大数据大规律

  • 孙镜涛

2015 年 12 月 29 日

话题:大数据语言 & 开发架构

大数据正在改变我们的生活,影响我们思考和解决问题的方式,为了适应时代的潮流,组织必须学会用数据说话,如果坐拥大量的数据却束手无策或无动于衷,那和没有数据是一样的。但是,在进行数据分析时,完全的自我创造是不可取的,因为有大量可以遵循和借鉴的经验能节约大量的时间和成本。最近,OrionX.net的联合创始人Shahin Khan就发表了一篇文章,介绍了他的团队从大数据、物联网和云计算市场上总结的经验和规律

  1. 保留数据的成本要比删除数据的成本低。另外,还要有多个备份。

    正因为保留了足够多的数据,大数据才成为可能,因此无论如何都不要删除数据,因为你不知道什么时候会用到它,删除这些数据会有哪些法律风险。保留数据的成本很低,另外,如果将来发生了什么事情,你也能从这些数据中找到证据。

  2. 无论开始收集数据的动机是什么,它们都会导致你收集更多的数据。

    大部分数据收集工作关注于正在进行的活动,但一旦知道了如何使用这些数据,获取更多数据的意愿就会增加。

  3. 大数据系统开始较小,但慢慢会变大,没有中间大小。

    很少有中等规模的大数据系统,一旦某个项目的理念被证明是有前景的,那么它很快就会变大,并在迅速发展的同时孵化新项目。

  4. 数据必须流向有价值的地方,要考虑功能的上下文有什么价值。

    未使用的数据是一种闲置的资产,很有可能会造成价值的贬值。如果将大数据看做是工作流,那么必须将数据流向最有价值的地方。

  5. 永远都不要假设你知道原因是什么,有什么影响。

    大数据的大部分应用场景都是有价值的,值得付出努力,但是它的因果关系非常复杂,数据的不完整、用户的偏见不可避免。

  6. 有关数据与无关数据之间的比率将逐渐趋向于零。

    数据有很多,但通常情况下大部分都是无用的,只有一少部分有价值。收集的数据越多,这种现象越明显,也就是说无关数据的增长速度要远高于相关数据的增长速度。

  7. 分析的最终目的是合成。

    分析完成之后便需要合成,当然这需要引入机器学习和认知算法。

  8. 时间 = 金钱 = 数据。

    数据是一种资产,虽然它可以升值,但大多数时候随着新数据替代老数据,历史数据的价值会越来越低,因为它的相关性会越来越差。所以必须知道数据的“利率”,知道它贬值的速度有多快。

  9. 容量大—速度快—种类多—价值密度低 vs. 不可再现—不相关—不完整—不正确。

    数据的质量直接影响数据挖掘的质量。

  10. 给你足够的数据,你就能证明事物的“正反两面”。

    数据量越大,从中找到有价值信息的难度就越大,数据的复杂性、不合理的动机和无知都可能会造成无效的结论;但另一方面,数据越多,支持假设的证据就会越充分,通过完全科学的方法,有时这种支持率甚至会逐渐接近 100%。

  11. 大数据的结论开始通常是有趣但无用的,但最终会变成有效且有用的。

    在新媒体时代,有趣但肤浅的内容要比深刻有见地的内容多得多,价值挖掘需要对数据有深刻的理解,但这需要时间。

  12. 随着数据量的增长,大数据和高性能计算(HPC)需要结合在一起。

    如果有 200 行数据,可以使用电子表格;但如果有 20 亿行数据,就必须使用 HPC。此外,随着数据量的增长,还需要数学和科学的知识将数据转换成模型。


感谢杜小芳对本文的审校。

给 InfoQ 中文站投稿或者参与内容翻译工作,请邮件至editors@cn.infoq.com。也欢迎大家通过新浪微博(@InfoQ@丁晓昀),微信(微信号:InfoQChina)关注我们,并与我们的编辑和其他读者朋友交流(欢迎加入 InfoQ 读者交流群InfoQ 好读者(已满),InfoQ 读者交流群(#2)InfoQ 好读者)。

大数据语言 & 开发架构