文｜王怡臻

推進(jìn)市場(chǎng)監(jiān)管方式數(shù)據(jù)化轉(zhuǎn)型、進(jìn)而實(shí)現(xiàn)智慧化監(jiān)管是必然趨勢(shì)，也是各類市場(chǎng)監(jiān)管部門(mén)肩負(fù)的重要職責(zé)。當(dāng)前，市場(chǎng)監(jiān)管數(shù)據(jù)分散、數(shù)據(jù)壁壘、信息孤島、大數(shù)據(jù)分析應(yīng)用手段單一及數(shù)據(jù)技術(shù)創(chuàng)新能力不足等問(wèn)題嚴(yán)重制約市場(chǎng)監(jiān)管工作成效?；诖?，如何綜合運(yùn)用互聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)等技術(shù)手段，以數(shù)據(jù)建模為核心，對(duì)海量、零散、孤立的信息進(jìn)行匯聚整合、關(guān)聯(lián)碰撞和分析研究，實(shí)現(xiàn)市場(chǎng)監(jiān)管從無(wú)差別、粗放式監(jiān)管向差異化、精準(zhǔn)化監(jiān)管轉(zhuǎn)變，著力形成數(shù)據(jù)篩分重組、提煉清洗、研判運(yùn)用、提前發(fā)現(xiàn)等全域感知、全程掌控、全鏈條打擊的智慧監(jiān)管新格局，構(gòu)建預(yù)研預(yù)判、精準(zhǔn)高效的風(fēng)險(xiǎn)防范體系是當(dāng)前市場(chǎng)監(jiān)管工作中的重中之重。

一、當(dāng)前在市場(chǎng)監(jiān)管數(shù)據(jù)化轉(zhuǎn)型方面存在的問(wèn)題

從當(dāng)前市場(chǎng)監(jiān)管情況來(lái)看，存在數(shù)據(jù)意識(shí)不強(qiáng)、應(yīng)用數(shù)據(jù)能力較弱、數(shù)據(jù)關(guān)聯(lián)篩選分析不夠等問(wèn)題。

（一）數(shù)據(jù)零散、整合意識(shí)不強(qiáng)

從相關(guān)部門(mén)信息系統(tǒng)運(yùn)行情況來(lái)看，市場(chǎng)監(jiān)管過(guò)程中累積了大量數(shù)據(jù)。如，“雙隨機(jī)”監(jiān)管數(shù)據(jù)、行政處罰及行政許可數(shù)據(jù)、“信用中國(guó)”數(shù)據(jù)、執(zhí)法信息采集系統(tǒng)數(shù)據(jù)、政務(wù)服務(wù)平臺(tái)數(shù)據(jù)及各監(jiān)管主體自建系統(tǒng)數(shù)據(jù)，但都因知識(shí)產(chǎn)權(quán)和數(shù)據(jù)保護(hù)等緣故，造成數(shù)據(jù)共享難、端口對(duì)接難，讓“數(shù)據(jù)跑路”反而變成了“數(shù)據(jù)壁壘”，各自為戰(zhàn)、各自為政，數(shù)據(jù)整合意識(shí)不強(qiáng)。

（二）數(shù)據(jù)清洗、應(yīng)用能力較弱

在實(shí)際工作中，理論上可以運(yùn)用到大量的分析軟件和計(jì)算工具，但從實(shí)際應(yīng)用情況來(lái)看，數(shù)據(jù)沉淀、數(shù)據(jù)關(guān)聯(lián)、數(shù)據(jù)挖掘、數(shù)據(jù)篩選、數(shù)據(jù)建模等工作還處于“淺表層”，基本停留在數(shù)據(jù)積累、數(shù)據(jù)存儲(chǔ)和數(shù)據(jù)統(tǒng)計(jì)上，不能總結(jié)提煉過(guò)往數(shù)據(jù)的規(guī)律特點(diǎn)，發(fā)現(xiàn)預(yù)測(cè)現(xiàn)在與將來(lái)可能面臨的動(dòng)態(tài)情況，數(shù)據(jù)價(jià)值難以有效挖掘和利用。

