑戰。交易數據和交互數據的產生和傳輸都是在互聯網中進行，這個過程中存在很多客戶終端和節點，給數據安全帶來了很大的風險。企業為降低成本通常把企業數據存儲在雲端，雲服務商可以看到企業管理和決策的全部數據，商業秘密泄露的風險非常大。另一方面，企業的數據涉及大量用戶的隱私信息，包括客戶位置、交易歷史、個人偏好等信息。這些信息使用不當或者泄露很可能使企業陷入法律糾紛，為企業帶來災難式的不良影響。

E. 如何應對大數據時代的運維挑戰

在企業內部也是一樣，當大量的生產和經營數據集中在數據中心，一旦人們與數據中心因為IT故障而失去聯系，停滯的也許不是個人應用受阻這樣簡單的後果。為了應對大數據下的新業務需求，傳統的IT運維管理就需要針對數據中心基礎架構做出改變，這種進化包括針對虛擬化和服務交付能力的調整，以及IT與業務融合所必備的方法和工具。 數據中心迎來了「按需配置」的變革 過去，每次當我們的數據中心的業務容量不足的時候，就會想到增加更多的硬體、設備來滿足客戶需求。但在海量數據洶涌來襲的時候，這種增加都是被動的、延遲的。據統計，互聯網上的數據每兩年翻一番，而目前世界上90%以上的數據都是最近幾年才產生的，這為大數據概念的橫空出世做好了准備。數據的增長超出了我們的預期，那麼是否可以找到一個辦法，讓我們可以對業務部門提供一種「按需分配」的低成本方案呢？虛擬化技術以其降低成本、靈活性，以及動態的擴容特性，給出了最佳的答案。 許多企業希望採用雲計算和虛擬化技術實現「按需配置」的基礎環境、服務等級，實現更低的成本和更高的盈利。然而，要從大數據這個藏量巨大的金礦中淘到金子，並沒那麼容易，傳統架構下的IT運維管理與成熟的虛擬化技術並沒有齊頭並進。 首先，虛擬機一旦出現故障，如果不能及時恢復，這個損失可能遠遠超過節省電源和空間的費用。其次，虛擬機的靈活性對IT運維中的「配置管理」可謂是一杯毒酒，泛濫的遷移和擴容會讓IT基礎設備重新回到混亂的過去。在傳統數據中心，管理員可以確定地表述：我的資料庫在伺服器A上運行，這台伺服器與交換機B進行連接並使用存儲陣列C，它們的性能指標都非常良好。但動態數據中心採用虛擬化技術後，解耦了這種關系，更具伸縮性，或是隨意的（人們對「靈活性」的誤讀）利用這些基礎設施資源。業務系統可以位於伺服器集群中的任何計算節點上，可以利用任何存儲設備上的存儲空間，可以使用虛擬網路，也可以進行轉移以滿足性能或運營需求。但這些優勢，卻在IT運維管理中造成「看不見」、「說不清」的嚴重問題。 虛擬化運維管理的「兩大難題」如何突破？ 如果你都不知道自己的IT環境里有什麼，就別指望控制、維護和提高它們。因此，配置管理和性能監控在任何時候都沒有變，它們只是進化到了更高的階段。 作為國內領先的IT運維管理專家，北塔軟體認為：IT運維管理不是一蹴而就的，更不是一成不變的，大數據情形下的網路管理將要應對更多的技術和管理層面的挑戰。之前，針對基礎設施的監控一般側重對物理設備、物理網路、物理存儲的管理，而虛擬化後的變更操作變得越來越簡單，但這會使得一些虛擬機脫離管理的范圍，尤其是在配置管理和性能監控兩個方面。管理人員需要對新增的虛擬網路、數據存儲、虛擬機、ESX/ESXi主機數量、集群對象提供一種與之配套的IT運維管理工具。 從改進配置管理開始著手是很重要的一步，因為這可以清晰地呈現出不斷變化的虛擬機、物理伺服器、存儲和網路資源之間的關系。另外，隨著每台物理機上託管的虛擬機數量增多並提高了整體利用率，性能測算與監控的重要性也在攀升。為了預防虛擬機密度過大，或者利用率不足的問題（虛擬化之後，這個問題並沒有完全消除），運維管理人員必須擁隨時調整物理主機的承載力。 為了消除用戶大數據時代的運維顧慮，在全面提供了對主機、網路、機房等領域的管理解決方案之後，北塔軟體在北塔BTIM（BetasoftIntegratedManagement，IT綜合管理軟體）中增加了針對VMware虛擬化管理和FC-SAN存儲管理解決方案。

