2015年9月，國務院印發(fā)《促進大數(shù)據(jù)發(fā)展行動綱要》，明確提出要發(fā)展大數(shù)據(jù)在工業(yè)、新興產(chǎn)業(yè)、農(nóng)業(yè)農(nóng)村等行業(yè)領域應用，推動大數(shù)據(jù)發(fā)展與科研創(chuàng)新有機結(jié)合，推進基礎研究和核心技術攻關，形成大數(shù)據(jù)產(chǎn)品體系，完善大數(shù)據(jù)產(chǎn)業(yè)鏈。

在國務院的部署與推動下，各行各業(yè)都在謀劃自己的大數(shù)據(jù)中心和大數(shù)據(jù)產(chǎn)業(yè)，出版業(yè)也不例外。

其實，人們對“大數(shù)據(jù)”的膜拜，再早可以追溯到《大數(shù)據(jù)時代》這本風靡一時的書，隨著美國影視作品《紙牌屋》的播出和熱評，使“大數(shù)據(jù)”又有了形象化的宣傳效果。

當人們熱議“大數(shù)據(jù)”的時候，我一直想了解：出版業(yè)有“大數(shù)據(jù)”嗎?具體到某一家出版單位，也會有“大數(shù)據(jù)”嗎?

互聯(lián)網(wǎng)上的訛傳

一種在互聯(lián)網(wǎng)上廣泛流傳的說法是：互聯(lián)網(wǎng)上一天所產(chǎn)生的數(shù)據(jù)可以刻滿1.68億張 DVD;發(fā)出的郵件有2940億封之多(相當于美國兩年的紙質(zhì)信件數(shù)量);發(fā)出的社區(qū)帖子達 200萬個(相當于《時代》雜志770年的文字量);賣出的手機為 37.8萬臺，高于全球每天出生的嬰兒數(shù)量37.1萬。截止到2014年，數(shù)據(jù)量已經(jīng)從TB級別躍升到 PB、EB乃至ZB級別。

這一組數(shù)據(jù)的潛臺詞似乎在告訴我們：傳統(tǒng)出版業(yè)的數(shù)據(jù)量其實是非常有限的。那么傳統(tǒng)出版業(yè)的數(shù)據(jù)量究竟有多大?是否夠得上“大數(shù)據(jù)”?

2013年3月20日在“中國IDC圈”網(wǎng)站上發(fā)表了這樣一篇文章：《印象：人類生產(chǎn)的印刷材料數(shù)據(jù)量達200PB》。文中是這樣表述的：“隨著信息技術的發(fā)展，互聯(lián)網(wǎng)已進入到人類生活的方方面面，隨之而產(chǎn)生的數(shù)據(jù)也呈現(xiàn)爆發(fā)性增長，有數(shù)據(jù)顯示，到2012年為止，人類生產(chǎn)的所有印刷材料的數(shù)據(jù)量是200PB，而過去兩年產(chǎn)生的數(shù)據(jù)占人類歷史數(shù)據(jù)總量的90%，并且預計到2020年，人類所產(chǎn)生的數(shù)據(jù)量當達到今天的44倍。”。

這篇文章告訴我們，人類從印刷術發(fā)明以來，全部印刷品的內(nèi)容數(shù)據(jù)量是PB級別，至于傳統(tǒng)出版業(yè)的內(nèi)容數(shù)據(jù)量，肯定少于這個數(shù)字，因為印刷品不一定都是出版物。但遺憾的是，這篇文章在提到“200PB”時，并未說明計算方法，亦未注明數(shù)據(jù)來源。

另一篇提到“200PB”的文章是2015年4月21日發(fā)表于“36大數(shù)據(jù)”網(wǎng)站上的《報告：數(shù)據(jù)大爆炸，“互聯(lián)網(wǎng)+”基礎設施數(shù)據(jù)中心大發(fā)展(上)》。該文寫道：“國際數(shù)據(jù)公司 IDC的研究結(jié)果表明，2008年全球產(chǎn)生的數(shù)據(jù)量為0.49ZB，2009年的數(shù)據(jù)量為 0.8ZB， 2010 年增長為 1.2ZB， 2011 年的數(shù)量更是高達 1.82ZB，相當于全球每人每年產(chǎn)生 200GB 以上的數(shù)據(jù)。而到 2012 年為止，人類生產(chǎn)的所有印刷材料的數(shù)據(jù)量是200PB，全人類歷史上說過的所有話的數(shù)據(jù)量大約是 5EB。”該文提到了國際數(shù)據(jù)公司IDC，且明確說明“200PB”數(shù)據(jù)是摘自中信證券分析師陳劍、李偉和王浩冰的《云計算/IDC行業(yè)專題研究報告——數(shù)據(jù)大爆炸，數(shù)據(jù)中心大發(fā)展—“互聯(lián)網(wǎng)+”基礎設施之二》一文。

為此，筆者購買了中信證券的報告。

中信證券的報告是這樣表述的：“國際數(shù)據(jù)公司(IDC)的研究結(jié)果表明，2008 年全球產(chǎn)生的數(shù)據(jù)量為0.49ZB，2009年的數(shù)據(jù)量為0.8ZB，2010年增長為1.2ZB，2011年的數(shù)量更是高達1.82ZB，相當于全球每人每年產(chǎn)生200GB以上的數(shù)據(jù)。而到2012年為止，人類生產(chǎn)的所有印刷材料的數(shù)據(jù)量是200PB，全人類歷史上說過的所有話的數(shù)據(jù)量大約是5EB。”

從中信報告的表述中，明顯讓人感覺所謂的“200PB”應該是從IDC報告中引用的。但仔細推敲，又會疑惑，因為中信報告中的“而到2012年為止，人類生產(chǎn)的所有印刷材料的數(shù)據(jù)量是200PB……”與前面一句話同在一個段落，雖用句號斷開，但整段未標引號。因此，究竟“200PB”是不是IDC說的看不出來。好像怎么理解都對。

從網(wǎng)上的文獻也可以看出，目前多數(shù)關于“大數(shù)據(jù)”的中文文章，常默認“200PB”為IDC的數(shù)據(jù)，且將其當成論文的背景予以介紹，也就是說，該數(shù)據(jù)已被當成公認正確的結(jié)論予以引用，甚至它已經(jīng)成為絕大多數(shù)論文立意謀篇的基本依據(jù)了。幾乎無人質(zhì)疑過其真實性和出處。多數(shù)論文在引用時通常冠以“有數(shù)據(jù)顯示”或“國際數(shù)據(jù)公司(IDC)的研究結(jié)果表明”，以此來指明出處，并暗示其權威性。

為進一步了解情況，筆者又查閱了英文網(wǎng)站上的一些相關文章。

一篇發(fā)表在highscalability.com網(wǎng)站的“How Big Is A Petabyte, Exabyte, Zettabyte, Or AYottabyte?”文章。文中是這樣表述的：“200 Petabytes: All printed material OR Production of digital magnetic tape in 1995.”。顯然，該文中“200PB”指的是1995年當年全部印刷品或數(shù)字磁帶的數(shù)據(jù)量，而非截至2012年為止的人類全部印刷品的內(nèi)容數(shù)據(jù)量。

另一篇發(fā)表于2011年2月14日IBM網(wǎng)站上的“what’s in that 1TB?”一文，該文作者是Tony Pearson，IBM系統(tǒng)存儲產(chǎn)品首席發(fā)明家和高級IT專家，就職于IBM Executive Briefing Center。文中關于“200PB”是這樣表述的：“A Petabyte is thousand TB, or a quadrillion bytes. It is estimated that all printed materials on Earth would represent approximately 200 PB of information.”。

