導語：科技放大了我們的能力，但是也同時增加了我們的煩惱。我們要用數據做更精準東西的時候，會發現數據的質量非常重要。

從PC互聯網到移動互聯網，再到智能互聯網，技術背后更多體現的是解決問題的思維方式的變革。

當大數據被廣泛應用并逐漸走到下半場的時候，對于公司或產品，我們面臨怎樣的機會和問題，我們又當如何科學的對待?

紅杉資本中國基金專家合伙人、原阿里數據委員會會長車品覺，在上月舉辦的第十一屆艾瑞上海峰會上發表題為《大數據，顛覆存在與思維》的演講，他說人類的經驗和數據的驅動應該更好的相處。

• 不用擔心當數據驅動這個世界
• 會把人類的經驗消滅掉，
• 人類的經驗和數據的驅動
• 兩者之間是相互的。

[[179483]]

大數據，顛覆存在與思維

我們總說，我們經歷了從PC互聯網時代到了移動互聯網時代，還會經歷智能互聯網時代，但很多人不理解什么是“智能”。

那么現在到底發生了什么事情呢?以前我們很難說服公司的每個部門去主動搜集數據，甚至當我們開始做大數據的時候，我們公司里面還討論“我應該收集什么”。

而現在，我們希望能夠更準確地分析信息，更準確地做判斷，通過深度學習，我們希望快速從錯誤的信息里找出對的東西。這些都是現在正在發生的。

當數據量特別大的時候，萬物的連接，主動的數據收集，這是上半場;而下半場是怎么準確進行判斷，把數據變成行動。

說的更通俗一點，從前人類想我到底能不能活得更久一點;而現在，除了這一點之外，人類在想我能不能把平均IQ提升到160，這就是上半場與下半場的區別。

需要治理的數據

最近不斷有大集團打電話給我說：車總，跟我們講講數據治理吧，我們想知道你從頭到尾是怎樣思考的。這些老板提到了一個概念：數據治理。

公司數據遇到的大部分困難是公司內部的打架，因此大量數據沒有辦法整合在一起，可能四五年內都沒有辦法。100PB、200PB、300PB的數據，再不治理就真的吃不消了。因此數據治理是非常關鍵的點。

除了數量，數據的質量也非常重要。比如阿里金融和其他數據部門總是為了一件事爭論不休，就是因為阿里金融需要的數據質量是非常高的，但是其他部門給出的數據經常沒有考慮這些，這都是數據治理的問題。

其實當數據量增加的時候，你就會發現它的精準度在提升，當然數據量的增加是指來源的增加。但有些問題必須要很精準，90%準確度和95%準確度本身就是非常大的分水嶺。

還有一些事情也是下半場開始出現的。比如我們身體反應出的一些數據，我們今天的表情到底是開心還是不開心?即“情感的數據”。由此可想象數據的復雜性，到了下半場你會發現你根本沒有辦法去找到這一類的數據。

我們除了說數據量一定要大，其實還有一點也很重要：核心數據。這意味著，當你拿到這些核心數據的時候，數據量可能并不需要那么大了。

大數據不止于“大”

你遇到的問題到底能不能用大數據來解決?

根據我們過去的經驗，我們今天準備用數據解決的問題如果沒有足夠的發生次數，如果只是偶然或者低概率，大數據就沒有辦法處理。但如果它的發生次數足夠多，我很快就能知道我推薦的東西到底是對還是錯的。

如果想通過數據看到很準確的信息，這需要依據數據的量以及我們對這個業務的理解有多深。

有時候會有投資人拿著一家比較小的公司的數據給我說，這個公司有很大量的數據，大概MAU在1億多，但我說這不是大數據，為什么?

***，這些數據里面有多少是可以和我匹配的?不妨想一下，如果你有100萬的用戶數據，那么有百分之多少的數據能覆蓋?如果1億多的量，一般超不過50%。這是***個問題;第二，如果我給你100萬的數據你知道他是男的還是女的嗎?準確度在90%以上嗎?

如果不能回答這兩個問題，那就不是大數據了。量和量之間的連接是非常重要的，在這個前提下你才可以做融合。比如一個人今天到你店里去買東西，那么你知不知道他之前去過什么店、看過什么東西?匹配、相關、全面，第四點最重要，新鮮。到底你的數據能做到有多新鮮，這是非常重要的。

挑戰與機會

我們要解決的問題通常是兩種：***，我們非常清楚問題是什么;第二，我們不是很清楚問題是什么。換句話說，一個問題是數據很集中;另一個問題是數據很零散。

我們現在可以做的大數據方案都是數據很集中，而且問題很清楚，否則沒有辦法解決。如果數據很零散，你可能要用大量的算法，但如果數據很清楚，問題很清晰，算法不重要。

但是大數據的機會反而是來自今天的離散的數據。

• ***個機會：我認為將來有很多數據的創新是來自這里：數據創新、算法創新、服務創新，把三層分開;
• 第二個機會：很多數據太零散了，所以需要有一個第三方進來整合這些數據;
• 第三個機會：今天***的問題是政府數據的開放，不是不存在，但是質量相對較差，沒有標準化，比較零散。

我認為這是BAT以外***的數據量，而且可能是非常重要的一塊。怎么樣可以把這些數據的產能釋放出來，這是一個挑戰和機會。

數據的標準化

當年發現阿里數據很大的時候，我們發現大量的數據是重復的，特別是ODS層的數據，越底層的數據處理應該是越統一的。

如果不做標準化，隨著公司對數據的重視，就會“百花齊放”：結果就是亂，可能需要重做。

你們做的是Data Stitching，把它連起來，讓它能使用，讓中間人用Machine來使用。一種是可視化分析，另外一種是用服務的產品，還有智能的東西出現。這樣的東西面對的是什么呢?最終的用戶是政府、公司和個人。

在世界互聯網大會上聯想提到以前是終端，現在中間那塊做得比較厚，Data、算法、服務。盡管數據驅動非常厲害，但是依然會有經驗的驅動，人還是要告訴機器“你要去哪里”。

不用擔心數據驅動這個世界將會把我們人類的經驗消滅掉，人類的經驗和數據的驅動兩者之間是互相的。