在數(shù)據(jù)“爆炸”的時(shí)代，大數(shù)據(jù)常常被寄予厚望。到底，什么樣的數(shù)據(jù)才算大數(shù)據(jù)，怎樣才能用好大數(shù)據(jù)，傳統(tǒng)統(tǒng)計(jì)學(xué)還有用武之地嗎？清華大學(xué)統(tǒng)計(jì)學(xué)研究中心前不久成立，著名統(tǒng)計(jì)學(xué)家、哈佛大學(xué)終身教授劉軍擔(dān)任主任。日前，劉軍做客人民日?qǐng)?bào)、人民網(wǎng)《文化講壇》，分享他的思考。

　　讓大數(shù)據(jù)區(qū)別于數(shù)據(jù)的，是其海量積累、高增長(zhǎng)率和多樣性

　　什么是數(shù)據(jù)？數(shù)據(jù)（data）在拉丁文里是“已知”的意思，在英文中的一個(gè)解釋是“一組事實(shí)的集合，從中可以分析出結(jié)論”。籠統(tǒng)地說(shuō)，凡是用某種載體記錄下來(lái)的、能反映自然界和人類社會(huì)某種信息的，就可稱之為數(shù)據(jù)。古人“結(jié)繩記事”，打了結(jié)的繩子就是數(shù)據(jù)。步入現(xiàn)代社會(huì)，信息的種類和數(shù)量越來(lái)越豐富，載體也越來(lái)越多。數(shù)字是數(shù)據(jù)，文字是數(shù)據(jù)，圖像、音頻、視頻等都是數(shù)據(jù)。

　　什么是大數(shù)據(jù)呢？量的增多，是人們對(duì)大數(shù)據(jù)的第一個(gè)認(rèn)識(shí)。隨著科技發(fā)展，各個(gè)領(lǐng)域的數(shù)據(jù)量都在迅猛增長(zhǎng)。有研究發(fā)現(xiàn)，近年來(lái)，數(shù)字?jǐn)?shù)據(jù)的數(shù)量每3年多就會(huì)翻一番。大數(shù)據(jù)區(qū)別于數(shù)據(jù)，還在于數(shù)據(jù)的多樣性。正如高德納咨詢公司研究報(bào)告指出的，數(shù)據(jù)的爆炸是三維的、立體的。所謂的三維，除了指數(shù)據(jù)量快速增大外，還指數(shù)據(jù)增長(zhǎng)速度的加快，以及數(shù)據(jù)的多樣性，即數(shù)據(jù)的來(lái)源、種類不斷增加。從數(shù)據(jù)到大數(shù)據(jù)，不僅是量的積累，更是質(zhì)的飛躍。海量的、不同來(lái)源、不同形式、包含不同信息的數(shù)據(jù)可以容易地被整合、分析，原本孤立的數(shù)據(jù)變得互相聯(lián)通。這使得人們通過(guò)數(shù)據(jù)分析，能發(fā)現(xiàn)小數(shù)據(jù)時(shí)代很難發(fā)現(xiàn)的新知識(shí)，創(chuàng)造新的價(jià)值。

　　通過(guò)數(shù)據(jù)來(lái)研究規(guī)律、發(fā)現(xiàn)規(guī)律，貫穿了人類社會(huì)發(fā)展的始終。人類科學(xué)發(fā)展史上的不少進(jìn)步都和數(shù)據(jù)采集分析直接相關(guān)，例如現(xiàn)代醫(yī)學(xué)流行病學(xué)的開(kāi)端。倫敦1854年發(fā)生了大規(guī)模的霍亂，很長(zhǎng)時(shí)間沒(méi)有辦法控制。一位醫(yī)師用標(biāo)點(diǎn)地圖的方法研究了當(dāng)?shù)厮植己突魜y患者分布之間的關(guān)系，發(fā)現(xiàn)有一口水井周圍，霍亂患病率明顯較高，借此找到了霍亂暴發(fā)的原因：一口被污染的水井。關(guān)閉這口水井之后，霍亂的發(fā)病率明顯下降。這種方法，充分展示了數(shù)據(jù)的力量。

　　本質(zhì)上說(shuō)，許多科學(xué)活動(dòng)都是數(shù)據(jù)挖掘，不是從預(yù)先設(shè)定好的理論或者原理出發(fā)，通過(guò)演繹來(lái)研究問(wèn)題，而是從數(shù)據(jù)本身出發(fā)通過(guò)歸納來(lái)總結(jié)規(guī)律。近現(xiàn)代以來(lái)，隨著我們面臨的問(wèn)題變得越來(lái)越復(fù)雜，通過(guò)演繹的方式來(lái)研究問(wèn)題常常變得很困難。這就使得數(shù)據(jù)歸納的方法變得越來(lái)越重要，數(shù)據(jù)的重要性也越發(fā)凸顯出來(lái)。

