大数据技术在决策支持系统中的应用研究报告

大数据技术在决策支持系统中的应用研究报告TOC\o"1-2"\h\u30488第一章绪论 316441.1研究背景 3175891.2研究目的与意义 3325071.3研究方法与框架 3764第二章大数据技术概述 4266052.1大数据概念与特征 425392.2大数据技术体系 416462.3大数据技术在决策中的应用 410906第三章决策支持系统概述 5280093.1决策支持系统的定义与功能 5250123.1.1定义 5119353.1.2功能 5273113.2决策支持系统的构成 6116423.3决策支持系统的发展趋势 68658第四章大数据技术在决策支持系统中的应用现状 6270224.1国内外大数据应用案例分析 6213154.1.1国外案例 614934.1.2国内案例 7183614.2我国决策支持系统中大数据技术的应用现状 7151564.2.1政策制定中的应用 790894.2.2监管中的应用 760934.2.3公共服务中的应用 748624.3存在的问题与挑战 814881第五章数据采集与处理技术 8224705.1数据采集方法与策略 8281855.1.1数据源的选择 892285.1.2数据采集方法 88685.1.3数据采集策略 9240565.2数据预处理技术 9122465.2.1数据清洗 9294655.2.2数据整合 996435.2.3数据转换 9256255.3数据存储与管理技术 912325.3.1数据存储技术 9131445.3.2数据管理技术 1018347第六章数据挖掘与分析技术 10299806.1数据挖掘方法与算法 1038376.1.1数据挖掘概述 10303206.1.2常见数据挖掘算法 1035226.2数据挖掘在决策支持系统中的应用 10225196.2.1政策制定与评估 1074986.2.2社会管理与公共服务 1192626.2.3经济发展与产业规划 117316.3数据分析技术在决策支持系统中的应用 11258496.3.1描述性分析 11316426.3.2摸索性分析 1167746.3.3预测性分析 1121956.3.4优化分析 1117758第七章大数据可视化技术 1110367.1可视化技术概述 1124327.2可视化工具与应用 1247627.2.1可视化工具 12207697.2.2可视化应用 12218857.3可视化技术在决策支持系统中的应用 12246417.3.1数据展示与汇报 12126357.3.2数据分析与挖掘 13325297.3.3战略规划与决策 13213277.3.4社会治理与优化 13238467.3.5公共服务与民生改善 1312255第八章大数据技术在决策支持系统中的安全保障 1369518.1数据安全与隐私保护 13210968.1.1数据安全风险 1358968.1.2隐私保护挑战 13186708.2数据安全技术在决策支持系统中的应用 14141038.2.1数据加密技术 1460138.2.2访问控制技术 1447018.2.3数据脱敏技术 14142008.3法律法规与政策保障 1423418.3.1完善数据安全法律法规 1427048.3.2制定隐私保护政策 14139958.3.3加强数据安全监管 1597808.3.4提高数据安全意识 1511578第九章决策支持系统中大数据技术的实施策略 15173359.1技术创新与升级 15144039.2人才培养与团队建设 15170319.3政策支持与资金投入 1531799第十章未来展望与建议 162179210.1大数据技术在决策支持系统中的发展趋势 161898710.1.1技术层面的创新 163037510.1.2应用领域的拓展 162804110.2针对我国决策支持系统的发展建议 163029010.2.1完善数据管理体系 161135610.2.2提高决策者素质 16384010.2.3深化产学研合作 171407810.3研究结论与展望 17第一章绪论1.1研究背景信息技术的快速发展，大数据作为一种新的信息资源，已经逐渐渗透到各行各业。