淺談：大數據幾個爭議點_數據分析師

“大數據”是近年來國內外業(yè)界與學界熱議的一個話題。它不僅是對一種技術發(fā)展趨勢的描述，也被視為蘊含著發(fā)展機遇的“下一個創(chuàng)新、競爭和生產力的前沿”。就像農業(yè)時代的土地、工業(yè)時代的能源，數據被看作是信息時代的核心資源。而“大數據”概念的產生，意味著人們對這一資源的認識正在不斷深化，為我們理解和改造世界打開了一扇新的大門。

但總的來說，“大數據”仍然屬于新生事物，人們對相關議題還存在很多不同的、乃至針鋒相對的理解。圍繞“大數據”的各種爭議既展示了這個概念所涉議題的復雜性，也說明這一領域的實踐與認識剛剛開始，未來有著無限的可能性。本文選取幾個主要的爭議點，以呈現(xiàn)一幅更加豐富的“大數據”圖景。

“大數據”叫錯了?

“大數據”從字面上理解是指規(guī)模很大的數據。如麥肯錫在2011年報告中的最早界定，“大數據是指其大小超出了典型數據庫軟件的采集、儲存、管理和分析能力的數據集?！壳?，大數據的一般范圍是從幾個TB到數個PB(數千TB)?！?/span>

所謂量變引起質變，基于大規(guī)模的數據，人們可以進行很多具有想象力和創(chuàng)造力的探索和實踐，而這些探索和實踐是在小規(guī)模數據的基礎上是無法完成、甚至無法想象的。”例如，視頻網站Netflix通過分析海量用戶的觀看行為數據，成功地推出劇集《紙牌屋》;又如，谷歌通過跟蹤分析用戶搜索關鍵詞的海量數據，對美國流感疫情的估測值與美國疾病控制和預防中心的報告基本一致。

然而有一些論者認為，“大數據”的命名并不恰當。因為數據規(guī)模大并非“大數據”的核心特征，也沒有體現(xiàn)新技術趨勢的本質。一種觀點認為，數據“在線”比數據“大”更體現(xiàn)新技術趨勢的核心特征。如阿里巴巴集團CTO兼阿里云總裁王堅稱，數據的“在線”遠遠比數據“大”更反映本質，更體現(xiàn)互聯(lián)網的特點，而不在線的數據再大也沒什么價值。而且，“在線”還使得數據搜集、整理、分析變得容易，并且能夠反過來快速對社會產生影響。

還有一種觀點認為，“長數據”(long data)比“大”數據更值得關注，“長數據”即從文明起源至今有關歷史事實的數據集。哈佛大學應用數學家薩繆爾·阿布斯曼認為，“大”數據所呈現(xiàn)的只是信息與知識的切片，只有將數據置入長時段的歷史中我們才能獲取信息與知識的完整圖景。而“長數據”不僅能夠分析長時段的變遷，也能為當下的趨勢變化提供背景。

大數據時代，數據抽樣、因果關系不再重要?

《大數據時代》的作者維克托·邁爾-舍恩伯格認為，大數據時代在分析信息時發(fā)生了三大轉變：第一個轉變是可供分析的數據更多，甚至可以處理和某個特別現(xiàn)象相關的所有數據，而不再依賴于隨機采樣，因為采樣分析是信息匱乏時代和信息流通受限制的模擬數據時代的產物;第二個轉變是追求精確度已變得不可行和不需要，只有掌握大體發(fā)展方向即可;第三個轉變因前兩個轉變而促成，我們無須緊盯事物之間的因果關系，而應該尋找相關關系。大數據告訴我們“是什么”而不是“為什么”，“在大數據時代，我們不必知道現(xiàn)象背后的原因，我們只要讓數據自己發(fā)聲?！?/span>

上述三大轉變的闡述，有一些常用的案例支撐。如亞馬遜網站根據用戶在其網站上的類似查詢數據來進行產品推薦;Twitter等社交網絡通過用戶的社交網絡圖來獲知用戶喜好。

這些說法招致很多質疑。大數據可能是存在系統(tǒng)性偏差的數據，如果不對數據總體、數據可靠性與數據來源進行審慎考慮，即使數據規(guī)模再大也無法提供關于某個現(xiàn)象的可靠結論。例如，通過分析Twitter的海量數據發(fā)現(xiàn)，人們遠離家庭時更快樂，在周四的晚上最悲傷。但這個結論的可靠度很低。首先，來自皮尤研究中心的資料顯示，只有16%的美國成年網民使用Twitter，這顯然不是一個有代表性的樣本，它突出了年輕人群體和大城市人口。其次，我們知道很多Twitter賬戶是由機器自動控制或輔助操作的。最新的估算認為，Twitter上可能有2000萬虛假賬戶。因此，數據捕捉到的那些“人類感情”很可能是由機器表達的。