（三）數(shù)據(jù)分析、研判篩選滯后

一方面，數(shù)據(jù)共享缺乏、數(shù)據(jù)互聯(lián)及數(shù)據(jù)不對(duì)稱等問(wèn)題的存在，使得數(shù)據(jù)資源不能實(shí)現(xiàn)互聯(lián)互通，無(wú)法對(duì)數(shù)據(jù)源或數(shù)據(jù)庫(kù)進(jìn)行深入關(guān)聯(lián)分析，使得數(shù)據(jù)應(yīng)用效能較低。另一方面，缺乏數(shù)據(jù)應(yīng)用專業(yè)性人才和數(shù)據(jù)綜合應(yīng)用能力，無(wú)法開(kāi)展數(shù)據(jù)碰撞、分析建模、數(shù)據(jù)預(yù)警，使得精準(zhǔn)監(jiān)管、智慧監(jiān)管很難實(shí)現(xiàn)。

二、大數(shù)據(jù)應(yīng)用在市場(chǎng)監(jiān)管工作中的必然性

（一）提高市場(chǎng)監(jiān)管效能的必然

當(dāng)前，面對(duì)市場(chǎng)多元化發(fā)展趨勢(shì)，線上和線下市場(chǎng)并行交織的特點(diǎn)，市場(chǎng)監(jiān)管工作面臨許多新形勢(shì)、新問(wèn)題、新挑戰(zhàn)。為順應(yīng)“放管服”改革需要，國(guó)務(wù)院出臺(tái)“雙隨機(jī)、一公開(kāi)”監(jiān)管方式，但從施行情況來(lái)看，還存在“雙隨機(jī)”監(jiān)管對(duì)象的指向性不強(qiáng)、“雙隨機(jī)”抽查的科學(xué)化水平不高、“雙隨機(jī)”監(jiān)管配套機(jī)制不完善等問(wèn)題。因此，國(guó)務(wù)院在《關(guān)于印發(fā)“十四五”市場(chǎng)監(jiān)管規(guī)劃的通知》中明確提出：“在嚴(yán)格遵循‘雙隨機(jī)、一公開(kāi)’監(jiān)管方式基礎(chǔ)上，將靶向監(jiān)管、信用監(jiān)管、分類監(jiān)管、智慧監(jiān)管與‘雙隨機(jī)、一公開(kāi)’有機(jī)結(jié)合，提高監(jiān)管及時(shí)性、精準(zhǔn)性、有效性?！钡?，不管應(yīng)用哪種監(jiān)管方式，核心與“大數(shù)據(jù)”是分不開(kāi)的，只有不斷沉淀數(shù)據(jù)，建立數(shù)據(jù)庫(kù)，實(shí)現(xiàn)數(shù)據(jù)共聯(lián)共享，充分發(fā)揮數(shù)據(jù)預(yù)測(cè)感知和監(jiān)管風(fēng)險(xiǎn)評(píng)估功能，才能提高市場(chǎng)監(jiān)管效能。

（二）降低市場(chǎng)監(jiān)管成本的必然

目前市場(chǎng)監(jiān)管模式更趨向于“大數(shù)據(jù)、大協(xié)同、大監(jiān)管”，市場(chǎng)監(jiān)管更需要多部門(mén)數(shù)據(jù)協(xié)同、多部門(mén)職能交疊、多部門(mén)聯(lián)合監(jiān)管。但從目前基層運(yùn)行情況來(lái)看，“監(jiān)管重疊”和“監(jiān)管空白”交織存在，“監(jiān)管越位”和“履職缺位”時(shí)有發(fā)生。受信息數(shù)據(jù)壁壘、數(shù)據(jù)共享梗阻、數(shù)據(jù)思維固化、條塊關(guān)系復(fù)雜這些因素影響，市場(chǎng)監(jiān)管職責(zé)寬而不專、專而不精，事前監(jiān)管能力弱、事中事后監(jiān)管發(fā)現(xiàn)問(wèn)題難度大，導(dǎo)致當(dāng)前的監(jiān)管需求與監(jiān)管部門(mén)現(xiàn)有的人力、物力和財(cái)力不相匹配。如何降低監(jiān)管成本，避免資源浪費(fèi)，推動(dòng)監(jiān)管從傳統(tǒng)向現(xiàn)代轉(zhuǎn)型，從粗放向精細(xì)轉(zhuǎn)型，從單兵作戰(zhàn)向協(xié)作共享管理轉(zhuǎn)型，實(shí)現(xiàn)監(jiān)管效能集約化、最大化，“大數(shù)據(jù)”應(yīng)用就顯得尤為重要。

