大数据驱动的管理与决策研究重大研究计划项目指南

简介:

大数据驱动的管理与决策研究重大研究计划2016年度项目指南

移动互联环境下的新兴技术快速发展与应用(如物联网、云计算、可穿戴设备、人工智能、增强/虚拟现实等)催生了新模式、新业态和新人群,为社会经济生活注入了新的活力,也进一步丰富和拓展了大数据应用创新领域,并为学术界、产业界以及政府部门带来许多新的重要课题。

大数据驱动的管理与决策呈现出高频实时、深度定制化、全周期沉浸式交互、跨组织整合、多主体决策等特性。本重大研究计划以大数据驱动的管理与决策为研究对象,充分发挥管理、信息、数理、医学等多学科合作研究的优势,着重研究大数据驱动的管理与决策理论范式,大数据资源治理机制与管理,大数据管理与决策价值分析与发现,大数据分析方法与支撑技术,并利用总集成升华平台集成相关研究成果。期望通过本重大研究计划的执行,使我国在大数据驱动的管理与决策研究相关领域跻身国际前列,培养一批跨学科交叉型骨干人才和创新团队,并为国家在相关领域的管理决策和智库提供支持。

一、科学目标

揭示管理与决策范式转变的机理与规律、建立面向大数据的全景式管理与决策理论和方法体系、发展针对管理与决策问题的大数据分析技术与计算方法,使得我国在大数据驱动的管理与决策研究相关领域跻身国际前列;开展在诸如公共管理、商务、金融、医疗健康等应用领域的示范应用与平台构建。

二、核心科学问题

围绕学科领域趋势、理论应用特点,注重基础性、前瞻性和交叉性研究创新,结合国家战略需求,本重大研究计划针对大数据驱动的管理与决策范式转变机理与理论、大数据资源治理机制设计与协同管理、领域导向的大数据价值发现理论与方法三个关键科学问题开展研究。

(一)大数据驱动的管理与决策范式转变机理与理论。

在大数据背景下,传统的管理与决策正在从以管理流程为主的线性范式逐渐向以数据为中心的扁平化范式转变,管理与决策中各参与方的角色和相关信息流向更趋于多元和交互。相关的问题视角和关键方面包括范式转变的要素、关系和路径,融合微观和宏观各个层次行为和目标的全景式管理与决策模型,以及相应的管理与决策理论和方法创新等。

(二)大数据资源治理机制设计与协同管理。

随着大数据与社会经济生活的融合不断深化,以数据及所产生知识在社会各主体间流动为基础的社会生态系统正在逐步形成。在此背景下,大数据资源治理和协同管理成为大数据驱动的管理与决策研究和应用的核心问题。相关的问题视角和关键方面包括大数据资源共享及权属的基本运行机理,大数据标准化和质量测度模型与方法,相关隐私和伦理机制设计等。

(三)领域导向的大数据价值发现理论与方法。

大数据价值的产生机理和转换规律具有高度的应用领域依赖性。领域导向的大数据价值发现和决策分析问题通常具有关联交互、趋势走向、全局视图和缩放、实时与动态性,以及社会化特征。相关的问题视角和关键方面包括面向管理与决策情景的统计与预测建模,多源异构和非结构化大数据的关联、融合及全景式分析,实时动态计算、挖掘技术方法与平台构建等。

三、2016年度拟资助研究方向

本重大研究计划针对大数据驱动的管理与决策关键基础问题组织前瞻性、交叉性的研究。鼓励来自不同学科领域(如管理、信息、数理、医学等)的项目申请。2016年度主要以“培育项目”和“重点支持项目”的形式予以资助。

(一)培育项目的研究方向。

培育项目是指符合重大研究计划的研究目标和资助范围,创新性明显,尚需在研究中进一步明确突破方向和凝聚研究力量的项目。培育项目应聚焦于下列一至两个主要研究问题进行深入探索,避免研究内容宽泛。培育项目的研究内容包括但不限于:

1.大数据驱动的管理与决策理论范式。

主要研究问题如:基于大数据的决策参与者行为规律与机理建模;复杂社会网络中的行为传播扩散与预测;高频实时决策范式/理论与模型;多主体共创与协调管理模式;管理与决策模式转变方法与风险;基于大数据的微观宏观行为综合分析;数据驱动的全景式管理决策理论等。