從查到的兩篇英文文獻看，所謂“200PB”均為其各自獨立提到，并未明確指出或含混暗示該數(shù)據(jù)與IDC有任何關系，且從上下文看，第二篇文章中的“200PB”似乎是為了說明PB的數(shù)據(jù)量級而舉的例子，作者舉例時還特地使用了“estimated”一詞，說明不是嚴謹?shù)目茖W統(tǒng)計。

與此同時，筆者又查閱了IDC歷年公開發(fā)布的報告，也未發(fā)現(xiàn)有此說法。

根據(jù)以上簡單的查詢，雖未找到“200PB”的統(tǒng)計方法，但至少證明了一點，它肯定不是IDC的數(shù)據(jù)。

但不管“200PB”具體出自何處，也不管它是如何被統(tǒng)計出來的，此數(shù)據(jù)被廣泛引用至今，至少說明了一點：傳統(tǒng)出版業(yè)的數(shù)據(jù)量不大，這種判斷與人們的感覺似乎也頗為一致，因此幾乎所有人都愿意相信其真實性。如果結(jié)合“過去兩年產(chǎn)生的數(shù)據(jù)占人類歷史數(shù)據(jù)總量的90%”的說法，傳統(tǒng)出版業(yè)的整體數(shù)據(jù)量在比較中顯得更小;如果再減去非出版物印刷品的數(shù)據(jù)量，傳統(tǒng)出版業(yè)的數(shù)據(jù)量則微乎其微，至于單獨一家出版單位，其數(shù)據(jù)量就微不足道了。

這是互聯(lián)網(wǎng)上關于傳統(tǒng)出版業(yè)的數(shù)據(jù)給我的初步印象，這種印象的結(jié)果似乎在暗示，“大數(shù)據(jù)”與傳統(tǒng)出版業(yè)關系不大。

出版物的內(nèi)容數(shù)據(jù)

“200PB”也罷，“5EB”也罷，“1.82ZB”也罷，對絕大多數(shù)人來講這些可能都是概念或者一個詞匯，很難產(chǎn)生實際的聯(lián)想。所以筆者突然有一種想把比特或字節(jié)這種東西用全數(shù)字串的方式表示出來的沖動，想看看不同級別的比特或字節(jié)到底有多長?到底相當于多少漢字?以下是筆者的計算：

1.比特之間的數(shù)字串長度是多少?相當于多少漢字?

我們知道，二進制數(shù)據(jù)的最小單位是Bit(比特)，用b表示，比特和字節(jié)的關系是8 比特等于1字節(jié)，即8b = 1B(byte，字節(jié))。其中，1字節(jié)又等于0.5個漢字，即1B=0.5個漢字。B，KB，MB……EB之間，以1024的倍數(shù)增長。筆者直接采用Windows計算器進行計算如下：

1KB=1B*1024=1024字節(jié)=512個漢字;

1MB=1KB*1024=1048576字節(jié)=524288個漢字;

1GB=1MB*1024=1073741824字節(jié)=536870912個漢字;

1TB=1GB*1024=1099511627776字節(jié)=549755813888個漢字;

1PB=1TB*1024=1125899906842624字節(jié)=562949953421312個漢字;

1EB=1PB*1024=1152921504606846976 字節(jié)=576460752303423488個漢字;

1ZB=1EB*1024= 1180591620717411303424字節(jié)=590295810358705651712個漢字;

至于1YB=1ZB*1024=??字節(jié)=??個漢字，我已沒有耐心計算了。

通過這種計算，我們大致知道了EB級別的水平：即18位數(shù)字串漢字，也就是57億億以上漢字。

2.傳統(tǒng)印刷媒體或紙質(zhì)書刊報的整體內(nèi)容數(shù)據(jù)量是多少?

為了方便計算，筆者分別以中國新聞出版研究院所屬中國書籍出版社出版的圖書、出版發(fā)行研究雜志社出版的期刊為例，報紙則以手邊的中國知識產(chǎn)權報為例，擬了一個每面大約排字量的近似標準如下：

圖書：以目前較為流行的大32開、每面約800漢字計算，1印張漢字數(shù)為：800漢字× 32開 = 25600漢字 = 51200字節(jié)。

期刊：以目前較為流行的大16開、每面約1800漢字計算，1印張漢字數(shù)為：1800漢字×16開 = 28800漢字 = 57600字節(jié)。

報紙：以對開4版、每版約6660漢字計算，1印張漢字數(shù)為：6660漢字×4版 = 26640漢字 = 53280字節(jié)。

以《2014年全國新聞出版產(chǎn)業(yè)分析報告》中的印張數(shù)為依據(jù)進行計算，得出：

圖書：2014年總印張數(shù)為704.25億印張，2014年圖書全部內(nèi)容的漢字量為：800字×32開×704.25億印張 = 1802.88萬億漢字 ，轉(zhuǎn)換成數(shù)據(jù)量為：1802.88萬億漢字×2 = 2605.76 萬億字節(jié)。

期刊：2014年總印張數(shù)為183.58億印張，2014年期刊全部內(nèi)容的漢字量為：1800字×16開×183.58億印張 = 528.71萬億漢字，轉(zhuǎn)換成數(shù)據(jù)量為：528.71萬億漢字×2 = 1057.42萬億字節(jié)。

報紙：2014年總印張數(shù)為1922.30億印張，2014年報紙全部內(nèi)容的漢字量為：6660×4版×1922.30億印張 = 5121.00萬億漢字，轉(zhuǎn)換成數(shù)據(jù)量為：5121.01萬億漢字×2 = 10242.02萬億字節(jié)。

也就是說，僅2014年一年，僅我國范圍內(nèi)，傳統(tǒng)出版業(yè)(主要指書刊報，含復本數(shù))的內(nèi)容數(shù)據(jù)量約為：圖書1802.88萬億多漢字，期刊528.71萬億多漢字，報紙5121.01萬億多漢字;合計約7452.6萬億多漢字，14905.2萬億多字節(jié)，13.24 PB。

3. 2014年當年出版書刊報內(nèi)容平均每冊(份)的數(shù)據(jù)量是多少?

圖書：2014年全國共出版圖書總印數(shù)81.85億冊(張)，總印張704.25億印張，用總印張除以總印數(shù)可以得出每本圖書平均印張數(shù)，即：704.25億印張÷81.85億冊(張)=8.60印張。平均每本圖書內(nèi)容數(shù)據(jù)量為：8.60印張×25600漢字/印張 = 22.02萬漢字 = 44.04萬字節(jié)。

期刊：2014年全國共出版期刊總印數(shù)30.95億冊，總印張183.58億印張，用總印張除以總印數(shù)可以得出每冊期刊平均印張數(shù)，即：183.58億印張 ÷ 30.95億冊 = 5.93印張。平均每冊期刊內(nèi)容數(shù)據(jù)量為：5.93印張×28800漢字/印張 = 17.08萬漢字 = 34.16萬字節(jié)。

報紙：2014年全國共出版報紙總印數(shù)463.90億份，總印張1922.30億印張，用總印張除以總印數(shù)可以得出每份報紙的平均印張數(shù)，即：1922.30億印張÷463.90億份=4.14印張。平均每份報紙內(nèi)容數(shù)量為：4.14印張×26640漢字/印張 = 11.03萬 漢字=22.06萬字節(jié)。

4.如果不計算復本數(shù)，2014年當年出版書刊報內(nèi)容數(shù)據(jù)量是多少?

