移动医疗大数据的几个伪命题(1)_数据分析师

“大数据”是当下一个如火如荼的话题。大数据的确具有其整体性优势——海量信息，全面而系统，其价值和作用有目共睹，不再赘述。

但事物总是“一分为二、对立统一”的，大数据因其规模“庞大”，数据散乱，杂波干扰严重，从信度和效度的专业层面来讲，更是良莠不齐。尤其在这个雾里看花、真假难辨的年代，对各个行业的大数据分析我们更应该擦亮双眼，谨慎择之。而在移动医疗行业，Dr.2认为：关于本行业的许多大数据研究，很大一部分都是伪命题，大批以大数据分析结尾来论证其商业模式的企业，大部分都在耍流氓，他们不过是在欺骗投资人，欺骗员工，欺骗自己而已，甚至很多从业者以所谓的大数据分析，走上了欺骗客户，小题大做，危言耸听，虚言恫吓的传销之路。

这是因为目前移动医疗大数据分析的规范性还不够透明，其杂乱性会影响所有从业人员的判断。面对如此多的数据，我们不禁要问：数据是怎么来的？从哪儿来的？有没有收集数据的统一标准？为什么会收集这些数据？从实践的观点来看，一个好的移动医疗大数据项目应该具有实用性，而实用性主要体现在大数据的经济性、便利性和可解释性。

一、经济性。

此处的经济性从我们行业的实践性来说，主要指其成本上的可操作性。因为移动医疗大数据的获取成本特别高，如果你不是骗子去造假的话，所以各位同道不要盲目的轻信、宣传大数据的商业价值，我丝毫不怀疑其巨大的前景，不过对小企业来说，没有缓冲能力，搞好了固然很好，但是十有九不成，一赔就上西天，伤不起啊！

关于其成本与价值问题，Dr.2会在以后的连载中详述，在此，我们主要关注移动大数据的目的性。我认为：如果以自己盈利作为唯一目的，那么他的大数据分析特别容易耍流氓。也就是说，如果收集数据的机构能够通过修改、扭曲数据获得经济利益，那么这些数据就会因被扭曲而失真，那么我们要一堆经过人为修改、扭曲过的信息干什么呢？

举个例子，比如某医院委托某第三方公司做一份医患关系满意度的调查，此调查的目的是想要挂在医院大厅或者刊登发表在媒体上给消费者看的，也就是为了做宣传的，那么这份调查在一开始就具有了功利性。如此，该第三方公司用各种大数据研究的手段和方法去网络调查，广泛回访，从社交媒体上搜索综合分析，研究方法确实是真的，也可以持续跟踪非常长的时间，去尽量搜集完整的数据（注意，普及一个概念，大数据不是指大量数据，而是指对事物研究的整体的，比较全部的数据而非抽样分析调查来进行估算的数据）。

但是，这样收集来的所谓的“患者数据”，其可信度就真的让人不敢恭维了。推广到我们行业中，多少调查之前就已经定了基调了？为了某药，某血糖分析，某血压监测的重大意义的大数据分析报告，诸如此类。

二、便利性。

移动医疗大数据给我们的生活、工作带来便利性了吗？如果正好相反的话，那么其作用将大打折扣，因为我们不是用它来创造工作量和麻烦的。比如，谷歌有一个名为“谷歌流感趋势”的工具，它通过跟踪网民的搜索词等相关数据来判断全美地区的流感情况（比如患者会搜索“流感”两个字）。这个工具工作的原理大致是这样的：设计人员置入了一些关键词（比如温度计、流感症状、肌肉疼痛、胸闷等），只要用户输入这些关键词，系统就会展开跟踪分析，创建地区流感图表和流感地图。

但是，现实要远比理论复杂。谷歌搜索的结果和使用者人群“自我估计”的流感发病率相关，而当研究结果公布后，由于谷歌巨大的影响力，这使报告本身就对人们正常生活和行为有了影响，不但给生活带来了一些不便，小题大做，而且很多人在搜索的时候还会受此影响，习惯性关注或者无意性关注，造成大数据“噪声”影响大数据本身，最终导致大数据分析的不准确。

所以移动医疗大数据，它囊括了太多的偶然事件、小概率事件。比如一位家庭医生给他的患者一台电子血压计，并嘱咐其要每天测量并将数据记录下来。而我们每一个人都是处在不同的环境氛围中的。血压肯定也会因情境而异。比如患者今天开了个生日party，昨天买彩票中了500万大奖——人逢喜事精神爽啊，明天晚上加个班，后天看了一部悲剧电影，血压肯定是会有变化的，因为这是人体自我调节机制在起作用。而这对于医学上的动态监测没有什么参考意义，还因为医生不可能详尽的知晓患者日常生活中的各种情况。这里的血压升高被偷换了概念，而且条件也不成立。

从这个角度来讲，大数据非但没有给我们带来便利性，还可能会误导、干扰我们的判断，从而影响我们的决策。企业领导者或者投资人是做什么的？他们做的不仅仅是事，最重要的是做决策。没什么比一个半生不熟的大数据项目更让人悲剧了。