F. 如何應對大數據

確定企業的短中期目標和標准

大數據的資源極大繁雜豐富，如果企業沒有明確的目標，就算沒有走入迷途至少會覺得非常迷茫。因此，首先，要確定企業運用大數據的短中期目標，定義企業的價值數據標准，之後再使用那些能夠解決特定領域問題的工具。逐步推廣，步步為營，不要把理想定得太高，否則失望會愈大。

儲備好大數據相關技術人才

企業運用大數據為營銷管理服務之前，技術團隊要到位是基礎。企業管理團隊要能夠非常自如地玩轉數據。許多人認為社交媒體營銷人是個有趣的工作，其實它是個艱苦的活兒。社交化空間非常注重數據、衡量標准和數據可視化等問題。要能熟悉駕馭，首先要確保企業技術人員已經接受過相關技能培訓，了解如何最大化利用大數據的作用和潛力為企業營銷管理服務。

解決碎片化問題

企業啟動大數據營銷管理一個最重要的挑戰，是數據的碎片化、零雜化。許多公司組織中，數據都散落在互不連通的資料庫中，而且相應的數據技術也都存在於不同部門中，如何將這些孤立錯位的資料庫打通、互聯，並且實現技術共享，才是能夠最大化大數據價值的關鍵。管理者當留意的是，數據策略要成功提升網路營銷管理成效，要訣在於無縫對接網路企業管理與營銷的每一步驟，從數據收集、到數據挖掘、應用、提取洞悉、報表等。

培養內部整合能力

要做好大數據的應用管理，其一，要有較強的整合數據的能力，整合與來自企業各種不同的數據源、各種不同結構的數據，如客戶關系管理、搜索、移動、社交媒體、網路分析工具、普查數據以及離線數據，這些整合而得的數據是定向更大目標受眾的基礎;其二，要有研究探索數據背後價值的能力。未來營銷管理成功的關鍵將取決於如何在大資料庫中挖掘更豐富的營銷價值。像是站內、站外的數據整合、多方平台的數據接軌、結合人口與行為數據去建立優化演算法等都是未來的發展重點;其三，探索出來之後給予精確行動的管理指導綱領，同時通過此綱領進行精確快速實時性行動。

而從社會、國家領域而言，我國亟須在國家層面對大數據給予高度重視，特別需要從政策制定、資源投入、人才培養等方面給予強有力的支持;另一方面，建立良性的大數據生態環境是有效應對大數據挑戰、用好大數據的主要出路，需要科技界、工業界以及政府部門在國家政策的引導下共同努力，通過消除壁壘、成立聯盟、大數據質量標准、建立專業組織等途徑，建立和諧的大數據生態系統。

總之，誰率先具備從各種各樣類型的數據中快速獲得有價值信息的能力與機會，誰就是贏家!

G. 面臨大數據挑戰我們該怎麼做

大數據的其中兩個特性是數據量大跟實時性，這是企業目前處理大數據所面臨的最主要的兩個挑戰。我們可以看到數據的這兩個屬性，是傳統關系型資料庫也一直在處理的問題。
如果光從字面上去理解「大數據」，我們通常會認為大數據就是數據的大爆發，側重於強調數據的量。但是如果你去總結IBM、ORACLE、EMC對於大數據的定義話，它的外延還包括了數據的多樣性已經分析的實時性。
大數據的其中兩個特性是數據量大跟實時性，這是企業目前處理大數據所面臨的最主要的兩個挑戰。我們可以看到數據的這兩個屬性，是傳統關系型資料庫也一直在處理的問題。如果說傳統關系型資料庫目前尚不能夠滿足企業的業務需求，那麼技術的研究方向也應該是按照關系型資料庫這種技術架構進行進行下去。要知道，傳統關系型資料庫跟目前針對大數據的非結構化資料庫的架構類型是完全不一樣的。關系型資料庫已經存在了40多年，對於數據處理也已經顯得非常成熟，如果企業要用新興的非結構化數據去取代它，那麼會不會面臨「撿了芝麻，丟了西瓜」的結局我們也不得而知。
那再讓我們來看大數據的第三個特性：「數據的多樣性」。這里的「多樣性」意味著非結構化數據變得越來越多。
事實上，全球產生的數據中85%以上的確是非結構化的數據。但企業主要處理的還是結構化的數據。大多數廠商的非結構化數據分析工具也是轉換成結構化數據之後再進行處理。那麼大數據的真正之「大」在於如何將非結構化數據處於成結構化數據，以及之後的對於大量結構化數據的並行處理能力。這跟許多廠商的強調的「非結構化」數據本身並無太大關聯。
一些非常資深的資料庫專家認為：能把最簡單的業務，簡單的數據形態挖掘深入才能體現功底，電商這類復雜業務挖掘出一點成果容易，深入難，許多企業不去強調對於數據的挖掘，而在強調工具和技術。這些專家也在提醒，結構化數據相對小，但是富礦，非結構化數據大，但是貧礦，如果富礦還沒開始采就轉攻大貧礦，後果可想而知。
關於大數據的成本風險
只要不是錢多得燒不完的企業，其IT部門始終要面臨這樣一個問題：用盡可能少的錢去創造盡可能多的價值。
資料庫建設無疑是企業IT預算的大頭。一個項目建設花費掉上千萬在中國許多企業是非常正常的事情。然而我們看得到的是大數據的建設其花費肯定將不會低於原來傳統關系型資料庫的花費。
現在很多廠商正在給與我們這樣的案例，許多企業依靠大數據的能夠，發現了以前根本無法發現的機遇，拓展了自己的市場。那我們就必須要討論一下大數據的有效性，到底企業利用大數據給企業帶來了多少額外增加的價值?這種增加的價值是否能夠企業的投入有一個非常好的比例。而且更為重要的一點是，是否只要使用大數據就一定能夠給企業帶來以前不可能實現的價值?
當然，任何一種新技術的出現都要面臨許許多多的挑戰，大數據也是一樣。只有那種能夠給企業帶來實際價值的技術才有真正的生命力。任何企業絕對不會為了採用新技術而應用新技術，技術最終的落腳點一定是實現業務價值。
大數據還處於成長當中，許多IT廠商也認為目前大數據需要和傳統關系型數據倉庫共存。如果企業的確希望利用新興技術實現業務的突破，那麼也應該必須慎重。

