大數(shù)據(jù)蕩漾了無數(shù)創(chuàng)業(yè)者和技術(shù)男的春心。而它作為一個(gè)典型的2B市場(chǎng)，創(chuàng)業(yè)者們面對(duì)的是什么樣的B呢?哪些行業(yè)會(huì)擁有大數(shù)據(jù)呢?大數(shù)據(jù)通常分為四類：科研數(shù)據(jù)，互聯(lián)網(wǎng)數(shù)據(jù)，企業(yè)數(shù)據(jù)，和感知數(shù)據(jù)。

科研數(shù)據(jù)屬于大數(shù)據(jù)時(shí)代前很久就存在的史前生物，可能來自生物工程、天文望遠(yuǎn)鏡或粒子對(duì)撞機(jī)，不一而足。這些數(shù)據(jù)存在于封閉系統(tǒng)中，玩家都是傳統(tǒng)上做高性能計(jì)算(HPC)的企業(yè)，這里不再展開。值得一提的是，常常聽到這些企業(yè)憤憤不平地說很多大數(shù)據(jù)技術(shù)是他們發(fā)明的，大數(shù)據(jù)只是某些人創(chuàng)造和炒作的新概念。公允地講，很多大數(shù)據(jù)技術(shù)脫胎于HPC不假。只是這些老兄也未必純潔。早在大數(shù)據(jù)作為一個(gè)新概念出現(xiàn)之前，他們就開始炒一個(gè)概念，Data Intensive Scalable Computing (DISC)。DISC挾數(shù)據(jù)庫(kù)老法師JimGray(彼時(shí)Jim公在微軟研究院做天文數(shù)據(jù)處理的研究)第四范式(The Fourth Paradigm)之名，居高臨下卻未能君臨天下。有很多原因，如DISC沒有Big Data響亮，Jim公離奇海上失蹤，等等。但在下認(rèn)為最主要的原因還是格局小了，只盯著高富帥的科研數(shù)據(jù)，而忽略了大眾市場(chǎng)。

互聯(lián)網(wǎng)大數(shù)據(jù)是目前這個(gè)時(shí)代的主流，尤其社交媒體被認(rèn)為是大數(shù)據(jù)的爆發(fā)點(diǎn)。幾乎所有的大數(shù)據(jù)技術(shù)都起源于互聯(lián)網(wǎng)企業(yè)。所有這些企業(yè)當(dāng)中，做搜索的最大，不說谷歌，百度也達(dá)到了千PB的規(guī)模。Facebook、Yahoo等都在數(shù)百PB，Amazon、阿里應(yīng)該也同在此列。互聯(lián)網(wǎng)數(shù)據(jù)增長(zhǎng)的驅(qū)動(dòng)力一是梅特卡夫定律(互聯(lián)網(wǎng)企業(yè)的價(jià)值與用戶數(shù)的平方成正比)，二是扎克伯格反復(fù)引用的信息分享理論：一個(gè)人分享的信息每一到兩年翻番。

大型互聯(lián)網(wǎng)企業(yè)的大數(shù)據(jù)生態(tài)系統(tǒng)也比較獨(dú)特，一方面不同程度上參與開源，一方面維護(hù)自給自足的生態(tài)系統(tǒng)，甚至連硬件都越來越依靠自己了：從谷歌開始，后有Facebook的Open Compute Project，國(guó)內(nèi)有TAB主導(dǎo)的天蝎計(jì)劃。大型互聯(lián)網(wǎng)公司不只是自身產(chǎn)生大體量數(shù)據(jù)，它還有平臺(tái)級(jí)的帶動(dòng)作用，如Facebook之于Zynga。阿里牽頭做數(shù)據(jù)交換平臺(tái)也是件好事。

對(duì)于中型互聯(lián)網(wǎng)公司來說，基本上也能夠維持大數(shù)據(jù)技術(shù)團(tuán)隊(duì)，只不過與大型互聯(lián)網(wǎng)公司的核心開發(fā)能力和社區(qū)貢獻(xiàn)能力相比，他們更多部重兵在外圍開發(fā)、優(yōu)化和運(yùn)維。當(dāng)然，他們多少會(huì)有一些絕招，比如豆瓣的推薦，暴風(fēng)的Hadoop管理。

