随着互联网在各行各业的不断渗透，“大数据”这个名词总是出现在各大公司财务报表，年终总结上。无论是传统行业还是互联网仿佛都在被“大数据”这一抽象化的标签支配着，不由的引起越来越多的人反问：

大数据具体是什么？

大数据和曾经的小数据有什么区别？

是否过誉了？

他到底能在行业上发挥什么作用？

接下来我们一起来认识下大数据他究竟是何方神圣~

为什么觉得大数据华而不实？

那是因为媒体、厂商对大数据的解读，都在给人们造成一种认知偏差，认为“大数据能分析我们身边的一切，大数据是万能的，抓住大数据可以获得财富”。

但其实这是一种言过其实的说法。只不过媒体需要吹捧新颖吸睛的概念；厂商需要夸大其应用市场、商业价值来吸引融资；企业需要将自己的改革和大数据挂钩来确保成功的可能性，表明自己是在真创新。

大数据的应用和成功可能性还远没有这么成熟。

大数据的本质

现在叫大数据，以前可以称为信息、情报等等名字。以前的信息搜集技术没有这样发达，只能以样本信息形式出现，而且由于结构类型不同，只能分类处理，有些数据还不便于储存和比较。为什么现在叫大数据，是因为现代互联网技术，可以把不同结构类型的所有数据都能搜集到，形成全数据，并且随着大数据技术的深度发展，这些复杂结构类型的全数据，会被自动分类比较统计，所以称为大数据。

吴军在他的《智能时代》里提到对于大数据的观点：

只有量的积累的数据，通常并不能称之为大数据。除了大量性，大数据常常还应该具有多维性和完备性。

大数据的多维性，可以理解为针对单一“个体”（人/物/事件等）不同角度的数据。比如之前提到的：收集全国所有人的出生年月，单收集这一项，数据单一缺乏意义；但如果再加入收入、所属地区、受教育程度等等多维的信息，那数据本身就变得鲜活了。我们可以从数据中分析人口的地域分布、经济分布、教育分布等并在此基础上给出宏观的资源调控计划。

大数据的完备性，则可以理解为数据的全面性。比如2012年一位名叫内德·斯威尔的年轻人，利用大数据成功预测了美国50+1个州的大选结果。他其实就是在投票前利用互联网尽可能的搜集当年的大选数据（如地方媒体数据、社交网络留言、朋友间评论等），从而近似的知道每个人对大选的态度，并按照州进行分类整理，最终成功预测了当年的大选结果。

缺少多维性的“大数据”会让数据承载的信息“片面”，进而导致数据本身的利用价值大大下降；缺乏完备性的数据则会由于缺乏“完备样本”的支撑，也会使得获取的信息“局限性”。

大数据最好还应具有“及时性”，但及时性却并不是其必备条件，只是有了“及时性”的大数据，会实现一些过去无法做到的事情。

大数据的及时性，可以理解为数据收集的时效性。一方面，要分析当前情况，就要尽可能使用与当前时间点较为接近的数据；另一方面，数据本身就在时刻产生（特别是今天的互联网），新鲜的数据能更快速的反应当前社会的一些情况。比如使用百度地图导航的时候，它能根据数据库中人们当前的（及时的数据）车辆出行地点，和即将要去的地方大概估算出此人的行程规划，并通过众多数据的整合估算出某一路段可能的堵塞情况，进而在导航的时候给出“避免拥堵”的导航建议。

由此可见，所谓的大数据，一定要同时满足大量、多维和完备（相对来说）的特点，并在此基础上，最好具有“时效性”。

参考自：读大数据 《智能时代》有感

大数据的意义在于驱动决策

大数据产生价值的链路是：数据驱动决策——决策实践价值。

国内企业总是谈数据变现实际是一种对大数据价值的歧义理解。企业面对的TO B或TO C不是个体单维度数据而是海量多维度数据，单一数据不能提供任何决策依据。然而企业决策者往往对大数据的理解不够清晰透彻，片面的认为数据就是价值，花钱就要见效，把重点需求放在了所谓的上文说道的“有效数据上”当然效果在短期是非常显而易见的。而在利益驱动下企业的方向就真的随着“数据”驱动决策了，如同你是正常人却天天吸纯氧，企业想的就不是产品紧贴市场需求、如何有效改进，增强市场竞争优势，而是围绕相应“数据”下进行各种营销。

