京公网安备 11010802034615号
经营许可证编号:京B2-20210330
闲暇的时候,我最喜欢去书店“游览”。书的内容姑且不说,光是花花绿绿的封面,就常引我流连忘返。这一次,两本书的封面格外吸引我的眼球。
一个封面的图案是一只跳舞的大象,前腿腾空,竖直向上的长鼻子冒出五颜六色的电线(导线),书名是《大数据——一场即将改变我们生活、工作和思维方式的革命》。另一个封面的图案是英国画家约瑟夫·怀特画于1766年的一幅油画,画面内容是一位哲学家正在讲解太阳系,讲解人严肃认真,听众神情专注,代替太阳的烛光将两名求知儿童的脸庞照得亮堂堂,书名是《启蒙思想——为什么它依然重要》。
《大数据》的封面构图是说,数字化时代的数据非常大,大得就像动物世界的一头大象。而大象却要翩翩起舞,预示着一场数据化革命即将到来。《启蒙思想》的封面通俗易懂,日心说推翻了地心说,启蒙思想恰似普照大地的阳光,引导人们走向光明。
2008年世界经济危机爆发后,全球经济时好时坏,蹒跚跌撞地折腾到现在。有人说,5年来,世界经济犹如在黑暗中跋涉,偶现曙光却转瞬即逝。全世界人民都很焦急,盼望新经济模式助推经济发展。现在,大数据喧嚣登场了,似乎可以将世界经济引出黑暗。
什么是大数据?《大数据》一书未能给出确切定义。我以为,从本质上讲,大数据首先指的是数据的数量大(VOLUME)。2013年,世界存储的数字化数据将达1.2泽字节。这么大的数据究竟有多大?形象一点说,如果把这些数据印成书,一本挨一本平铺,可覆盖52个美国;若刻成光盘且将之垒成5堆,那么,5根光盘“通天柱”可直达月球。
大数据的第二个特点,是数据的增长速度快(VELOCITY)。德国发明家古登堡1439年发明铅字印刷后,欧洲第一次出现了信息爆炸。美国历史学家伊丽莎白·爱森斯坦研究发现,1453年-1503年的50年间,欧洲约印刷了800万本书,超过了之前欧洲所有手抄书的总和。也就是说,欧洲的信息储量用50年翻了1倍。而现在,美国信息专家马丁·希尔伯特说,数字数据储量每3年就会翻1倍。人类存储信息的速度比世界经济的增长速度快4倍。
当然,大数据还具备如下3个容易理解的特点:种类多(VARIETY)、准确(VERACITY)和价值(VALUE)。
在世界经济苦难挣扎之时,许多聪明的商家把目光瞄上了具备上述“5V”特征的大数据。他们认为,世界储存的数据虽然庞大,但其已被利用的价值只有一小部分。如果转变思维方法,将这些数据重新组合和处理,其潜在价值之大难以估量。
比如说,美国社交网站脸书(FACEBOOK)有10亿用户,网站对这些用户信息进行分析分类后,广告商可根据分析结果精准投放广告。因此,对广告商而言,脸书10亿用户的数据信息值1000亿美元。
另有分析显示,2012年,运用大数据的世界贸易额已达60亿美元。2016年,这个数字预计将达200亿美元。
既然重新处理数据能赚钱,一些具有用户信息优势的公司,如谷歌、微软等,都会尽其所能搜集其需要的信息。这样,至少有两个问题已凸显了出来。一个是如何保护个人隐私问题。奥美公关公司最近公布的一份调查报告显示,75%的人不希望企业存储自己的个人信息,90%的人反对企业收集自己上网浏览网页的记录。另一个是如何防止信息垄断问题。由于谷歌、微软等公司用户数量上的绝对优势,它们占有的用户信息也就占有绝对优势,再加上这些公司还有信息储存、传输和分析技术上的优势,它们也就很容易垄断数据贸易市场。
近年来,欧盟一直在调查微软和谷歌在侵犯个人隐私和信息垄断方面的问题。如果指控被证实,这两家公司将面临重罚。其他国家也应向欧盟学习,提前从速立法,以规范可能日益繁荣的数据贸易。
从经济角度讲,大数据及其产业链到底能带来多大效益,现在还不好估量。但有一点可以肯定,即使大数据可以引领某个行业暂时繁荣,也可以成就许多亿万富翁,但却不能从根本上扭转目前世界经济的颓势。因为,从根儿上讲,大数据充其量是一次如何充分利用现有数据的思维转换,而非彻底改变经济模式的“大思想”。
什么是“大思想”?我以为,凡是构成某一行业从无到有之基础的思想,就是“大思想”。比如说,德国启蒙思想家莱布尼茨曾写过《1与0,一切数字的神奇渊源》一文,从而发明了二进制。没有二进制,很难想象会出现现在的计算机和数字化;没有计算机和数字化,又怎能出现IT行业和大数据呢?