三線互聯(lián)網(wǎng)公司有數(shù)據(jù)但沒有大數(shù)據(jù)能力，這催生了一些大數(shù)據(jù)技術(shù)和服務(wù)的機(jī)會(huì)，如百分點(diǎn)為電商網(wǎng)站做個(gè)性化推薦和營(yíng)銷分析，各類廣告聯(lián)盟、移動(dòng)應(yīng)用服務(wù)平臺(tái)為網(wǎng)站和移動(dòng)應(yīng)用提供統(tǒng)計(jì)分析、營(yíng)銷服務(wù)等。

進(jìn)入移動(dòng)互聯(lián)網(wǎng)時(shí)代后，移動(dòng)平臺(tái)的感知功能和LBS的普及，使得互聯(lián)網(wǎng)數(shù)據(jù)與感知數(shù)據(jù)產(chǎn)生了重疊。同樣，企業(yè)數(shù)據(jù)和感知數(shù)據(jù)本質(zhì)上也并不是所謂MECE(不重復(fù)、不遺漏)的劃分，如企業(yè)會(huì)部署物聯(lián)網(wǎng)收集感知數(shù)據(jù)。之所以把它們分為兩類，是傳統(tǒng)上認(rèn)為企業(yè)數(shù)據(jù)是人產(chǎn)生的，感知數(shù)據(jù)是物、傳感器、標(biāo)識(shí)等機(jī)器產(chǎn)生的。感知數(shù)據(jù)的體量要大得多，Teradata預(yù)測(cè)感知數(shù)據(jù)的總量在2015年超過社交媒體，并達(dá)到后者的10-20倍。重慶平安城市項(xiàng)目在薄王出事前規(guī)劃了50萬攝像頭，數(shù)據(jù)存儲(chǔ)需求要達(dá)到百PB級(jí)別，不亞于世界級(jí)的互聯(lián)網(wǎng)公司。相比而言，企業(yè)的數(shù)據(jù)比起十年前并沒有數(shù)量級(jí)的提升，只不過在傳統(tǒng)結(jié)構(gòu)化數(shù)據(jù)的基礎(chǔ)上加入了非結(jié)構(gòu)化數(shù)據(jù)的內(nèi)容。

把企業(yè)數(shù)據(jù)和感知數(shù)據(jù)放在一起講是因?yàn)樗鼈兌忌婕皞鹘y(tǒng)產(chǎn)業(yè)，從經(jīng)濟(jì)總量上要比互聯(lián)網(wǎng)產(chǎn)業(yè)大很多，而且傳統(tǒng)產(chǎn)業(yè)自身的大數(shù)據(jù)能力有限，所以這是大數(shù)據(jù)技術(shù)和服務(wù)企業(yè)的主要目標(biāo)市場(chǎng)。但目前骨感的現(xiàn)實(shí)是就單個(gè)企業(yè)而言，具有大數(shù)據(jù)需求的并不多見。比如說麥肯錫的報(bào)告中把制造業(yè)列為大數(shù)據(jù)存量最多的行業(yè)，但很少聽到制造企業(yè)上馬大數(shù)據(jù)項(xiàng)目。即使有，如Zara，只是在市場(chǎng)營(yíng)銷上加入了互聯(lián)網(wǎng)的招數(shù)，來自終端的需求獲得這塊有點(diǎn)意思，供應(yīng)鏈和生產(chǎn)這塊相比大數(shù)據(jù)之前沒有太多新意。通過數(shù)據(jù)采集和分析來提升制造業(yè)的效率，會(huì)是個(gè)很大的市場(chǎng)，這是工業(yè)物聯(lián)網(wǎng)，但未必是大數(shù)據(jù)。