作为国家治理的主体，承担着为国家发展提供决策支持的重要职责。我国高度重视大数据技术在决策中的应用，将其作为提高治理能力、优化决策水平的重要手段。大数据技术在决策支持系统中的应用，已成为当前研究的热点问题。1.2研究目的与意义本研究旨在探讨大数据技术在决策支持系统中的应用现状、问题及对策，为我国决策支持系统的优化提供理论依据和实践指导。研究的目的与意义主要体现在以下几个方面：（1）梳理大数据技术在决策支持系统中的应用现状，为决策提供有益借鉴。（2）分析大数据技术在决策支持系统中存在的问题，为决策优化提供参考。（3）提出大数据技术在决策支持系统中的应用对策，为决策支持系统的改进提供实践指导。（4）促进决策科学化、民主化、法治化，提高治理能力。1.3研究方法与框架本研究采用文献分析法、案例分析法、比较分析法等多种研究方法，以我国决策支持系统为研究对象，对大数据技术在决策支持系统中的应用进行深入剖析。研究框架分为以下几个部分：（1）大数据技术在决策支持系统中的应用现状分析：通过对国内外大数据技术在决策支持系统中的应用案例进行梳理，总结大数据技术的应用现状。（2）大数据技术在决策支持系统中存在的问题分析：结合实际情况，分析大数据技术在决策支持系统中存在的问题及其原因。（3）大数据技术在决策支持系统中的应用对策研究：针对存在的问题，提出大数据技术在决策支持系统中的应用对策。（4）大数据技术在决策支持系统中的应用案例分析：选取具有代表性的案例，分析大数据技术在决策支持系统中的应用效果。（5）大数据技术在决策支持系统中的应用前景展望：结合我国治理现状，展望大数据技术在决策支持系统中的应用前景。第二章大数据技术概述2.1大数据概念与特征大数据（BigData）是指在规模、多样性、速度等方面超出传统数据处理软件和硬件能力范围的庞大数据集。互联网、物联网、云计算等技术的快速发展，大数据已经成为信息时代的重要特征。大数据具有以下四个主要特征：（1）数据量大：大数据涉及的数据量通常在PB（Petate，即1000TB）级别以上，甚至达到EB（Exate，即1000PB）级别。（2）数据多样性：大数据包括结构化数据、半结构化数据和非结构化数据，涵盖了文本、图片、视频、地理信息系统等多种类型的数据。（3）数据速度快：大数据的处理速度要求较高，实时性是大数据的重要特点之一。（4）价值密度低：大数据中包含大量噪声和无用信息，挖掘有价值的信息需要运用先进的数据处理技术。2.2大数据技术体系大数据技术体系主要包括以下几个方面的内容：（1）数据采集与存储：涉及数据采集、数据清洗、数据存储等技术，包括关系型数据库、NoSQL数据库、分布式文件系统等。（2）数据处理与分析：包括数据预处理、数据挖掘、机器学习、深度学习等方法，以及相应的算法和模型。（3）数据可视化：将数据分析结果以图表、动画等形式展示，帮助用户直观地理解数据。（4）数据安全与隐私保护：在大数据环境下，数据安全和隐私保护尤为重要，涉及加密、身份认证、访问控制等技术。（5）大数据应用开发：包括大数据平台的搭建、应用系统的开发与部署等。2.3大数据技术在决策中的应用大数据技术在决策中的应用主要体现在以下几个方面：（1）信息收集与整合：可通过大数据技术收集各领域的数据，实现数据的整合与共享，为决策提供全面、准确的信息支持。（2）智能分析：利用大数据技术对海量数据进行智能分析，挖掘有价值的信息，为决策提供科学依据。（3）预测与预警：通过大数据技术对历史数据进行挖掘，发觉规律和趋势，对未来的政策效果、社会现象等进行预测和预警。（4）政策评估与优化：可利用大数据技术对政策实施效果进行评估，根据评估结果对政策进行调整和优化。（5）公共服务与监管：大数据技术可应用于公共服务和监管领域，提高治理能力和公共服务水平。（6）应急管理与危机应对：大数据技术在应急管理和危机应对中具有重要作用，可帮助实时掌握事件发展动态，制定针对性的应对措施。