來自大數(shù)據(jù)的反思:需要你讀懂的幾個小故事

隨著各種技術(shù)發(fā)展，很多人都在吹捧大數(shù)據(jù)。然而如同股市一樣，越是高漲，越是需要警醒，在大數(shù)據(jù)熱火朝天前行的路上，多一點反思，多一份冷靜，或許能讓這路走的更好、更遠。本文的幾個小故事，或許能讓你有所得。
自2011年以來，大數(shù)據(jù)旋風(fēng)以“迅雷不及掩耳之勢”席卷中國。毋庸置疑，大數(shù)據(jù)已然成為繼云計算、物聯(lián)網(wǎng)之后新一輪的技術(shù)變革熱潮，不僅是信息領(lǐng)域，經(jīng)濟、政治、社會等諸多領(lǐng)域都“磨刀霍霍”向大數(shù)據(jù)，準(zhǔn)備在其中逐得一席之地。
中國工程院李國杰院士更是把大數(shù)據(jù)提升到戰(zhàn)略的高度，他表示，數(shù)據(jù)是與物質(zhì)、能源一樣重要的戰(zhàn)略資源。從數(shù)據(jù)中發(fā)現(xiàn)價值的技術(shù)正是最有活力的軟技術(shù)，在數(shù)據(jù)技術(shù)與產(chǎn)業(yè)上的落后，將使我們像錯過工業(yè)革命機會一樣延誤一個時代。
在這樣的認(rèn)知下，“大數(shù)據(jù)”日趨變成大家“耳熟能詳”的熱詞。圖1所示的是谷歌趨勢（Google Trends）顯示的有關(guān)大數(shù)據(jù)熱度的趨勢，從圖1中可以看到，在未來的數(shù)年里，“大數(shù)據(jù)”的熱度可能還是“高燒不退”（圖1中虛線為未來趨勢）。

圖1 大數(shù)據(jù)趨勢（圖片來源：作者截圖）
在大數(shù)據(jù)熱火朝天前行的路上，多一點反思，多一份冷靜，或許能讓這路走的更好、更遠？例如，2014年4月，大名鼎鼎的《紐約時報》發(fā)表題為《大數(shù)據(jù)帶來的八個（不，是九個?。﹩栴}》（Eight (No, Nine!) Problems With Big Data）”的反思文章【2】，其中文中的第九個問題，就是所謂的“大數(shù)據(jù)的炒作（we almost forgot one last problem: the hype）”。同樣為重量級的英國報刊《財經(jīng)時報》（Financial Times，F(xiàn)T）也刊發(fā)了類似反思式的文章“大數(shù)據(jù)：我們正在犯大錯誤嗎？（Big data: are we making a big mistake?）”【3】
在大數(shù)據(jù)熱炒之中，大數(shù)據(jù)的價值是否被夸大了？是否存在人造的“心靈雞湯”？大數(shù)據(jù)技術(shù)便利帶來的“收之桑榆”，是否也存在自己的副作用——“失之東隅”——個人的隱私何以得到保障？大數(shù)據(jù)熱炒的“繁華過盡”,數(shù)據(jù)背后的巨大價值是否還能“溫潤依舊”？在眾聲喧嘩之中，我們需要冷靜審慎地思考上述問題。
太多的“唐僧式”的說教，會讓很多人感到無趣。下文分享了10個從“天南地北”收集而來的小故事（或稱段子），從這些小故事中，可對熱炒的大數(shù)據(jù)反思一下，這或許能讓讀者更加客觀地看待大數(shù)據(jù)。有些小故事與結(jié)論之間的對應(yīng)關(guān)系，或許不是那么妥帖，諸位別太較真，讀一讀、樂一樂、想一想就好！
故事01：大數(shù)據(jù)都是騙人的啊——大數(shù)據(jù)預(yù)測得準(zhǔn)嗎？