圖書：2014年全國共出版圖書448431種，平均每種圖書為22.02萬漢字，2014年當年出版圖書數(shù)據(jù)量為：448431種×22.02萬漢字 = 987.45億漢字 = 1974.9億字節(jié)(多卷本未計算在內(nèi)，再版書按新書計算)。

期刊：2014年全國共出版期刊9966種，平均期印數(shù)15661萬冊，總印數(shù)30.95億冊;通過用總印數(shù)除以平均期印數(shù)，可以得知實際出版期數(shù)約每年19.76期，2014年當年出版期刊內(nèi)容數(shù)據(jù)量為：9966種×19.76期×17.08萬漢字 =336.35億漢字= 672.7億字節(jié)。

報紙：2014年全國共出版報紙1912種，平均期印數(shù)22265萬份，總印數(shù)463.90億份;用總印數(shù)除以平均期印數(shù)，可以得知實際出版期數(shù)約每年208.35期，2014年報紙當年出版內(nèi)容數(shù)據(jù)量為：1912種×208.35期×11.03萬漢字 = 439.40億漢字= 878.8 億字節(jié)。

通過以上計算，大致結(jié)論如下：

2014年當年出版書刊報(不含復本數(shù))數(shù)據(jù)量約為：圖書987.45億漢字，期刊336.35億漢字，報紙439.40億漢字;合計約1763.2億漢字，換算成字節(jié)約為3526.4億字節(jié)，即約0.32 TB。

5.2014年平均每個出版社當年出版圖書內(nèi)容數(shù)據(jù)量大約是多少?

截至2014年底，全國共有出版社583家(包括副牌社33家);平均每個出版社當年出版圖書數(shù)據(jù)量為：987.45億漢字 ÷ 583家 = 1.69億漢字=3.38 億字節(jié)(由于《2015中國新聞出版統(tǒng)計資料匯編》中，僅有出版社數(shù)量，無雜志社和報社數(shù)量，且由于實際情況復雜，統(tǒng)計困難，故此處不計算平均每家雜志社和報社新出報刊內(nèi)容數(shù)據(jù)量)。

6.全國最大出版集團(前三)，2014年當年出版圖書內(nèi)容數(shù)據(jù)量是多少?

根據(jù)2014年新聞出版產(chǎn)業(yè)分析報告，選取總體經(jīng)濟規(guī)模綜合排名前三的出版集團進行圖書(不含集團中的報刊出版數(shù)據(jù)量)內(nèi)容數(shù)據(jù)量的統(tǒng)計，具體如下：

江蘇鳳凰出版?zhèn)髅郊瘓F：總數(shù)據(jù)量 = 27.46111億印張×25600字/印張= 703千億漢字×2字節(jié) = 1406千億字節(jié) = 127.9TB

湖南出版投資控股集團：總數(shù)據(jù)量 = 21.77402億印張×25600字/印張 = 557.41千億漢字×2字節(jié)= 1114.82千億字節(jié) = 101.4TB

中國教育出版?zhèn)髅郊瘓F：總數(shù)據(jù)量 = 50.56242億印張×25600字/印張 = 1294.40千億漢字×2字節(jié)= 2588.80千億字節(jié) = 235.45TB

三大出版集團2014年新出圖書(不含復本數(shù))數(shù)據(jù)量為：

江蘇鳳凰出版?zhèn)髅郊瘓F：2014年總印數(shù)39499萬冊(張)，總印張2746111千印張，用總印張除以總印數(shù)可以得出每本圖書平均印張數(shù)，即：2746111千印張 ÷ 39499萬冊(張)= 6.95印張，每本圖書內(nèi)容數(shù)據(jù)量為：6.95印張×25600漢字/印張 = 17.80萬漢字;2014年共出版圖書16534種，平均每種圖書為17.80萬漢字，得出2014年當年出版圖書數(shù)據(jù)量為：16534種×17.80萬漢字 = 29.4億漢字 = 58.8億字節(jié) = 5.48GB(不含復本數(shù))。

湖南出版投資控股集團：2014年總印數(shù)30051萬冊(張)，總印張2177402千印張，用總印張除以總印數(shù)可以得出每本圖書平均印張數(shù)，即：2177402千印張÷30051萬冊(張)= 7.25印張，每本圖書內(nèi)容數(shù)據(jù)量為：7.25印張×25600漢字/印張 = 18.55萬 漢字;2014年共出版圖書9095種，平均每種圖書為18.55萬漢字，得出2014年當年出版圖書數(shù)據(jù)量為：9095種×18.55萬漢字 = 16.87億漢字 = 33.74億字節(jié) = 3.069GB(不含復本數(shù))。

中國教育出版?zhèn)髅郊瘓F：2014年總印數(shù)45035萬冊(張)，總印張5056242千印張，用總印張除以總印數(shù)可以得出每本圖書平均印張數(shù)，即：5056242千印張÷45035萬冊(張)= 11.23印張，每本圖書內(nèi)容數(shù)據(jù)量為：11.23印張×25600漢字/印張 = 28.75 萬 漢字;2014年共出版圖書14483種，平均每種圖書為28.75萬漢字，得出2014年當年出版圖書數(shù)據(jù)量為：14483種×28.75萬漢字 = 41.64億漢字 = 83.27億字節(jié) = 7.754GB(不含復本數(shù))。

7.全國出版業(yè)近10年累計出版書刊報內(nèi)容數(shù)據(jù)量是多少?

① 2005—2014十年中，全國平均每種(份)書刊報數(shù)據(jù)量統(tǒng)計：

平均每本圖書數(shù)據(jù)量：2005—2014十年全國共出版圖書總印數(shù)累計724.36億冊(張)，總印張數(shù)累計5942.65億印張，用總印張除以總印數(shù)可以得出每本圖書平均印張數(shù)，即：5942.65億印張 ÷ 724.36億冊(張)=8.20印張，每本圖書內(nèi)容數(shù)據(jù)量為：8.20印張×25600字/印張 = 20.99萬 漢字 = 41.98萬字節(jié)。

平均每冊期刊數(shù)據(jù)量：2005—2014十年全國共出版期刊總印數(shù)累計311.25億冊，總印張數(shù)累計1692.43億印張，用總印張除以總印數(shù)可以得出每冊期刊平均印張數(shù)，即：1692.43億印張 ÷ 311.25億冊 = 5.44印張，每冊期刊內(nèi)容數(shù)據(jù)量為：5.44印張×28800字/印張 = 15.67萬 漢字= 31.34萬字節(jié)。

平均每份報紙數(shù)據(jù)量：2005—2014十年全國共出版報紙總印數(shù)累計4505.28億份，總印張數(shù)累計19523.95億印張，用總印張除以總印數(shù)可以得出每份報紙的平均印張數(shù)，即：19523.95億印張÷4505.28億份 = 4.33印張，每份報紙內(nèi)容數(shù)量為：4.33印張×26640字/印張 = 11.54萬 漢字=23.08萬字節(jié)。

即2005—2014十年中，全國平均每種(份)書刊報數(shù)據(jù)量為：圖書20.99萬 漢字，41.98萬字節(jié);期刊15.67萬 漢字，31.34萬字節(jié);報紙11.54萬 漢字，23.08萬字節(jié)。

② 2005—2014十年中，全國累計書刊報數(shù)據(jù)量(不算復本數(shù))統(tǒng)計：

十年累計圖書數(shù)據(jù)量：2005—2014十年全國共累計出版圖書3286887種，平均每種圖書為20.99萬漢字，得出十年出版圖書累計數(shù)據(jù)量為：3286887種×20.99萬漢字 = 6899.17億漢字= 13798.34億字節(jié)(多卷本未計算在內(nèi)，再版書算新出圖書)。

十年累計期刊數(shù)據(jù)量：從2005—2014十年全國共出版期刊97247種，平均期印數(shù)164752萬冊，總印數(shù)311.25億冊;通過用總印數(shù)除以平均期印數(shù)，可以得知實際出版期數(shù)約每年18.89期，得出：十年期刊出版內(nèi)容數(shù)據(jù)量為：97247種×18.89期×15.67萬漢字 =2878.57億漢字= 5757.14億字節(jié) 。

十年累計報紙數(shù)據(jù)量：2005—2014十年全國共累計出版報紙19299種，平均期印數(shù)213467.02萬份，總印數(shù)4505.28億份;用總印數(shù)除以平均期印數(shù)，可以得知實際出版期數(shù)約每年211.05期，得出十年報紙出版內(nèi)容數(shù)據(jù)量為：19299種×211.05期×11.54萬漢字 = 4700.30億漢字= 9400.60億字節(jié) 。