第三章决策支持系统概述3.1决策支持系统的定义与功能3.1.1定义决策支持系统（GovernmentDecisionSupportSystem，简称GDSS）是指在现代信息技术、大数据技术、人工智能技术等支持下，为决策者提供信息、数据、模型和智能辅助决策的综合性系统。它旨在提高决策的科学性、准确性和效率，为决策者提供全面、客观、实时的决策依据。3.1.2功能决策支持系统具有以下主要功能：（1）信息收集与整合：收集、整理和整合各类与决策相关的信息，包括政策法规、统计数据、社会舆情等，为决策者提供全面、客观的信息支持。（2）数据挖掘与分析：运用大数据技术和人工智能算法，对海量数据进行分析，挖掘有价值的信息，为决策者提供数据支持。（3）模型构建与优化：根据决策需求，构建各类决策模型，如预测模型、优化模型等，为决策者提供模型支持。（4）智能辅助决策：通过人工智能技术，为决策者提供智能化的决策建议，提高决策效率和质量。3.2决策支持系统的构成决策支持系统主要由以下几个部分构成：（1）信息资源层：包括各类政策法规、统计数据、社会舆情等，为决策支持系统提供数据来源。（2）数据处理与分析层：对信息资源层的数据进行处理、分析和挖掘，有价值的信息。（3）决策模型层：根据决策需求，构建各类决策模型，为决策者提供决策依据。（4）决策支持层：通过人工智能技术，为决策者提供智能化的决策建议。（5）用户界面层：为决策者提供友好的交互界面，方便决策者使用系统。3.3决策支持系统的发展趋势大数据技术、人工智能技术的不断发展，决策支持系统呈现出以下发展趋势：（1）数据驱动：决策支持系统将更加注重数据驱动，通过海量数据的挖掘和分析，为决策者提供更加精准的决策依据。（2）智能化：人工智能技术将在决策支持系统中发挥越来越重要的作用，为决策者提供智能化的决策建议。（3）跨界融合：决策支持系统将与其他领域的技术和理念进行跨界融合，如云计算、物联网等，以提高决策支持系统的综合功能。（4）个性化定制：针对不同部门和决策者的需求，决策支持系统将提供个性化定制服务，提高决策支持系统的实用性和针对性。（5）安全与隐私保护：在决策支持系统的设计和应用过程中，将更加重视数据安全和隐私保护，保证决策过程的安全性和合规性。第四章大数据技术在决策支持系统中的应用现状4.1国内外大数据应用案例分析大数据技术在国内外部门的应用案例日益增多，以下列举几个具有代表性的案例。4.1.1国外案例（1）美国：美国在2009年启动了“开放”计划，通过大数据技术提高透明度和公民参与度。例如，美国开发的D网站，提供了大量的数据供公众查询和利用。（2）英国：英国运用大数据技术进行财政预算的编制，通过分析历史数据、预测未来趋势，为政策制定提供有力支持。（3）新加坡：新加坡利用大数据技术进行智慧城市建设，通过实时监测城市运行状况，为决策提供数据支持。4.1.2国内案例（1）浙江省：浙江省运用大数据技术开展“最多跑一次”改革，通过数据共享和业务协同，提高工作效率，方便群众办事。（2）上海市：上海市利用大数据技术进行城市交通管理，通过分析交通数据，优化交通布局，提高道路通行效率。（3）深圳市：深圳市运用大数据技术开展智慧城市建设，通过实时监测城市运行状况，为决策提供数据支持。4.2我国决策支持系统中大数据技术的应用现状4.2.1政策制定中的应用大数据技术在政策制定中的应用主要体现在以下几个方面：（1）数据分析：通过对海量数据的挖掘和分析，为政策制定提供依据。（2）预测分析：利用大数据技术预测未来发展趋势，为政策制定提供前瞻性建议。（3）评估分析：对政策实施效果进行评估，为政策调整提供参考。4.2.2监管中的应用大数据技术在监管中的应用主要体现在以下几个方面：（1）实时监控：通过大数据技术实时监测重点领域和关键环节，提高监管效能。（2）风险预警：利用大数据技术分析潜在风险，提前发出预警，防范风险发生。（3）绩效考核：运用大数据技术对部门进行绩效考核，提高工作效率。4.2.3公共服务中的应用大数据技术在公共服务中的应用主要体现在以下几个方面：（1）信息共享：通过大数据技术实现部门之间的信息共享，提高公共服务水平。（2）个性化服务：利用大数据技术分析公众需求，提供个性化的公共服务。（3）应急响应：运用大数据技术实时监测突发事件，提高应急响应能力。