大数据其实就是个大胖子！

2014-05-14 17:36:48 大云网　点击量：评论 (0)

近年来，有关大数据的热点话题一浪高过一浪，关注大数据应用的人也越来越多。总体来说，人们对大数据的前景持乐观态度，比如谈到大数据的技术特征，人们最容易想起的就是4个v：vast(数量庞大)、variety(种

近年来，有关大数据的热点话题一浪高过一浪，关注大数据应用的人也越来越多。总体来说，人们对大数据的前景持乐观态度，比如谈到大数据的技术特征，人们最容易想起的就是4个“v”：vast(数量庞大)、variety(种类繁多)、velocity(增长迅速)和value(总价值高)。这些都没错，但仔细一想，它们都是偏重说明大数据的正面优势的。但其实，大也有大的难处，大数据也不可避免地存在着一些负面劣势，大数据部就是个大胖子麽，这些"胖”可以概括四点：

inflated——大数据是肥胖的。大数据的大不仅仅体现在数据记录的行数多，更体现在字段变量的列数多，这就为分析多因素之间的关联性带来了难度。哪怕是最简单的方差分析，计算一两个还行，计算一两百个就让人望而生畏了。

unstructured——大数据是非结构化的。大数据的结构也是非常复杂的，既包括像交易额、时间等连续型变量，像性别、工作类型等离散型变量这样传统的结构化数据，更增添了如文本、社会关系网络，乃至语音、图像等大量新兴的非结构化数据，而这些非结构化数据蕴含的信息量往往更加巨大，但分析手段却略显单薄。

incomplete——大数据是残缺的。在现实的世界里，由于用户登记的信息不全、计算机数据存储的错误等种种原因，数据缺失是常见的现象。在大数据的场景下，数据缺失更是家常便饭，这就为后期的分析与建模质量增加了不确定的风险。

abnormal——大数据是异常的。大数据里还有不少异常值(outlier)。比如某些连续型变量(如一个短期时间内的交易金额)的取值太大，某些离散型变量(如某个被选购的产品名称)里的某个水平值出现的次数太少，等等。如果不删除，很可能干扰模型系数的计算和评估;如果直接删除，又觉得缺乏说服力，容易引起他人的质疑。这使得分析人员落到了一个进退两难的境地。

利用大数据的分析，已经可以预见和分析出很多当下时代的大趋势了。但是，数据的真实性如何保证?如果没有全面、客观认识大数据的过程，即便得到很多可预见的数据，又有几分准确性?想要真正运用好大数据，并不是一项在常规条件下数据分析的简单升级，而是一项需要大智慧的综合工作。