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(wù)中的真相，你需要大量的非常詳細(xì)的數(shù)據(jù)資料?！?a href='/map/shujucangku/' style='color:#000;font-size:inherit;'>數(shù)據(jù)倉(cāng)庫(kù)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(bào)告中寫道?！叭绻阏娴南肟匆恍┠銖奈匆娺^(guò)的東西，這有助于您挖掘從未被商業(yè)智能分析過(guò)的數(shù)據(jù)?！?br />     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(jì)初，“彼時(shí)，存儲(chǔ)和CPU技術(shù)正被百萬(wàn)兆字節(jié)的數(shù)據(jù)所淹沒，IT面臨著數(shù)據(jù)的可擴(kuò)展性危機(jī)?！贬槍?duì)大規(guī)模和不同的數(shù)據(jù)集的應(yīng)用程序中先進(jìn)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(lái)的劃時(shí)代的意義了。盧瑟姆說(shuō)，這是數(shù)據(jù)可擴(kuò)展性危機(jī)結(jié)束的信號(hào)。
    這給企業(yè)帶來(lái)了前所未有的意義。針對(duì)企業(yè)所收集的數(shù)據(jù)進(jìn)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(bào)告。這就是為什么諸如數(shù)據(jù)抽樣這樣的實(shí)踐方案被視為企業(yè)相當(dāng)務(wù)實(shí)的必需品。
    “你不能把整個(gè)數(shù)據(jù)集都放入到數(shù)據(jù)挖掘計(jì)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?yàn)槿绻銢]有投入正確的數(shù)據(jù)，你的技術(shù)可能不奏效。”數(shù)據(jù)倉(cāng)庫(kù)研究院研究員馬克？馬德森在預(yù)測(cè)分析研討會(huì)上告訴與會(huì)者。
    “你可以將您所收集到的數(shù)據(jù)中的一個(gè)很小的比例投入挖掘…概率事件的采樣。”他繼續(xù)說(shuō)，“但分解會(huì)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?，F(xiàn)象，如欺詐行為、客戶流失和潛在的供應(yīng)鏈中斷。他們是隱藏在你未分化的數(shù)據(jù)中的高價(jià)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(cāng)庫(kù)（DW）供應(yīng)商，紛紛開始銷售整合了Hadoop的產(chǎn)品。有些甚至大肆宣揚(yáng)自己實(shí)現(xiàn)了無(wú)處不在的MapReduce算法。
    這些供應(yīng)商不只是談?wù)摯髷?shù)據(jù)，他們正在談?wù)摯髷?shù)據(jù)結(jié)合先進(jìn)的分析技術(shù)，如數(shù)據(jù)挖掘，統(tǒng)計(jì)分析和預(yù)測(cè)分析。換句話說(shuō)，他們正在談?wù)摰氖?a href='/map/dashujufenxi/' style='color:#000;font-size:inherit;'>大數(shù)據(jù)分析。
    根據(jù)數(shù)據(jù)倉(cāng)庫(kù)研究院的研究顯示，大數(shù)據(jù)分析還沒有到來(lái)；尚未被主流所接受。在數(shù)據(jù)倉(cāng)庫(kù)研究院最近的調(diào)查中，超過(guò)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(shí)行了某種形式的先進(jìn)的分析。在大多數(shù)情況下，他們僅僅采用非常簡(jiǎn)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(jí)主管DaveInbar說(shuō)，事實(shí)上，如果企業(yè)沒有考慮逐步淘汰抽樣調(diào)查和其他過(guò)去的所謂最佳實(shí)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(shí)際處理所有數(shù)據(jù)，但數(shù)據(jù)的科學(xué)性本質(zhì)上是削弱的?！彼f(shuō)?！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(guò)去，我們采用抽樣數(shù)據(jù)，可能還有經(jīng)濟(jì)成本方面的考量原因，或者技術(shù)達(dá)不到的原因。但在今天，這些原因都不復(fù)存在。數(shù)據(jù)采樣在過(guò)去是最好的實(shí)踐方案，但我認(rèn)為它的時(shí)代已經(jīng)過(guò)去了?！?br />     “大海撈針的問(wèn)題不適合采用樣本，所以你這樣過(guò)分強(qiáng)調(diào)訓(xùn)練集，可能會(huì)導(dǎo)致問(wèn)題。”負(fù)責(zé)信息管理咨詢的馬德森指出，“最終，運(yùn)行整個(gè)數(shù)據(jù)集要比緊緊按照統(tǒng)計(jì)算法和擔(dān)心樣本更容易。技術(shù)可以在出現(xiàn)分配挑戰(zhàn)時(shí)處理數(shù)據(jù)的問(wèn)題，并可以訪問(wèn)統(tǒng)計(jì)方法。”