三、可解释性。

其实在叙述第二条便利性的时候已经涉及到了这一点。可解释性，这一点很重要。因为面对大数据的使用者，或者面对我们普通大众，它需要解释很多问题。

（1）原始数据有没有公布？若否，为什么不公布？

现在大部分人面对的所谓“大数据”基本上都是经过整合、分析、处理后的信息，而很少有人能接触到真正的原始数据。任何缺少原始数据的研究结果很可能都是问题的。因为我们不清楚在这个信息整合处理的过程当中，信息都被做了哪些加工。这个过程相当不透明。就像水果经过加工成了果汁，我们无从知道这个水果在加工前是烂水果还是新鲜水果。同样，我们所面对的现成的“大数据”的前身——“原始数据”，被加工前到底是不相关的垃圾数据还是相关的目标数据，我们一无所知。如果不公布原始数据，这就需要一个合理的解释。

原始数据不公布很可能是因为以下的某一个原因：

1. 原始数据实际上没有证明目标结论；

2. 原始数据会显示出该研究使用了奇怪的定义或者有偏见的问题；

3. 原始数据可能根本不存在，因为研究结果很可能是某人或某机构有意图的捏造。就像我前文中所说的医院市调的例子，医院想获得对其有利的市调结果，那么这个结果很有可能就是人为干预的。

要求公布原始数据，并不是说我们一定会去对其进行研究分析，而是我们要知道原始数据是长什么样的，是否是杂乱无章的，是否囊括了很多小概率事件的数据，是否具有相关性和因果性。

（2）是否偷换了正常的概念？

其实这一点有点像第二条中的“偷换概念”。还是医院市调的例子，假如医院所委托的市调公司将“医患关系满意度”定义为“疾病最终被治愈”，毋庸质疑，肯定会产生误导。如果一份调查问卷中对于某个词的定义超出了其普遍接受的含义，那么和这个词相关的所有数据就基本上都是虚假的。

（3）被调查对象是否本身就没有代表性？

去年央视有个很火的街头采访——“你幸福吗？”假如你去问党内人士，很难会得到否定答案，而且原因都大同小异，你懂的吧；假如去问一群小孩，你肯定会得到很多“五彩缤纷”的答案。去问问不同职业的人，去问问不同年龄的人……所以，如果一项调查只询问那些肯定会提供特定答案的人，那么收集到的数据就会反应出此种特定的意志。目标人群不同，得到的结论肯定也不尽相同。大数据收集也是如此。

（4）结果是否计算了平均值？

在一个房间里有一名亿万富翁和九百九十九个身无分文的乞丐，他们的平均财富是一百万美元。那么这个“一百万美元”的平均数对那些乞丐来说是没有任何意义的。如果用“平均”的概念来分析数据的话，那么我们所得到的结论可能会非常荒谬，因为在这些数据中存在着极大值和极小值，有关于极大值与极小值的概念我们在之后的连载中会为大家详细论述。

有效的数据应该使用“中位数”，中位数是指将统计总体当中的各个变量值按大小顺序排列起来，形成一个数列，处于变量数列中间位置的变量值就称为中位数。在上面那个例子中，财富的中位数是零。

（5）是否先入为主地假定了因果关系？

在大数据中会经常出现一种情况，有两个因素，在数据互相比较的时候，看起来会有些关系，但是其实并不是互为因果。即使两组数据看起来节奏一致，你也不知道这种一致性是否一定有意义，除非你很肯定地知道一组数据的因会导致另一组数据的果。所以相关性并不一定是因果关系，也有可能是因为第三因素的影响。所谓的相关性，往往是要通过相关精确的数值来验证的。

1. 有些相关是机缘巧合产生。能证明存在，但是不能证明是必然相关的。

2. 数据之间的联合变动，表示两者确实是有关联，但是无法确定何者为因，何者为果。

有的时候所有变量相互之间，本身是没有影响的，但是我们实际计算下来会发现他们有显著的相关性。或者换个角度说，还有一种情况就是数据都是真实的，但是不真实的是根据这些数据推测出的未经证实的结论。

举个比较极端的例子，我家门口树上有个鸟巢，我经过N多年的观察发现，国家财政赤字的时候，树上的鸟比较多，而财政有盈余的年份，树上的鸟比较少，或者这个地区的升学率和千里之外另外一个地区的苹果产量经大数据分析，存在某种关联一样，这是否把“蝴蝶效应”无限放大了？这就是牛头跟马嘴互相类比和关联。

搜集这样的资料，却把它说成是那样一回事，一般的做法是将看上去极像，而完全不同的两件事混淆在一起。所以，即使大数据分析得出有99%的可能性是这样那样的原因，那又怎样？想要用数据说明问题，要看逆否命题是否站的住脚。

基于以上分析，大数据是否真实可靠，是否如业界所说具有高价值高回报率，是否应该大范围的用来辅助我们的决策，这些问题都仍值得商榷。大数据的发展还不成熟，移动医疗的创业团队在进行大数据项目之前一定要想清楚啊，千万不要盲目跟风。