再比如,英国启蒙思想家亚当·斯密1776年发表《国富论》一书。可以说,没有斯密倡导的“看不见的手”,很难想象会有现代自由市场经济;没有自由市场经济,人类的物质生活水平就很难发展到目前的富裕程度。英国史学家巴克勒在《文明史》一书中说:“从人类财富创造的角度看,斯密超过了所有政治家。”
要想医治当前世界经济的病态,大数据之类的思维变换或许在治标上能起一定作用。但要治本,还需催生科技创新的“大思想”。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据科学的工具箱中,析因分析(Factor Analysis, FA)、聚类分析(Clustering Analysis)与主成分分析(Principal Component ...
2025-12-18自2017年《Attention Is All You Need》一文问世以来,Transformer模型凭借自注意力机制的强大建模能力,在NLP、CV、语音等领域 ...
2025-12-18在CDA(Certified Data Analyst)数据分析师的时间序列分析工作中,常面临这样的困惑:某电商平台月度销售额增长20%,但增长是来 ...
2025-12-18在机器学习实践中,“超小数据集”(通常指样本量从几十到几百,远小于模型参数规模)是绕不开的场景——医疗领域的罕见病数据、 ...
2025-12-17数据仓库作为企业决策分析的“数据中枢”,其价值完全依赖于数据质量——若输入的是缺失、重复、不一致的“脏数据”,后续的建模 ...
2025-12-17在CDA(Certified Data Analyst)数据分析师的日常工作中,“随时间变化的数据”无处不在——零售企业的每日销售额、互联网平台 ...
2025-12-17在休闲游戏的运营体系中,次日留存率是当之无愧的“生死线”——它不仅是衡量产品核心吸引力的首个关键指标,更直接决定了后续LT ...
2025-12-16在数字化转型浪潮中,“以用户为中心”已成为企业的核心经营理念,而用户画像则是企业洞察用户、精准决策的“核心工具”。然而, ...
2025-12-16在零售行业从“流量争夺”转向“价值深耕”的演进中,塔吉特百货(Target)以两场标志性实践树立了行业标杆——2000年后的孕妇精 ...
2025-12-15在统计学领域,二项分布与卡方检验是两个高频出现的概念,二者都常用于处理离散数据,因此常被初学者混淆。但本质上,二项分布是 ...
2025-12-15在CDA(Certified Data Analyst)数据分析师的工作链路中,“标签加工”是连接原始数据与业务应用的关键环节。企业积累的用户行 ...
2025-12-15在Python开发中,HTTP请求是与外部服务交互的核心场景——调用第三方API、对接微服务、爬取数据等都离不开它。虽然requests库已 ...
2025-12-12在数据驱动决策中,“数据波动大不大”是高频问题——零售店长关心日销售额是否稳定,工厂管理者关注产品尺寸偏差是否可控,基金 ...
2025-12-12在CDA(Certified Data Analyst)数据分析师的能力矩阵中,数据查询语言(SQL)是贯穿工作全流程的“核心工具”。无论是从数据库 ...
2025-12-12很多小伙伴都在问CDA考试的问题,以下是结合 2025 年最新政策与行业动态更新的 CDA 数据分析师认证考试 Q&A,覆盖考试内容、报考 ...
2025-12-11在Excel数据可视化中,柱形图因直观展示数据差异的优势被广泛使用,而背景色设置绝非简单的“换颜色”——合理的背景色能突出核 ...
2025-12-11在科研实验、商业分析或医学研究中,我们常需要判断“两组数据的差异是真实存在,还是偶然波动”——比如“新降压药的效果是否优 ...
2025-12-11在CDA(Certified Data Analyst)数据分析师的工作体系中,数据库就像“数据仓库的核心骨架”——所有业务数据的存储、组织与提 ...
2025-12-11在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05