嘉賓介紹：朱林，一個(gè)開發(fā)了17年程序的老程序員，熱愛開發(fā)，有11年的安全開發(fā)經(jīng)驗(yàn)，現(xiàn)任賽克藍(lán)德公司技術(shù)總監(jiān)，從事數(shù)據(jù)分析領(lǐng)域相關(guān)產(chǎn)品的研發(fā)，公司現(xiàn)已開發(fā)一款日志分析產(chǎn)品(SeciLog)。
精彩觀點(diǎn)
在大數(shù)據(jù)時(shí)代已經(jīng)到來的時(shí)候要用大數(shù)據(jù)思維去發(fā)掘大數(shù)據(jù)的潛在價(jià)值
在中國，絕大多數(shù)的公司是沒有太多數(shù)據(jù)的
現(xiàn)實(shí)的情況往往是數(shù)據(jù)只能驗(yàn)證現(xiàn)在，數(shù)據(jù)無法預(yù)見未來
一切不以解決業(yè)務(wù)為出發(fā)點(diǎn)的技術(shù)都是耍流氓
很多時(shí)候數(shù)據(jù)并沒有我們想象的這么值錢，尤其是互聯(lián)網(wǎng)上很容易采集到的數(shù)據(jù)
大數(shù)據(jù)應(yīng)該是從小數(shù)據(jù)逐漸演變上去的，是一個(gè)正常的生態(tài)，而不是瞬間變化的
聲明
個(gè)人言論，本文僅從另一個(gè)視角看待大數(shù)據(jù)，如不能理解請(qǐng)一笑而過，勿做無謂的拍磚，僅此而已。
引言
現(xiàn)在很多人都熱衷于把大數(shù)據(jù)放在嘴邊，但你要問一下什么是大數(shù)據(jù)，大數(shù)據(jù)和你有什么關(guān)系?估計(jì)很少人能說出個(gè)一二三來。
究其原因，一是因?yàn)榇蠹覍?duì)新技術(shù)有著很深的原始渴求，至少在聊天時(shí)不會(huì)顯得很“土鱉”;二是在工作和生活環(huán)境中真正能參與實(shí)踐大數(shù)據(jù)的案例實(shí)在太少了。
一、什么是大數(shù)據(jù)
最早提出大數(shù)據(jù)時(shí)代到來的是麥肯錫，他說：
“數(shù)據(jù)，已經(jīng)滲透到當(dāng)今每一個(gè)行業(yè)和業(yè)務(wù)職能領(lǐng)域，成為重要的生產(chǎn)因素。人們對(duì)于海量數(shù)據(jù)的挖掘和運(yùn)用，預(yù)示著新一波生產(chǎn)率增長和消費(fèi)者盈余浪潮的到來。”
IBM 最早將大數(shù)據(jù)的特征歸納為4個(gè)“V”，即：
體量Volume，數(shù)據(jù)體量巨大。大數(shù)據(jù)的起始計(jì)量單位至少是P(1000個(gè)T)、E(100萬個(gè)T)或Z(10億個(gè)T)
多樣Variety，數(shù)據(jù)類型繁多。比如，網(wǎng)絡(luò)日志、視頻、圖片、地理位置信息等等。
價(jià)值Value，價(jià)值密度低，商業(yè)價(jià)值高。
快速Velocity，處理速度快。這一點(diǎn)也是和傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)有著本質(zhì)的不同。