H. 如何應對「大數據時代」的挑戰

大數據行業面臨的五大挑戰如下：

挑戰一：數據來源錯綜復雜
豐富的數據源是大數據產業發展的前提。而我國數字化的數據資源總量遠遠低於美歐，每年新增數據量僅為美國的7%，歐洲的12%，其中政府和製造業的數據資源積累遠遠落後於國外。就已有有限的數據資源來說，還存在標准化、准確性、完整性低，利用價值不高的情況，這大大降低了數據的價值。
現如今，幾乎任何規模企業，每時每刻也都在產生大量的數據，但這些數據如何歸集、提煉始終是一個困擾。而大數據技術的意義確實不在於掌握規模龐大的數據信息，而在於對這些數據進行智能處理，從中分析和挖掘出有價值的信息，但前提是如何獲取大量有價值的數據。

挑戰二：數據挖掘分析模型建立
步入大數據時代，人們紛紛在談論大數據，似乎這已經演化為新的潮流趨勢。數據比以往任何時候都更加根植於我們生活中的每個角落。我們試圖用數據去解決問題、改善福利，並且促成新的經濟繁榮。人們紛紛流露出去大數據的高期待以及對大數據分析技術的格外看好。然而，關於大數據分析，人們鼓吹其神奇價值的喧囂聲浪很高，卻鮮見其實際運用得法的模式和方法。造成這種窘境的原因主要有以下兩點：一是對於大數據分析的價值邏輯尚缺乏足夠深刻的洞察；其次便是大數據分析中的某些重大要件或技術還不成熟。大數據時代下數據的海量增長以及缺乏這種大數據分析邏輯以及大數據技術的待發展，正是大數據時代下我們面臨的挑戰。

挑戰三：數據開放與隱私的權衡
數據應用的前提是數據開放，這已經是共識。有專業人士指出，中國人口居世界首位，但2010年中國新存儲的數據為250PB，僅為日本的60%和北美的7%。目前我國一些部門和機構擁有大量數據但寧願自己不用也不願提供給有關部門共享，導致信息不完整或重復投資。2012年中國的數據存儲量達到64EB，其中55%的數據需要一定程度的保護，然而目前只有不到一半的數據得到保護。

挑戰四：大數據管理與決策
大數據的技術挑戰顯而易見，但其帶來的決策挑戰更為艱巨。大數據至關重要的方面，就是它會直接影響組織怎樣作決策、誰來作決策。在信息有限、獲取成本高昂且沒有被數字化的時代，組織內作重大決策的人，都是典型的位高權重的人，要不然就是高價請來的擁有專業技能和顯赫履歷的外部智囊。但是，在今時今日的商業世界中，高管的決策仍然更多地依賴個人經驗和直覺，而不是基於數據。

挑戰五：大數據人才缺口
如果說，以Hadoop為代表的大數據是一頭小象，那麼企業必須有能夠馴服它的馴獸師。在很多企業熱烈擁抱這類大數據技術時，精通大數據技術的相關人才也成為一個大缺口。

