大數(shù)據(jù)其實就是個大胖子！

2014-05-14 17:36:48 大云網(wǎng)　點擊量：評論 (0)

近年來，有關大數(shù)據(jù)的熱點話題一浪高過一浪，關注大數(shù)據(jù)應用的人也越來越多。總體來說，人們對大數(shù)據(jù)的前景持樂觀態(tài)度，比如談到大數(shù)據(jù)的技術特征，人們最容易想起的就是4個v：vast(數(shù)量龐大)、variety(種

近年來，有關大數(shù)據(jù)的熱點話題一浪高過一浪，關注大數(shù)據(jù)應用的人也越來越多。總體來說，人們對大數(shù)據(jù)的前景持樂觀態(tài)度，比如談到大數(shù)據(jù)的技術特征，人們最容易想起的就是4個“v”：vast(數(shù)量龐大)、variety(種類繁多)、velocity(增長迅速)和value(總價值高)。這些都沒錯，但仔細一想，它們都是偏重說明大數(shù)據(jù)的正面優(yōu)勢的。但其實，大也有大的難處，大數(shù)據(jù)也不可避免地存在著一些負面劣勢，大數(shù)據(jù)部就是個大胖子麼，這些"胖”可以概括四點：

inflated——大數(shù)據(jù)是肥胖的。大數(shù)據(jù)的大不僅僅體現(xiàn)在數(shù)據(jù)記錄的行數(shù)多，更體現(xiàn)在字段變量的列數(shù)多，這就為分析多因素之間的關聯(lián)性帶來了難度。哪怕是最簡單的方差分析，計算一兩個還行，計算一兩百個就讓人望而生畏了。

unstructured——大數(shù)據(jù)是非結構化的。大數(shù)據(jù)的結構也是非常復雜的，既包括像交易額、時間等連續(xù)型變量，像性別、工作類型等離散型變量這樣傳統(tǒng)的結構化數(shù)據(jù)，更增添了如文本、社會關系網(wǎng)絡，乃至語音、圖像等大量新興的非結構化數(shù)據(jù)，而這些非結構化數(shù)據(jù)蘊含的信息量往往更加巨大，但分析手段卻略顯單薄。

incomplete——大數(shù)據(jù)是殘缺的。在現(xiàn)實的世界里，由于用戶登記的信息不全、計算機數(shù)據(jù)存儲的錯誤等種種原因，數(shù)據(jù)缺失是常見的現(xiàn)象。在大數(shù)據(jù)的場景下，數(shù)據(jù)缺失更是家常便飯，這就為后期的分析與建模質量增加了不確定的風險。

abnormal——大數(shù)據(jù)是異常的。大數(shù)據(jù)里還有不少異常值(outlier)。比如某些連續(xù)型變量(如一個短期時間內的交易金額)的取值太大，某些離散型變量(如某個被選購的產品名稱)里的某個水平值出現(xiàn)的次數(shù)太少，等等。如果不刪除，很可能干擾模型系數(shù)的計算和評估;如果直接刪除，又覺得缺乏說服力，容易引起他人的質疑。這使得分析人員落到了一個進退兩難的境地。

利用大數(shù)據(jù)的分析，已經可以預見和分析出很多當下時代的大趨勢了。但是，數(shù)據(jù)的真實性如何保證?如果沒有全面、客觀認識大數(shù)據(jù)的過程，即便得到很多可預見的數(shù)據(jù)，又有幾分準確性?想要真正運用好大數(shù)據(jù)，并不是一項在常規(guī)條件下數(shù)據(jù)分析的簡單升級，而是一項需要大智慧的綜合工作。