從前，有一頭不在風(fēng)口長大的豬。自打出生以來，就在豬圈這個世外桃源里美滿地生活著。每天都有人時不時地扔進來一些好吃的東西，小豬覺得日子愜意極了！高興任性時，可在豬圈泥堆里打滾耍潑。憂傷時，可趴在豬圈的護欄上，看夕陽西下，春去秋來，歲月不爭?！柏i”生如此，夫復(fù)何求？
根據(jù)過往數(shù)百天的大數(shù)據(jù)分析，小豬預(yù)測，未來的日子會一直這樣“波瀾不驚”地過下去，直到它從小豬長成肥豬……在春節(jié)前的一個下午，一次血腥的殺戮改變了豬的信念：尼瑪大數(shù)據(jù)都是騙人的啊……慘叫嘎然而止。

圖2 大數(shù)據(jù)預(yù)測：都是騙人的
這則“人造寓言”是由《MacTalk·人生元編程》一書作者池建強先生“杜撰”而成的【4】。池先生估計是想用這個搞笑的小寓言“黑”一把大數(shù)據(jù)。
我們知道，針對大數(shù)據(jù)分析，無非有兩個方面的作用：（1）面向過去，發(fā)現(xiàn)潛藏在數(shù)據(jù)表面之下的歷史規(guī)律或模式，稱之為描述性分析（Descriptive Analysis）；（2）面向未來，對未來趨勢進行預(yù)測，稱之為預(yù)測性分析（Predictive Analysis）。把大數(shù)據(jù)分析的范圍從“已知”拓展 到了“未知”，從“過去” 走向 “將來”，這是大數(shù)據(jù)真正的生命力 和“靈魂” 所在。
那頭“悲催”的豬，之所以發(fā)出“大數(shù)據(jù)都是騙人的啊”吶喊，是因為它的得出了一個錯誤的“歷史規(guī)律”：根據(jù)以往的數(shù)據(jù)預(yù)測未來，它每天都會過著“飯來張口”的豬一般的生活。但是沒想到，會發(fā)生“黑天鵝事件”——春節(jié)的殺豬事件。
黑天鵝事件（Black Swan Event) 通常是指，難以預(yù)測的但影響甚大的事件，一旦發(fā)生，便會引起整個局面連鎖負(fù)面反應(yīng)甚至顛覆。讀者可閱讀納西姆·尼古拉斯·塔勒布（Nassim Nicholas Taleb）所著的暢銷書《黑天鵝》，來獲得對“黑天鵝事件”更多的理解。
其實，我們不妨從另外一個角度來分析一下，這個搞笑的小寓言在“黑”大數(shù)據(jù)時，也有失敗的地方。通過閱讀知道，舍恩伯格教授在其著作《大數(shù)據(jù)時代》的第一個核心觀點就是：大數(shù)據(jù)即全數(shù)據(jù)（即n=All，這里n為數(shù)據(jù)的大小），其旨在收集和分析與某事物相關(guān)的“全部”數(shù)據(jù)，而非僅分析“部分”數(shù)據(jù)。
那頭小豬，僅僅著眼于分析它“從小到肥”成長數(shù)據(jù)——局部小數(shù)據(jù)，而忽略了“從肥到?jīng)]”的歷史數(shù)據(jù)。數(shù)據(jù)不全，結(jié)論自然會偏，預(yù)測就會不準(zhǔn)。
要不怎么會有這樣的規(guī)律總結(jié)呢：“人怕出名，豬怕壯”。豬肥了,很容易先被抓來殺掉。這樣的“豬”血淚史，天天都上演的還少嗎？上面的小寓言，其實是告訴我們：數(shù)據(jù)不全，不僅坑爹，還坑命啊！
那么，問題來了，大數(shù)據(jù)等于全數(shù)據(jù)（即n=All），能輕易做到嗎？
故事02：顛簸的街道——對不起，“n=All”只是一個幻覺
波士頓市政府推薦自己的市民，使用一款智能手機應(yīng)用——“顛簸的街道（Street Bump，網(wǎng)站訪問鏈接：http://www.streetbump.org/）”。這個應(yīng)用程序，可利用智能手機中內(nèi)置的加速度傳感器，來檢查出街道上的坑洼之處——在路面平穩(wěn)的地方，傳感器加速度值小，而在坑坑洼洼的地方，傳感器加速度值就大。熱心的波士頓市民們，只要下載并使用這個應(yīng)用程序后，開著車、帶著手機，他們就是一名義務(wù)的、兼職的市政工人，這樣就可以輕易做到“全民皆市政”。市政廳全職的工作人員就無需親自巡查道路，而是打開電腦，就能一目了然的看到哪些道路損壞嚴(yán)重，哪里需要維修，如圖3所示。

