大機會?大風險?大忽悠? ——它們有一個共同的名字叫“大數(shù)據(jù)”

大數(shù)據(jù) 風險

劉德寰 | 2016-09-05 11:35

【數(shù)據(jù)猿導讀】大數(shù)據(jù)實際上有三個主要的理解：大數(shù)據(jù)確實帶來了大的機會;大數(shù)據(jù)也引來了大風險;大數(shù)據(jù)本身非常像大忽悠

大機會?大風險?大忽悠? ——它們有一個共同的名字叫“大數(shù)據(jù)”

一、大數(shù)據(jù)帶來大機會

各行各業(yè)突飛猛進地運用大數(shù)據(jù)

先說大數(shù)據(jù)，大數(shù)據(jù)到來之后，包括電子商務、零售企業(yè)、交通運輸、信息產業(yè)、公共衛(wèi)生、教育以及生產企業(yè)對零部件的監(jiān)測，各個產業(yè)實際上都在突飛猛進地運用大數(shù)據(jù)。在這當中，在全球范圍內形成了很多重要的案例，我簡單介紹幾個。

1 TARGET

在大數(shù)據(jù)領域做的最好的一個公司叫Target。它用抽樣調查和大數(shù)據(jù)結合，構造了整個智能的廣告推送系統(tǒng)，做得非常非常好，后面我會用一個案例來講。

2 TESCO

有一個在全球范圍內影響力非常大的公司叫TESCO，在中國叫樂購。它用的是一個抽樣實驗加分析，然后進行大數(shù)據(jù)推送。TESCO能夠保證任何一個人只要在這里有了一個完整的消費之后，你出來的那一剎那看到的廣告和你進來時是完全不一樣的。因為他會根據(jù)你的需求來推送完全不同的東西。但是大家也要注意，這當中的前提是實驗。TESCO每天都在進行上百個實驗。

3 ZARA

另外一個是大家都比較熟悉的服裝品牌ZARA。ZARA玩的是一個比較傳統(tǒng)的方式。它用視頻監(jiān)測，不僅僅看你是否偷了衣服，更重要的是記錄你的行為。每一個店長就是調查員，每天收集幾千個數(shù)據(jù)，找尋消費者的需求，這也可以叫調查。歷時很長的話就有數(shù)據(jù)量的影響。

4 亞馬遜

在整個信息產業(yè)當中，尤其電商中做得比較好的是亞馬遜。它在大數(shù)據(jù)應用中最典型的傳統(tǒng)的方式是行為痕跡的建模和文本挖掘的結合，構建它的數(shù)據(jù)系統(tǒng)。

5 沃爾瑪

還有一個是沃爾瑪。它花錢買了一個不到100人的做社交大數(shù)據(jù)分析的公司Kosmix，同時還建了一個倉儲的大數(shù)據(jù)工具。

這是幾個非常典型的國外的例子。

二、大數(shù)據(jù)引來的大風險

到處都是假規(guī)律

實際上大數(shù)據(jù)帶來了幾個非常重要的風險。

1.計算速度不理想

Hadoop速度非?？?，是調取、存儲和歸整數(shù)據(jù)的極好的工具。但是對挖掘數(shù)據(jù)來講，這個工具并沒有那么好。前一段時間，我們做了一個歷時半年的900萬用戶的智能手機使用習慣的研究。在數(shù)據(jù)建模的時候我們發(fā)現(xiàn)，計算速度實際是一個非常大的問題。我們把16臺頂級服務器連成一個超級計算機，在這個基礎上把模型建好，運算全數(shù)據(jù)的過程花了整整21天。我相信航天這些的運算速度沒有問題，但是學界的，商用的的東西中，計算速度存在著非常大的問題。

