大数据云平台，大数据不是一个独立单位的业务，真正做好大数据，需要有一定的数据规模，这种规模不仅体现在数据量上，更体现在数据维度，数据时效，乃至数据质量等多个方面，针对地区、行业、供应链的大数据云平台，实现数据的统一的存储、集成、共享、分析应用，才会获得相应的价值。但是我们的建议是这种平台不再是传统的单中心模式，而是分散中心模式，但是这种中心也不是过度颗粒细分的，而需要一定的规模，例如笔者反对铺天盖地的数据交易中心，但是如果各地政府，结合自身的资源，例如实现结合行业的多数据中心则是合理的。基础理论研究，中国的大数据事业已经上升到国家战略，但是我们国家的原创性是不足的，而在中国巨大的人口红利下，中国的高校、研究机构有了很好的弯道超车的机遇，各单位组建有规模的力量，针对细分领域进行基础理论研究，例如算法、模型扥，并加强科技成果转化，也会对大数据的发展起到重要作用。模式创新，这里的模式对于企业是商业模式，对于政府是治理模式，服务模式，这种模式不再是单点的优化、改进，而需要全组织、全流程、全生命周期来系统化创新，在多点进行突破，从而保证最终的结果优化，这种模式下，就需要物联网、互联网、云计算、大数据的协同应用，从而实现作业、流程、经济价值、管控、决策的协同优化，提升顾客体验、满足人民生活需要。
鲁四海：我是做技术的，所以我特关心在顶层设计中是不是应该要去确定要采用哪些关键技术？
李正海：要的，大数据是个系统工程，做好顶层设计需要多方面考虑，而这些方面也需要进行顺序排列，确立权重，笔者认为文化与制度、数据处理相关技术、数据标准、安全隐私四个方面十分重要。文化与制度、组织建设在大数据领域需要上升到技术层面，这种话题的核心是针对大数据应用，如何量化管理单位的相关文化、制度，保障大数据相关人员的水平、综合能力以及其发挥的绩效，通过量化管理思维的锻炼、用数据说话的习惯养成，需要很多技术支持，在这个领域有所突破对于大数据工作的开展有画龙点睛的意义。数据处理相关技术，涉及大数据流程的各项单元业务，如大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据检索、大数据可视化、大数据应用、大数据安全等。基础技术方面包括语音识别、图像、视频识别、文字语言分析、人工智能、机器学习、数据挖掘等等；在基础设施方面的物联网、云计算、服务器、智能能源等等；在应用方面智能制造、智慧城市、智慧生活等。在产业链方面则包括解决方案、公共云平台、政府PPP服务等。数据标准，实际上这个数据标准需要泛化，不仅指数据本身的标准，也包括数据的作业标准、数据的应用标准，例如术语定义、统计方法、基础数据、知识库、模型表达、算法，各种系统的接口规范、自动化处理规范、互操作规范，结合人的认知规范、交互规范、行为指导规范；数据的质量、交易、产品、安全保密等。数据安全，数据涉及个人隐私、商业秘密、国家安全，需要在安全与应用之间取得平衡，可以从数据存储、数据传输、数据应用多个层面进行规划。不仅仅是保障数据的丢失、被窃、篡改，更要考虑如何实现数据的脱敏，实现数据的安全存储、灾难控制、日常管理，制定相关的管理制度，法律法规，从而在安全的基础上，实现大数据事业的发展。
鲁四海：再好的设计也要落地才能发挥价值，如何保障落地执行就很重要了，在您看来大数据顶层设计中应该明确哪些方向的保障措施才能使顶层设计真正落地？
李正海：在顶层设计中，需要设计组织保障、资金保障、文化制度保障、技术先进性保障、安全可靠保障，从而形成全方位、立体的、全流程的保障措施，促进大数据的良性滚动发展。组织保障：在单位中构建大数据的领导小组、工作组，制定人员规划、职责规划、绩效规划，建立沟通协调机制，加强内部与外部资源的联系，结合自身特色，制定组织发展规划，统一思想，构建大数据发展的人才梯队。资金保障：规划顶层设计费用、启动项目费用、长期投入费用，结合单位业务发展需要，综合短期、中期、长期，充分利用政府扶持资金、企业自身投入资金，同时积极利用资本市场，另外充分利用合作单位资金，联合攻关，共投入、共收益。利用大数据促进单位业务改进，并可利用大数据交易市场实现大数据资源收益。文化制度保障，利用法律法规保障大数据安全可靠，促进数据开发，在企事业单位内部，激发大数据的量化文化，利用制度保障信息化项目、大数据项目的执行、管理、决策，促进创新，保证数据质量、数据时效，从而促进大数据产生经济价值、社会价值。技术先进性保障：大数据发展突飞猛进，单独一个单位的力量有限，因此必须内外结合，企业内部建立人才培养模式，构建多层次、多类型的大数据人才，在单位内部应用大数据、推广大数据，不断跟踪国内外大数据的发展现状、趋势，建立与高校、研究所的合作关系，建立大数据专家资源池，积极参与国际交流合作，充分利用国际资源，引进人才、产品、技术、服务，参与、开拓国际大数据市场，参与制定大数据国际标准。