大數據的財富與陷阱

2013年10月28日，三名新疆籍恐怖分子駕吉普車沖撞天安門，恐怖分子當場全部燒死，可是警方僅用了10多個小時就全部抓住了5名同伙。警方如何快速鎖定嫌疑犯，這是國家秘密，但是從媒體披露的蛛絲馬跡中，我們還是能發現無處不在的監控視頻和電信追蹤起到了至關重要的作用。從天安門廣場追溯過去的海量信息，通過一些模糊匹配方法能快速地過濾信息，最后找出恐怖活動與嫌疑犯的相關性——這就是大數據的威力。

沒有最大，只有更大

維基百科這樣定義大數據（Big data）：大數據或巨量數據、海量數據、大資料，指的是所涉及的數據量規模巨大，以至于無法在合理時間內通過人工截取、管理、處理并整理成為人類所能解讀的信息。我們舉個例子，IBM團隊為了讓電腦戰勝國際象棋冠軍卡斯帕羅夫，收集了將近100年來的60萬盤高手的棋譜，這個就是大數據，人腦是無法記憶所有這些棋譜并加以有效利用的。1997年，國際象棋特級大師卡斯帕羅夫在《危險邊緣》（jeopardy）節目中首次輸給了IBM深藍電腦，成為轟動一時的新聞。電腦能戰勝人腦，秘訣就在于存儲在深藍電腦內的棋譜大數據。科學家們研制了人工智能博弈軟件，能從大量的棋譜中找出最合適的步驟，這是人腦所無法企及的。

有人把大數據的特征歸納為4V：Volume（量大）、Variety（多樣）、Velocity（高速）、Value（價值密度低）。讓我們來回顧一下剛剛過去的“雙十一”節，那天淘寶商城達成了1.88億筆交易，總交易額達創紀錄的350.19億元。這些交易記錄就形成了那天瘋狂網購的大數據。

這樣的記錄首先體現在數據量巨大上。我們知道一部高清電影的容量大約有1GB，而1024個GB就是一個TB，再1024個TB就是一個PB，而大數據往往達到PB數量級，可見數據量大得無法想象。其次，就是數據的多樣性，交易的品種、賣家的信息、買家的信息、快遞的信息、支付的信息，構成了一個行業多樣化的數據鏈。第三，就是數據產生的速度極快，檢索結果的速度也要求快，要在幾百萬件商品中查找出一類商品，其檢索速度只需要1秒，這是傳統技術無法達到的。最后，需要說明的是，大數據的內容雖然真實、完整地反映了客觀世界，但它的價值密度很低，如果不去研究挖掘，大數據是不會自動產生有用結果的。比如，在街景的海量監控視頻中，犯罪分子留下的蹤影也許只有幾秒鐘。

大數據時代

英國的大數據權威專家維克托·邁爾-舍恩伯格（Viktor Mayer-Sch?nberger）寫過一本書，書名就叫《大數據時代》，書中首次斷言人類已經無可逆轉地跨入了大數據時代。據他估算，人類在2000年時大約只有四分之一的信息實現了數字化，其他的四分之三的信息仍然以報紙、書籍、膠片、磁帶等形式存在，但是到了2007年人類存儲的數據超過了300艾字節，相當于3000億GB的信息量。大數據時代在生活、工作和思維上給人們帶來了巨大變革。

首先，是數據的形式由原來的關系型數據（如電子表格形式）更多地表現為非關系型數據（如用戶評論、圖片等）；數據存儲方式也由原來集中式存儲變為分布式存儲，大型數據不得不存儲在不同地方的存儲服務器中，通過網絡進行互聯訪問，構成所謂的云存儲。

其次，是對數據處理的方式發生了根本變化，人們已無法只用一臺電腦處理數據，必須依賴網絡后面的云平臺，進行云計算，才能有效處理大數據。在對大數據處理上，我們可以看到三個有趣的變化：在小數據時代，人們限于獲取數據的困難，只能采用隨機抽樣的方式獲取數據樣本，然后根據樣本數據進行分析預測。一旦樣本出現偏差，那推導出的結果就會產生很大的誤差。而在大數據時代，我們能輕易地得到數據全體，而不再需要樣本。譬如，阿里巴巴能得到所有買家的數據，它能輕易地統計“光棍節”那天的交易金額，算出哪個地區交易最活躍，可以通過媒體實時轉播交易盛況。這就是大數據的全數據模式，數據處理的范圍是全體，而不再是樣本。第二個變化，是不再一味地追求數據的精確性。由于大數據的多樣性、豐富性、動態性（在處理的同時，數據還在大量產生），強調數據的精確性是做不到的，也沒有必要。紛繁的數據會混雜在一起，看起來好像全無用處，甚至有些還是錯誤的數據，但是沒有關系，這就是大數據的本性，看似無關無用的一堆數據卻蘊含著無限商機。想一想，當人們在百度上比以往更多地搜索“感冒”“發熱”等關鍵字時，往往意味著某地將要爆發流感，甚至還能預測是什么流感，這就是大數據的威力。第三個變化，是關注數據之間的相關性，而不是因果關系。比方說，通過挖掘天貓商城的交易數據，發現購買德龍咖啡機的買家，會有很高的比例購買寵物糧食，那商家會不失時機地推薦你購買皇家狗糧。咖啡機與狗糧沒有因果關系，但卻有內在的相關性。數據之間的相關性，就是大數據所蘊含的價值，也是商家追求的商機。大數據的相關性，告訴我們在面對錯綜繁雜的大數據時，我們不需要去研究“為什么”，只要知道“是什么”就足夠了。