2.大数据资源治理机制与管理。

主要研究问题如:大数据来源的有效性分析;大数据质量测度理论与标准;大数据资源的共享机制与治理;大数据隐私保护机制及模型;大数据责任归属、产权界定理论及体系;大数据产业的发展与监管等。

3.管理与决策大数据价值分析与发现。

主要研究问题如:基于大数据的个体价值倾向分析与识别;个性化价值测度理论与方法;融合多源大数据的个性化价值发现方法;社会化价值的分配原理及方法;价值共创理论及协同创新机制;基于跨领域数据融合的价值生成原理及服务模式创新等。

4.管理与决策大数据分析方法与支撑技术。

主要研究问题如:管理与决策导向的大数据关联分析与建模;面向大数据的管理与决策知识学习与统计推断;管理与决策导向的大数据全局视图与预测方法;多源异构管理与决策知识的表示与发现;多源异构管理与决策大数据融合方法与实时分析;管理与决策大数据平台构建与关键技术等。

(二)重点支持项目的研究方向。

重点支持项目是指研究方向属于国际前沿,创新性强,有很好的研究基础和研究队伍,有望取得重要研究成果,并且对重大研究计划目标的实现有重要作用的项目。重点支持项目应注重研究内容的凝练和整合,强调结合行业大数据(如公共管理、商务、金融、医疗健康等)相关背景开展研究。重点支持项目的研究内容方向包括:

1.大数据驱动的全景式管理与决策方式与理论。

设计与构建融合微观、中观和宏观等各个层次行为和目标的管理决策分析模型和方法,如基于大数据的微观行为计算与综合模型、数据驱动的微观-宏观整体管理决策方法、“全景”范式支持体系等。

2. 大数据资源共享与治理机制。

研究与设计大数据共享与治理机制的理论与方法,如大数据共享的质量标准体系、大数据资源的共享机制、大数据共享平台体系结构、以及与之相关的大数据治理模式等。

3. 基于大数据的价值创造理论与社会化协同机制。

研究大数据环境下的价值度量方法、价值创造理论和社会化协同机制,如社会化价值的分配原理与理论,多维度价值度量方法,价值共创理论及协同机制,基于大数据的服务模式创新等。

4. 面向管理决策的多源异构大数据融合方法。

设计与构建面向大数据融合的分析方法与支撑技术,如多源异构管理决策模型与规则,数据融合的知识发现算法,多源异构信息感知和语义分析模型与算法,面向管理决策的大数据计算平台等。

四、遴选项目的基本原则

为确保实现总体目标,本重大研究计划在择优支持的基础上,鼓励从事不同领域研究的人员组织队伍进行项目申请。研究问题和内容应具有明确的大数据驱动特征。优先支持具有如下特点的申请项目:

(一)拥有或使用大数据、具有原始创新思路和探索性,特别是能够加速重大研究计划总体进展和对认识核心科学问题起重要作用的研究;

(二)体现“国情特征”、结合重大案例和应用的研究,特别是能够密切结合应用领域(诸如公共管理、商务、金融、医疗健康等)的典型大数据情景分析与应用;

(三)科学问题明确、研究内容聚焦,能够形成国际一流水平的学术成果和影响;

(四)能够与企业、行业或宏观部门合作,并产生管理与政策影响;

(五)具有代表性和显示度的大数据资源池/数据平台构建与实例化应用。

五、2016年度资助计划

本重大研究计划2016年度计划资助直接费用3300万元,拟资助“培育项目”25-30项,直接费用的平均资助强度43万元/项,资助期限为3年,申请书中研究期限应填写“2017年1月1日-2019年12月31日”;拟资助“重点支持项目”6-8项,直接费用的平均资助强度240万元/项,资助期限为4年,申请书中研究期限应填写“2017年1月1日-2020年12月31日”。

六、申报要求及注意事项

(一)申请条件。

本重大研究计划项目申请人应当具备以下条件:

1.具有承担基础研究课题的经历;

2.具有高级专业技术职务(职称)。

在站博士后研究人员以及正在攻读研究生学位的人员不得申请。

作为项目负责人近5年(2011年1月1日后)已经获得国家社会科学基金项目资助,但在本重大研究计划申请截至日前,尚未获得全国哲学社会科学规划办公室颁发的《结项证书》者不得申请。