（三）創(chuàng)新市場(chǎng)監(jiān)管方式的必然

近年來(lái)，提升監(jiān)管水平、完善監(jiān)管體系、優(yōu)化監(jiān)管方式、創(chuàng)新監(jiān)管工具、健全監(jiān)管機(jī)制，在不同監(jiān)管主體不同監(jiān)管層面均有明確要求。分類分級(jí)監(jiān)管、信用等級(jí)監(jiān)管、數(shù)據(jù)協(xié)同監(jiān)管、輔助決策監(jiān)管、互聯(lián)網(wǎng)+監(jiān)管等新型監(jiān)管方式的提出，這些都是建立在數(shù)據(jù)信息采集、數(shù)據(jù)關(guān)聯(lián)分析、數(shù)據(jù)檢索碰撞、數(shù)據(jù)輔助決策和數(shù)據(jù)建模監(jiān)管的基礎(chǔ)上。不管是監(jiān)管對(duì)象分類還是監(jiān)管線索排查都是以數(shù)據(jù)為支撐、以數(shù)據(jù)為導(dǎo)向。由此可見(jiàn)，運(yùn)用大數(shù)據(jù)提升監(jiān)管效能是促進(jìn)市場(chǎng)監(jiān)管方式轉(zhuǎn)型的必然之舉。

三、大數(shù)據(jù)在市場(chǎng)監(jiān)管中的具體應(yīng)用

圍繞數(shù)據(jù)應(yīng)用、數(shù)據(jù)建模，就深化數(shù)據(jù)信息融合、規(guī)范數(shù)據(jù)清洗、健全數(shù)據(jù)建模規(guī)則，進(jìn)而提高市場(chǎng)監(jiān)管效能，形成以下認(rèn)知和想法：

（一）整合數(shù)據(jù)平臺(tái)，擴(kuò)充數(shù)據(jù)容量

隨著互聯(lián)網(wǎng)時(shí)代技術(shù)手段的進(jìn)步發(fā)展，各類信息系統(tǒng)在市場(chǎng)監(jiān)管部門(mén)中得到廣泛應(yīng)用，但各信息平臺(tái)數(shù)據(jù)多以部門(mén)業(yè)務(wù)數(shù)據(jù)為主，數(shù)據(jù)錄入方式多種多樣，格式千差萬(wàn)別，導(dǎo)致部門(mén)數(shù)據(jù)之間形成“數(shù)據(jù)孤島”。同時(shí)在數(shù)據(jù)存儲(chǔ)過(guò)程中，由于存儲(chǔ)環(huán)境不規(guī)范導(dǎo)致的泄密問(wèn)題頻繁發(fā)生。因此，建立健全市場(chǎng)監(jiān)管部門(mén)“云數(shù)據(jù)庫(kù)”，整合數(shù)據(jù)資源、擴(kuò)充數(shù)據(jù)容量、統(tǒng)一平臺(tái)錄入不僅是破除信息系統(tǒng)之間壁壘的有效工具，更是筑牢信息安全防火墻的有效保障。

在數(shù)據(jù)整合過(guò)程中，需要自上而下建立數(shù)據(jù)采集統(tǒng)一標(biāo)準(zhǔn)，明確數(shù)據(jù)格式、數(shù)據(jù)指標(biāo)、采集流程、采集須知和報(bào)送應(yīng)用等，以確保數(shù)據(jù)采集的一致性、規(guī)范性、標(biāo)準(zhǔn)性。要通過(guò)梳理數(shù)據(jù)的實(shí)體、屬性、關(guān)聯(lián)、層級(jí)和邏輯，建立庫(kù)-庫(kù)、庫(kù)-表、表-表之間的ER模型圖，這樣既可以顯著降低數(shù)據(jù)存儲(chǔ)資源的浪費(fèi)，又能提升數(shù)據(jù)互聯(lián)共享的效率和機(jī)器學(xué)習(xí)運(yùn)算的速率。