從行業(yè)上講，擁有大數(shù)據(jù)的主要在公共管理和服務(wù)、電信、金融、醫(yī)療和零售等方面。但啃這些客戶都不是易事：

(1) 公共管理和服務(wù)領(lǐng)域最高可以達(dá)到百PB級(jí)，但金主是政府，能讓他們看得上眼的沒幾家，而且BOT不好玩。

(2) 電信和金融可以達(dá)到數(shù)十PB級(jí)，但客大欺店，而且自身IT能力較強(qiáng)。

(3) 醫(yī)療的瓶頸在跨醫(yī)院的數(shù)據(jù)整合，這塊目前開來只能地方牽頭做，但地方的事兒有很多裙帶關(guān)系出沒。

(4) 零售業(yè)內(nèi)有大數(shù)據(jù)的一定是連鎖，多數(shù)成本壓力大，議價(jià)能力強(qiáng)，賺他們的錢不容易。

從賺錢機(jī)會(huì)上來看，大數(shù)據(jù)還沒到“滿地是沙子、滿地是金子”的時(shí)候。對(duì)于大數(shù)據(jù)技術(shù)和服務(wù)公司而言，三線互聯(lián)網(wǎng)公司是現(xiàn)成的機(jī)會(huì)。而最大的蛋糕——企業(yè)數(shù)據(jù)和感知數(shù)據(jù)，目前只是聞到香味而已。好在競(jìng)爭(zhēng)還不激烈，海外的高富帥(IBM、EMC、Microsoft等)太高太貴，平民產(chǎn)品(Cloudera的CDH、Hortonworks的HDP和Intel的IDH Hadoop發(fā)行版)還在學(xué)習(xí)市場(chǎng)，國(guó)內(nèi)的互聯(lián)網(wǎng)大佬們似乎還未覬覦這塊蛋糕(阿里是最有可能先跨界伸手的)，華為還戴著《基本法》的鐐銬徘徊在信息服務(wù)業(yè)的門口，三大電信有企圖但技術(shù)還不成熟。國(guó)內(nèi)互聯(lián)網(wǎng)企業(yè)將再次扮演黃埔軍校，培養(yǎng)前仆后繼的大數(shù)據(jù)創(chuàng)業(yè)者。

最后補(bǔ)充一句，即使大數(shù)據(jù)還沒到大規(guī)模爆發(fā)的春天，大數(shù)據(jù)早期接納者(early adopters)的啟動(dòng)還是會(huì)催生咨詢服務(wù)的市場(chǎng)。

面臨大體量數(shù)據(jù)，在思維和行動(dòng)上要做什么樣的準(zhǔn)備?——業(yè)務(wù)決策者應(yīng)有的大數(shù)據(jù)觀

每每開會(huì)談大數(shù)據(jù)，似乎不是Hadoop就是NoSQL數(shù)據(jù)庫(kù)。究其原因，主要可能還是與會(huì)人員來自互聯(lián)網(wǎng)企業(yè)和技術(shù)第一線。其實(shí)，大數(shù)據(jù)是一種思維，一種戰(zhàn)略，而它應(yīng)該是面對(duì)用戶、面向業(yè)務(wù)和應(yīng)用的。業(yè)務(wù)決策者和企業(yè)IT技術(shù)人員很明顯在各種大數(shù)據(jù)峰會(huì)上缺位了。好在，前面所說的兩本書，就是為他們準(zhǔn)備的。

大數(shù)據(jù)時(shí)代，需要新的世界觀。大數(shù)據(jù)開啟了一個(gè)新的世界，我們對(duì)這個(gè)世界的認(rèn)知必須主動(dòng)求變。

舊的認(rèn)識(shí)是“數(shù)據(jù)是稀缺資源”，這種認(rèn)識(shí)直接導(dǎo)致“數(shù)據(jù)小農(nóng)”心態(tài)。大數(shù)據(jù)開始于數(shù)據(jù)測(cè)量，而數(shù)據(jù)小農(nóng)揀著測(cè)、挑著存、采著樣來處理，總是幻想能夠從最少的數(shù)據(jù)壓榨出最多的信息。

而新的認(rèn)識(shí)是，要參與大數(shù)據(jù)的游戲并且致勝，必須產(chǎn)生大數(shù)據(jù)。在大數(shù)據(jù)時(shí)代，擁有大數(shù)據(jù)是一種幸福和特權(quán)。舍恩伯格在《大數(shù)據(jù)時(shí)代》里指出三大思維變革之首就是要數(shù)據(jù)全集，不要樣本子集(其它兩大變革以后會(huì)說到)。這個(gè)思維的基礎(chǔ)是有全集數(shù)據(jù)。因此，每一個(gè)個(gè)體、企業(yè)和政府需要自覺、客觀、全面地去測(cè)量世界，并且把數(shù)據(jù)存下來。把數(shù)據(jù)采集和保存成為一種信仰，成為一種責(zé)任。