　　大數(shù)據(jù)是非競(jìng)爭(zhēng)性資源，有助于政府科學(xué)決策、商家精準(zhǔn)營(yíng)銷

　　大數(shù)據(jù)時(shí)代，數(shù)據(jù)的重要作用更加凸顯，許多國(guó)家都把大數(shù)據(jù)提升到國(guó)家戰(zhàn)略的高度。

　　政府合理利用大數(shù)據(jù)，引導(dǎo)決策的將是基于實(shí)證的事實(shí)，政府會(huì)更有預(yù)見(jiàn)性、更加負(fù)責(zé)、更加開(kāi)放。中國(guó)古代治國(guó)就已經(jīng)有重?cái)?shù)據(jù)的思想，如商鞅提出，“強(qiáng)國(guó)知十三數(shù)……欲強(qiáng)國(guó)，不知國(guó)十三數(shù)，地雖利，民雖眾，國(guó)愈弱至削”。大數(shù)據(jù)時(shí)代，循“數(shù)”治國(guó)將更加有效。小數(shù)據(jù)時(shí)代，政府做決策更多依憑經(jīng)驗(yàn)和局部數(shù)據(jù)，難免頭痛醫(yī)頭、腳痛醫(yī)腳。比如，交通堵塞就多修路。大數(shù)據(jù)時(shí)代，政府做決策能夠從粗放型轉(zhuǎn)向集約型。路堵了，利用大數(shù)據(jù)分析，可以得知哪一時(shí)間、哪一地段最容易堵，或在這一地段附近多修路，或提前預(yù)警引導(dǎo)居民合理安排出行，實(shí)現(xiàn)對(duì)交通流的最佳配置和控制，改善交通。

　　對(duì)于商家來(lái)說(shuō)，大數(shù)據(jù)使精準(zhǔn)營(yíng)銷成為可能。一個(gè)有趣的故事，是沃爾瑪超市的“啤酒、尿布”現(xiàn)象。沃爾瑪超市分析銷售數(shù)據(jù)時(shí)發(fā)現(xiàn)，顧客消費(fèi)單上和尿布一起出現(xiàn)次數(shù)最多的商品，竟然是啤酒。跟蹤調(diào)查后發(fā)現(xiàn)，有不少年輕爸爸會(huì)在買(mǎi)尿布時(shí)，順便買(mǎi)些啤酒喝。沃爾瑪發(fā)現(xiàn)這一規(guī)律后，搭配促銷啤酒、尿布，銷量大幅增加。大數(shù)據(jù)時(shí)代，每個(gè)人都會(huì)“自發(fā)地”提供數(shù)據(jù)。我們的各種行為，如點(diǎn)擊網(wǎng)頁(yè)、使用手機(jī)、刷卡消費(fèi)、觀看電視、坐地鐵出行、駕駛汽車，都會(huì)生成數(shù)據(jù)并被記錄下來(lái)，我們的性別、職業(yè)、喜好、消費(fèi)能力等信息，都會(huì)被商家從中挖掘出來(lái)，以分析商機(jī)。

　　大數(shù)據(jù)也將使個(gè)人受益。從生物學(xué)、醫(yī)學(xué)上講，以前生物學(xué)家只是通過(guò)對(duì)單個(gè)或幾個(gè)基因的操控來(lái)觀察其對(duì)生物體的影響，很難發(fā)現(xiàn)整體的關(guān)聯(lián)。現(xiàn)在由于技術(shù)的發(fā)展，可以分析很多，如遺傳信息、全體基因的表達(dá)量信息、蛋白質(zhì)族譜信息、全基因組甲基化信息、表觀遺傳信息等。同時(shí)還有個(gè)人健康指標(biāo)、病歷、藥物反應(yīng)等數(shù)據(jù)。如果真能達(dá)成生物學(xué)上多維多向數(shù)據(jù)的有機(jī)融合，就能夠把個(gè)人完整地描述出來(lái)，從而實(shí)現(xiàn)精準(zhǔn)醫(yī)療的目的。

　　大數(shù)據(jù)時(shí)代，審核數(shù)據(jù)的真實(shí)性也有了更有效的手段。大數(shù)據(jù)的特征之一是多樣性，不同來(lái)源、不同維度的數(shù)據(jù)之間存在一定的關(guān)聯(lián)度，可以交叉驗(yàn)證。例如，某地的工業(yè)產(chǎn)值虛報(bào)了一倍，但用電量和能耗卻沒(méi)有達(dá)到相應(yīng)的規(guī)模。這就是數(shù)據(jù)異常，很容易被系統(tǒng)識(shí)別出來(lái)。發(fā)現(xiàn)異常后，相關(guān)部門(mén)再進(jìn)行復(fù)核，就能更有針對(duì)性地防止、打擊數(shù)據(jù)造假。