其實(shí)這些V并不能真正說清楚大數(shù)據(jù)的所有特征，下面這張圖對(duì)大數(shù)據(jù)的一些相關(guān)特性做出了有效的說明。
維克托·邁爾-舍恩伯格在《大數(shù)據(jù)時(shí)代》一書中舉了百般例證，都是為了說明一個(gè)道理
在大數(shù)據(jù)時(shí)代已經(jīng)到來的時(shí)候要用大數(shù)據(jù)思維去發(fā)掘大數(shù)據(jù)的潛在價(jià)值
書中，作者提及最多的是Google如何利用人們的搜索記錄挖掘數(shù)據(jù)二次利用價(jià)值，比如預(yù)測某地流感爆發(fā)的趨勢(shì);
Amazon如何利用用戶的購買和瀏覽歷史數(shù)據(jù)進(jìn)行有針對(duì)性的書籍購買推薦，以此有效提升銷售量;
Farecast如何利用過去十年所有的航線機(jī)票價(jià)格打折數(shù)據(jù)，來預(yù)測用戶購買機(jī)票的時(shí)機(jī)是否合適。
書中提到大數(shù)據(jù)的核心是預(yù)測。有三個(gè)思路的轉(zhuǎn)變：
不是隨機(jī)樣本，而是全量數(shù)據(jù);
不是精確性，而是混雜型;
不是因果關(guān)系，而是相關(guān)關(guān)系。
二、現(xiàn)狀分析
根據(jù)國家統(tǒng)計(jì)局2014年12月16日發(fā)布的《第三次全國經(jīng)濟(jì)普查主要數(shù)據(jù)公報(bào)》中顯示：
全國共有從事第二產(chǎn)業(yè)和第三產(chǎn)業(yè)活動(dòng)的法人單位1085.7萬個(gè)，占全部企業(yè)法人單位95.6%。從業(yè)人員35602.3萬人，平均每個(gè)單位32.8人。
這個(gè)數(shù)據(jù)說明了中國絕大多數(shù)的企業(yè)都是中小企業(yè)，在這種情況下，有多少企業(yè)有海量數(shù)據(jù)呢?
我們換個(gè)角度再看看以下數(shù)據(jù)，我們搜索一下國內(nèi)幾個(gè)典型客戶的網(wǎng)站排名情況(查詢網(wǎng)站是alexa)。
用友：
東軟：
綠盟：
從中可以看出用友的PV最大，也就是一天75000個(gè)，一年的數(shù)據(jù)量也就是2300萬，在加上別的數(shù)據(jù)，數(shù)據(jù)的量級(jí)也就是G級(jí)別的，還遠(yuǎn)未到T級(jí)，更別說P級(jí)了。
在這個(gè)量級(jí)上，一臺(tái)好點(diǎn)的 PC Server 就可以處理完成大部分的需求，如果考慮到可靠性最多需要兩臺(tái)。
通過上面的分析，我們可以發(fā)現(xiàn)在中國，絕大多數(shù)的公司是沒有太多數(shù)據(jù)的。
三、大數(shù)據(jù)的核心價(jià)值
《大數(shù)據(jù)時(shí)代》中提到的大數(shù)據(jù)的核心價(jià)值是預(yù)測，但我們提到大數(shù)據(jù)時(shí)，往往提到的都是大數(shù)據(jù)技術(shù)，比如Hadoop、Spark、Storm、Hbase、Hive等等，人們對(duì)此的討論總是樂此不彼。
但現(xiàn)實(shí)的情況往往是數(shù)據(jù)只能驗(yàn)證現(xiàn)在，數(shù)據(jù)無法預(yù)見未來!