決策者需要具備的大數(shù)據(jù)觀很簡(jiǎn)單：數(shù)據(jù)不是累贅，要投資數(shù)據(jù)采集的基礎(chǔ)設(shè)施，采完用完不要急著扔掉，把它存下來，數(shù)據(jù)里有很多價(jià)值(在以后講Value時(shí)會(huì)詳述)，數(shù)據(jù)的存儲(chǔ)和搬運(yùn)會(huì)越來越便宜，IT部門可以從成本中心變成利潤(rùn)中心。

揀著測(cè)、挑著存、采著樣處理，問題在于自我選擇機(jī)制導(dǎo)致的低數(shù)據(jù)質(zhì)量。有個(gè)老外寫了本書叫《Raw data is an oxymoron》，直譯是“原始數(shù)據(jù)的說法是一種矛盾修辭法”。因?yàn)閿?shù)據(jù)不是自然資源，它不是“原始”的，它是帶著文化背景和主觀傾向的人去產(chǎn)生和解釋的，帶入了自我選擇機(jī)制，從前數(shù)字時(shí)代到數(shù)字時(shí)代，無一例外。所以，必須盡量地減少主觀性。第一，盡量由“機(jī)器”來決定采什么、哪里采。拿在程序里加日志為例，可以通過源代碼分析工具來自動(dòng)插入日志的寫入點(diǎn)。第二，如果是答案產(chǎn)生的過程本身帶有主觀性(如民意調(diào)查)，那數(shù)據(jù)采集可能需要設(shè)計(jì)成多變量(如通過問很多問題)來約束主觀誤差。第三，盡量把數(shù)據(jù)采集和存儲(chǔ)納入基礎(chǔ)框架，而不是來一個(gè)業(yè)務(wù)做一種采集/存儲(chǔ)方案。

采樣處理還有個(gè)問題，基于隨機(jī)采樣的方法可以使數(shù)據(jù)反映常態(tài)現(xiàn)象(個(gè)位數(shù)百分點(diǎn)的誤差)，但容易遺漏個(gè)案的異常。由于現(xiàn)在經(jīng)濟(jì)中的“黑天鵝現(xiàn)象”往往是個(gè)案異常，采樣方法可能攤上大事。

子沛在《大數(shù)據(jù)》里講到政府采集數(shù)據(jù)時(shí)的減負(fù)原則很重要。一旦數(shù)據(jù)采集是種負(fù)擔(dān)，它的完整性和真實(shí)性都會(huì)產(chǎn)生瑕疵。純軟件的數(shù)據(jù)采集還好，如果需要人力物力，決策者要適當(dāng)引入激勵(lì)機(jī)制。

當(dāng)然，在采集到大數(shù)據(jù)以后，決策者需要做的事就更多了，涉及人、文化、組織和流程等諸方面。因?yàn)榻裉炀椭v大體量，這些以后再表。如果看官著急，不妨把出自Teradata的《駕馭大數(shù)據(jù)》找來看看。

舍恩伯格在他的另一本書《刪除》中表達(dá)了數(shù)字化時(shí)代要學(xué)會(huì)遺忘(digital forgetting)的觀點(diǎn)，講述了數(shù)據(jù)太多的煩惱和風(fēng)險(xiǎn)。這與全集思維并不矛盾。大數(shù)據(jù)的低信息密度和高冗余度不排除采取刪除(如去冗余)的手段，在很多場(chǎng)合下還需要匿名化(anonymization)、混淆(obfuscation)和過濾(filtering)，但實(shí)施這些手段的前提是保留數(shù)據(jù)全集的完整性和分析價(jià)值。

大數(shù)據(jù)大體量，對(duì)于業(yè)界巨擘、創(chuàng)業(yè)者和業(yè)務(wù)決策者，不同的人有不同的理解，今天暫且侃到這兒。下一篇聊大數(shù)據(jù)的多樣性和混雜性(Variety)。

預(yù)告一下未來系列內(nèi)容：

(1) 多樣性和混雜性(Variety)

(2) 快速化(Velocity)

(3) 真實(shí)性(Veracity)

(4) 大價(jià)值(Value)

(5) 相關(guān)性和因果性

(6) 數(shù)據(jù)權(quán)利

(7) 數(shù)據(jù)分析

(8) 企業(yè)IT人員的簡(jiǎn)易手冊(cè)

(9) …