大數(shù)據(jù)時(shí)代 數(shù)據(jù)分析如何進(jìn)行

大數(shù)據(jù)時(shí)代究竟意味著什么？更多數(shù)據(jù)——理論上，全部數(shù)據(jù)都可以納入收集、挖掘、分析和利用的范疇。正如牛津大學(xué)網(wǎng)絡(luò)學(xué)院互聯(lián)網(wǎng)研究所治理與監(jiān)管專業(yè)教授維克托·邁爾-舍恩伯格在其所著的《大數(shù)據(jù)時(shí)代》一書(shū)中指出的，“我們可以分析更多的數(shù)據(jù)，有時(shí)候甚至可以處理和某個(gè)特別現(xiàn)象相關(guān)的所有數(shù)據(jù)，而不再依賴于隨機(jī)采樣”。

《大數(shù)據(jù)時(shí)代》也指出，海量數(shù)據(jù)納入分析，必然意味著甄別、篩除，并由此帶來(lái)誤差和相對(duì)精確的結(jié)果?！罢`差”和“相對(duì)精確”是什么意思呢？基于計(jì)算機(jī)和互聯(lián)網(wǎng)的系統(tǒng)服務(wù)、軟件服務(wù)仍不免出現(xiàn)出錯(cuò)乃至面臨崩潰，比如，殺毒軟件會(huì)發(fā)生“錯(cuò)殺”、“誤殺”，手機(jī)里的防騷擾軟件有時(shí)會(huì)對(duì)通訊錄里邊的已有號(hào)碼開(kāi)展攔截，最可靠的電子郵箱仍不免將明明很安全的郵件驅(qū)逐到“垃圾郵箱”。

紐約大學(xué)統(tǒng)計(jì)系教授馮啟思（Kaiser Fung）在《數(shù)據(jù)統(tǒng)治世界》一書(shū)中，對(duì)大數(shù)據(jù)時(shí)代到來(lái)背景下，數(shù)據(jù)挖掘分析所需遵循的統(tǒng)計(jì)規(guī)律及其應(yīng)用進(jìn)行了深入而頗具趣味的探討。馮啟思以反興奮劑組織為例，更深入的探討了誤差和相對(duì)精確問(wèn)題。

對(duì)于反興奮劑組織而言，“假陰性”、“假陽(yáng)性”或許是永遠(yuǎn)無(wú)法避免的尷尬，前者指的是服用禁藥卻通過(guò)某種方式主動(dòng)或檢測(cè)機(jī)構(gòu)的疏漏，而錯(cuò)誤檢測(cè)為隱性，以類固醇檢測(cè)為例，每確認(rèn)一個(gè)使用就要漏過(guò)十個(gè)“假陰性”；后者則指沒(méi)有服用過(guò)禁藥的無(wú)辜者，卻被藥檢為陽(yáng)性?！凹訇?yáng)性”與正確的藥檢隱性的比例達(dá)到了1：899。藥檢檢測(cè)機(jī)構(gòu)面對(duì)的一個(gè)消長(zhǎng)關(guān)系是：假陽(yáng)性少了，假陰性就多了，反之亦然，即放寬檢測(cè)的某些指標(biāo)，可以減少乃至防止無(wú)辜者被錯(cuò)檢為假陽(yáng)性的可能；收緊某些指標(biāo)，就會(huì)減少服用禁藥者逃過(guò)處罰的比率，看上去，這是個(gè)均衡的風(fēng)險(xiǎn)等式。實(shí)則不然，錯(cuò)檢無(wú)辜者的假陽(yáng)性事件，會(huì)給體育部門(mén)、反興奮劑組織帶來(lái)極大壓力，招致運(yùn)動(dòng)員工會(huì)、媒體和公眾的強(qiáng)烈抨擊；假陰性引起的批評(píng)就要少得多，因?yàn)闆](méi)有直接的、個(gè)人化的受害者。因此，檢測(cè)機(jī)構(gòu)會(huì)盡量避免假陽(yáng)性發(fā)生，容忍“假陽(yáng)性”的存在，寧可放過(guò)十個(gè)，也絕不冤枉一個(gè)。

在一些國(guó)家和地區(qū)，刑事案件偵辦以及反恐機(jī)構(gòu)開(kāi)展中運(yùn)用到的測(cè)謊，則出現(xiàn)了反向偏向，造成大量的無(wú)辜者被認(rèn)定為罪犯或恐怖主義組織成員，為其沒(méi)有犯下的罪行錯(cuò)誤承擔(dān)責(zé)任。值得注意的是，無(wú)論是反興奮劑檢測(cè)，還是反恐檢查，都較早的體現(xiàn)了大數(shù)據(jù)海量采集數(shù)據(jù)的理念，應(yīng)用并不斷更新升級(jí)數(shù)據(jù)挖掘與分析的技術(shù)，但仍不能避免假陽(yáng)性和假陰性兩類誤差帶來(lái)的極大代價(jià)（經(jīng)濟(jì)代價(jià)和社會(huì)代價(jià)），甚至可能因錯(cuò)誤檢測(cè)和冤案葬送公眾對(duì)反恐體系、司法體制的信心。很顯然，大數(shù)據(jù)時(shí)代在誤差不可避免的情況下，要在假陽(yáng)性和假陰性兩類誤差之間取得某種平衡，讓誤差造成的社會(huì)總成本趨于最低，而這也才是相對(duì)精確的要義所在。

數(shù)據(jù)挖掘與數(shù)據(jù)分析，所對(duì)應(yīng)的是“統(tǒng)計(jì)式思維”。馮啟思在《數(shù)據(jù)統(tǒng)治世界》這本書(shū)中分別談及了平均數(shù)與差異性、隨機(jī)模型和相關(guān)模型、組別差異、精確與誤差、小概率等“統(tǒng)計(jì)式思維”涉及到的重要概念。歸結(jié)他的觀點(diǎn)，第一，數(shù)據(jù)分析要避免陷入平均化誤區(qū)，要努力辨識(shí)發(fā)現(xiàn)數(shù)據(jù)差異性。舉例來(lái)說(shuō)，百年一遇的災(zāi)害，并不能理解為在一百年內(nèi)每一年的災(zāi)害風(fēng)險(xiǎn)只有1%，事實(shí)上很多保險(xiǎn)公司在償付巨災(zāi)后的賠款時(shí)迅速滑向破產(chǎn)，就源于對(duì)災(zāi)害風(fēng)險(xiǎn)極端變異性和空間集中性的忽略。第二，要挖掘數(shù)據(jù)之間的相關(guān)性，而不能僅僅停留于因果性。第三，要善于建立標(biāo)準(zhǔn)對(duì)數(shù)據(jù)開(kāi)展分類分組分析，也就是實(shí)現(xiàn)更趨精確的比較。第四，重視風(fēng)險(xiǎn)，但要避免將過(guò)多資源投放到防止或爭(zhēng)取某些小概率事件發(fā)生之上。這些要點(diǎn)不僅是大數(shù)據(jù)時(shí)代值得重視和遵循的數(shù)據(jù)挖掘分析重要原則，而且也有助于人們更好、更為深入的認(rèn)識(shí)社會(huì)復(fù)雜系統(tǒng)，借助數(shù)據(jù)挖掘分析的力量改善工作與生活。