大数据，没有看起来那么美

大数据现在非常热，美国白宫任命的委员会近日发布大数据政府报告，而中国央视在两会中有大数据的专题，网络中的大数据分析报告也比比皆是，从百度迁徙看“东莞挺住”，到马年春晚的大数据分析。大数据正在从一种理论思考，演变成跨越社会各领域的实践行为。
       但大数据真的这么美吗？如何让数据说真话？当一切美好的讨论需向现实兑现，大数据背后的 ，将成新的困惑。大数据目前存在五个大问题。
       数据真实性。官员要政绩、学界要交差、商界要名利。注水性数据导致硬数据软化。基尼系数、博主粉丝量、复兴指数，为何一直在被质疑？凡数据造假能获利，则数据极可能有假。越来越多的软件自动发布信息，使得大数据也是真假难辨。数据背后的细节，数据源的真实、全面以及处理过程的科学，是大数据走向权威和可信的重要保障。
       样本代表性。我们不可能搜集到全数据，而与大数据相关的形容词往往是大规模、精准、细化，在调用如此“完美”的数据时，如何注意情景和样本的适用性。正如网络民意与现实民意的讨论，微博不代表网络，网络不代表社会，朋友圈也是小圈子，跳出圈子看世界不容易，切勿陷入相同的悖论。在选样、测量、误差校正不尽如人意时，好数据将劣化，大数据将虚化。
       相关性误差。利用大数据，基于一定算法和模型对变量元素进行相关性分析，在要素构成简单的情景中可以，在复杂系统中，仅有相关性解释还不够，易走偏。比如一个明显不对的结论：一个城市的网页数越高，其网络形象就越好。虽然，数据统计证实了网页数和网络形象存在一般的正相关，但忽略了负面事件带来的网页量爆发等，结论也是不科学的。相关性要真正体现在数据之间、数据与真实事件影射的现象之间、真实事件的客观联系上。
       故事化。大数据的概念冲击、视觉盛宴，看上去不错，但要警惕割裂传统信息管理系统和大数据的关系，营造一个概念化、全新的东西。比如开发商大肆搞房地产，大数据要建数据中心，圈地成必然，又如做科研项目，思路和和内容要新颖，不少人拉大旗借用大数据。大数据只有与实际接轨，工具化、服务化和实用化，能解决具体问题的大数据，才能打破泡沫，见证数据真正之美。
       隐私侵犯。大数据中包含每个人的小数据，这些数据经过进一步分析既能知道你的爱好，也能知道你的下意识行为倾向，如果据些来判断一个人的未来，是否会重演大片“少数派报告”的场景，我们现在还不得而知。
       当然，新事物多要经历阵痛、广受褒贬，才能逐渐练就为成熟的应用。大数据之路，要加强对真假数据的清洗，有好的矫正鉴别模型；商业中的大数据挖掘，应推动资金互开放模式；政府可推动数据开放平台的接口，建立更好的沟通渠道，加大数据造假的惩治力度。样本代表性问题，如果无法做到全数据，应尽量考虑大数据分析的适用范围和结论边界。大数据分析也要有直观体验，明显与实际不符的结论最好有多个来源证实，多实地视察，加强生活中人性化沟通、交流，通过人际体验获得第一手材料。对涉及个人隐私的数据，需要加快立法，予以规范，避免为技术所异化。