舉個(gè)最近的例子：
大數(shù)據(jù)告訴我們股市暴跌后必然有反彈。于是6.25大跌后，大家都認(rèn)為周五必然有一個(gè)反彈。結(jié)果周五就被*們狠狠的教育了一把。
6.28的雙降(降息，降準(zhǔn))，所有都說周一6.29會(huì)上漲，可周一中國的*讓散戶們明白，數(shù)據(jù)和經(jīng)驗(yàn)只是你的一廂情愿，他不會(huì)給你一絲的喘息機(jī)會(huì)。
一切不以解決業(yè)務(wù)為出發(fā)點(diǎn)的技術(shù)都是耍流氓，計(jì)算機(jī)技術(shù)的發(fā)展是非常迅速的，往往一個(gè)技術(shù)可能沒有多長時(shí)間就會(huì)被淘汰或者升級(jí)。
如果沒有業(yè)務(wù)場景作為支持，存粹的學(xué)習(xí)大數(shù)據(jù)的技術(shù)是沒有太大價(jià)值的，筆者崇尚的是學(xué)以致用。
因?yàn)榇竽X有個(gè)很明顯的特征是健忘，如果用不到，學(xué)這些技術(shù)過一段時(shí)間就會(huì)忘記，還不如暫時(shí)不學(xué)，等后面需要用到的時(shí)候在學(xué)(原理基礎(chǔ)知識(shí)等除外)。
四、數(shù)據(jù)真的值錢嗎
很多時(shí)候數(shù)據(jù)并沒有我們想象的這么值錢，尤其是互聯(lián)網(wǎng)上很容易采集到的數(shù)據(jù)，比如：爬蟲這個(gè)東西。
我一開始不是太懂，但是花點(diǎn)時(shí)間，基本上通了，無論是用Python自己寫一個(gè)，還是直接用現(xiàn)成的各種軟件，都是很快就可以部署并開始采集。
中國有大量的程序員，還有的稍微懂點(diǎn)編程的計(jì)算機(jī)愛好者，另外爬蟲軟件的出現(xiàn)可以讓一個(gè)新手隨便花點(diǎn)時(shí)間就可以學(xué)會(huì)采集。所以采集的門檻在降低。
另外，數(shù)據(jù)的可復(fù)制性導(dǎo)致其廉價(jià)，尤其是非結(jié)構(gòu)性的數(shù)據(jù)，從現(xiàn)在互聯(lián)網(wǎng)上大量的轉(zhuǎn)載文章就可以看出知識(shí)的傳播復(fù)制是非常廉價(jià)的。
數(shù)據(jù)的利用才是有價(jià)值的。比如：
一個(gè)老板，他每天看幾十個(gè)零散數(shù)據(jù)放到他面前，但是卻沒有把行為數(shù)據(jù)和商業(yè)數(shù)據(jù)的關(guān)系告訴他，有什么用呢?
一個(gè)公司CEO，每天看到幾十個(gè)數(shù)據(jù)，什么PV、PU、UV等等是沒有意義的。
對(duì)于他們來說，只需要知道有問題嗎?問題是什么?有新的發(fā)現(xiàn)嗎?需要做什么?這就行了。
五、大數(shù)據(jù)的泡沫
伯克利的Jordan教授給出了答案，他是機(jī)器學(xué)習(xí)世界范圍內(nèi)最被尊敬的專家之一(下面的翻譯來自知乎上的作者Quinn Sure)。
目前的大數(shù)據(jù)給出的結(jié)果可靠性太低，如果急于應(yīng)用到實(shí)際中，就好比是土木工程都沒學(xué)好就開始造橋，結(jié)果只能造出“*工程”。
一大波“false positive”(假陽性)正在接近，因?yàn)閿?shù)據(jù)增長的速度不夠支撐我們把大數(shù)據(jù)到處亂用的欲望。作為一個(gè)科學(xué)，不夠嚴(yán)謹(jǐn)(原文是“沒有error bar”)。
不像造橋的土木工程，經(jīng)過多年的積累，明確地能告訴我們什么樣的情況可以造，什么不可以。而大數(shù)據(jù)沒有。
目前在computer vision領(lǐng)域進(jìn)展還很小，只能在非常有限的范圍內(nèi)識(shí)別，比如人臉識(shí)別這樣非常具體的引用(雖然這個(gè)不是直接說大數(shù)據(jù)，但是可以看出，作者認(rèn)為真正做到萬物都sensor還很遠(yuǎn)，大數(shù)據(jù)的采集能力終究還是有限的)
