大数据不是万能水晶球 这些事不要指望它
现在，大数据预测已经被应用到了各种领域，比如预测奥斯卡奖得主；预测世界杯赛事结果；预测高考作文题目等等，可见大数据预测已经成为了一种势不可挡的趋势。
维基（wikibon）预计大数据市场从2011年到2026年将获得17%年复合增长率，将在2026年达到840亿美元的高峰。大数据市场从2013年的196亿美元增至2014年的273.6亿美元。
大数据是怎么预测的？
预测性分析是大数据最核心的功能。那么，大数据是如何实现未卜先知的能力呢？首先，必须有“现在”足够海量的用户行为数据，数据量越大，就越有参考价值，准确度更高。
其次，对用户“过去”纷繁的行为数据进行分类和总结，形成经验和智慧，为大数据的分析和处理提供可靠的逻辑。最后，通过智能的大数据分析，得出预判，这才是大数据最具备价值的产出。
大数据不能做什么？
人们对大数据给予了很多希望，希望做出更优秀的产品；希望卖出更多商品等等，然而大数据并不是巫婆的水晶球，什么都可以预测，大数据也有短板。
美国统计学家内特·希尔擅长利用大数据进行预测。在上一次美国总统大选期间，他非常准确的预测了美国50个州的投票胜负。但他认为，大数据也不是万能的，有些领域的预测成功率就很低，比如地震，比如股市。
此外，人们的社会行为具有不可预测性。人是可以自由决定自己的行为的，我们可以预测某人，明天会吃饭，但没人可以预测，这个人明天几分几秒会去吃饭，因此人的行为，如果放到越大的空间和时间范围，则是越可以精确预测的；如果放到越小的空间和时间范围，则是越不可以精确预测的。
还记得前文说的，大数据预测时要对过去的行为数据进行分类和总结，所以，对于创新业务大数据是没法预测的，也没法根据数据分析确定新出现的业务关联性是临时的，还是可持续的。
虽然大数据在很多领域为人们打来了很大收获，但大数据不是万能的水晶球，它是信息时代的一个伟大的工具，它有它擅长的领域，也有不擅长的领域。数据是行为的结果，它可以根据规律分析预测某一群体的某一趋势，预测到一些共性的东西，但是无法预测个性的东西，比如我们即使掌握一个人从出生开始的全部行为信息，也无法预测明天早餐他会吃什么。
数据分析咨询请扫描二维码
若不方便扫码，搜微信号：CDAshujufenxi
Excel 数据聚类分析：从操作实践到业务价值挖掘 在数据分析场景中，聚类分析作为 “无监督分组” 的核心工具，能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的：从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具，并非简单的 “公式堆砌”，而是围绕特定 ...
2025-09-10CDA 数据分析师：商业数据分析实践的落地者与价值创造者 商业数据分析的价值，最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键：从业务到落地的全流程解析 在人工智能技术落地的浪潮中，机器学习作为核心工具，已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS（Statistical Product and Service Solutions，统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师：驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中，商业数据分析总体 ...
2025-09-09R 语言：数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代，无论是科研人员验证实验假设（如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域，常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下，“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而，零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点：原理、优势与应用解析 在机器学习领域，随机森林（Random Forest）作为集成学习（Ensemble Learning） ...
2025-09-05Excel 区域名定义：从基础到进阶的高效应用指南 在 Excel 数据处理中，频繁引用单元格区域（如A2:A100、B3:D20）不仅容易出错， ...
2025-09-05CDA 数据分析师：以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下，CDA（Certified Data Analyst） ...
2025-09-05SQL 日期截取：从基础方法到业务实战的全维度解析 在数据处理与业务分析中，日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络（CNN）的发展历程中，解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师：驾驭数据范式，释放数据价值 在数字化转型浪潮席卷全球的当下，数据已成为企业核心生产要素。而 CDA（Certified ...
2025-09-04K-Means 聚类：无监督学习中数据分群的核心算法 在数据分析领域，当我们面对海量无标签数据（如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分：数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域，“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析：解锁数据价值的关键 在数字经济高速发展的今天，数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ()：深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中，loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题，需先明确 K-S 图的核心用途（检验样本分布与理论分布的一致性），再结合横轴 ...
2025-09-02
京公网安备 11010802034615号
经营许可证编号：京B2-20210330