4.3存在的问题与挑战尽管大数据技术在决策支持系统中的应用取得了一定的成果，但仍存在以下问题和挑战：（1）数据质量：数据质量参差不齐，部分数据存在不准确、不完整、不及时等问题，影响大数据分析结果的有效性。（2）数据安全：数据涉及国家安全和社会公共利益，如何保障数据安全成为亟待解决的问题。（3）技术人才：大数据技术对人才的要求较高，决策支持系统中缺乏专业的大数据技术人才。（4）政策法规：大数据技术在决策支持系统中的应用尚缺乏完善的政策法规体系，制约了其发展。（5）数据共享：各部门之间的数据共享机制尚不完善，影响大数据技术的应用效果。第五章数据采集与处理技术5.1数据采集方法与策略5.1.1数据源的选择在决策支持系统中，数据源的选择是数据采集的首要环节。数据源的选择应遵循以下原则：权威性、全面性、准确性和时效性。权威性指数据来源应为国家统计局、部门等权威机构发布的数据；全面性指数据应涵盖决策所需的各个方面；准确性和时效性则要求数据真实可靠，及时更新。5.1.2数据采集方法数据采集方法主要包括以下几种：（1）网络爬虫：通过编写程序，自动抓取互联网上的数据。（2）API接口调用：利用部门、企业等提供的API接口，获取数据。（3）问卷调查：针对特定群体，通过问卷调查的方式收集数据。（4）传感器采集：利用各类传感器，实时采集环境数据。5.1.3数据采集策略数据采集策略主要包括以下几种：（1）定时采集：按照一定时间间隔，定期采集数据。（2）实时采集：对关键数据实时监控，一旦发生变化立即采集。（3）分布式采集：将数据采集任务分散到多个节点，提高采集效率。5.2数据预处理技术5.2.1数据清洗数据清洗是数据预处理的重要环节，主要包括以下步骤：（1）去除重复数据：对采集到的数据进行去重处理，避免数据冗余。（2）数据补全：对缺失的数据进行填充，保证数据的完整性。（3）异常值处理：识别并处理数据中的异常值，提高数据的准确性。5.2.2数据整合数据整合是指将来自不同数据源的数据进行合并，形成统一的数据格式。数据整合主要包括以下步骤：（1）数据字段对应：将不同数据源的数据字段进行对应，保证数据的一致性。（2）数据类型转换：将不同数据源的数据类型转换为统一的格式。（3）数据归一化：对数据进行归一化处理，消除数据量纲和单位的影响。5.2.3数据转换数据转换是指将原始数据转换为适合决策支持系统分析的数据格式。数据转换主要包括以下步骤：（1）数据格式转换：将原始数据转换为决策支持系统所支持的数据格式。（2）数据结构转换：将数据结构调整为适合分析的形式。（3）数据编码转换：将数据编码转换为统一的编码格式。5.3数据存储与管理技术5.3.1数据存储技术数据存储技术主要包括以下几种：（1）关系型数据库：如MySQL、Oracle等，适用于结构化数据的存储。（2）非关系型数据库：如MongoDB、Cassandra等，适用于非结构化数据的存储。（3）分布式存储系统：如Hadoop、Spark等，适用于大规模数据的存储。5.3.2数据管理技术数据管理技术主要包括以下几种：（1）数据字典：用于描述数据元素的定义、类型、长度等属性。（2）数据目录：用于管理数据资源，方便用户查找和访问数据。（3）数据安全：包括数据加密、访问控制等，保证数据的安全性。（4）数据备份与恢复：定期备份数据，保证数据在意外情况下能够快速恢复。第六章数据挖掘与分析技术6.1数据挖掘方法与算法6.1.1数据挖掘概述数据挖掘是一种从大量数据中发觉潜在模式、关联和趋势的技术。大数据时代的到来，数据挖掘方法与算法在决策支持系统中发挥着越来越重要的作用。数据挖掘方法主要包括统计分析、机器学习、模式识别和数据库技术等。6.1.2常见数据挖掘算法（1）决策树算法：决策树是一种简单有效的分类算法，通过对数据进行特征选择和划分，构建一棵树形结构，用于预测新数据的类别。（2）支持向量机（SVM）算法：SVM是一种基于最大间隔的分类方法，通过在特征空间中寻找一个最优的超平面，将不同类别的数据分开。（3）聚类算法：聚类算法将数据分为若干个类别，使得同一类别中的数据相似度较高，不同类别中的数据相似度较低。