ER表-表模型如圖1所示。

圖1 ER表-表模型

（二）規(guī)范數(shù)據(jù)清洗，提高數(shù)據(jù)質(zhì)量

因?yàn)槭占臄?shù)據(jù)可能存在冗余、失真及缺失等問(wèn)題，所以在數(shù)統(tǒng)一、分類、聯(lián)合的基礎(chǔ)上，我們要對(duì)數(shù)據(jù)進(jìn)行清洗。只有擁有了完整準(zhǔn)確、規(guī)范有效的數(shù)據(jù)，才可以在大數(shù)據(jù)分析應(yīng)用中對(duì)其便捷高效使用。而在這個(gè)過(guò)程中，規(guī)范數(shù)據(jù)清洗就顯得至關(guān)重要。實(shí)踐中，數(shù)據(jù)清洗一般包括以下幾個(gè)流程：

1.易錯(cuò)分析

數(shù)據(jù)清洗是提高數(shù)據(jù)質(zhì)量的有效方法。在拿到樣本數(shù)據(jù)后，要盡量收集樣本數(shù)據(jù)操作規(guī)則、存儲(chǔ)格式和易錯(cuò)點(diǎn)，總結(jié)數(shù)據(jù)出錯(cuò)的共性特征，分析研究并加以規(guī)避，來(lái)滿足數(shù)據(jù)在挖掘應(yīng)用方面的需求質(zhì)量。

2.機(jī)器清洗

依照樣本數(shù)據(jù)總結(jié)出錯(cuò)的共性特征，結(jié)合錯(cuò)誤類型設(shè)定機(jī)器語(yǔ)言，使每條數(shù)據(jù)源與規(guī)則匹配，降低數(shù)據(jù)源錯(cuò)誤。機(jī)器清洗流程主要包括以下幾個(gè)環(huán)節(jié)：一是缺失值清洗。缺失值是指在信息收集過(guò)程中，由于機(jī)器存儲(chǔ)不當(dāng)、人為操作失誤造成的數(shù)據(jù)丟失。在缺失值處理過(guò)程中，常用的方法有數(shù)據(jù)刪除、替換、補(bǔ)充、修復(fù)等。二是錯(cuò)誤值清洗。數(shù)據(jù)錯(cuò)誤也是大數(shù)據(jù)應(yīng)用過(guò)程中易發(fā)的問(wèn)題，而直接在數(shù)據(jù)源進(jìn)行數(shù)據(jù)清洗時(shí)，可能造成數(shù)據(jù)修改無(wú)法恢復(fù)，損害數(shù)據(jù)完整性等問(wèn)題。這就需要對(duì)數(shù)據(jù)源進(jìn)行備份操作，清洗時(shí)按照數(shù)據(jù)需求格式不同，執(zhí)行之前清洗規(guī)則，從而為之后模型應(yīng)用和數(shù)據(jù)源合并做好準(zhǔn)備。三是重復(fù)值清洗。在數(shù)據(jù)錄入過(guò)程中，由于錄入人員、方式、機(jī)器等因素，導(dǎo)致數(shù)據(jù)錄入重復(fù)性無(wú)法確定，造成數(shù)據(jù)源存在大量重復(fù)數(shù)據(jù)，這就需要耗費(fèi)大量人力、物力和時(shí)間進(jìn)行識(shí)別，并在這個(gè)過(guò)程中很容易出錯(cuò)，因此需要我們使用Bitmap、BloomFilter、字典樹(shù)、HyperLogLog等算法去除冗余數(shù)據(jù)。

3.數(shù)據(jù)回流

當(dāng)數(shù)據(jù)清洗工作全部完成后，我們要將“洗干凈”的數(shù)據(jù)代替之前“臟數(shù)據(jù)”，這樣才可以提高我們數(shù)據(jù)庫(kù)的質(zhì)量，降低數(shù)據(jù)挖掘過(guò)程中的能源、時(shí)間損耗等。

