大數(shù)據(jù)≠科學(xué)實(shí)驗(yàn)_唯數(shù)據(jù)論者當(dāng)冷靜_數(shù)據(jù)分析師

雙十一的購(gòu)物狂潮已過(guò)，但有關(guān)雙十一的話題依舊層出不窮。從“大數(shù)據(jù)成就雙十一”到“哪個(gè)星座是購(gòu)物狂人”，上至專業(yè)數(shù)據(jù)分析人員，下至業(yè)余星座研究愛(ài)好者，都從中找到了樂(lè)趣。這兩天有關(guān)“購(gòu)買大號(hào)內(nèi)衣的女性往往更敗家”的話題又登上了熱榜。
        
大數(shù)據(jù)分析師在對(duì)阿里巴巴內(nèi)衣銷售數(shù)據(jù)進(jìn)行分析后發(fā)現(xiàn)，購(gòu)買大號(hào)內(nèi)衣的女性往往更“敗家”。其根據(jù)是，65%B罩杯的女性屬于低消費(fèi)顧客，而C罩杯及以上的顧客大多屬于中等消費(fèi)或高消費(fèi)買家。這一結(jié)論是否成立姑且不論，但首先傳遞了一個(gè)信息，今天人們已經(jīng)進(jìn)入數(shù)據(jù)為王的時(shí)代，其中大數(shù)據(jù)似乎又是王中之王。
　　
大數(shù)據(jù)時(shí)代無(wú)論是商業(yè)網(wǎng)站還是搜索網(wǎng)站，人們的所搜所看所買都成為大數(shù)據(jù)的組成部分，無(wú)論之于商業(yè)，還是之于公共衛(wèi)生，抑或國(guó)家安全，它們都是有用的信息。有心人已經(jīng)意識(shí)到，因?yàn)閾碛写罅课唇?jīng)充分研究的中產(chǎn)階層，中國(guó)成為世界上最重要的數(shù)據(jù)市場(chǎng)之一。研究這些數(shù)據(jù)，對(duì)社會(huì)各方面都是多贏。當(dāng)然，保護(hù)人們個(gè)人隱私的代價(jià)需要考慮。
　　
2008年谷歌推出“谷歌流感趨勢(shì)”（GFT）數(shù)據(jù)分析工具，谷歌的工程師根據(jù)這個(gè)工具的數(shù)據(jù)分析，預(yù)測(cè)了2009年H1N1流感將要暴發(fā)，甚至具體到特定的地區(qū)和州。這一結(jié)論在流感暴發(fā)前發(fā)表在英國(guó)的《自然》雜志上。后來(lái)，情況果真如此，這與美國(guó)疾病控制和預(yù)防中心（CDC）的預(yù)測(cè)完全一致，但時(shí)間上比CDC早了近兩周。從2010年起，阿里巴巴利用其數(shù)據(jù)建立的信用記錄，向小微企業(yè)提供融資，也取得了不錯(cuò)的效果。
　　
這些結(jié)果表明，數(shù)據(jù)為王時(shí)代早就到來(lái)。其實(shí)，這并不奇怪。人類文明的三大支柱是材料（物質(zhì)）、能量和信息，數(shù)據(jù)又是信息中的核心部分。古希臘的畢達(dá)哥拉斯早就說(shuō)過(guò)，“一切皆數(shù)”，盡管其所說(shuō)的“數(shù)”與今天的數(shù)據(jù)有所不同，但在某些方面是相似的。
　　
不過(guò)，數(shù)據(jù)為王并不意味著大數(shù)據(jù)為王，或數(shù)據(jù)越多越好，還要看如何分析和利用數(shù)據(jù)，進(jìn)而得出最契合實(shí)際的結(jié)論，并且有效利用這一結(jié)論。因此，如果要承認(rèn)阿里巴巴基于內(nèi)衣銷售的數(shù)據(jù)分析得出的女性胸越大越“敗家”的結(jié)論，就需要有符合客觀實(shí)際的解釋，不幸的是，這一結(jié)論還處于見(jiàn)仁見(jiàn)智的階段。網(wǎng)友的各種分析就提供了佐證：一是“大胸都被有錢人娶了，所以才有能力敗”；二是“說(shuō)明青春期的營(yíng)養(yǎng)狀況確實(shí)會(huì)影響胸的大小”，“胸大的確實(shí)普遍嫁得好”；三是“胸大并不敗家，集中在網(wǎng)上打折的時(shí)候買東西，只會(huì)旺家。”
　　
這筆混亂賬目前肯定掰扯不清，但已有事實(shí)證明，數(shù)據(jù)越大并不意味著越好。就算是谷歌，一旦他們的大數(shù)據(jù)處理和分析不當(dāng)，也會(huì)得出錯(cuò)誤的結(jié)論。2013年1月，美國(guó)又發(fā)生流感，但GFT的預(yù)測(cè)比實(shí)際數(shù)據(jù)高兩倍。這并非偶然出現(xiàn)錯(cuò)誤，而是在過(guò)去一再發(fā)生。2011年8月~2013年9月，GFT高估流感流行長(zhǎng)達(dá)108周。
　　
谷歌的大數(shù)據(jù)為何預(yù)測(cè)不準(zhǔn)呢？發(fā)表在2014年3月14日《科學(xué)》雜志上的一篇文章指出了兩個(gè)主要原因。一是大數(shù)據(jù)浮夸，二是算法變化。大數(shù)據(jù)浮夸指的是，以為大數(shù)據(jù)可以完全取代傳統(tǒng)的數(shù)據(jù)收集方法，而非作為后者的補(bǔ)充。大數(shù)據(jù)浮夸的最大問(wèn)題在于，絕大多數(shù)大數(shù)據(jù)與經(jīng)過(guò)嚴(yán)謹(jǐn)科學(xué)試驗(yàn)得到的數(shù)據(jù)之間存在很大的差異。
　　
另外，谷歌對(duì)算法會(huì)進(jìn)行不斷的調(diào)整和改進(jìn)，搜索引擎算法的改變和用戶的搜索行為會(huì)影響到預(yù)測(cè)結(jié)果，比如媒體對(duì)于流感流行的報(bào)道會(huì)增加與流感相關(guān)的詞語(yǔ)的搜索次數(shù)，進(jìn)而影響GFT的預(yù)測(cè)；相關(guān)搜索算法也會(huì)對(duì)GFT造成影響。例如，搜索“發(fā)燒”，相關(guān)搜索中會(huì)給出關(guān)鍵詞“流感”，而搜索“咳嗽”則會(huì)給出“普通感冒”。
　　        
大數(shù)據(jù)在某種程度上確實(shí)能透析出一些問(wèn)題，但它并不是萬(wàn)能的，在大數(shù)據(jù)應(yīng)用方面保持冷靜，才能讓大數(shù)據(jù)真正實(shí)現(xiàn)其價(jià)值。