注:已获得全国哲学社会科学规划办公室颁发的《结项证书》且申报本重大研究计划项目者,应在提交的申请书后附《结项证书》复印件,且在《结项证书》复印件上加盖依托单位法人公章。

(二)限项规定。

1. 具有高级专业技术职务(职称)的人员,申请(包括申请人和主要参与者)和正在承担(包括负责人和主要参与者)以下类型项目总数合计限为3项:面上项目、重点项目、重大项目、重大研究计划项目(不包括集成项目和战略研究项目)、联合基金项目、青年科学基金项目、地区科学基金项目、优秀青年科学基金项目、国家杰出青年科学基金项目、重点国际(地区)合作研究项目、直接费用大于200万元/项的组织间国际(地区)合作研究项目(仅限作为申请人申请和作为负责人承担,作为参与者不限)、国家重大科研仪器研制项目(含承担科学仪器基础研究专款项目和国家重大科研仪器设备研制专项项目)、优秀国家重点实验室研究项目,以及资助期限超过1年的应急管理项目。

2.申请人(不含参与者)同年只能申请1项重大研究计划项目。上一年度获得重大研究计划项目资助的项目负责人(不包括集成项目和战略研究项目),本年度不得再申请重大研究计划项目。

(三)申请注意事项。

1.申请书报送日期为2016年8月22日至26日16时。

2.本重大研究计划项目申请书采用在线方式撰写。对申请人具体要求如下:

(1)申请人在填报申请书前,应当认真阅读本项目指南和《2016年度国家自然科学基金项目指南》中申请须知和限项申请规定的相关内容,不符合项目指南和相关要求的申请项目不予受理。

(2)本重大研究计划旨在紧密围绕核心科学问题,将对多学科相关研究进行战略性的方向引导和优势整合,成为一个项目集群。申请人应根据本重大研究计划拟解决的具体科学问题和项目指南公布的拟资助研究方向,自行拟定项目名称、科学目标、研究内容、技术路线和相应的研究经费等。

(3)申请人登录科学基金网络信息系统(以下简称信息系统,没有系统账号的申请人请向依托单位基金管理联系人申请开户),按照撰写提纲要求撰写申请书。

(4)申请书中的资助类别选择“重大研究计划”,亚类说明选择“培育项目”或“重点支持项目”,附注说明选择“大数据驱动的管理与决策研究”,根据申请的具体研究内容选择相应的申请代码。以上选择不准确或未选择的项目申请将不予受理。

培育项目和重点支持项目的合作研究单位不得超过2个。

(5)申请人应当按照重大研究计划申请书的撰写提纲撰写申请书,应突出有限目标和重点突破,明确对实现研究计划总体目标和解决核心科学问题的贡献。

如果申请人已经承担与本重大研究计划相关的其他科技计划项目,应当在报告正文的“研究基础”部分论述申请项目与其他相关项目的区别与联系。

(6)申请人应根据《国家自然科学基金资助项目资金管理办法》的有关规定,以及《国家自然科学基金项目资金预算表编制说明》的具体要求,按照“目标相关性、政策相符性、经济合理性”的基本原则,认真编制《国家自然科学基金项目资金预算表》。项目资金分为直接费用和间接费用,申请人仅需填写直接费用部分,间接费用由系统自动生成。多个单位共同承担一个项目的,项目申请人和合作研究单位的参与者应当分别编制项目资金预算,经所在单位审核后,由申请人汇总编制。

(7)申请人完成申请书撰写后,在线提交电子申请书及附件材料,下载并打印最终PDF版本申请书,向依托单位提交签字后的纸质申请书原件。

(8)申请人应保证纸质申请书与电子版内容一致。

3. 依托单位应对本单位申请人所提交申请材料的真实性和完整性进行审核,并在规定时间内将申请材料报送国家自然科学基金委员会。具体要求如下:

(1)应在规定的项目申请截止日期前提交本单位电子版申请书及附件材料,并统一报送经单位签字盖章后的纸质申请书原件(一式一份)及要求报送的纸质附件材料。

(2)提交电子版申请书时,应通过信息系统逐项确认。

(3)报送纸质申请材料时,还应包括本单位公函和申请项目清单,材料不完整不予接收。

(4)可将纸质申请书直接送达或者邮寄至国家自然科学基金委员会项目材料接收工作组。采用邮寄方式的,请在项目申请截止日期前(以发信邮戳日期为准)以快递方式邮寄,并在信封左下角注明“重大研究计划项目申请材料”, 请勿使用邮政包裹,以免延误申请。