圖3 顛簸的街道 （圖片來源：作者截圖）
波士頓市政府也因此驕傲地宣布，“大數(shù)據(jù)，為這座城市提供了實時的信息，它幫助我們解決問題，并提供了長期的投資計劃”。著名期刊《連線》（Wired）也毫不吝嗇它的溢美之詞【5】：這是眾包（Crowdsourcing）改善政府功能的典范之作。
眾包是《連線》雜志記者Jeff Howe于2006年發(fā)明的一個專業(yè)術(shù)語，用來描述一種新的商業(yè)模式。它以自由自愿的形式外包給非特定的大眾網(wǎng)絡(luò)的做法。眾包利用眾多志愿員工的創(chuàng)意和能力——這些志愿員工具備完成任務(wù)的技能，愿意利用業(yè)余時間工作，滿足于對其服務(wù)收取小額報酬，或者暫時并無報酬，僅僅滿足于未來獲得更多報酬的前景。
然而，從一開始，“顛簸的街道”的產(chǎn)品設(shè)計就是有偏的（bias），因為使用這款A(yù)pp的對象，“不經(jīng)意間”要滿足3個條件：（1）年齡結(jié)構(gòu)趨近年輕，因為中老年人愛玩智能手機的相對較少；（2）使用App的人，還得有一部車。雖然有輛車在美國不算事，但畢竟不是每個人都有；（3）有錢，還得有閑。前面兩個條件這還不夠，使用者還得有“閑心”， 想著開車時打開“顛簸的街道”這個App。想象一下，很多年輕人的智能手機安裝的應(yīng)用程序數(shù)量可能兩位數(shù)以上，除了較為常用的社交軟件如Facebook或Twitter（中國用戶用得較多的是微博、微信等）記得開機運行外，還有什么公益軟件“重要地”一開車就記得打開？
“顛簸的街道”的理念在于，它可以提供 “n=All（所有）”個坑洼地點信息， 但這里的“n=All（所有）”也僅僅是滿足上述3個條件的用戶記錄數(shù)據(jù)，而非“所有坑洼點”的數(shù)據(jù)，上述3個條件，每個條件其實都過濾了一批樣本，“n=All”注定是不成立的。在一些貧民窟，可能因為使用手機的、開車的、有閑心的App用戶偏少，即使有些路面有較多坑洼點，也未必能檢測出來。
《大數(shù)據(jù)時代》的作者舍恩伯格教授常用“n=All”，來定義大數(shù)據(jù)集合。如果真能這樣，那么就無需采樣了，也不再有采樣偏差的問題，因為采樣已經(jīng)包含了所有數(shù)據(jù)。
暢銷書《你的數(shù)字感：走出大數(shù)據(jù)分析與解讀的誤區(qū)》（Numbersense: How to Use Big Data to Your Advantage）的作者、美國紐約大學(xué)統(tǒng)計學(xué)教授Kaiser Fung，就毫不客氣地提醒人們，不要簡單地假定自己掌握了所有有關(guān)的數(shù)據(jù)： “N=All（所有）”常常僅僅是對數(shù)據(jù)的一種假設(shè)，而不是現(xiàn)實。
微軟-紐約首席研究員Kate Crawford也指出，現(xiàn)實數(shù)據(jù)是含有系統(tǒng)偏差的，通常需要人們仔細(xì)考量，才有可能找到并糾正這些系統(tǒng)偏差。大數(shù)據(jù)，看起來包羅萬象，但“n=All”往往不過是一個頗有誘惑力的假象而已。
“n=All”,夢想很豐滿，但現(xiàn)實很骨感！