數(shù)據(jù)清洗流程如圖2所示。

圖2 數(shù)據(jù)清洗流程圖

（三）多維數(shù)據(jù)建模，提升運(yùn)行實(shí)效

在實(shí)踐中，大數(shù)據(jù)在市場(chǎng)監(jiān)管中應(yīng)用的方向主要為服務(wù)和監(jiān)管。我們以大數(shù)據(jù)在違法行為監(jiān)管方面的應(yīng)用為例，大致可以分為三類：第一類是根據(jù)已知的違法信息對(duì)數(shù)據(jù)倉(cāng)庫(kù)中所適用的數(shù)據(jù)進(jìn)行挖掘；第二類是針對(duì)違法嫌疑人，根據(jù)其涉及的所有數(shù)據(jù)記錄進(jìn)行分析，從而研判違法行為嫌疑；第三類是對(duì)未來(lái)有大概率發(fā)生的違法行為進(jìn)行預(yù)測(cè)性挖掘。根據(jù)三類挖掘數(shù)據(jù)時(shí)間的不同，可以確定前兩類是對(duì)歷史違法數(shù)據(jù)的碰撞挖掘，而第三類可以確定為預(yù)測(cè)性挖掘。但從嚴(yán)格意義來(lái)說(shuō)，大數(shù)據(jù)實(shí)踐應(yīng)用的核心在于預(yù)測(cè)。因?yàn)榇髷?shù)據(jù)是通過(guò)對(duì)事物已知規(guī)律和發(fā)展變化的分析，來(lái)探索未知的發(fā)展趨勢(shì)，以便通過(guò)對(duì)規(guī)律的把握實(shí)現(xiàn)對(duì)趨勢(shì)的掌控。而市場(chǎng)監(jiān)管中可以依據(jù)違法案件“人、車(chē)、物、事、案、線”六大類案件要素，從違法時(shí)段、違法性質(zhì)、違法對(duì)象、違法車(chē)輛、違法區(qū)域、違法數(shù)量及涉案金額等多層面聚類分析，并結(jié)合證照屬性、經(jīng)營(yíng)屬性、區(qū)位屬性、違法屬性等多維度建立監(jiān)管模型，采取集約化監(jiān)管模式，形成數(shù)據(jù)模型庫(kù)。在具體建模過(guò)程中，需要遵循以下步驟。

1.制定目標(biāo)

制定目標(biāo)是數(shù)據(jù)與業(yè)務(wù)融合的關(guān)鍵。只有在需求明確的前提下，才能清晰地羅列出需要什么數(shù)據(jù)，運(yùn)用什么算法，解決什么問(wèn)題。制定目標(biāo)是實(shí)現(xiàn)市場(chǎng)監(jiān)管模型“建用管”的基礎(chǔ)。

2.閾值確定

在確定目標(biāo)的基礎(chǔ)上，要確立各模型閾值規(guī)則。明確模型閾值的特征指標(biāo)、數(shù)據(jù)關(guān)系、業(yè)務(wù)邏輯，才能有效利用模型推測(cè)未來(lái)事件可能發(fā)生的概率。閾值的確定主要運(yùn)用到?jīng)Q策樹(shù)（Decision Tree）、關(guān)聯(lián)規(guī)則分析（Apriori）、聚類分析（K-MEANS）等算法，下面將具體應(yīng)用進(jìn)行舉例說(shuō)明：

（1）決策樹(shù)（DecisionTree）算法應(yīng)用決策樹(shù)算法是一種歸納分類方法，是機(jī)器通過(guò)對(duì)訓(xùn)練集的學(xué)習(xí)，挖掘數(shù)據(jù)之間的聯(lián)系，用于新的集合預(yù)測(cè)。在違法行為監(jiān)管過(guò)程中，通過(guò)對(duì)歷史違法案件發(fā)生的時(shí)間、地點(diǎn)、人物、區(qū)位、類型等特征歸納，并根據(jù)特征對(duì)數(shù)據(jù)進(jìn)行分割，用機(jī)器執(zhí)行算法，對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)、訓(xùn)練、挖掘，確定最佳監(jiān)管方向，并依據(jù)特征屬性和特征值建立相關(guān)監(jiān)管模型。