常见的聚类算法有Kmeans、层次聚类和DBSCAN等。（4）关联规则挖掘算法：关联规则挖掘算法用于发觉数据中的潜在关联，如Apriori算法、FPgrowth算法等。6.2数据挖掘在决策支持系统中的应用6.2.1政策制定与评估决策支持系统利用数据挖掘技术，可以从海量数据中提取有价值的信息，为政策制定和评估提供依据。例如，通过对历史政策效果的数据挖掘，可以为新政策的制定提供参考；对政策执行过程中的数据进行实时监测，可以评估政策效果，为政策调整提供依据。6.2.2社会管理与公共服务数据挖掘技术在决策支持系统中，可以应用于社会管理和公共服务的各个方面。如通过对人口、资源和环境等方面的数据进行挖掘，可以优化资源配置、提高公共服务水平。6.2.3经济发展与产业规划决策支持系统利用数据挖掘技术，可以对经济发展、产业规划等领域的数据进行分析，为决策提供科学依据。例如，通过对产业结构、产业链等方面的数据进行挖掘，可以找出产业链中的短板，为产业规划提供参考。6.3数据分析技术在决策支持系统中的应用6.3.1描述性分析描述性分析是对数据进行统计描述，展示数据的基本特征。在决策支持系统中，描述性分析可以用于了解政策执行情况、社会经济发展状况等。通过对数据的描述性分析，可以更好地了解现状，为决策提供依据。6.3.2摸索性分析摸索性分析是对数据进行摸索，发觉数据中的潜在规律和关联。在决策支持系统中，摸索性分析可以用于发觉政策制定中的问题、挖掘公共服务中的潜在需求等。6.3.3预测性分析预测性分析是基于历史数据，对未来的趋势进行预测。在决策支持系统中，预测性分析可以用于预测经济发展趋势、社会需求变化等，为决策提供预测依据。6.3.4优化分析优化分析是对现有政策或方案进行优化，提高决策效果。在决策支持系统中，优化分析可以用于优化政策方案、提高资源配置效率等。通过对数据的优化分析，可以实现决策的科学性和有效性。第七章大数据可视化技术7.1可视化技术概述大数据时代的到来，数据可视化技术逐渐成为信息传递与决策支持的重要手段。可视化技术是指通过图形、图像等视觉元素，将数据信息以直观、形象的方式呈现出来，以便于用户更好地理解数据、发觉数据背后的规律与趋势。可视化技术在决策支持系统中发挥着重要作用，有助于提高决策效率与准确性。7.2可视化工具与应用7.2.1可视化工具目前市面上存在多种可视化工具，主要包括以下几种：（1）Excel：作为一款常用的数据处理与分析软件，Excel提供了丰富的图表类型，如柱状图、折线图、饼图等，适用于简单的数据可视化需求。（2）Tableau：一款专业的数据可视化工具，支持多种数据源，提供丰富的图表类型，操作简便，适合企业级应用。（3）PowerBI：微软开发的商业智能工具，集成了数据导入、处理、可视化等功能，适用于大数据分析场景。（4）Python可视化库：如Matplotlib、Seaborn、ECharts等，为Python编程语言提供丰富的可视化功能，适用于复杂的定制化需求。7.2.2可视化应用可视化技术在决策支持系统中的应用广泛，以下列举几个典型场景：（1）数据汇报：通过将数据以图表形式展示，方便领导层快速了解项目进展、各部门工作情况等。（2）数据分析：通过对大量数据进行可视化分析，发觉数据背后的规律与趋势，为决策提供依据。（3）战略规划：结合可视化技术，对市场、政策、资源等因素进行分析，为制定战略规划提供支持。（4）社会治理：通过可视化技术，展示城市交通、环境、公共安全等方面的数据，助力实现精细化治理。7.3可视化技术在决策支持系统中的应用7.3.1数据展示与汇报在决策支持系统中，可视化技术可用于数据展示与汇报。通过将各部门的工作数据以图表形式呈现，领导层可以直观地了解项目进展、工作成效等信息，提高决策效率。7.3.2数据分析与挖掘可视化技术有助于工作人员对大量数据进行快速分析与挖掘。通过将数据以图表形式展示，可以发觉数据背后的规律与趋势，为决策提供有力支持。7.3.3战略规划与决策可视化技术在战略规划与决策中具有重要作用。通过对市场、政策、资源等因素进行可视化分析，可以更加科学地制定战略规划，提高决策准确性。