但即使具備全數(shù)據(jù)，就能輕易找到隱藏于數(shù)據(jù)背后的有價值信息嗎？請接著看下面的故事。
故事03：醉漢路燈下找鑰匙——大數(shù)據(jù)的研究方法可笑嗎？
一天晚上，一個醉漢在路燈下不停地轉(zhuǎn)來轉(zhuǎn)去，警察就問他在找什么。醉漢說，我的鑰匙丟了。于是，警察幫他一起找，結(jié)果路燈周圍找了幾遍都沒找到。于是警察就問，你確信你的鑰匙是丟到這兒嗎？醉漢說，不確信啊，我壓根就不知道我的鑰匙丟到哪兒。警察怒從心中來，問，那你到這里來找什么？醉漢振振有辭：因為只有這里有光線??！

圖4 醉漢路燈下找鑰匙（圖片來源：經(jīng)濟學(xué)人）
這個故事很簡單，看完這個故事，有人可能會感嘆醉漢的“幼稚”、“可笑”。但不好笑的是，“烏鴉笑豬黑，自己不覺得”，這個故事也揭示了一個事實：在面臨復(fù)雜問題時，我們的思維方式也常同這個醉漢所差無幾，同樣也是先在自己熟悉的范圍和領(lǐng)域內(nèi)尋找答案，哪怕這個答案和自己的領(lǐng)域“相隔萬里”！
還有人甚至認(rèn)為，醉漢找鑰匙的行為，恰恰就是科學(xué)研究所遵循的哲學(xué)觀。前人的研究成果，恰是是后人研究的基石，也即這則故事中的“路燈”。到路燈下找鑰匙，雖看來有些荒唐，但也是“無奈之下”的明智之舉。
數(shù)據(jù)那么大，價值密度那么低，你也可以去分析，但從何分析起？首先想到的方法和工具，難道不是當(dāng)下你最熟悉的？而你最熟悉的，就能確保它就是最好的嗎？
沃頓商學(xué)院著名教授、紐約時報最佳暢銷書作者喬納?伯杰（Jonah Berger）從另外一個角度，解讀這個故事【6】：在這里，浩瀚的黑夜就是如同全數(shù)據(jù)，“鑰匙”就好比是大數(shù)據(jù)分析中我們要找到的價值目標(biāo)，他認(rèn)為，“路燈”就好比我們要達到這個目標(biāo)的測量“標(biāo)尺”，如果這個標(biāo)尺的導(dǎo)向有問題，順著這個標(biāo)尺導(dǎo)引，想要找到心儀的“鑰匙”，是非常困難的！在我們癡迷于某項自己熟悉的特定測量標(biāo)尺之前，一定要提前審視一下，這個測量標(biāo)尺是否適合幫助我們找到那把“鑰匙”，如果不能，趕快換一盞“街燈”吧！
如果在黑暗中丟失的鑰匙，是大數(shù)據(jù)中的價值，那這個價值也太稀疏了吧。下面的故事，讓我們聊聊大數(shù)據(jù)的價值。
故事04：園中有金不在金——大數(shù)據(jù)的價值
人們在描述大數(shù)據(jù)時，通常表明其具備4個V特征，即4個以V為首字母的英文描述：Volume（體量大）、Variety（模態(tài)多）、Velocity（速度快）及Value（價值大）。前三個V，本質(zhì)上，是為第四個V服務(wù)的。試想一下，如果大數(shù)據(jù)里沒有我們希望得到的價值，我們?yōu)楹芜€辛辛苦苦這么折騰前3個V？
英特爾中國研究院院長吳甘沙先生說，“鑒于大數(shù)據(jù)信息密度低，大數(shù)據(jù)是貧礦，投入產(chǎn)出比不見得好?！薄都~約時報》著名科技記者Steve Lohr，在其采訪報道“大數(shù)據(jù)時代（The Age of Big Data）”中表明【7】，大數(shù)據(jù)價值挖掘的風(fēng)險還在于，會有很多的“誤報”發(fā)現(xiàn)，用斯坦福大學(xué)統(tǒng)計學(xué)教授Trevor Hastie的話來說，就是“在數(shù)據(jù)的大干草垛中，發(fā)現(xiàn)有意義的“針”，其困難在于“很多干草看起來也像針（The trouble with seeking a meaningful needle in massive haystacks of data is that “many bits of straw look like needles）”