利用python進(jìn)行決策樹(shù)算法構(gòu)建，決策樹(shù)算法結(jié)果生成如表1所示。

表1 決策樹(shù)算法結(jié)果生成

（2）關(guān)聯(lián)規(guī)則分析算法（Apriori）應(yīng)用

關(guān)聯(lián)規(guī)則分析又稱關(guān)聯(lián)挖掘分析，就是從數(shù)據(jù)倉(cāng)庫(kù)中發(fā)現(xiàn)項(xiàng)集之間的關(guān)聯(lián)，進(jìn)而分析出“由隱性、潛性向顯性轉(zhuǎn)化”的規(guī)則。而在關(guān)聯(lián)算法的使用過(guò)程中，通過(guò)定義頻繁項(xiàng)集、挖掘數(shù)據(jù)倉(cāng)庫(kù)，遞歸調(diào)用支持度算法，確定頻繁集字段，計(jì)算頻繁集支持度，從而精確模型閾值。

（3）聚類分析算法（K-MEANS）應(yīng)用

通過(guò)制定數(shù)據(jù)之間“共性”屬性來(lái)完成聚類分析，這樣最相似的數(shù)據(jù)就會(huì)聚集成簇。而在“放管服”改革的大環(huán)境下，市場(chǎng)監(jiān)管部門(mén)對(duì)聚類分析算法的應(yīng)用尤為重要。在監(jiān)管實(shí)踐中，根據(jù)監(jiān)管對(duì)象所處商圈、地緣、歷史違法等因素，利用機(jī)器學(xué)習(xí)算法，計(jì)算監(jiān)管對(duì)象違法行為發(fā)生K值，并根據(jù)計(jì)算結(jié)果對(duì)監(jiān)管對(duì)象進(jìn)行分類監(jiān)管，從而提升市場(chǎng)監(jiān)管效能，降低監(jiān)管成本。

3.模型修正

每個(gè)模型的運(yùn)行模式是固定的，但是在實(shí)際應(yīng)用過(guò)程中，由于人員、環(huán)境、時(shí)間等不確定因素影響，往往會(huì)存在一些變量。為更適應(yīng)市場(chǎng)監(jiān)管各環(huán)節(jié)多元化需求，實(shí)踐中需要通過(guò)訓(xùn)練模型不斷調(diào)整模型閾值，找到最合適的參數(shù)或者變量，并基于業(yè)務(wù)數(shù)據(jù)確定最合適的模型參數(shù)。

模型修正流程如圖3所示。

圖3 模型修正流程

4.模型應(yīng)用

完成模型創(chuàng)建、模型修正后，需要將模型應(yīng)用于監(jiān)管實(shí)踐過(guò)程中。從整合的數(shù)據(jù)庫(kù)中加載數(shù)據(jù)，通過(guò)數(shù)據(jù)清洗將數(shù)據(jù)庫(kù)中非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)，以針對(duì)解決監(jiān)管中存在的違法問(wèn)題。在具體應(yīng)用過(guò)程中，就違法行為監(jiān)管模型舉例如下：

（1）應(yīng)用機(jī)器算法完善監(jiān)管模型

為更好地應(yīng)用歷史違法行為數(shù)據(jù)，可以利用數(shù)據(jù)擬合和lightbgm等機(jī)器學(xué)習(xí)算法，結(jié)合日常工作經(jīng)驗(yàn)和數(shù)據(jù)分析工具，對(duì)各關(guān)鍵監(jiān)管特征進(jìn)行TOP排名，將經(jīng)驗(yàn)監(jiān)管轉(zhuǎn)換為數(shù)據(jù)監(jiān)管，確定重點(diǎn)監(jiān)管方向，提升監(jiān)管效率。

（2）多層多維建模實(shí)現(xiàn)分類控制

利用K-MEANS聚類分析，決策樹(shù)、統(tǒng)計(jì)學(xué)等方法，結(jié)合監(jiān)管實(shí)踐過(guò)程中常見(jiàn)的違法行為特征，按照閾值規(guī)則多層級(jí)多維度構(gòu)建預(yù)測(cè)模型，提升違法行為的打擊精準(zhǔn)性，實(shí)現(xiàn)數(shù)據(jù)監(jiān)管向分類監(jiān)管的轉(zhuǎn)變。