7.3.4社会治理与优化可视化技术在社会治理中发挥着重要作用。通过对城市交通、环境、公共安全等方面的数据进行可视化展示，可以实现精细化治理，提高社会治理水平。7.3.5公共服务与民生改善可视化技术在公共服务与民生改善方面也具有广泛应用。通过将公共服务数据以图表形式展示，可以更好地了解民生需求，优化公共服务供给，提高民生福祉。第八章大数据技术在决策支持系统中的安全保障8.1数据安全与隐私保护在大数据时代，决策支持系统中的数据安全和隐私保护问题日益突出。数据安全是指保护决策支持系统中数据的完整性、可用性和保密性，防止数据被非法访问、篡改或泄露。隐私保护则关注个人和企业的敏感信息在决策支持系统中的处理与保护，保证其不被滥用。8.1.1数据安全风险决策支持系统中的数据安全风险主要包括以下几个方面：（1）数据泄露：黑客攻击、内部人员泄露等导致敏感数据泄露，可能对国家安全、社会公共利益和个人隐私造成严重影响。（2）数据篡改：恶意篡改数据可能导致决策失误，进而影响国家治理和社会稳定。（3）数据滥用：未经授权的数据使用可能导致个人隐私泄露、企业商业秘密泄露等问题。8.1.2隐私保护挑战隐私保护在决策支持系统中的挑战主要包括：（1）数据量大、类型多样：决策支持系统涉及大量个人和企业数据，如何有效识别和保护敏感信息成为一大挑战。（2）数据关联性：决策支持系统中的数据往往具有关联性，如何在不影响数据价值的前提下保护隐私成为关键。（3）法律法规限制：我国法律法规对个人隐私保护有明确要求，如何在遵守法律法规的前提下开展决策支持工作，需要充分考虑。8.2数据安全技术在决策支持系统中的应用为保障决策支持系统中的数据安全与隐私保护，以下数据安全技术在实际应用中具有重要意义：8.2.1数据加密技术数据加密技术是将数据按照一定的算法转换成不可读的密文，以防止数据在传输和存储过程中被非法访问。决策支持系统中的数据加密技术主要包括对称加密、非对称加密和混合加密等。8.2.2访问控制技术访问控制技术通过对用户身份的验证和权限管理，保证合法用户才能访问决策支持系统中的数据。常见的访问控制技术包括身份认证、权限管理、审计管理等。8.2.3数据脱敏技术数据脱敏技术是对敏感数据进行处理，使其在决策支持系统中不可识别，从而保护个人和企业的隐私。数据脱敏技术包括数据掩码、数据替换、数据加密等。8.3法律法规与政策保障为保证大数据技术在决策支持系统中的数据安全与隐私保护，我国需要建立健全法律法规和政策体系，主要包括以下几个方面：8.3.1完善数据安全法律法规制定和完善数据安全法律法规，明确决策支持系统中数据安全的责任主体、监管措施和法律责任，为数据安全提供法律依据。8.3.2制定隐私保护政策制定针对决策支持系统的隐私保护政策，明确敏感数据的识别、处理和销毁要求，保证个人和企业隐私得到有效保护。8.3.3加强数据安全监管建立决策支持系统数据安全监管机制，对数据安全风险进行监测、评估和预警，保证数据安全风险得到及时发觉和处理。8.3.4提高数据安全意识通过培训和教育，提高工作人员的数据安全意识，使其在决策支持工作中充分关注数据安全与隐私保护问题。第九章决策支持系统中大数据技术的实施策略9.1技术创新与升级在大数据时代，决策支持系统的构建与完善必须依托于先进的技术手段。应积极推动技术创新，将云计算、人工智能、区块链等前沿技术与大数据技术相结合，提升数据处理和分析的效率与准确性。应关注大数据技术的升级，持续更新迭代决策支持系统，以适应不断变化的技术环境和决策需求。具体措施包括：建立技术创新机制，鼓励内部及与外部科研机构的合作，共同开展大数据技术的研究与应用；定期评估和更新决策支持系统，保证其始终保持技术领先地位；摸索建立大数据实验平台，为技术创新提供实验和验证的环境。9.2人才培养与团队建设大数据技术在决策支持系统中的应用，离不开专业人才的支撑。应加强人才培养，打造一支具备大数据技术知识和应用能力的高素质团队。具体策略包括：在高等教育阶段设置大数据相关专业，培养具备数据处理、分析和应用能力的专业人才；开展在职培训和继续教育，提升工作人员的大数据素养；建立跨部门