大數(shù)據(jù)時代，用「大、快、雜、疑」四字箴言帶你認識大數(shù)據(jù)

你可能有注意到，「大數(shù)據(jù)(Big Data)」在我們的生活裡已經(jīng)掀起滔天巨浪，繼云端運算(Cloud Computing)之后，儼然成為學術界跟科技業(yè)中最熱門的潮字(Buzz Word)，似乎每家公司都在進行有關的研究，三句不離大數(shù)據(jù)。究竟大數(shù)據(jù)是怎么出現(xiàn)，又代表著什么意思呢?

　　大數(shù)據(jù)(Big Data)，巨量資料爆炸的時代

　　大數(shù)據(jù)(Big Data)—— 或稱巨量資料，顧名思義，是指大量的資訊，當資料量龐大到資料庫系統(tǒng)無法在合理時間內進行儲存、運算、處理，分析成能解讀的資訊時，就稱為大數(shù)據(jù)。

　　“Big data is data that exceeds the processing capacity of conventional database systems.”

　　這些巨量資料中有著珍貴的訊息，像是關聯(lián)性(Unknown Correlation)、未顯露的模式(Hidden Patterns)、市場趨勢(Market Trend)，可能埋藏著前所未有的知識跟應用等著被我們挖掘發(fā)現(xiàn);但由于資料量太龐大，流動速度太快，現(xiàn)今科技無法處理分析，促使我們不斷研發(fā)出新一代的資料儲存設備及科技，希望從大數(shù)據(jù)中萃取出那些有價值的資訊。

　　「Big Data」這個詞最早由 IBM 提出，2010 年才真正開始受到注目，并成為專業(yè)用語登上維基百科1，算是「大數(shù)據(jù)」的正式問世。而在 2012 年時，《紐約時報》的專欄文章「The Age of Big Data2」更是宣告了「大數(shù)據(jù)時代」的來臨。值得一提的是，大數(shù)據(jù)并不是什么新興的概念，事實上，歐洲粒子物理研究中心 (CERN)的科學家已經(jīng)面對巨量資料的問題好幾十年了，處理著每秒上看 PB (Peta Bytes，註：PB = 1,024 TB)的資料量3。

　　TED-Ed 的影片講解 Big Data 概念，簡單又好懂：

　　一般來說，大數(shù)據(jù)涵蓋的範圍很廣，定義也各家歧異，2012 年 Gartner 公司的分析師 Douglas Laney 給予大數(shù)據(jù)一個全新定義4：「大數(shù)據(jù)是大量、高速、及/或類型多變的資訊資產(chǎn)，它需要全新的處理方式，去促成更強的決策能力、洞察力與最佳化處理?！?/span>

 　　于是大部份機構跟公司都將大數(shù)據(jù)的特性歸類為「3Vs」或「4Vs」–– 資料量 Volume、資料傳輸速度 Velocity、資料類型(Variety)，以及后來提出的第四個 V —— 真實性 Veracity。以下整理了 4Vs 簡單的定義跟解釋，可以從這四點切入認識大數(shù)據(jù)。

　　Volume 資料量

　　以前人們「手動」在表格中記錄、累積出數(shù)據(jù);現(xiàn)在數(shù)據(jù)是由機器、網(wǎng)路、人與人之間的社群互動來生成。你現(xiàn)在正在點擊的滑鼠、來電、簡訊、網(wǎng)路搜尋、線上交易... 都正在生成累積成龐大的數(shù)據(jù)，因此資料量很容易就能達到數(shù) TB(Tera Bytes，兆位元組)，甚至上看 PB(Peta Bytes，千兆位元組)或 EB(Exabytes，百萬兆位元組)的等級。

　　Velocity 資料輸入輸出速度

　　資料的傳輸流動(data streaming)是連續(xù)且快速的，隨著越來越多的機器、網(wǎng)路使用者，社群網(wǎng)站、搜尋結果每秒都在成長，每天都在輸出更多的內容。公司跟機構要處理龐大的資訊大潮向他們襲來，而回應、反應這些資料的速度也成為他們最大的挑戰(zhàn)，許多資料要能即時得到結果才能發(fā)揮最大的價值，因此也有人會將 Velocity 認為是「時效性」。

　　Variety 資料類型

　　大數(shù)據(jù)的來源種類包羅萬象，十分多樣化，如果一定要把資料分類的話，最簡單的方法是分兩類，結構化與非結構化。早期的非結構化資料主要是文字，隨著網(wǎng)路的發(fā)展，又擴展到電子郵件、網(wǎng)頁、社交媒體、視訊，音樂、圖片等等，這些非結構化的資料造成儲存(storage)、探勘(mining)、分析(analyzing)上的困難。

　　Veracity 真實性

　　這個詞由在 Express Scripts 擔任首席數(shù)據(jù)官(Chief Data Officer, CDO)的 Inderpal Bhandar 在波士頓大數(shù)據(jù)創(chuàng)新高峰會(Big Data Innovation Summit)的演講中提出，認為大數(shù)據(jù)分析中應該加入這點做考慮，分析并過濾資料有偏差、偽造、異常的部分，防止這些「dirty data」損害到資料系統(tǒng)的完整跟正確性，進而影響決策。

 　　大數(shù)據(jù)特性，謹記四字箴言：「大、快、雜、疑」

　　大數(shù)據(jù)資料量龐「大」(Volume)、變化飛「快」(Velocity)，種類繁「雜」(Variety)，以及真?zhèn)未妗敢伞?Veracity)。尤其在這資訊大爆炸時代，這些資料變得又多、又快、又雜、又真?zhèn)坞y分。

　　當然在「大數(shù)據(jù)」一詞像病毒一樣，侵入我們生活中的各個層面，也有越來越多人提出更多的「V」來解釋大數(shù)據(jù)，像是 Volatility、Validity、Value、Victory 等，這些分歧的意見在這就不多詳述，只要知道有這些說法、以后聽到別人說到「7Vs」時不要覺得驚訝就行啦!