2.海量數(shù)據(jù)非常危險

只要玩大數(shù)據(jù)的人會發(fā)現(xiàn)到處都是假規(guī)律。我拿一個小數(shù)據(jù)舉例。

比如，五千個樣本做一個非常簡單的線性回歸的時候發(fā)現(xiàn)有三個變量線性顯著。但是沒做任何變化，把這個變量復制倍，顯著的比例可能五個了，到33萬的時候可能所有變量之間的關系都顯著了。問題是統(tǒng)計上都顯著了，但所有這些結果都是錯的。當數(shù)據(jù)運算量大到大約33萬到70萬之間時，我們會發(fā)現(xiàn)一個非常重要的哲學問題，這個哲學問題是什么呢?——萬物都是有聯(lián)系的。這件事情非?？膳?非常麻煩!到底什么是真的規(guī)律?

1970年有一個學者安德森說過“多帶來不同”，那個時代提出這個觀點非常好。但是現(xiàn)在“多”帶來的真的是不同嗎?有時候帶來的還有迷茫，自我高潮和假規(guī)律。這點非常危險。

斯坦福大學的Trevor Hastie說了一句著名的話，“在稻草里找一根針”。問題是很多稻草長得跟針是一樣的，這是所有大數(shù)據(jù)研究面臨的最大風險。數(shù)據(jù)太大之后帶來的實際上是規(guī)律的喪失和失真，所以千萬不要忽視了抽樣。我們在900萬用戶的分析中，如果當時直接拿出900萬的數(shù)據(jù)，用6個月的時間，進行移動互聯(lián)網(wǎng)行為建模，估計到今天我這個模型也建不出來。我們用的事不斷探測的過程辦法，等于先在里面抽了40萬，然后在40萬中又抽了2000人做問卷調查，來理解這套數(shù)據(jù)的邏輯。用40萬進行常識性建模，然后再在900萬中進行建模，再優(yōu)化它，形成最后的結果。不要忽視抽樣，不要因為我們有了大數(shù)據(jù)就把傳統(tǒng)的知識去掉。

3.數(shù)據(jù)是斷裂而封閉的

比如騰訊說我有全數(shù)據(jù)，你是很全，但你到底有沒有百度的?有沒有京東的?阿里的?如果沒有怎么談得上全呢?最近出現(xiàn)了一個好的形象性的詞匯——“數(shù)據(jù)孤島”。我們在喊大數(shù)據(jù)的過程中形成一個個數(shù)據(jù)孤島，在這些孤島沒有打破之前，我們基本上談不上“全”這個詞，更別說這個數(shù)據(jù)內部的斷裂結構。

4.缺失風險

對所有的大數(shù)據(jù)來講，分析一個小問題的時候，數(shù)據(jù)量都不大。幾百萬，一千萬，這個數(shù)據(jù)量都是可控可選的。對于所有人來講，要是進行一個全分析時都是缺損永遠多于數(shù)據(jù)。在這種建構過程中，在數(shù)學統(tǒng)計學上有兩個很重要的詞，一個叫技術矩陣，一個叫程序矩陣。單獨分析都問題不大，最怕的是這兩個混合。微博、微信合在一起一定是容易的。但是微博和一個非常小的技術合在一起，就是一個信息一個技術，怎么分析它?這點難度是極大的。

5.其他風險

風險這一塊兒很多人在談，有治安的問題，有侵犯個人隱私的問題?，F(xiàn)在尤其在車聯(lián)網(wǎng)、物聯(lián)網(wǎng)的發(fā)展過程中，甚至以后我們買的任何一個東西，我們的油煙機、冰箱、洗衣機、電視里面都有定位。因為那時一個定位裝置可能就十塊錢，非常便宜。你的位置，你在這個城市大概的覆蓋的邏輯我都知道了，然后我能夠傳到網(wǎng)絡上去。如果所處的環(huán)境中到處都是Wifi的時候，會不會造成公共健康問題?這些都有待各個領域的專家予以補充。

三、大數(shù)據(jù)本身很像大忽悠

精準營銷如何變成了精準騷擾?