neural network根本和人腦的neural network不是一回兒事，我們對(duì)大腦的理解根本沒到可以引用到計(jì)算機(jī)科學(xué)的程度。
現(xiàn)在deep learning所采用的back propagation技巧，明顯不是大腦的運(yùn)作方式，network的結(jié)構(gòu)都完全不同，什么對(duì)數(shù)據(jù)的模糊性處理已經(jīng)達(dá)到人腦的境界云云，主要是媒體扯談。
對(duì)他觀點(diǎn)的總結(jié)：
有些媒體為了讓公眾容易理解，打了些比方，但是這種比方造成了太多誤解，進(jìn)而造成了太多hype(夸張的大肆宣傳)。
大數(shù)據(jù)還是一個(gè)沒有足夠嚴(yán)謹(jǐn)程度的科學(xué)，可能有一定的概率做出一些有用的預(yù)測，但是使用不當(dāng)，過分過早地依賴，則會(huì)造成災(zāi)難性的后果。
很多時(shí)候大家過早對(duì)一個(gè)技術(shù)爆發(fā)熱情，寄希望它可以改變世界，如果短時(shí)間沒有成果，有可能熱情一下子轉(zhuǎn)冷又覺得這是個(gè)錯(cuò)誤，加速抽離給這個(gè)技術(shù)的資源。
顯然Michael很擔(dān)心現(xiàn)在公眾對(duì)這個(gè)技術(shù)的熱情，并不是基于對(duì)這個(gè)技術(shù)的理解，從而有可能會(huì)經(jīng)歷這樣的態(tài)度轉(zhuǎn)變。但是他認(rèn)為這個(gè)領(lǐng)域是現(xiàn)實(shí)存在的，很多重要的應(yīng)用，假以時(shí)日，是會(huì)創(chuàng)造價(jià)值的。但是現(xiàn)在很多媒體宣傳，甚至投資行為，都是泡沫。
六、從小數(shù)據(jù)開始
那怎么做的呢?
從小數(shù)據(jù)開始，小數(shù)據(jù)就是個(gè)體化的數(shù)據(jù)，是我們每個(gè)個(gè)體或組織的數(shù)字化信息。
比如我天天都喝一兩酒，突然有天喝完酒了胃疼，我就想了，這天和之前有何不同?原來，這天喝的酒是個(gè)新牌子，可能就是喝了這個(gè)新牌子的酒讓我胃疼。
這就是我生活中的“小數(shù)據(jù)”，它不比大數(shù)據(jù)那樣浩瀚繁雜，卻對(duì)我自己至關(guān)重要。
現(xiàn)在很多企業(yè)面臨的最大問題不是怎么用大數(shù)據(jù)，而是小數(shù)據(jù)都沒用好的情況下怎么用大數(shù)據(jù)。
大數(shù)據(jù)應(yīng)該是從小數(shù)據(jù)逐漸演變上去的，是一個(gè)正常的生態(tài)，而不是瞬間變化的。
首先，要了解自己的企業(yè)，自己所在的行業(yè)的核心是什么。有很多企業(yè)在競爭的過程中，最終不是被現(xiàn)在的競爭對(duì)手打敗，而是被很多不是你的競爭對(duì)手所打敗。
很簡單的一個(gè)例子，大家都認(rèn)為亞馬遜是做電商的，但這是錯(cuò)的，它現(xiàn)在最主要的收入來自于云服務(wù)。
所以要找到企業(yè)的核心數(shù)據(jù)，這個(gè)是最關(guān)鍵的。只有在這個(gè)基礎(chǔ)上，利用分析好這些數(shù)據(jù)，然后在做一些延伸。
其次，再找與內(nèi)部相關(guān)的一些數(shù)據(jù)，去慢慢地成長它。有點(diǎn)像滾雪球，第一層是核心，第二層是外圍相關(guān)的數(shù)據(jù)。第三層是外部機(jī)構(gòu)的一些結(jié)構(gòu)化數(shù)據(jù)。第四層是社會(huì)化的，以及各種現(xiàn)在所謂的非結(jié)構(gòu)化的數(shù)據(jù)。
這幾層要一層一層地找到它，而且要找到與自己相關(guān)的有價(jià)值的東西。這樣你的數(shù)據(jù)才能利用起來。
更多內(nèi)容請(qǐng)關(guān)注微信公眾號(hào)：secisland,產(chǎn)品QQ*流：317896151
申請(qǐng)創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！