不僅如此，當數據規(guī)模增大之后，其出現(xiàn)錯誤的可能也隨之增大。北大教授劉德寰以自已翔實的實驗數據證明，巨量數據集和細顆粒度的測量會導致出現(xiàn)“錯誤發(fā)現(xiàn)”的風險增加。他說，“那種認為“假設、檢驗、驗證的科學方法已經過時”的論調，正是大數據時代的混亂與迷茫?！?/span>

劉德寰教授還認為，大數據并不是新事物，天氣、地震、量子物理、基因、醫(yī)學等領域都產生巨量數據，而這些學科都在使用抽樣調查的方法?；ヂ?lián)網數據挖掘方法論也如此。既然是關于人的研究就需應用所有研究人的方法梳理大數據。

而大數據時代相關關系比因果關系更重要的論斷引發(fā)了更多的爭議?！洞髷祿r代》的譯者周濤認為這種觀點是“機器學習和以結果為導向的研究思路”使然，而與大數據無關。還有批評者認為，使用大規(guī)模統(tǒng)計發(fā)現(xiàn)現(xiàn)象關聯(lián)性的相關分析只是科學研究的初級階段，但相關性結論并不能保證有效地指導實際生活。例如，夏天冷飲銷量與蚊子數量在統(tǒng)計上是相關的，但這種相關性的價值不大。又如，統(tǒng)計表明吸煙與肺癌是相關的，那么能否得出為了身份健康就應該戒煙的結論呢?答案是不能。因為你無法從這種相關分析中分辨到底是“吸煙的人更容易得肺癌”，還是“肺癌患者大部分都愛吸煙”。

因此，只有繼續(xù)深化對相關關系的認識，找到事物之間的因果關系及背后的作用機制，才能獲得有用并且可靠的知識。換個角度說，雖然相關分析對于解決特定領域的問題已經足夠，如阿里巴巴的購物推薦，但不同領域的問題并不相通，并不可一概而論。

大數據的社會倫理爭議

大數據時代，各種新技術、新應用帶來了種種生活便利與可能性，而這些技術和應用的前提是數據是開放的和可獲取的。這些生活便利與新可能性的代價往往是個人隱私，也就是說，大數據時代網絡獲取的數據越多，其提供服務的能力便越強。這種特征蘊含著一系列的價值沖突與社會倫理爭議。

首先，是對個人隱私權的擔憂。盡管許多數據提供者盡力避免泄露個人隱私，但是這種風險仍然很大。比如手機使用數據，看起來似乎是匿名的，但是最近歐洲一項針對150萬手機用戶的研究表明，只需要四個參考點(four points of reference)就能識別95%的個人用戶。而把醫(yī)療數據出售給分析公司存在同樣的風險，這些數據對于提供針對性強的個性化治療方案十分有幫助，但是個人醫(yī)療記錄很可能被不當使用或泄露。

即使看起來不那么重要的個人數據(如年齡、性別)，被泄露后也可能造成信息安全風險。有研究稱，只要知道一個人的年齡、性別和郵編，便可識別出87%人的身份。因為大數據公司可以根據這些數據與公開的數據庫交叉比對，并結合對個人行為特征的分析，如購買了哪些商品，所處位置，便可以生成一系列的“推測數據”(inferred data)而危及個人信息安全。

其次，大數據有可能加劇歧視現(xiàn)象。人們普遍認為大數據不存在“社會偏見”，因為分析是在一個廣泛的層面進行的，能夠回避基于群體的歧視現(xiàn)象。但事實上，大數據通常把個體歸入某個群體，從而得出群體之間差異表現(xiàn)的結論。有業(yè)界人士指出，大數據被用作價格歧視工具的隱患已經引起了有關公民權的強烈擔憂。大數據可以被用來區(qū)隔不同的社會群體，并對他們區(qū)別對待，特別是用于商業(yè)用途，而法律通常明確禁止商業(yè)活動這樣做。

最近劍橋大學針對Facebook的一項大數據研究被用來估測一些非常敏感的用戶個人信息，例如性取向、種族、宗教、政治傾向、性格、智力、幸福感、吸毒情況、父母婚姻狀況、年齡和性別等。有業(yè)內人士認為，這些高度敏感的信息可能被雇主、房東、政府機構、教育機構和私營組織輕易獲取，用于對某些個體的歧視和懲罰。

最后，大數據還可能造成數據壟斷?！按髷祿睍r代也帶來信息存儲和管理的集中化。這是因為能夠擁有大數據的往往是擁有強大技術實力與廣泛用戶的大公司。只有大公司才有技術能力、資金實力自建平臺，來存儲、分析海量數據，進而在大數據中發(fā)掘價值。

例如，F(xiàn)acebook到2012年約有10億用戶，覆蓋了大約10%的全球人口，這個巨大的社交網絡內所有的關系和活動在數據化之后都為一家公司所掌控。這也意味著，這些大公司有可能為了維護自己的利益與壟斷地位，而拒絕公開數據。大數據最終可能變成少數幾個大公司的游戲。