即，2005—2014十年全國書報刊累計內(nèi)容數(shù)據(jù)量(不算復本數(shù))約為：圖書6899.17億漢字，期刊2878.57億漢字，報紙4700.30億漢字，十年合計約為： 14478.04億漢字，換算成字節(jié)約為28956.08億字節(jié)，即約2.63 TB。

③ 2005—2014十年全國累計書報刊數(shù)據(jù)量(含復本數(shù))統(tǒng)計：

圖書十年總印張數(shù)：5942.65億印張，總數(shù)據(jù)量 = 總印張×每印張漢字數(shù) = 5942.65億印張×25600 漢字/印張 = 1.52 億億 漢字=3.04億億字節(jié)。

期刊十年總印張數(shù)：1692.43億印張，總數(shù)據(jù)量 = 總印張×每印張字數(shù) = 1692.43億印張×28800漢字/印張 = 0.49億億 漢字=0.98億億字節(jié)。

報紙十年總印張數(shù)：19523.95億印張，總數(shù)據(jù)量 = 總印張×每印張字數(shù) =19523.95億印張×26640漢字/印張 = 5.20億億 漢字=10.40億億字節(jié)。

即，2005—2014十年書報刊累計出版內(nèi)容數(shù)據(jù)量(含復本數(shù))約為：圖書1.52億億漢字，期刊0.49億億漢字，報紙5.20億億漢字;十年合計約為：7.21億億漢字，換算成字節(jié)約為14.42億億字節(jié)，即約128.08 PB。

以上計算說明，我國傳統(tǒng)出版業(yè)中正式出版的書刊報，近十年的累計內(nèi)容數(shù)據(jù)量整體也就在TB級別，就某個單一出版單位或出版物來說，其數(shù)據(jù)規(guī)?？雌饋碚娴牟皇呛艽?。

出版物其他相關數(shù)據(jù)

1.出版物發(fā)行數(shù)據(jù)

2014年，全國新華書店系統(tǒng)、出版社自辦發(fā)行單位出版物總銷售199.05億冊(張、份、盒)，總銷售金額2415.5億元，純銷售量69.86億冊(張、份、盒)，銷售額777.99億元。

2014年全國出版物零售情況如下：

①圖書零售量63.93億冊(張、份、盒)，零售額684.5億元;

②期刊零售量0.18億冊(張、份、盒)，零售額10.07億元;

③報紙零售量0.21億冊(張、份、盒)，零售額2.15億元;

④音像制品零售量0.55億冊(張、份、盒)，零售額9.15億元;

⑤電子出版物零售量0.11億冊(張、份、盒)，零售額8.36億元;

⑥數(shù)字出版物零售額178.72億元。

2014年全國出版物總購進量199.86億冊(張、份、盒)，總銷售金額2415.5億元;庫存數(shù)量66.39億冊(張、份、盒)，庫存金額1010.11億元;非出版物商品銷售金額178.72億元(不含在銷售總額之內(nèi));發(fā)行網(wǎng)點169619處;從業(yè)人員71.93萬人。

2005—2014十年間，全國新華書店系統(tǒng)、出版社自辦發(fā)行單位出版物數(shù)量及金額合計為：總銷售1737.87億冊(張、份、盒)，總銷售金額17530億元;純銷售量658.08億冊(張、份、盒)，銷售額6110.5億元。

2005—2014十年間，出版物零售情況如下：

①圖書零售量594.37億冊(張、份、盒)，零售額5973億元;

②期刊零售量14.79億冊(張、份、盒)，零售額160.5億元;

③報紙零售量7.21億冊(張、份、盒)，零售額19.77億元;

④音像制品零售量14.98億冊(張、份、盒)，零售額183.2億元;

⑤電子出版物零售量2.49億冊(張、份、盒)，零售額68.79億元;

⑥數(shù)字出版物零售額182.13億元;

2005—2014十年間，出版物總購進量1765.39億冊(張、份、盒)，總銷售金額17989.8億元;庫存數(shù)量530.01億冊(張、份、盒)，庫存金額7263.02億元;非出版物商品銷售金額545.41億元(不含在銷售總額之內(nèi));發(fā)行網(wǎng)點合計1659298處;從業(yè)人員合計665.71萬人。

2.印刷復制數(shù)據(jù)

2014年，印刷復制(包括出版物印刷、包裝裝潢印刷、專項印刷、打字復印、復制和印刷物資供銷)總體實現(xiàn)營業(yè)收入11740.16億元，利潤總額814.66億元;

全國出版物印刷企業(yè)(含專項印刷)9079家，工業(yè)銷售產(chǎn)值1504.72億元;圖書、報紙、其他出版物黑白印刷產(chǎn)量31936.28萬令;彩色印刷產(chǎn)量252658.6萬對開色令;裝訂產(chǎn)量31965.32萬令;印刷用紙量65406.06萬令。

2005—2014十年間，印刷復制(包括出版物印刷、包裝裝潢印刷、專項印刷、打字復印、復制和印刷物資供銷)總體實現(xiàn)營業(yè)收入55061.01億元，利潤總額3760.04億元;

全國出版物印刷企業(yè)(含專項印刷)82531家，工業(yè)銷售產(chǎn)值11302.26億元;圖書、報紙、其他出版物黑白印刷產(chǎn)量272667.73萬令;彩色印刷產(chǎn)量1523209.22萬對開色令;裝訂產(chǎn)量282529.76萬令;印刷用紙量510573.37萬令。

說明：2005-2009年的印刷復制營業(yè)收入僅包括出版物印刷廠的營業(yè)收入金額，2010-2014年的印刷復制營業(yè)收入包括出版物印刷、包裝裝潢印刷、專項印刷、打字復印、復制和印刷物資供銷。

3.出版物進出口數(shù)據(jù)

2014年，全國累計出口圖書、報紙、期刊1689.42萬冊(份)，5649.66萬美元;累計進口2538.85萬冊(份)，28381.57萬美元;累計出口音像制品、電子出版物與數(shù)字出版物9.58萬盒(張)，2214.41萬美元;累計進口13.44萬盒(張)，21000.13萬美元。

2005—2014年十年間，全國累計出口圖書、報紙、期刊13076.3萬冊(份)，48283.88萬美元;累計進口26357.86萬冊(份)，245117.66萬美元;累計出口音像制品、電子出版物與數(shù)字出版物439.42萬盒(張)，9141.39萬美元;累計進口243.96萬盒(張)，103662.3萬美元。

4.版權管理與版權貿(mào)易數(shù)據(jù)

2014年，全國版權合同登記17376份;作品自愿登記997350份;全國共引進版權16695種，全國共引進圖書、音像制品和電子出版物版權16321種;共輸出版權10293種，共輸出圖書、音像制品和電子出版物版權8733種。

2005—2014十年間，全國版權合同登記152679份;作品自愿登記4914108份;全國共引進版權150835種，全國共引進圖書、音像制品和電子出版物版權142854種;共輸出版權56360種，共輸出圖書、音像制品和電子出版物版權47143種。

在出版物發(fā)行、印刷復制、進出口和版權交易等分領域的統(tǒng)計數(shù)據(jù)背后，出版業(yè)也存在與之對應的龐大的實時交易數(shù)據(jù)。除此之外，出版業(yè)還有大量的圖書在版編目(CIP)數(shù)據(jù)，國家標準《圖書在版編目數(shù)據(jù)》于1990年7月31日發(fā)布，要求自1991年3月1日起實施，經(jīng)過幾年的實施和準備，于1999年4月1日開始在全國強制性推廣實施，截至目前共登記了340萬條左右的數(shù)據(jù)。CIP數(shù)據(jù)需向中國版本圖書館申請，包括著錄數(shù)據(jù)(書名、著作責任者項、版本項、出版項、叢書項、附注項、標準書號項等)和檢索數(shù)據(jù)(圖書識別特征的檢索點和內(nèi)容主題的檢索點)兩個部分，這為圖書的分類標引、著錄、檢索等提供了很大的方便。

什么是“大數(shù)據(jù)”

關于“大數(shù)據(jù)”有太多有識之士給它下過定義了，有些定義大同小異，有些則表達角度不同。本文采用麥肯錫的定義，即一種規(guī)模大到在獲取、存儲、管理、分析方面大大超出了傳統(tǒng)數(shù)據(jù)庫軟件工具能力范圍的數(shù)據(jù)集合，它具有海量的數(shù)據(jù)規(guī)模(Volume)、快速的數(shù)據(jù)流轉(zhuǎn)(Velocity)、多樣的數(shù)據(jù)類型(Variety)、價值密度低(Value)、數(shù)據(jù)真實性(Veracity)五大特征(5V)。本質(zhì)上，它為我們觀察世界提供了一種全新思維。

下面我們拿5V來說說吧!