針對大數(shù)據(jù)的價值，李國杰院士借助中國傳統(tǒng)的寓言故事《園中有金》，從另外一個角度，說明大數(shù)據(jù)的價值，寓言故事是這樣的【8】：
有父子二人，居山村，營果園。父病后，子不勤耕作，園漸荒蕪。一日，父病危，謂子曰：園中有金。子翻地尋金，無所得，甚悵然。是年秋，園中葡萄、蘋果之屬皆大豐收。子始悟父言之理。
人們總是期望，能從大數(shù)據(jù)中挖掘出意想不到的“大價值”?？衫顕茉菏空J(rèn)為【8】，實際上，大數(shù)據(jù)的價值，主要體現(xiàn)在它的驅(qū)動效應(yīng)上，大數(shù)據(jù)對經(jīng)濟的貢獻，并不完全反映在大數(shù)據(jù)公司的直接收入上，應(yīng)考慮對其他行業(yè)效率和質(zhì)量提高的貢獻。
大數(shù)據(jù)是典型的通用技術(shù)，理解通用技術(shù)的價值，要懂得采用“蜜蜂模型”：蜜蜂的最大效益，并非是自己釀造的蜂蜜，而是蜜蜂傳粉對農(nóng)林業(yè)的貢獻——你能說秋天的累累碩果，沒有蜜蜂的一份功勞？
回到前文的小故事，兒子翻地的價值，不僅在于翻到園中的金子，更是在于翻地之后，促進了秋天果園的豐收。在第03個小故事中，醉漢黑暗中尋找的鑰匙，亦非最終的價值，通過鑰匙打開的門才是。
對于大數(shù)據(jù)研究而言，一旦數(shù)據(jù)收集、存儲、分析、傳輸?shù)饶芰μ岣吡?，即使沒有發(fā)現(xiàn)什么普適的規(guī)律或令人完全想不到的新知識，也極大地推動了諸如計算機軟硬件、數(shù)據(jù)分析等行業(yè)的發(fā)展，大數(shù)據(jù)的價值也已逐步體現(xiàn)。
李國杰院士認(rèn)為，我們不必天天期盼奇跡出現(xiàn)，多做一些“樸實無華”的事，實際的進步就會體現(xiàn)在扎扎實實的努力之中。一些媒體總喜歡宣傳一些抓人眼球的大數(shù)據(jù)成功案例。但從事大數(shù)據(jù)行業(yè)的人士，應(yīng)保持清醒的頭腦：無華是常態(tài)，精彩是無華的質(zhì)變。
如果把“大數(shù)據(jù)”比作農(nóng)夫父子院后的那片土地，那么土地的面積越大，會不會能挖掘出的“金子”就越多呢？答案還真不是，下面的故事我們說說大數(shù)據(jù)的大小之爭。
故事05：蓋洛普抽樣的成功——大小之爭，“大”數(shù)據(jù)一定勝過小抽樣嗎？
1936年，民主黨人艾爾弗雷德?蘭登（Alfred Landon）與時任總統(tǒng)富蘭克林·羅斯福（Franklin Roosevelt）競選下屆總統(tǒng)?！段膶W(xué)文摘》（The Literary Digest）這家頗有聲望的雜志承擔(dān)了選情預(yù)測的任務(wù)。之所以說它“頗有聲望”，是因為《文學(xué)文摘》曾在1920年、1924年、1928年、1932年連續(xù)4屆美國總統(tǒng)大選中，成功地預(yù)測總統(tǒng)寶座的歸屬。
1936年，《文學(xué)文摘》再次雄赳赳、氣昂昂地照辦老辦法——民意調(diào)查，不同于前幾次的調(diào)查，這次調(diào)查把范圍拓展得更廣。當(dāng)時大家都相信，數(shù)據(jù)集合越大，預(yù)測結(jié)果越準(zhǔn)確?！段膶W(xué)文摘》計劃寄出1000萬份調(diào)查問卷，覆蓋當(dāng)時四分之一的選民。最終該雜志在兩個多月內(nèi)收到了驚人的240萬份回執(zhí)，在統(tǒng)計完成以后，《文學(xué)文摘》宣布，艾爾弗雷德?蘭登將會以55比41的優(yōu)勢，擊敗富蘭克林·羅斯福贏得大選，另外4%的選民則會零散地投給第三候選人。