我們看下面的案例

假設一個人買了A牌的衛(wèi)生紙，B牌的護手霜，他買C牌牛奶的可能性是其他人的4.84倍，買某種餅干的可能性是其他人的4.82倍。如果他買了某種牌子的鹽，那他買某品牌香煙的可能性是其他人的4.44倍。這只是把它截斷出來，實際上這個數(shù)據(jù)是一個非常長的購物籃技術。在這類分析中，我們會發(fā)現(xiàn)它本身依賴的確實有大數(shù)據(jù)的源頭，但是真正在分析當中也會面臨其他問題。

所以，我今天更重要的是要講大數(shù)據(jù)與大忽悠。

只見數(shù)據(jù)不見人是非常危險的

很多人沒搞明白，數(shù)據(jù)整理、展示、描述和挖掘是完全不同的概念。整理、描述、展示一個數(shù)據(jù)，用CRM、ERP很容易，它是簡單問題。但是挖掘是一個復雜問題。如果我們整理數(shù)據(jù)會發(fā)現(xiàn)有一些所謂大數(shù)據(jù)模型是這樣的：用一個模型代替重要的發(fā)展用戶。但是問題是同樣一種行為或者同一個人，我們的想法完全不一樣，怎么可能用一個模型能夠替代了呢?這個實際上你會發(fā)現(xiàn)它就是一個空中樓閣一樣，因為只見數(shù)據(jù)不見人是非常危險的。

“云”到底是浮云還是真正的計算云不好說

現(xiàn)在“云”很多，到底是浮云還是真正的計算云不好說。如果我們要分析的話，大數(shù)據(jù)引領的一個時代是一個非常有意思的事情。在沒有總結總體性規(guī)律的時候，我們直接對個體進行理解，這實際上跟我們常識性的學術研究的邏輯相違背。這種方法簡單、實用、粗暴，實際驗證的結果不一定有效。

數(shù)據(jù)可視化不能只流于形式

數(shù)據(jù)展示形成一個非常重要的流派叫數(shù)據(jù)可視化，我對這些朋友心存敬意。因為國外的可視化技術到最后基本上是藝術。漂亮嗎?很漂亮，但是得出了什么結論呢?誰粉絲多誰轉化率高。于建嶸老師比我粉絲多多了，他的轉發(fā)量一定比我高，轉發(fā)率呢?可視化的感受非常好，但它只屬于展示，并沒有分析內在的規(guī)律。

我們曾經(jīng)做過一個簡單的抽樣調查。我們建模分析的是2003年淘寶在全中國運行之后，對中國網(wǎng)絡帶來的影響。這個時候總共用一張圖展現(xiàn)不了，得用16張圖展示一個現(xiàn)象。我可能有點兒孤陋寡聞，但現(xiàn)在還沒有見到其他研究使用這種比較深入的分析方式。

世上最遠的路，是從精準推送到精準騷擾的套路

真正數(shù)據(jù)挖掘在國外的經(jīng)典案例當中，Target的案例最有典型意義。生活改變會導致購物行為的變化，然后會有一些大數(shù)據(jù)推送方式的變化。營銷學、廣告學、公共衛(wèi)生學、心理學、數(shù)據(jù)分析、數(shù)據(jù)挖掘，所有這些知識是混合性知識，大數(shù)據(jù)恰恰需要這種混合才可能做好。

前兩天我買了一個5升的洗衣液，家里人再多，我至少也得用一個月。同時你也要知道我買的時候我是別的什么都沒看，直接到那兒下完單就走了，這說明我是品牌忠誠者。你應該做的不是在我一上網(wǎng)的時候就推送一大堆各種品牌的洗衣，你應該告訴我這個品牌洗衣液在什么時間打折，這才叫大數(shù)據(jù)分析。

數(shù)據(jù)挖掘的商業(yè)本質要簡單不能再簡單，但是過程非常復雜。不是簡單的CRM、ERP跑一圈兒就給你推送。那是從精準營銷蛻變?yōu)榫珳黍}擾。

