大數據其實就是個大胖子！

2014-05-14 17:36:48 大云網　點擊量：評論 (0)

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

近年來，有關大數據的熱點話題一浪高過一浪，關注大數據應用的人也越來越多。總體來說，人們對大數據的前景持樂觀態度，比如談到大數據的技術特征，人們最容易想起的就是4個“v”：vast(數量龐大)、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據的正面優勢的。但其實，大也有大的難處，大數據也不可避免地存在著一些負面劣勢，大數據部就是個大胖子麼，這些"胖”可以概括四點：

inflated——大數據是肥胖的。大數據的大不僅僅體現在數據記錄的行數多，更體現在字段變量的列數多，這就為分析多因素之間的關聯性帶來了難度。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——大數據是非結構化的。大數據的結構也是非常復雜的，既包括像交易額、時間等連續型變量，像性別、工作類型等離散型變量這樣傳統的結構化數據，更增添了如文本、社會關系網絡，乃至語音、圖像等大量新興的非結構化數據，而這些非結構化數據蘊含的信息量往往更加巨大，但分析手段卻略顯單薄。

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

abnormal——大數據是異常的。大數據里還有不少異常值(outlier)。比如某些連續型變量(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的次數太少，等等。如果不刪除，很可能干擾模型系數的計算和評估;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。

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