你真的懂得大数据吗

我们总能听到大数据这个词，但是你真的了解大数据吗？也许有人会回答“是”，但是真正能够做到了解的人却屈指可数。大数据究竟有哪些深奥的东西令人难以理解呢？

   大数据之所以深奥难懂，唯一一点是因为：我们作为一个技术群体，并没有完全准备好去利用和管理大数据。也许你会说：“我们准备好了。”但事实上我们没有，原因如下：世界上百分之九十的数据都是在过去的两年里产生的，这使我们有些措手不及。每天都有大量的新数据从社交网站、工业传感器、卫星、手机、照片、文件以及其它地方产生。我们的数据以每天多于250兆字节的速度增长，或者说是多于20亿千兆字节。这些数据必须有地方可以储存，哪怕只是暂时储存，然后再从数据库和应用中发送出去以供分析。由于积累了太多的新数据，以至于对这些数据的存储、管理、以及分析的工作量是极大的。这就是我们很少有人真正了解大数据的原因。
    这些海量数据使得我们能听到很多关于大数据的内容，而要弄明白它却很难。正如我之前所说，数据同我们的存储、搜索、分析、组织、归档和筛选能力息息相关，而其现在的情形是我们所不能完全掌控的。
    我们都知道数据是如何产生的，也大体知道我们创造某些数据的原因以及要如何处理这些数据，但我们所不知道的是如何处理如此大量的数据。
    事实上，我们甚至不确定如何去处理产生于大数据的元数据（metadata）。
    在这里说明一下，你最近可能听说过很多关于元数据的事情，是关于美国国家安全局（NSA）所获取和分析的私人数据的。元数据就是有关数据的数据，这是个有点奇怪的概念。简单来说，元数据是对你的数据的一种描述，你可能还没意识到，你每时每刻都在使用元数据。比如，当你拍了一张数码照片时，元数据描述的就是关于这张照片的尺寸、拍摄日期、存储位置、文件大小、像素等内容。
    其他类型的元数据还有：
    创建该数据的方式
    该数据的目的
    创建日期和时间
    该数据的创建者
    该数据在一个计算机网络里的创建位置
    所使用的标准
    如果要检查一张图片的元数据，你只需右键单击该图片文件，选择“属性”，然后再选择“详细”选项卡。
    你可以看到，元数据虽然不是数据本身，却也占用存储空间，它是有关数据的数据。所以我们可以把大数据和大元数据放在一起来谈。当你认识到有比数据本身更多的数据存在之后，你应该就能对我们的数据高速增长的原因有更为深刻的理解了。
    需要指出的是，元数据不是大数据庞大的原因，而只是使大数据变得更大。
    在了解了数据和元数据之后，我们可以研究大数据究竟是什么了。
   大数据就是大量的数据，它是比我们以往所处理的数据还要多的数据，并且来源也更为广泛，它包含元数据。它多到难以想象、难以存储、难以分析，这也是大数据的主要问题所在。
    你仍然会有疑问：是什么让大数据难以理解？
    正如我前面所说，我们从不同的数据源创建数据：手机、卫星、电子传感器、文本信息、日志文件等等。来源如此之广的数据是非常复杂的。
    更深一层解释，如果你的全部数据都是图片，那么你的数据就很简单。当你拥有不同种类的数据以及不同的数据源时，你的数据的复杂程度就增加了。假如你经营着一家物流公司，比如UPS快递，那么你就会有来自很多不同数据源的数据。我们仅从其中三点来看数据的复杂程度：雇员、货车和包裹。当然，他们实际上的数据远远复杂得多，我们只是选出比较典型的来举例。
    货车的数据包括货车位置（GPS定位），燃油消耗量，维修记录，购买价格，保险记录，送货量，司机姓名等等。现在考虑一下每个领域所涉及的所有不同的数据点（data points）。维修记录又包含着油量变化、轮胎、蓄电池、每个单独的可换零件、损坏、里程以及更多的内容。再用这些数据点乘以UPS现在所管理的数以万计的货车数量——96394辆。
    再加上你能想象得到的所有雇员信息，包括货车司机、装卸工、维修人员、雇员的医疗记录、空车定位、设备定位、统一定位以及其它有关雇员的数据点，一共有397100名雇员。
    还要加上第三个数据源的信息：包裹重量、原产地、保险、目的地、运输方式、尺寸、收货信息，以及出发地和目的地之间的中转地，每天有1630万包裹。
    你可以看到数据点是如何随着UPS处理的数据量的增加而迅速增加的。UPS收集了很多有趣的不同数据点，那张单子上的统计数据并不是原始数据，而是经过分析之后的数据。那么可以想象数据库服务器的数量、存储量以及为生成那页单子而要耗费的精力有多少。
    这就是大数据。你必须收集、存储、分析、组织、筛选和利用数据。就是从收集到筛选和利用的这个过程，是大数据不被人们所熟知的东西。大数据是复杂且难以管理的。
    我们对大数据欠缺了解的地方正是对其的管理部分。只有极少数人知道如何管理如此庞大而复杂的数据。大部分企业已发展起了自己的拼凑解决方案，即通常每个部门试着用不同的形式管理自己的数据。其结果就是，不仅这些企业拥有大量的不同数据，而且数据用不同的数据技术存储在不同的位置，大数据变成了大混乱。
    现在你应该对大数据的内涵、出处、庞大的原因以及所存在的问题有了更好的理解。
    为什么你认为大数据难以理解，或者为什么你认为它好理解？你可以将你的看法通过留言评论回复给我们。
    说明一下，我用UPS快递举例是因为我知道UPS能产生大量的数据，目前它管理着超过16万兆字节的数据量。