案例｜大数据表象的“结果反转”

　　前两年，有本书叫《大数据时代》风靡世界，作者在书里提出了大数据的三大思维，一是要全集不要采样，二是要混杂不要精确，三是要相关性不要因果性。前英特尔中国研究院院长吴甘沙在混沌研习社进行了一次演讲，对上面三大思维进行了反思，提出了以下三个观点。

　　第一，不是说数据越多预测就越准确。

　　传统采样是这么做的，一万个样本，我选一百个来处理，这样做处理数据的速度就变快了，但有些重要的数据可能我们采不到。所以《大数据时代》这本书里才说，要全集不要采样。但今天每个公司都有自己的数据，所以想要拿到所有的数据基本上很难。另外，如果真的采集到了所有的数据，投入是非常高的，但是产出却没期望的那么大。大数据就像一个贫矿，价值密度很低，如果没把握，最好不要规划采集全部数据。

　　第二，吴甘沙说，如果数据没有辨识度就没有意义。

　　《大数据时代》说，要混杂的数据，不要精确的数据，因为现实中的数据都是混在一起的，所以没办法避免混杂。确实，混杂性是客观存在的，但不一定就是我们需要的。因为数据的价值就在于它的真实性、辨识度和准确性。所以，数据的质量依然非常重要。如果没有辨识度，那这个数据就没有意义了。举个例子，我们上网的时候，浏览过什么网页，都会被记录下来。但过了两个月，我的网页改版了，这些信息就没有用了，这些缺乏辨识度的数据就应该扔掉了。

　　再举个例子，谷歌曾经用搜索来预测流感，因为谷歌发现，如果一个地方很多人都在搜索“流感”这个词的时候，这个地方很可能正在发生流感。所以，根据流感的被搜索次数，谷歌就能知道哪里发生流感了。但后来谷歌的很多预测都是不准确的，有些没发生流感的地方也被预测得了流感。这是因为，那些搜索流感的人，不一定就得了流感。就算是去医院看流感的人，大部分也都没得流感，谷歌的预测就不准了。所以，谷歌这个预测失败的原因之一就是混杂性很高，因为有了“发烧、打喷嚏”这样的数据，不代表一个人一定得了流感，这么预测就是不准的。

　　第三，吴甘沙认为，不能让这种所谓的数据相关性主宰我们的生活。

　　今天很多人都觉得，我们知道是什么就行了，不用知道为什么。比如，啤酒和尿布放在一起卖，卖得很好，但为什么卖得好，你用不着知道，直接放一起卖就行了。还有人说，男人一看球，女人就网购，这也是一种相关性，你也不用知道为什么，营销上直接利用这一点就是了。其实，如果只是根据表面的相关性就推出一个结论，这样做是有问题的。

　　举个例子，美国印地安纳州，是美国肺癌死亡率最高的州。你马上就会觉得，这个地方空气肯定不好。其实，这里空气特别好，就是因为空气太好了，所以很多肺癌病人都搬到那里了，而且都死在那里，于是就有了这样的数据。如果你不明就里，拿着空气净化器跑来推销，很明显会失败。所以，你必须了解数据背后的因果性。

　　大数据处理信息服务商金盛网聚认为，大数据的开发和利用是一项系统工程，其中涉及多个层面及维度的研究。大数据本身体现出的情况固然重要，但其背后的成因以及表现出的真实性都是需要经过分析研究的。以舆情为例，针对某一话题，充斥于网络的各种声音自然都是大数据的一部分，面对鱼龙混杂的数据，首先要判别出舆论中感性判断与理性分析的成分，其次就理性内容进行筛查，看其观点是否立得住，是否是出于利益考量而被裹挟。经过多重分析方可相对客观地了解话题的舆论倾向性。

　　金盛网聚（北京）科技有限公司成立于2012年，是一家数据处理与信息咨询服务商，公司拥有自主核心技术与服务咨询的团队， 公司“WJFbaric-互联网大数据信息监测SaaS平台”目前注册使用客户将近上万个，为企业、政府、学术机构、成功人士等提供在线信息收集、展示、阅读、存储的免费平台，公司远景致力于通过数据+计算形成可视化的人工智能决策平台。