　　數(shù)據(jù)是一種資源，但數(shù)據(jù)又跟煤、石油等物質(zhì)性資源不一樣。物質(zhì)性資源不可再生，你用多了，別人就用少了，因而很難共享。數(shù)據(jù)可以重復(fù)使用、不斷產(chǎn)生新的價(jià)值。大數(shù)據(jù)資源的使用是非惡性競(jìng)爭(zhēng)的，共享的前提下，更能夠制造雙贏。從另一個(gè)角度來(lái)說(shuō)，數(shù)據(jù)如果不被融合、聯(lián)系在一起，也不能稱之為大數(shù)據(jù)。

　　大數(shù)據(jù)不能被直接拿來(lái)使用，統(tǒng)計(jì)學(xué)依然是數(shù)據(jù)分析的靈魂

　　現(xiàn)在社會(huì)上有一種流行的說(shuō)法，認(rèn)為在大數(shù)據(jù)時(shí)代，“樣本=全體”，人們得到的不是抽樣數(shù)據(jù)而是全數(shù)據(jù)，因而只需要簡(jiǎn)單地?cái)?shù)一數(shù)就可以下結(jié)論了，復(fù)雜的統(tǒng)計(jì)學(xué)方法可以不再需要了。

　　在我看來(lái)，這種觀點(diǎn)非常錯(cuò)誤。首先，大數(shù)據(jù)告知信息但不解釋信息。打個(gè)比方說(shuō)，大數(shù)據(jù)是“原油”而不是“汽油”，不能被直接拿來(lái)使用。就像股票市場(chǎng)，即使把所有的數(shù)據(jù)都公布出來(lái)，不懂的人依然不知道數(shù)據(jù)代表的信息。大數(shù)據(jù)時(shí)代，統(tǒng)計(jì)學(xué)依然是數(shù)據(jù)分析的靈魂。正如加州大學(xué)伯克利分校邁克爾·喬丹教授指出的，“沒(méi)有系統(tǒng)的數(shù)據(jù)科學(xué)作為指導(dǎo)的大數(shù)據(jù)研究，就如同不利用工程科學(xué)的知識(shí)來(lái)建造橋梁，很多橋梁可能會(huì)坍塌，并帶來(lái)嚴(yán)重的后果。”

　　其次，全數(shù)據(jù)的概念本身很難經(jīng)得起推敲。全數(shù)據(jù)，顧名思義就是全部數(shù)據(jù)。這在某些特定的場(chǎng)合對(duì)于某些特定的問(wèn)題確實(shí)可能實(shí)現(xiàn)。比如，要比較清華、北大兩校同學(xué)數(shù)學(xué)能力整體上哪個(gè)更強(qiáng)，可以收集到兩校同學(xué)高考時(shí)的數(shù)學(xué)成績(jī)作為研究的數(shù)據(jù)對(duì)象。從某種意義上說(shuō)，這是全數(shù)據(jù)。但是，并不是說(shuō)我們有了這個(gè)全數(shù)據(jù)就能很好地回答問(wèn)題。

　　一方面，這個(gè)數(shù)據(jù)雖然是全數(shù)據(jù)，但仍然具有不確定性。入校時(shí)的數(shù)學(xué)成績(jī)并不一定完全代表學(xué)生的數(shù)學(xué)能力。假如讓所有同學(xué)重新參加一次高考，幾乎每個(gè)同學(xué)都會(huì)有一個(gè)新的成績(jī)。分別用這兩組全數(shù)據(jù)去做分析，結(jié)論就可能發(fā)生變化。另一方面，事物在不斷地發(fā)展和變化，同學(xué)入校時(shí)的成績(jī)并不能夠代表現(xiàn)在的能力。全體同學(xué)的高考成績(jī)數(shù)據(jù)，僅對(duì)于那次考試而言是全數(shù)據(jù)。“全”是有邊界的，超出了邊界就不再是全知全能了。事物的發(fā)展充滿了不確定性，而統(tǒng)計(jì)學(xué)，既研究如何從數(shù)據(jù)中把信息和規(guī)律提取出來(lái)，找出最優(yōu)化的方案；也研究如何把數(shù)據(jù)當(dāng)中的不確定性量化出來(lái)。

　　所以說(shuō)，在大數(shù)據(jù)時(shí)代，數(shù)據(jù)分析的很多根本性問(wèn)題和小數(shù)據(jù)時(shí)代并沒(méi)有本質(zhì)區(qū)別。當(dāng)然，大數(shù)據(jù)的特點(diǎn)，確實(shí)對(duì)數(shù)據(jù)分析提出了全新挑戰(zhàn)。例如，許多傳統(tǒng)統(tǒng)計(jì)方法應(yīng)用到大數(shù)據(jù)上，巨大計(jì)算量和存儲(chǔ)量往往使其難以承受；對(duì)結(jié)構(gòu)復(fù)雜、來(lái)源多樣的數(shù)據(jù)，如何建立有效的統(tǒng)計(jì)學(xué)模型也需要新的探索和嘗試。對(duì)于新時(shí)代的數(shù)據(jù)科學(xué)而言，這些挑戰(zhàn)也同時(shí)意味著巨大的機(jī)遇，有可能會(huì)產(chǎn)生新的思想、方法和技術(shù)。