
大数据不是万能水晶球 这些事不要指望它
大数据是怎么预测的?
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
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23