第一步，找到核心数据。核心数据现在对很多企业来说实际上就是CRM，自己的用户系统，这是最重要的。

第二步，外围数据。比如企业经常会在线上线下举办一些活动，在做活动的时候，消费者的信息只是简单地提供在表单里面，还是进入了CRM的系统里？

第三步，常规渠道的数据。举例来说一个销售快销品的企业，能不能够得到沃尔玛的数据，家乐福的数据？很多国外大数据的案例，说消费者买啤酒的时候也会购买剃须刀之类，或者一个母婴产品的消费者她今天在买这个产品，预示着她后面必然会买另一个产品。这就有一个前期的挖掘。这些价值怎么来的，这就需要企业去找常规渠道里面的数据，跟自己的CRM结合起来，才能为自己下一步做市场营销、做推广、产品创新等建立基础。

第四步，外部的社会化的或者非结构化的数据，即现在所谓的社会化媒体数据。这方面信息的主要特征是非结构化，而且非常庞大。这对企业来说最大的价值是什么？当你的用户在社会化媒体上发言的时候，你有没有跟他建立联系？

大数据的核心在于大数据思维

网络的诞生给世界带来了大量的数据积累和信息流通，并带来了一次“大数据思维”的思想变革。

机械思维时代，由于数据收集的局限性，科学家们只能在有限的样本下“大胆假设小心求证”，然而受限于人类大脑的“创造力”，所谓的“大胆假设”也并不是真的“大胆”；随着互联网时代的到来，“数据”不再成为问题，当大量数据堆积在一起时，就产生了“质”的变化。

互联网时代的人们逐渐发现：** 世界其实是不确定的**，一方面世界的本质就是不确定的（比如原子核中的电子时刻都在做着无规则的运动）；另一方面影响世界本身的变量太多，我们没办法用简单的公式将他们全部囊括进来，只能尽可能的利用随机事件来处理，利用概率来解释。

与此同时，伴随着数据的大量积累和统计数学的发展，人们惊喜的发现：在数据量达到一定程度的时候，数据和数据之间的关联可以反映出某些意想不到的结果。于是大数据思维就诞生了：

世界本身是不确定的，利用大数据可以尽可能的消除这种不确定性，因果关系可以利用数据间的相关关系进行代替。

大数据思维，也有人将其成为“信息论”，其本质就是：

1）利用不确定性看待世界，然后利用大数据来尽可能的消除这种不确定性；

2）利用具有多维度特征的大数据，数据之间的相关关系来代替机械思维时代的因果关系，帮助我们在“创造”难以掌控的情况下，发现意想不到的结论。

举例来说：

我们在投放广告时，机械思维要我们先有一个假设：目标人群可能的特征，并进行调研和证实；而大数据思维则是：我们不确定要投放给什么样的人群，紧接着我们利用已有用户的数据特征发现了“用户群体画像”这就是消除不确定性的过程，最终我们直接根据数据给出的结论来制定计划。

另外，我们利用机械思维制定投放广告的策略时，会按照严谨的：“提出假设——实验验证——得出结论”的逻辑关系制定；但在大数据思维下，我们不需要知道“为什么具有A特征的用户应该是我们投放广告的目标人群”或“为什么C平台应该是我们选择的投放渠道”，我们只需知道，“数据显示A类人群购买此类产品最多”或“不同平台中C类平台的广告产出比最高”仅此而已。这就是用“数据的相关性”取代“因果关系”。

大数据和小数据的区别

小数据分析方法，即传统的数据分析，是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。

大数据的基本处理流程与传统数据处理流程并无太大差异，主要区别在于：由于大数据要处理大量、非结构化的数据，所以在各处理环节中都可以采用并行处理。目前，Hadoop、MapReduce和Spark等分布式处理方式已经成为大数据处理各环节的通用处理方法

上图显示了传统的大数据工作流分析经历的一些阶段。数据以数据库，数据流，数据集合以及数据仓库等方式来建模。数据的数量级以及数据的多样性要求在处理之前要进行数据的集成、清洗以及过滤等工作，以保证其后续工作的开展。

不知道小编这么一解释大家是否对大数据有所了解了呢？

如果感觉不错你就点个赞~~~（某个BGM）