最后，大數據時代將催生一個數據挖掘行業，出現一批數字科學家。簡單地說，數據挖掘就是從收集的數據中用一定的算法分析計算，得到我們所需要信息和知識的過程。傳統的統計分析是將數據按已知的類別進行分類統計，然后尋找有價值的數據。如果給定的分類是不合理的或是錯誤的，那統計出來的結果就不會產生最好的效果。而數據挖掘采用的是一種叫“聚類”的方法，它事先不需要人工分類，而是由算法分析數據的屬性，將數據自動聚集成“類”，使“類”間的相似性盡量小，“類”內的相似性盡量大。比方說，保險業務涵蓋各類人群、各種職業，所以設計某個險種潛在的客戶目標群，需要對大量數據進行挖掘，才能找出不同的客戶群和重要系數，這不是事先人為設定的。要“讓數據自己說話”，這樣才能因地制宜地制訂營銷計劃，科學測算盈虧平衡，為保險企業創造更多利潤。

大數據的紅利

有人斷言，數據將成為人類的重要資產，成為比石油和黃金更為重要的可重復開發使用的資源。筆者也認同這個觀點。最近，媒體報道“三馬”聯手買保險新聞，這是一個攢取大數據紅利的例子。“三馬”利用阿里巴巴、騰訊和平安保險三家公司掌握大數據的優勢，成立了網絡保險公司——眾安在線，這是具里程碑的互聯網金融創新，旨在利用大數據對保險消費者進行準確定位和精準營銷，瞄準的主要是80后、90后的消費者。可見，利用大數據技術將是未來各保險公司搶奪市場非常關鍵的一環。

另一個有益的應用將是利用大數據來防范電信詐騙。電信詐騙是當今社會的一大頑疾，如果電信、銀行、互聯網、公安等各方擯棄利益糾結，共享各自的大數據，那么最大限度地杜絕電信詐騙是完全可能的。我們只要分析挖掘各方的大數據，找出電信詐騙相關性的數據因數，然后建立動態監控模型，那么一旦相關數據出現，公安就能根據數據鏈快速找到詐騙犯。

炒股的高手都想賺取大數據概念股的紅利。大數據的紅利在哪里？存在于大數據的擁有者、大數據技術公司和大數據價值挖掘者（也就是提供思維的數據科學家）。馬云說過：未來的世界是數據的世界。大數據時代已經撼動了世界的方方面面，從工業、農業、商業、科技到政府、醫療、教育、文化以及社會的其他各個領域，人們的生活日益被數據所改變。可以說，大數據是一種比石油、黃金還要珍貴的資源，誰掌握了足夠多的數據，誰就搶占了制高點，增強了競爭力，也就掌握了未來。

大數據的負面清單

大數據無疑是一個資源寶庫，它蘊藏著巨大的價值，有待人們去挖掘。但是，就像硬幣有兩面一樣，大數據也有其負面清單，我把它歸結為數據壟斷、侵犯隱私和數據誤導三個主要方面。

數據壟斷是大數據的最大隱患。我們知道，大數據技術使得人類的態度、情緒、行為等以往認為難以測量的方面，都可以變為數據來進行分析和預測。一旦大數據掌握在少數企業或政府部門之間，他們為了維護自己的利益而拒絕信息流動，這不僅浪費了數據資源，而且會阻礙數據創新，形成數據壟斷。比方說，全國的房產數據如果能共享，這對國家了解房產的整體、真實情況非常有益，也能輕易挖出貪污腐敗的嫌疑分子，但是這些數據往往掌握在地方部門之間，不能形成有效共享。

侵犯隱私是大數據的影子，只有將大數據置于法律的陽光下才能驅除。被斯諾登揭露的美國“棱鏡計劃”，就是利用訪問大數據的能力，監控互聯網、電信等九大營運商的數據庫，從中挖掘“有用信息”，達到收集情報、秘密監控的目的。電話、電郵、文檔、視頻、照片、聊天記錄等幾乎所有的信息都暴露在“棱鏡”之下，大數據為侵犯隱私開了方便之門。如果不對大數據的獲取、訪問、共享加以法律約束，那么個人隱私將不復存在。美國最近有一款照片分享軟件（Snapchat）應用很火，因為它能滿足年輕人保護隱私的需要。在Snapchat中如果你分享一張照片給你的朋友，它將在對方閱讀后馬上自動刪除，同時禁止在閱讀時屏幕截圖，具有“閱后即焚”的功效。因此，Snapchat也適合于發送商業機密或者敏感信息，焚毀后的照片不會在網上留下痕跡。這是人們反抗大數據的一個案例。但是在日常生活中，人們無法避開使用電信、互聯網、微博、微信、QQ等服務，透過這些服務所記錄的大數據，幾乎透明無遺地顯露了一個人的社交關系網。

數據誤導是大數據風險的一個側面，如果不對數據挖掘的結果加以評估驗證，那利用大數據可能帶來錯誤結果。雖然大數據容忍有數據差錯，但如何有人主動地弄“臟”數據，整個大數據就會被人為扭曲，加進了虛假信息。比如，我們在上淘寶網時，總是非常關注賣家的信用等級，但是總有一些賣家弄虛作假，通過自賣自買等虛構交易，來“攢評分”“刷信用”，有的賣家甚至雇人來“刷鉆沖冠”。如果一個皇冠賣家的信用是靠“臟數據”獲取的，那買家的上當受騙就是大概率事件。

大數據的紅利目前只能被有權有勢的大企業或政府部門瓜分，這對整個社會的健康、和諧發展是不利的。我們呼吁盡快立法，建立大數據共享平臺，打破數據壟斷，消除數據鴻溝，保護個人隱私，讓大數據成為新經濟最重要的生產要素，讓普通人也能分享大數據的紅利。