四、大數(shù)據(jù)的核心是關注人性

知覺、體驗、靈機一動、體會、內省，都是大數(shù)據(jù)的思想。

所以，數(shù)據(jù)挖掘不是黑箱，不是一個調動數(shù)據(jù)的方法，也不是整理數(shù)據(jù)的方法，它實際上需要在思想的基礎上做。真正進行跟人相關的大數(shù)據(jù)挖掘的時候一定要關注人性。很多人說網(wǎng)購起來之后實體店不行了。如果實體店真的不行了，年輕女孩到哪兒揮灑青春?逛街的核心在“逛”，不在于“買”。要了解人性再去建那種模型才會有意義。

蘋果

很多人說喬布斯不相信調查。喬布斯最基本的習慣，經(jīng)常整天躲在蘋果體驗店前的灌木叢中看體驗店里的人在干嘛。這是典型的觀察法，是人類研究問題最早期的研究方法。所以，知覺、體驗、靈機一動、體會、內省，所有這些看起來跟大數(shù)據(jù)無關的東西可能恰恰是大數(shù)據(jù)的核心，因為它是思想。

谷歌

谷歌在2008年的時候開發(fā)一個非常重要的東西，叫流感趨勢預測，最初它預測的結果比美國疾控中心的預測結果還準，轟動了全球。結果接下來你會發(fā)現(xiàn)它那個東西越來越亂，嚴重高估了流感的狀態(tài)。為什么?就是因為剛才談到的維克多·邁爾-舍恩伯格這一流派在談大數(shù)據(jù)的時候重相關不重因果。無論真相關假相關，相關就重，正是假相關造就了谷歌的失敗。假相關怎么來的?某一次流感發(fā)病的時間點，比如跟美國中學生籃球賽那個時間點是完全一致的。你說這倆概念能有關系嗎?問題是只要搜索中學生的籃球賽，就構成了流感預測的一個主要的詞之一。類似的東西太多了，為什么?因為在谷歌預測的時候，沒有找疾控專家。這些東西才是進行大數(shù)據(jù)預測的一個很重要的前提。

這里面就是過度擬合、虛假相關和人性這幾個問題造就了谷歌的錯誤。

這時你也會發(fā)現(xiàn)這些商業(yè)公司在做的時候，更多是跟商業(yè)邏輯相關的一個概念。它真的不是純的研究，而且我們并不知道它整個計算的完整過程。所以，掌握大數(shù)據(jù)本身并不等于是擁有良好的數(shù)據(jù)。這是美國《科學》雜志在系統(tǒng)評估谷歌的時候說出來的一句話。

五、掌握大數(shù)據(jù)本身并不等于是擁有良好的數(shù)據(jù)

大數(shù)據(jù)只是一個工具，不能替代基礎知識。

在實際的商業(yè)應用中，現(xiàn)在這個時代，要一攬子把大數(shù)據(jù)這個概念說透，我覺得神仙也做不到。在現(xiàn)實的應用中，大數(shù)據(jù)小應用是一個核心方式。前面我提到的五個國外的比較好的成功案例當中，沒有一個不包含抽樣，沒有一個不包含小數(shù)據(jù)。也就是說大數(shù)據(jù)不能忽視各個專業(yè)的基礎知識，比如歷史學、法學、政治學、社會學、心理學，大數(shù)據(jù)本身不構成帶來知識的積累，它只是帶來一個數(shù)的變化。

算法如果依賴了對這個獨立領域的深度理解，再去跟IT、數(shù)學的技能連在一起，會做出一個比較好的大數(shù)據(jù)分析。只靠一個算法得到得那種知識非?？?，但是從現(xiàn)來看，錯誤率也是極高的。算法本身還是依賴于人。所以，人工智能的中文翻譯真是挺好的，沒有人工，無法智能，所以叫“人工智能”，這是確確實實有道理的一個概念。