1.什么叫Volume?

筆者想了想，大數(shù)據(jù)的“大”是否可以理解為是名詞，而非形容詞，它代表一個數(shù)據(jù)級別，而非簡單形容數(shù)據(jù)之多。也就是說只有到一定級別的數(shù)據(jù)才能稱之為“大數(shù)據(jù)”，如PB、EB等?

另外，從上述統(tǒng)計看，出版業(yè)雖然每年都在生產(chǎn)一定量的數(shù)據(jù)，但這些數(shù)據(jù)是完全按印刷品上的內(nèi)容量來統(tǒng)計的，首先它不是基于互聯(lián)網(wǎng)上的實時交易數(shù)據(jù)，其次它也不是實時的用戶行為數(shù)據(jù)，它與今天我們多數(shù)人認知的基于互聯(lián)網(wǎng)上的大數(shù)據(jù)截然不同，出版業(yè)的內(nèi)容數(shù)據(jù)更多是文本類數(shù)據(jù)，這類數(shù)據(jù)是否適合運用目前流行的大數(shù)據(jù)工具來處理，值得討論。

2.什么叫Velocity?

它是指數(shù)據(jù)的實時快速生成、更新與累積，如互聯(lián)網(wǎng)公司服務器上的實時生成的日志 、社交網(wǎng)站上實時生成的用戶信息、傳感器數(shù)據(jù)和監(jiān)視數(shù)據(jù)等。所以有人提出1秒定律，來形容其數(shù)據(jù)更新的快速性。

也就是說它指的不是出版物上的靜態(tài)數(shù)據(jù)，而是基于聯(lián)機交互、實時更新的動態(tài)數(shù)據(jù)，大數(shù)據(jù)是活水，不斷的會有新的數(shù)據(jù)注入進來。

3.什么叫Variety?

它是指數(shù)據(jù)類型非常多，包括結(jié)構化數(shù)據(jù)、非結(jié)構化數(shù)據(jù)、富媒體數(shù)據(jù)、不連貫語法語義數(shù)據(jù)等，以及這些數(shù)據(jù)的超大規(guī)模激增。

而出版物內(nèi)容數(shù)據(jù)類型相對簡單、內(nèi)容表現(xiàn)形式相對統(tǒng)一，迥異于互聯(lián)網(wǎng)上繁雜的數(shù)據(jù)。

4.什么叫Value?

即價值密度的高低與數(shù)據(jù)總量大小成反比，數(shù)據(jù)量越大，有價值的數(shù)據(jù)越難薈萃，越需要通過強大的機器算法和工具軟件來實現(xiàn)，因此有人認為價值“提純”是大數(shù)據(jù)的特點之一。

換句話說，完全面對需求的嚴謹?shù)?、干凈的結(jié)構化數(shù)據(jù)，還需要挖掘嗎?挖掘的本意不就是沙里淘金嗎?

5. 什么叫Veracity?

即數(shù)據(jù)的真實性。數(shù)據(jù)的重要性就在于對決策的支持，數(shù)據(jù)的規(guī)模并不能決定其能否為決策提供幫助，數(shù)據(jù)的真實性和質(zhì)量才是獲得真知和思路最重要的因素，是制定成功決策最堅實的基礎。獲取真實可靠的數(shù)據(jù)是保證分析結(jié)果準確、有效的前提。只有真實而準確的數(shù)據(jù)才能獲取有意義的結(jié)果。

除了以上5V外，“大數(shù)據(jù)”還有一些特點，比如分布式，即Distributed，也就是說這么大規(guī)模的數(shù)據(jù)量，只能通過分布式存儲、分布式讀取、分布式利用來實現(xiàn);復雜性，即Complexity，是說數(shù)據(jù)量巨大，數(shù)據(jù)來源多渠道，包括傳統(tǒng)數(shù)據(jù)、交易事務型數(shù)據(jù)，而互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的發(fā)展，則帶來了微博、社交網(wǎng)絡、傳感器等多種數(shù)據(jù)來源。

下面我們來看看出版業(yè)的數(shù)據(jù)特征：

如果按上述標準來看，出版業(yè)的內(nèi)容數(shù)據(jù)雖具有Veracity屬性，但離Volume尚有差距，按照目前的數(shù)據(jù)生成和利用模式看，短期內(nèi)也不大可能向其他3個V轉(zhuǎn)型。這是因為，出版業(yè)是精英生產(chǎn)內(nèi)容的模式，與互聯(lián)網(wǎng)上的草根生產(chǎn)內(nèi)容或用戶生產(chǎn)內(nèi)容模式不同。精英生產(chǎn)內(nèi)容有以下特點：

1.嚴格的內(nèi)容評價與篩選機制，如“三審制”等，非經(jīng)過“三審”的稿件是無法得以出版的，而互聯(lián)網(wǎng)上則通常都是通過敏感詞過濾軟件來實現(xiàn)內(nèi)容的篩選，顯然在內(nèi)容質(zhì)量上不是一個量級。

2.正是這種精英式的內(nèi)容生產(chǎn)機制，使內(nèi)容產(chǎn)出物是按一定標準制定出來的，即其數(shù)據(jù)結(jié)構完整統(tǒng)一，內(nèi)容表達符合語法規(guī)范，基本不存在異構和混亂的數(shù)據(jù)。

3.也正是這種嚴格的內(nèi)容審查與編輯機制，使傳統(tǒng)出版物具有較高的價值含量，具有較集中的知識屬性，這與互聯(lián)網(wǎng)上的口水性內(nèi)容不可同日而語。

4.同時，傳統(tǒng)出版的內(nèi)容生產(chǎn)流程復雜、周期過長，屬于非實時性數(shù)據(jù)，所以不具有高速生成性，高速更新的特點。

5.傳統(tǒng)出版在內(nèi)容形成產(chǎn)品發(fā)布之前，基本也不是分布式存儲、讀取和利用的過程。

6.傳統(tǒng)出版物的數(shù)據(jù)是內(nèi)容數(shù)據(jù)，而非實時交易數(shù)據(jù)或用戶行為數(shù)據(jù)。什么叫用戶行為數(shù)據(jù)?它是指對用戶訪問網(wǎng)站的有關數(shù)據(jù)進行統(tǒng)計、分析，從中發(fā)現(xiàn)用戶訪問網(wǎng)站的規(guī)律，包括：用戶來源地區(qū)、來路域名和頁面;在網(wǎng)站停留時間、跳出率、回訪次數(shù);使用搜索引擎、關鍵詞、關聯(lián)關鍵詞和站內(nèi)關鍵字;在不同時段的訪問量情況等。