I. 如何有效應對大數據技術的倫理挑戰

如何有效應對大數據技術的倫理挑戰
大數據技術是一把「雙刃劍」，既可以為人類服務，也可能給人類帶來麻煩。近來，頻繁的網路公司泄露個人信息事件引起廣泛關注，也使人們意識到，正確認識和有效應對大數據技術帶來的隱私倫理問題至關重要。
關注「演算法」背後的隱私倫理
大數據分析可以對人進行數據成像，在聚類、相關性分析以及數據整合的基礎上刻畫人的行為特徵與傾向，在商業智能推薦、人的行為預測等方面具有廣泛的應用前景。中國社會科學院哲學研究所研究員段偉文認為，從現象上看，它是一種非常有效的分析工具，但如果使用這些技術的人動機不純，就有可能帶來不良後果。從本質上講，大數據帶來的負面影響源於數據本身的特殊性，數據中隱含著人的各種信息，而這些信息很容易作為引導、說服與控制人類行為的工具。這一本質特徵往往會誘使商家和濫用權力者干預人的自主權和侵犯人的隱私權。
「在大數據技術背景下討論隱私倫理問題，人們主要關注的是信息隱私方面的倫理問題，最集中地體現在數據的開放共享與個人信息保護兩者如何平衡的問題上。一般所說的大數據技術是一把『雙刃劍』，也主要是從這個意義上說的。」北京師范大學哲學學院教授田海平表示，數據的開放共享只是大數據技術得以實現的一個方面。除此之外，它還包括通過數字化技術獲取和存儲數據，通過大數據平台對海量數據進行深度挖掘、預測以及反饋等更為深度和實質性的數據佔有與使用。目前，這種獲取和使用數據的方式，可以通過深度機器學習做到完全智能化。就大數據的佔有和使用方面而言，大數據技術加上機器學習，不僅在數據共享方面，而且在數據深度挖掘方面，把個人信息保護和數據權的確權問題都交給了「演算法」，這是一個值得關注的、更為深層次的問題。
找尋技術和規范兩方面原因
大數據技術的應用給人類帶來一系列的隱私倫理問題和挑戰，這其中既有大數據技術自身的原因，也有制度規范等的原因。
江西財經大學馬克思主義學院教授黃欣榮表示，大數據技術在推動人類社會發展的同時，也帶來了數據採集權、保存權、使用權、知情權、所有權、刪除權、隱私權等倫理問題。產生這些問題的原因在於，大數據技術是一種全新的信息技術，大數據的隱私倫理問題是全新的問題。傳統的法律法規、倫理道德難以約束相關機構採集、存儲、傳輸和使用數據，並且新技術帶來的新問題還沒有完全暴露，新的法律法規難以同步發展。
段偉文認為，目前造成大數據隱私倫理問題的主要原因有：一是基於大數據分析的智能化商業推薦系統帶來了全新的營銷模式，其營銷效率較傳統的營銷模式具有指數倍增效應，巨大利益誘惑面前，包含個人隱私及敏感信息的數據被單純地視為牟利的工具和隨意轉賣的商品，個人的數據保護往往被商家忽視，甚至被商家運用演算法加以算計，使人的隱私權受到侵犯；二是合理可行的個人數據授權和保護機制尚未建立，很多數據在用於某一分析之後被用於其他不明領域；三是分散的數據被整合之後，也可能通過數據分析洞察出一些不一定準確但會對主體造成負面影響的特徵，進而誘使對這些特徵進行不良使用。
加強數據立法 堅守倫理底線
對於如何讓大數據技術更好地為人類服務，黃欣榮認為，需要強化隱私觀念，加強數據立法，堅守倫理底線。
田海平認為，尊重個人隱私權是一個毋庸置疑的底線倫理原則。只有我們的法律體系和道德體系在規范合理性的構建方面堅守這條底線，大數據技術的應用才能夠真正做到趨利避害。「數據共享」與「隱私保護」構成了大數據時代無法割捨的兩面性，它實際上凸顯了將「數據共享的倫理」與「隱私保護的倫理」，既以一種價值方式又以一種技術方式在大數據時代同時實現的任務。
段偉文表示，首先，要進一步凸顯主體數據權利保護意識，聯系大數據技術發展中的各種倫理沖突，解剖典型案例，進而從理論上廓清符合大數據時代特徵的新型數據權利、隱私權以及被遺忘權的基本概念以及實踐範例。其次，建立起包括商家、政府法律部門、普通用戶等相關利益群體的對話機制，制定在具體的、數據驅動的社會經濟乃至治理活動中的數據保護規范與實現機制。最後，做好與危害數據權利、惡意侵犯個人隱私權行為長期斗爭的准備，探尋從法律和倫理層面根治此類問題的有效策略，並使之作為治理法規積淀下來。