4. 申请书由国家自然科学基金委员会项目材料接收工作组负责接收。

(四)其他注意事项。

1.为实现重大研究计划总体科学目标和多学科集成,获得资助的项目负责人应当承诺遵守相关数据和资料管理与共享的规定,项目执行过程中应关注与本计划其他项目之间的相互支撑关系。

2.为加强项目的学术交流,促进项目群的形成和多学科交叉与集成,本重大研究计划将每年举办一次资助项目的年度学术交流会,并将不定期地组织相关领域的学术研讨会。获资助项目负责人有义务参加本重大研究计划指导专家组和管理工作组所组织的上述学术交流活动。





====================================分割线================================


本文转自d1net(转载)

相关实践学习
简单用户画像分析
本场景主要介绍基于海量日志数据进行简单用户画像分析为背景,如何通过使用DataWorks完成数据采集 、加工数据、配置数据质量监控和数据可视化展现等任务。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
9天前
|
人工智能 数据可视化 测试技术
精准高效测试计划,人工智能帮你制定
测试计划文档包括测试范围、方法、资源和进度,涉及测试项、特性、任务、执行者和风险控制。测试经理需制定文档大纲,细化测试任务,如用例编写、执行、资源分配及风险管理。2周测试周期内,5名测试人员将进行单元、集成、功能、性能和安全测试,以及缺陷验证和总结报告。在实际操作中,需注意人员匹配、任务平衡和沟通协调。由于ChatGPT输出的甘特图有误,需手动修正,最终完成测试计划的可视化表示。实践中,明确需求、拆分任务和校验输出是关键。
18 0
|
3月前
|
人工智能
AI风向标拆解试验初步结果:不够自动化
AI风向标拆解试验初步结果:不够自动化
|
8月前
|
Go
团队的温度-霍桑实验对绩效管理体系的启示
团队的温度-霍桑实验对绩效管理体系的启示
|
4月前
|
存储 数据安全/隐私保护 C++
向他人分享你的模型设计成果
在模型设计或交付工作过程中,经常需要为你的团队成员或甲方客户分享你的模型设计成果。在分享过程中,文件大小和复杂性、版本控制问题、权限和访问控制、网络和存储限制、数据安全和隐私等因素,都会影响最终的效果。
48 0
向他人分享你的模型设计成果
|
7月前
|
机器学习/深度学习 自然语言处理 算法
制定机器学习规划路线:从入门到专业
制定机器学习规划路线:从入门到专业
|
10月前
|
机器学习/深度学习 数据采集
北大团队将色谱领域知识融入机器学习模型,辅助对映体色谱分离
北大团队将色谱领域知识融入机器学习模型,辅助对映体色谱分离
110 0
北大团队将色谱领域知识融入机器学习模型,辅助对映体色谱分离
|
存储 数据挖掘 大数据
谈一谈制定数据和分析战略的重要性
随着世界变得越来越智能,数据成为企业竞争优势的关键要素,这意味着企业的竞争能力将越来越取决于如何利用数据、应用分析和实施新技术。
|
机器学习/深度学习 传感器 存储
设计人工智能产品:技术可能性、用户合意性、商业可行性
随着机器学习逐渐成为数字化产品的主流,了解机器学习的基础知识对许多产品经理来说变得越来越重要。今天的产品人员是一个相当多样化的群体。对于一些人来说,重点主要放在用户体验上(例如,如果主要价值主张围绕着一个杀手级的 UI),而另一些人已经在设计需要深入理解数据和代码的产品。 理解机器学习对于频谱的两端都是必要的——只是原因略有不同。对于以 UI 为中心的产品和 PM,模糊逻辑和机器学习功能将从根本上改变用户与产品的交互方式。因此,这些特征的呈现变得非常重要。另一方面,管理 API 或技术平台的产品经理会更关心 AI 算法是如何集成的。
|
机器学习/深度学习 人工智能 算法
企业在研究和产品开发中测试人工智能的可能性和局限性
人工智能在研发过程中正变得无价,但它无法解决所有挑战。
108 0
企业在研究和产品开发中测试人工智能的可能性和局限性