（3）創(chuàng)新監(jiān)管載體賦能精準(zhǔn)監(jiān)管

根據(jù)監(jiān)管主體靜態(tài)數(shù)據(jù)和市場(chǎng)檢查、舉報(bào)投訴、案件查處等環(huán)節(jié)發(fā)生的動(dòng)態(tài)數(shù)據(jù)，從多個(gè)角度分析監(jiān)管過(guò)程中結(jié)構(gòu)化數(shù)據(jù)的特點(diǎn)，構(gòu)建信息處理、指揮調(diào)度模型，配合手機(jī)、電腦、移動(dòng)端等設(shè)備，實(shí)現(xiàn)監(jiān)管模型運(yùn)行支持，為統(tǒng)一決策、統(tǒng)一調(diào)度、統(tǒng)一指揮提供載體，實(shí)現(xiàn)分類監(jiān)管向精準(zhǔn)監(jiān)管的轉(zhuǎn)變。

5.優(yōu)化模型

為進(jìn)一步提升模型命中率，確保模型高效運(yùn)行，在模型運(yùn)行過(guò)程中采用vecm（向量均衡修正算法）對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行劃分。對(duì)產(chǎn)出不理想、業(yè)務(wù)場(chǎng)景使用不匹配等問(wèn)題模型，及時(shí)采取重制模型、調(diào)整閾值、增減特征值等措施實(shí)現(xiàn)模型最優(yōu)化，并建立模型運(yùn)行評(píng)估機(jī)制、定期通報(bào)機(jī)制。

綜上，數(shù)據(jù)整合打破了數(shù)據(jù)壁壘，解決了數(shù)據(jù)資源整合和數(shù)據(jù)互聯(lián)互通的問(wèn)題；數(shù)據(jù)清洗實(shí)現(xiàn)了數(shù)據(jù)差異整合，解決了數(shù)據(jù)冗余、錯(cuò)誤、缺失等問(wèn)題；數(shù)據(jù)建模完成了數(shù)據(jù)深度挖掘應(yīng)用，解決了市場(chǎng)監(jiān)管中數(shù)據(jù)監(jiān)管、分類監(jiān)管和精準(zhǔn)監(jiān)管的問(wèn)題。

四、結(jié)語(yǔ)

大數(shù)據(jù)在市場(chǎng)監(jiān)管中的應(yīng)用是適應(yīng)市場(chǎng)監(jiān)管形勢(shì)的必然之舉，也是破解市場(chǎng)監(jiān)管難題的創(chuàng)新之舉，更是優(yōu)化市場(chǎng)監(jiān)管方式的智慧之舉。本文中提到的數(shù)據(jù)歸集、數(shù)據(jù)整合、數(shù)據(jù)清洗、數(shù)據(jù)建模都是大數(shù)據(jù)應(yīng)用過(guò)程中的有效手段。通過(guò)大數(shù)據(jù)應(yīng)用打破數(shù)據(jù)壁壘、實(shí)現(xiàn)數(shù)據(jù)互聯(lián)互通，從而為精準(zhǔn)監(jiān)管、信用監(jiān)管、智慧監(jiān)管提供了數(shù)據(jù)支撐；通過(guò)大數(shù)據(jù)應(yīng)用明確監(jiān)管重點(diǎn)、降低監(jiān)管成本、提高監(jiān)管成效，從而發(fā)揮了社會(huì)共治共管作用；通過(guò)大數(shù)據(jù)應(yīng)用精簡(jiǎn)信息傳遞路徑，暢通信息流轉(zhuǎn)，從而提升了“放管服”效率。可以說(shuō)，大數(shù)據(jù)在市場(chǎng)監(jiān)管中的應(yīng)用是促進(jìn)政府職能轉(zhuǎn)變，放管結(jié)合、優(yōu)化服務(wù)的有效手段，也是積極響應(yīng)國(guó)家號(hào)召，加強(qiáng)市場(chǎng)監(jiān)管和政務(wù)服務(wù)的重大舉措，具有良好的發(fā)展和推廣前景。