相比較而言，傳統(tǒng)出版中的報刊，除自辦發(fā)行的報刊外，絕大多數(shù)發(fā)行量大的報刊都是通過郵局訂閱發(fā)行的，通過郵局訂閱的用戶，其信息內(nèi)容過于簡單，而且即使如此簡單的用戶數(shù)據(jù)，報刊社也不掌握，更談不上進行用戶行為分析了。另外，即使是報刊社自辦發(fā)行的用戶數(shù)據(jù)，由于其用戶數(shù)量相對有限，所有信息都是非常明確、非實時產(chǎn)生的，因此是否需要用“大數(shù)據(jù)”工具進行挖掘分析值得研究。

圖書則主要是通過新華書店和二渠道書商發(fā)行，其終端用戶的行為數(shù)據(jù)也無法掌握。

當然，如果出版單位想要進行選題策劃，以“大數(shù)據(jù)”的方式分析市場需求和潛在用戶，那到不妨用“大數(shù)據(jù)”工具試試;或者出版單位轉(zhuǎn)型互聯(lián)網(wǎng)平臺，真正產(chǎn)生規(guī)模龐大的用戶行為數(shù)據(jù)，“大數(shù)據(jù)”工具也可能是一種不錯的選擇。

“大數(shù)據(jù)”軟件都有哪些典型應用

從百度上簡單搜一搜，我們就會發(fā)現(xiàn)，“大數(shù)據(jù)”軟件非常多，既有站點管理系統(tǒng)，也有數(shù)據(jù)倉庫，還有挖掘與分析工具。在所有軟件中，目前名聲最大的當屬Hadoop了。

登陸Apache(http://hadoop.apache.org)，首先是下面這幾句英文：

The Apache™ Hadoop® project develops open-source software for reliable, scalable, distributed computing.

The Apache Hadoop software library is a framework that allows for the distributed processing of large data sets across clusters of computers using simple programming models.

It is designed to scale up from single servers to thousands of machines, each offering local computation and storage.

英文中的scalable, distributed computing，large data sets，clusters of computers，thousands of machines等，指的是可擴展、集群、分布式，這正是大數(shù)據(jù)軟件的特點之一，也是大數(shù)據(jù)軟件所擅長的部分。換句話說，單機、數(shù)據(jù)規(guī)模較小的情況下，部署Hadoop這類軟件可能就未必合適了。

當然，“大數(shù)據(jù)”軟件并沒有一個明確的定義，在實際應用中，它有一個承前啟后的過程。早期可以追溯到IBM、Oracle、HP等老牌IT公司的數(shù)據(jù)倉庫解決方案。

隨著Google、Amazon、百度、阿里等互聯(lián)網(wǎng)公司的崛起，以及這些公司基于互聯(lián)網(wǎng)上的實時的、分布式的、龐大的數(shù)據(jù)業(yè)務，Hadoop等大數(shù)據(jù)軟件應運而生。Hadoop是一款開源軟件，它包括大數(shù)據(jù)的存儲(HDFS)、計算(MapReduce)、數(shù)據(jù)倉庫(Hive)等組件。

從大數(shù)據(jù)平臺的數(shù)據(jù)處理過程來看，我們可以將大數(shù)據(jù)相關技術分為數(shù)據(jù)采集、數(shù)據(jù)傳輸、數(shù)據(jù)清洗、數(shù)據(jù)建模、數(shù)據(jù)存儲、數(shù)據(jù)查詢、數(shù)據(jù)挖掘/統(tǒng)計分析、數(shù)據(jù)展示幾個常見組件。下面簡單予以介紹。

1. 數(shù)據(jù)采集/數(shù)據(jù)傳輸。常用軟件有Kafka、Sqoop等。Kafka可以將分布式環(huán)境中的數(shù)據(jù)進行收集和傳輸?shù)綌?shù)據(jù)平臺，用于后續(xù)的處理。Sqoop可以將關系型數(shù)據(jù)庫中的數(shù)據(jù)收集至HDFS、Hive中。

2. 數(shù)據(jù)清洗。常用軟件有Kettle等。Kettle是ETL工具集，可以管理來自不同數(shù)據(jù)庫的數(shù)據(jù)，提供圖形化界面配置實現(xiàn)ETL過程。

3. 數(shù)據(jù)建模/數(shù)據(jù)存儲。常用軟件有HDFS、Hbase等。HDFS是Hadoop的最底層的文件系統(tǒng)。Hbase是一個非結(jié)構化數(shù)據(jù)存儲方案。

4. 數(shù)據(jù)查詢。常用軟件有Impala、Hive等。Hive提供SQL接口，是現(xiàn)在的最常用數(shù)據(jù)倉庫組件之一，Impala可以查詢HDFS、Hbase的數(shù)據(jù)，相比Hive查詢性能更好，但對計算機的硬件也有較高要求。

5. 數(shù)據(jù)挖掘/統(tǒng)計分析。常用軟件有R、Mahout等。R是用于統(tǒng)計分析、繪圖的語言和操作環(huán)境。Mahout提供一些可擴展的機器學習領域經(jīng)典算法的實現(xiàn)，包括聚類、分類、推薦過濾、頻繁子項挖掘。使用 Apache Hadoop 庫，數(shù)據(jù)挖掘工程師可以快速實現(xiàn)在大數(shù)據(jù)方案中的應用。

6. 數(shù)據(jù)展示。常用軟件有Tableau等。Tableau是目前公認的在數(shù)據(jù)可視化方面最優(yōu)秀的廠商，提供了豐富的商業(yè)智能數(shù)據(jù)所需的可視化組件。

目前，大數(shù)據(jù)軟件最擅長處理的是以下類型的數(shù)據(jù)，這些數(shù)據(jù)多產(chǎn)生于互聯(lián)網(wǎng)：

1. 用戶行為數(shù)據(jù)。企業(yè)可以通過對這些數(shù)據(jù)的處理，進行精準廣告投放、內(nèi)容推薦、行為習慣和喜好分析、產(chǎn)品優(yōu)化等。如當用戶在進入網(wǎng)站后的所有操作，都會被網(wǎng)站記錄下來，會分析用戶是從哪些入口(如搜索引擎、微信等)進入該網(wǎng)站的哪個網(wǎng)頁?他們在各個網(wǎng)頁的行為路徑，最后在哪個網(wǎng)頁離開去了哪里等，最終實現(xiàn)產(chǎn)品優(yōu)化，降低用戶跳出率，提高用戶轉(zhuǎn)化率。

2.用戶消費數(shù)據(jù)。企業(yè)可以通過對這些數(shù)據(jù)的處理，進行精準營銷、信用記錄分析、活動促銷、理財?shù)取Ｈ缬脩粼陔娮由虅站W(wǎng)站上有了購買行為之后，就從潛在客戶變成了網(wǎng)站的價值客戶。電子商務網(wǎng)站一般會將用戶的交易信息，包括購買時間、購買商品、購買量、支付金額等信息保存在數(shù)據(jù)庫中，所以對于這些用戶，可以基于網(wǎng)站的運營數(shù)據(jù)對他們的交易行為進行分析，以估計每位用戶的價值，并針對每位用戶進行精準營銷。

3.用戶地理位置數(shù)據(jù)。企業(yè)可以通過對這些數(shù)據(jù)的處理，進行O2O推廣，商家推薦，交友推薦等方面的服務。如手機用戶在實用短信業(yè)務、通話業(yè)務、正常位置更新、周期位置更新和切入呼叫、應用APP時均會產(chǎn)生定位數(shù)據(jù)。用戶在購物和吃飯時，通過透露自己的位置信息，以便了解周圍的商家優(yōu)惠信息。

4.互聯(lián)網(wǎng)金融數(shù)據(jù)。企業(yè)可以通過對這些數(shù)據(jù)的處理，開展P2P、小額貸款、支付、信用、供應鏈金融等方面業(yè)務。如當用戶需要小額短期資金周轉(zhuǎn)，不必再勞時費力去銀行或小貸公司申請了，只需靠自己常年累月積攢的信用，憑借第三方征信公司提供的信用分，就可以在金融平臺上貸款了。目前，最快的貸款速度可以達到10分鐘審批、24小時放款。

