數(shù)據(jù)抽樣的終結(jié)者—大數(shù)據(jù)分析

“如果你真的想要了解發(fā)生在您企業(yè)業(yè)務中的真相，你需要大量的非常詳細的數(shù)據(jù)資料。”數(shù)據(jù)倉庫研究院（TDWI）研究主任菲利普？盧瑟姆在其最新的一份TDWI大數(shù)據(jù)分析報告中寫道?！叭绻阏娴南肟匆恍┠銖奈匆娺^的東西，這有助于您挖掘從未被商業(yè)智能分析過的數(shù)據(jù)。”
    這便是大數(shù)據(jù)分析存在的理由，其是前所未有的。不僅僅是大數(shù)據(jù)概念的本身提醒著我們，至少我們還可以追溯到21世紀初，“彼時，存儲和CPU技術(shù)正被百萬兆字節(jié)的數(shù)據(jù)所淹沒，IT面臨著數(shù)據(jù)的可擴展性危機?！贬槍Υ笠?guī)模和不同的數(shù)據(jù)集的應用程序中先進的分析技術(shù)是前所未有的（如數(shù)據(jù)挖掘）。這便是大數(shù)據(jù)分析的出現(xiàn)所帶來的劃時代的意義了。盧瑟姆說，這是數(shù)據(jù)可擴展性危機結(jié)束的信號。
    這給企業(yè)帶來了前所未有的意義。針對企業(yè)所收集的數(shù)據(jù)進行數(shù)據(jù)挖掘、數(shù)據(jù)分析，并在某些情況下作出相關(guān)的報告。這就是為什么諸如數(shù)據(jù)抽樣這樣的實踐方案被視為企業(yè)相當務實的必需品。
    “你不能把整個數(shù)據(jù)集都放入到數(shù)據(jù)挖掘計劃中。你必須選擇你所需要的數(shù)據(jù)，必須確保數(shù)據(jù)的正確性，因為如果你沒有投入正確的數(shù)據(jù)，你的技術(shù)可能不奏效?！?a href='/map/shujucangku/' style='color:#000;font-size:inherit;'>數(shù)據(jù)倉庫研究院研究員馬克？馬德森在預測分析研討會上告訴與會者。
    “你可以將您所收集到的數(shù)據(jù)中的一個很小的比例投入挖掘…概率事件的采樣?！彼^續(xù)說，“但分解會非常罕見，成為非常罕見的事件，使其很難變成樣本?！?br />     理想情況下，你要找出所有這些“罕見”事件，他們屬于異常現(xiàn)象，如欺詐行為、客戶流失和潛在的供應鏈中斷。他們是隱藏在你未分化的數(shù)據(jù)中的高價值的東西，很難找到。
    IBM,微軟，甲骨文和Teradata,以及與其他大多數(shù)著名的BI和數(shù)據(jù)倉庫（DW）供應商，紛紛開始銷售整合了Hadoop的產(chǎn)品。有些甚至大肆宣揚自己實現(xiàn)了無處不在的MapReduce算法。
    這些供應商不只是談論大數(shù)據(jù)，他們正在談論大數(shù)據(jù)結(jié)合先進的分析技術(shù)，如數(shù)據(jù)挖掘，統(tǒng)計分析和預測分析。換句話說，他們正在談論的是大數(shù)據(jù)分析。
    根據(jù)數(shù)據(jù)倉庫研究院的研究顯示，大數(shù)據(jù)分析還沒有到來；尚未被主流所接受。在數(shù)據(jù)倉庫研究院最近的調(diào)查中，超過三分之一（34%）的受訪者表示，他們所在的企業(yè)結(jié)合大數(shù)據(jù)，實行了某種形式的先進的分析。在大多數(shù)情況下，他們僅僅采用非常簡便的方法。例如，數(shù)據(jù)抽樣。
    數(shù)據(jù)集成專家PervasiveSoftware公司的大數(shù)據(jù)產(chǎn)品的高級主管DaveInbar說，事實上，如果企業(yè)沒有考慮逐步淘汰抽樣調(diào)查和其他過去的所謂最佳實踐的“神器”,他們真的是后知后覺了。
    “如果你繼續(xù)采用數(shù)據(jù)抽樣的方法，你可以實際處理所有數(shù)據(jù)，但數(shù)據(jù)的科學性本質(zhì)上是削弱的。”他說?！霸?a href='/map/hadoop/' style='color:#000;font-size:inherit;'>Hadoop的世界，沒有任何理由不采用商品硬件、真正的智能軟件。在過去，我們采用抽樣數(shù)據(jù)，可能還有經(jīng)濟成本方面的考量原因，或者技術(shù)達不到的原因。但在今天，這些原因都不復存在。數(shù)據(jù)采樣在過去是最好的實踐方案，但我認為它的時代已經(jīng)過去了?！?br />     “大海撈針的問題不適合采用樣本，所以你這樣過分強調(diào)訓練集，可能會導致問題。”負責信息管理咨詢的馬德森指出，“最終，運行整個數(shù)據(jù)集要比緊緊按照統(tǒng)計算法和擔心樣本更容易。技術(shù)可以在出現(xiàn)分配挑戰(zhàn)時處理數(shù)據(jù)的問題，并可以訪問統(tǒng)計方法?！?