然而，真實的選舉結(jié)果與《文學(xué)文摘》的預(yù)測大相徑庭：羅斯福以61比37的壓倒性優(yōu)勢獲勝。讓《文學(xué)文摘》臉上掛不住的是，新民意調(diào)查的開創(chuàng)者喬治·蓋洛普（George Gallup），僅僅通過一場規(guī)模小得多的問卷——一個3000人的問卷調(diào)查，得出了準(zhǔn)確得多的預(yù)測結(jié)果：羅斯福將穩(wěn)操勝券。蓋洛普的3000人“小”抽樣，居然挑翻了《文學(xué)文摘》240萬的“大”調(diào)查，實在讓專家學(xué)者和社會大眾跌破眼鏡。
顯然，蓋洛普有他獨到的辦法，而從數(shù)據(jù)體積大小的角度來看，“大”并不能決定一切。民意調(diào)查是基于對投票人的大范圍采樣。這意味著調(diào)查者需要處理兩個難題：樣本誤差和樣本偏差。
在過去的200多年里，統(tǒng)計學(xué)家們總結(jié)出了在認(rèn)知數(shù)據(jù)的過程中存在的種種陷阱（如樣本偏差和樣本誤差）。如今數(shù)據(jù)的規(guī)模更大了，采集的成本也更低了，“大數(shù)據(jù)”中依然存在大量的“小數(shù)據(jù)”問題，大數(shù)據(jù)采集同樣會犯小數(shù)據(jù)采集一樣的統(tǒng)計偏差【3】。我們不能掩耳盜鈴，假裝這些陷阱都已經(jīng)被填平了，事實上，它們還都在，甚至問題更加突出。
蓋洛普成功的法寶在于，科學(xué)地抽樣，保證抽樣的隨機性，他沒有盲目的擴大調(diào)查面積，而是根據(jù)選民的分別特征，根據(jù)職業(yè)、年齡、膚色等在3000人的比重，再確定電話訪問、郵件訪問和街頭調(diào)查等各種方式所在比例。由于樣本抽樣得當(dāng)，就可以做到“以小見大”、“一葉知秋”。
《文學(xué)文摘》的失敗在于，取樣存在嚴(yán)重偏差，它的調(diào)查對象主要鎖定為它自己的訂戶。雖然《文學(xué)文摘》的問卷調(diào)查數(shù)量不少，但它的訂戶多集中在中上階層，樣本從一開始就是有偏差的（sample bias），因此，推斷的結(jié)果不準(zhǔn)，就不足為奇了。而且民主黨人艾爾弗雷德?蘭登的支持者，似乎更樂于寄回問卷結(jié)果，這使得調(diào)查的錯誤更進了一步。這兩種偏差的結(jié)合，注定了《讀者文摘》調(diào)查的失敗。
我們可以類比一下《文學(xué)文摘》的調(diào)查模式，試想一樣，如果在中國春運來臨時，在火車上調(diào)查，問乘客是不是買到票了，即使你調(diào)查1000萬人，這可是大數(shù)據(jù)啊，結(jié)論毫無意外地是都買到了，但這個結(jié)果無論如何都是不科學(xué)的，因為樣本的選取是有偏的。
當(dāng)然，采樣也是有缺點的，如果采樣沒有滿足隨機性，即使百分之幾的偏差，就可能丟失“黑天鵝事件”的信號，因此在全數(shù)據(jù)集存在的前提下，全數(shù)據(jù)當(dāng)然是首選（但從第02故事中，我們可以看到，全數(shù)據(jù)通常是無法得到的）。對針對數(shù)據(jù)分析的價值，英特爾中國研究院院長吳甘沙先生給出了一個排序：全數(shù)據(jù)>好采樣數(shù)據(jù)>不均勻的大量數(shù)據(jù)。