5.用戶社交等UGC數(shù)據(jù)。企業(yè)可以通過對這些數(shù)據(jù)的處理，進行趨勢、流行元素、受歡迎程度、輿論監(jiān)控、生活行為、社會問題等分析，從中挖掘出政治、社會、文化、商業(yè)、健康等有用信息。

從上述類型的數(shù)據(jù)看，多不屬于內(nèi)容數(shù)據(jù)，而內(nèi)容數(shù)據(jù)的分析涉及到的是自然語言處理、文本挖掘、自動標注、知識圖譜等。由于大數(shù)據(jù)軟件目前尚無統(tǒng)一界定，自然語言處理技術算不算大數(shù)據(jù)軟件也不好說，但從功能上看，至少可以分為擅長數(shù)據(jù)分析的軟件和擅長內(nèi)容挖掘的軟件。擅長數(shù)據(jù)分析的軟件多用于金融服務、天氣預報監(jiān)測等領域。擅長內(nèi)容挖掘的軟件多用于智能機器人問答、語音識別等領域。目前，我們的出版業(yè)除出版單位自建或合建的基于互聯(lián)網(wǎng)或移動互聯(lián)網(wǎng)的業(yè)務平臺所產(chǎn)生的數(shù)據(jù)外，更多的是傳統(tǒng)出版物的內(nèi)容數(shù)據(jù)，這些內(nèi)容數(shù)據(jù)基本不適用于流行的數(shù)據(jù)分析類軟件處理，而擅長內(nèi)容挖掘的軟件在出版物內(nèi)容的智能化處理，特別是知識檢索和知識服務方面，更多還處于探索階段，尚未形成普遍成熟的應用。

同時，即使是內(nèi)容數(shù)據(jù)，也還可以再細分為出版物內(nèi)容數(shù)據(jù)和基于互聯(lián)網(wǎng)的實時原創(chuàng)內(nèi)容數(shù)據(jù)。今年大獲成功的基于個性化推薦的新聞資訊類內(nèi)容數(shù)據(jù)便是基于互聯(lián)網(wǎng)實時原創(chuàng)的內(nèi)容數(shù)據(jù)。關于內(nèi)容數(shù)據(jù)的挖掘與利用，或許是另一篇文章所要探討的問題了。

“大數(shù)據(jù)”平臺建設需要多少成本

關于大數(shù)據(jù)平臺建設的成本，筆者查找和咨詢了相關公司，歸納整理如下：

對一個企業(yè)來說，建設大數(shù)據(jù)平臺有兩種方案可供選擇：一種是自建，一種是采購第三方成熟產(chǎn)品。自建的成本，主要包括三部分：硬件投入，即服務器、網(wǎng)絡設備等的采購;軟件投入，即建設大數(shù)據(jù)平臺所需要的各種商業(yè)軟件的采購;人力投入，即軟件工程師和數(shù)據(jù)分析師的雇傭。采購第三方成熟產(chǎn)品，可從滿足企業(yè)實際數(shù)據(jù)量和滿足企業(yè)業(yè)務需求處理的大數(shù)據(jù)組件等進行成本核定，如采用亞馬遜 AWS 的大數(shù)據(jù)解決方案，常見的可能需要核定存儲成本、數(shù)據(jù)預處理成本、數(shù)據(jù)查詢系統(tǒng)成本等。

總而言之，大數(shù)據(jù)平臺建設的成本與企業(yè)實際數(shù)據(jù)量和業(yè)務復雜度強相關。舉例說，如果某企業(yè)一年積累3T數(shù)據(jù)量，該企業(yè)計劃自建大數(shù)據(jù)平臺，同時常用的查詢數(shù)據(jù)集中在最近一年內(nèi)，更早的數(shù)據(jù)可以作為冷數(shù)據(jù)進行廉價存儲備份。如果選用目前主流的云計算平臺的 IaaS，可選的主流高配機型(16核32G內(nèi)存，1TSSD 磁盤)租金約3萬元/年 ，約需要10臺同樣配置的機器，即硬件成本約30萬元。如果采用開源的 Hadoop組件進行開發(fā)，則主要成本基本就是技術人員的投入。要達到企業(yè)主要業(yè)務數(shù)據(jù)入庫、可查、具有基礎的大數(shù)據(jù)應用的要求，一般需要24-36人/月，以市場主流的具備這類開發(fā)能力的兩個軟件工程師(成本30萬元/年/人)、數(shù)據(jù)分析師(成本20萬元/年)計算，這部分的費用約在80 -110萬元之間。一個基礎的大數(shù)據(jù)應用平臺的建設約需130萬元左右的初期投入，后續(xù)的日常維護主要是硬件租賃成本和基本的技術人員投入，預計會在60萬元/年左右。在實際實施過程中，各企業(yè)的投入主要與企業(yè)的應用場景和業(yè)務復雜程度密切相關，其差距可能會相當大。

而企業(yè)如果采用第三方成熟產(chǎn)品，這部分成本核算將比較復雜，需要根據(jù)業(yè)務情況具體分析來定。比如，如果選擇傳統(tǒng)老牌廠商的解決方案，大多數(shù)軟件系統(tǒng)也需要百萬級別，如果是軟硬件一體的方案，可能達到數(shù)百萬元。而如果采用新興的互聯(lián)網(wǎng)云計算、大數(shù)據(jù)廠商的方案，成本可能相對低一些。比如，一些 SaaS 廠商的報價，以上述3T/年的用戶行為數(shù)據(jù)為例的話，每年的成本可能只有30-50萬元左右。

上述估價只是針對一般中小型企業(yè)而言，大型企業(yè)或國家級工程項目，其價格標準不在本文討論的范圍內(nèi)。其實，一個大數(shù)據(jù)平臺建設需要考慮的因素是多方面的，企業(yè)發(fā)展所處的階段，企業(yè)的數(shù)據(jù)規(guī)模、數(shù)據(jù)類型、數(shù)據(jù)應用場景，企業(yè)的IT人員情況，企業(yè)內(nèi)使用數(shù)據(jù)的情況等，更重要的是企業(yè)的戰(zhàn)略目標，如果企業(yè)根本性的轉(zhuǎn)型，上述費用標準可能相差很遠。因此，企業(yè)的實際需求和目標，才是費用評估的最重要的依據(jù)。就目前工業(yè)界可選的方案來看，沒有標品，更沒有明確、統(tǒng)一的預算評估辦法可供選擇。

同時，大數(shù)據(jù)平臺的建設往往難以一步到位，通常是一個迭代開發(fā)的過程。真正能夠使用起來的系統(tǒng)也多是進化而來的。從資金投入角度看，大數(shù)據(jù)平臺建設的花費很可能是一個持續(xù)的過程。這一點企業(yè)應有清醒的認識。

明確需求，量體裁衣

舉個例子吧。一個只有10名員工的公司，要統(tǒng)計每個人中午吃什么，直接向每個人問一下，腦子就記住了;一個有100名員工的公司，要統(tǒng)計每個人中午吃什么，可能就得借助紙和筆這樣的工具了;一個有1000名員工的公司，要統(tǒng)計每個人中午吃什么，說不定得拿EXCEL表匯總一下了;假如要想實時了解互聯(lián)網(wǎng)上的用戶中午用餐行為，EXCEL表恐怕也未必管用了。此時，“大數(shù)據(jù)”粉墨登場。

再舉一例子。如果求一個正方形面積，長乘寬就夠了，何必非要使用微積分呢?是說我們進入了一個“極限時代”嗎?極限思想肯定是人類認識史上的巨大飛躍，其偉大之處是面對復雜問題有了特殊的解法。但如果問題簡單到像求正方形面積一樣，使用微積分就未必合適了。

上述兩個例子是想說明，“大數(shù)據(jù)”既意味著一種數(shù)據(jù)的量級，也意味著數(shù)據(jù)的復雜程度，這正是“大數(shù)據(jù)”的兩大主要特點。

英國劍橋大學微軟研究院在2013年的一份技術報告中指出，Hadoop適合處理TB或PB級數(shù)據(jù)，而大多數(shù)計算任務處理的輸入數(shù)據(jù)在100GB以下。對如此規(guī)模的數(shù)據(jù)量，縱向擴展的解決方案在性能上往往優(yōu)于橫向擴展。也就是說，微軟在2013年就已認識到，100G左右的數(shù)據(jù)基本無需考慮大數(shù)據(jù)。根據(jù)摩爾定律(運算能力18個月翻一番)，到2016年，現(xiàn)在的服務器不需要大數(shù)據(jù)系統(tǒng)可處理的數(shù)據(jù)量就應該是400G(100G*2*2)，這意味著企業(yè)只有在數(shù)據(jù)量接近400G時才值得考慮大數(shù)據(jù)平臺的建立。

再來說說財政資金的申請與使用吧!

經(jīng)?？吹匠霭鎲挝辉谏暾堌斦Y金支持時，動輒就是“大數(shù)據(jù)”、“云出版”、“知識庫”，冠上這些名稱是挺時髦的，也挺高大上的，但問題是出版單位現(xiàn)有的數(shù)據(jù)規(guī)模和數(shù)據(jù)特點是否算得上“大數(shù)據(jù)”?是否需要建設“大數(shù)據(jù)”平臺來進行數(shù)據(jù)分析，并通過數(shù)據(jù)分析指導出版單位的運營?另一方面，即使出版單位沒有存量的大數(shù)據(jù)，只是希望通過建設“大數(shù)據(jù)”平臺來探索新的內(nèi)容生產(chǎn)與內(nèi)容服務模式。如果是這一種情況，應該說這樣的想法本身是非常值得肯定的，在數(shù)字化的今天也是非常必要的。但這里也有一個問題，就是出版單位建設大數(shù)據(jù)平臺是從人云亦云的概念出發(fā)，還是從企業(yè)轉(zhuǎn)型和業(yè)務實際出發(fā)。這里至少涉及到“大數(shù)據(jù)”平臺建設的業(yè)務模型、技術細節(jié)、應用過程、人員結(jié)構、投入產(chǎn)出、用戶需求、體制風險等。只有這些都進行了認真的論證，才能降低“大數(shù)據(jù)”平臺建設的風險。

不過，從我接觸到的一些實際情況來看，出版單位的大數(shù)據(jù)平臺建設，似乎概念大于具體應用，其立項申請也常常缺乏操作層面的描述和以用戶為導向的需求調(diào)研。某些出版單位的申報書就是一批新詞的堆砌，看不到思想的變化和服務模式的探索，看不到為此準備在體制、機制、結(jié)構和商業(yè)模式上進行的改變。甚至有時候，某些出版單位的申報書干脆就是技術公司幫助起草的，技術公司也不一定了解出版單位的業(yè)務需求，出版單位也不一定懂得那些專有名詞的真正含義。最后，開發(fā)完成的項目，很可能既不是“大數(shù)據(jù)”平臺，也無法與出版單位已有系統(tǒng)對接，成為新的信息孤島。這與中央提出媒體融合的精神，與總局轉(zhuǎn)型升級的初衷，都相去甚遠。

大數(shù)據(jù)平臺的建設本身不是目的，其目的是要建立數(shù)字化時代的新的商業(yè)運營模式，通過直接或間接的方法為企業(yè)創(chuàng)造利潤，同時增加企業(yè)的影響力和話語權。大數(shù)據(jù)平臺的使用，一定要與實際需求掛鉤。離開了實際需求，空談大數(shù)據(jù)沒有意義。就像一定要讓線裝書局轉(zhuǎn)型去出版電子書一樣，有點兒為轉(zhuǎn)型而轉(zhuǎn)型了。同時，如果不考慮大數(shù)據(jù)的特點，一味從概念出發(fā)強行上馬，最后很可能就是一場筷子夾湯的愿望，永遠也走不到真正的應用。

堅守和變革都是一種情懷

通過以上研究，初步結(jié)論如下：

1.“大數(shù)據(jù)”是信息技術和信息產(chǎn)業(yè)發(fā)展到一定階段的產(chǎn)物，它的前身與數(shù)據(jù)挖掘息息相關，如果用寬泛的概念進行界定，目前相當多的數(shù)據(jù)分析工作都可能歸屬其中。也就是說，“大數(shù)據(jù)”本身，代表著一個承上啟下的過程，它無法割斷歷史，但又有新的含義。

2.這些新含義表現(xiàn)在：它的數(shù)據(jù)規(guī)模應該足夠大，它具有分布式、異構性、實時性、低價值密度等特點。也就是說，不是簡單做點數(shù)據(jù)分析就可以歸為“大數(shù)據(jù)”了。

3.傳統(tǒng)出版業(yè)作為內(nèi)容產(chǎn)業(yè)的一部分，其整體內(nèi)容的數(shù)據(jù)量也僅TB級別，由于生產(chǎn)方式的限制，目前尚不具備“大數(shù)據(jù)”的全部特點。至于單個出版單位，也許離“大數(shù)據(jù)”還相當遙遠。

4.“大數(shù)據(jù)”不僅是概念，還是具體的應用。出版單位在提“大數(shù)據(jù)”時，應首先想清楚是否會真正用到這些系統(tǒng)去改變現(xiàn)有的內(nèi)容生產(chǎn)模式。如果有一天，出版業(yè)移師互聯(lián)網(wǎng)，我相信“大數(shù)據(jù)”工具一定能很好地派上用場。因為“大數(shù)據(jù)”工具在對實時產(chǎn)生的數(shù)據(jù)分析時，會有相當不錯的表現(xiàn)，而這些實時產(chǎn)生的數(shù)據(jù)往往是基于互聯(lián)網(wǎng)的在線交易數(shù)據(jù)或用戶行為數(shù)據(jù)。傳統(tǒng)出版業(yè)基本上是一個埋頭于內(nèi)容加工的行業(yè)，它不太關心或者也無法關心用戶的行為，即使內(nèi)容本身的數(shù)據(jù)也靜態(tài)得可怕。如果依然是這種內(nèi)容生產(chǎn)模式，“大數(shù)據(jù)”也基本與出版業(yè)無關了。

5.“大數(shù)據(jù)”在研發(fā)、部署、應用、維護過程中，需要一定的成本(硬件、軟件、人力等)，有些成本甚至需要持續(xù)投入。因此，出版單位在上馬“大數(shù)據(jù)”系統(tǒng)時，最好能進行投入產(chǎn)出的測算，因為一旦進入應用，它就不再是一個簡單的概念了，它是需要花很多錢的。因此，實事求是，量體裁衣可能是最佳選擇。

6.同時，還要相信，人腦進化了幾千年甚至上萬年，我們每天往嘴里塞口饅頭、喝口菜湯，就能輸出無與倫比的智慧，人腦的創(chuàng)新絕不是簡單的數(shù)據(jù)分析就能替代的。目前的數(shù)據(jù)分析工具，至少在出版界，更多的還是輔助人腦判斷的手段。當然，人工智能也在不斷挑戰(zhàn)人類智慧的極限，這也是事實。

7.無論如何，“大數(shù)據(jù)”已經(jīng)成為我們這個時代的背景了，即使不使用“大數(shù)據(jù)”工具，也會被裹脅其下，無法“獨善其身”。堅守與變革都是一種情懷，就看我們出版單位的掌門人怎么理解了。

來源：環(huán)球網(wǎng)