大數據技術之一“數據標識”

徐立水+殷亮

摘 要：DT時代，最重要的是“大數據”。目前，大數據開發和應用正如火如荼地開展，然而真正實現落地的項目并不多見。大數據現在只呈現的是一個研究熱點，迫切需要一種技術實現大數據精準開發應用。該文通過導入大數據概念，解釋大數據包含的二元概念，分析“大統計”與“大數據”的區別，引出大數據技術之一“數據標識”方法與應用，用以標識人類行為數據和醫學大數據開發應用的方法，文章進一步闡明“數據標識”的科學性和準確性，為大數據開發應用指引道路。大數據是人類行為軌跡生產出來的數據資源，大數據是關于人的研究，由于物理人體的邊界清晰，醫學大數據應用或將早于人類行為數據應用的成功，未來的人工智能離人們不再遙遠。

關鍵詞：大數據 大數據技術 醫學大數據 數據標識 精準營銷

中圖分類號：TP39 文獻標識碼：A 文章編號：1672-3791（2016）09（a）-0011-02

大數據[1]一定是人類進入DT時代的關鍵技術，也將是人類實現人工智能的關鍵技術。自大數據概念[1]提出以來，大數據的重要性和大數據的開發與使用已經得到各國政府、各界人士的高度重視[2-3]。大數據研究也方興未艾、如火如荼地開展起來。如何開發好和利用好大數據是擺在所有人面前的一個非常急迫和現實的問題，筆者在醫科院信息所工作中有一些思考，也發表過一些論文闡述自己的觀點，其中《互聯網醫學的未來：數據醫學》指出的是醫學大數據應用的未來及方向，《大數據及其應用前景研究》論述的是大數據的二元概念及更適合的應用方向；筆者認為大數據是個二元概念，一個是大量的數據，一個是大數據技術，文中除了特別強調外，寫到的大數據都是包含以上二元概念。

1 大數據開發應用需要一項新技術

目前大數據應用還處在啟蒙和探索階段，能夠成功落地的項目不多。大數據是一種以數據為資源的高科技，數據在大數據中的地位相當重要，其一，擁有資源數據本身就是不容易做到的事情；其二，擁有資源數據還要有使用數據的想法、數據目標和數據技術。能夠擁有以上所述中的一點已經很難了，大數據項目落地則需要擁有以上兩點，這可能也是大數據項目目前落地少的原因。需要第一點大數據資源數據的各單位有其各自的解決辦法，這里不討論獲得數據的方法，只談談第二點中大數據準確應用的一些方法。

大數據是人類發展的第五個階段，第一個階段：農耕時代；第二個階段：工業時代；第三個階段：電汽時代；第四個階段：IT時代；第五個階段：DT時代；第六個階段：AI時代-人工智能。梳理一下人類發展的進程可以看出，人類的發展是由人力的簡單粗放開始，逐漸發展為機器代替體力，精細的電汽文明逐漸代替簡單粗放工作，解放了人類的雙手，隨后計算機的發展代替了人腦部分功能，人類進入了IT時代。簡單看以上人類發展進程：人類科技的發展是由簡單粗放到精細準確，由機器代替人工的進程。進入DT時代的大數據技術應該是更精確、更高級的技術，數字是最精準的表達方式，數字集合出來的數據也應該是最精準的表達方式，事實上不是這樣簡單。

由大量數字或是數據進行運算，可以得到精確結果的方法是統計學，應該叫做大統計比較好，不是大數據。

2 大數據精準使用需要“數據標識”

2.1 “數據標識”的原理和方法

人類科技發展是向著更精準、更智能化的方向發展，DT時代的大數據是可以滿足人類更精準和更智能化的需求。前面提到目前大數據落地項目少，尤其能夠產生價值的項目少，歸納為不能很好地使用大數據是相當重要的原因，大數據是數據在模型中準確應用的科學技術。好的模型制作相當重要，但數據的理解也非常重要。理解好大數據中的數據才能很好地使用數據，才能做好大數據。在《大數據及其應用前景研究》中筆者寫到過數據的理解是每個人的知識水平決定的。理解好大數據的數據還要掌握如何使用數據的技術，這種使用數據的技術是需要把數據精準地放入大數據模型上在計算機中運行，輸入精準數據才能有精準運算結果，做到數據精準使用必須學會“數據標識”。

“數據標識”是筆者在做醫信天下醫學大數據醫院排行榜的思考和心得，這里同大家分享和探討。“數據標識”的方法是筆者在中國醫學科學院醫學信息所做醫學數據庫工作方法的延伸。查閱資料沒有查到有關如何做好“數據標識”的文獻。先介紹一下初期醫學數據庫建設的方法，這樣可能有助于更好地理解“數據標識”原理、概念、依據和使用方法。

人類社會發展產生了大量文獻，同樣醫學也產生了大量文獻。在沒有廣泛使用計算機搜索以前，如何讓學者快速查到需要的文獻，需要對每一篇文章進行文獻標引[4]，標引方法是人工給每篇文章加上醫學主題詞，現在每篇論文由作者寫好關鍵詞，醫學上叫做主題詞。論文屬性除了作者、題目、作品時間、作者單位不能改變之外，按照主題詞查找更加重要，主題詞是相同專業、甚至相同疾病、相同藥物的精準查找。所以文獻的標引在醫學數據庫建設中非常重要，也是文獻精準查找的重要方法。再來看看醫學數據庫，按照文章作者、作者單位、題目、作品時間、發布媒體、關鍵詞、被引、摘要等構成，這些構成要素組成一個模型，數據庫中有大量的論文、題目、關鍵詞、作者等，所以說數據庫結構是模型結構，內容是大數據，精準使用好數據庫方法是關鍵詞，也就是前面提到的文獻標引，用在使用好大數據上就需要做好大數據的“數據標識”。

2.2 “數據標識”是精準營銷成功的關鍵

“數據標識”需要對標識目標數據有深入理解。以大數據精準營銷解決方案為例，大數據精準營銷是顧客的心理行為軌跡需求和商品屬性碰撞產生的購買行為，如何做到精準營銷[5]，首先需要不斷標識顧客行為軌跡，年齡、性別、職業、消費能力、旅居地、飲食愛好、飲食時間....等等，在即將進入餐飲時間向該顧客推薦餐館，餐館數據標識為菜系、特點、名菜、點評、環境等，按照餐館標識和預判顧客行為軌跡，把數據標識中共性按照概率大的部分結合地理位置逐漸推薦給顧客。餐館、商品、衣服的大數據精準營銷方法一致。精準營銷的準確性關鍵取決于預判顧客行為的數據標識的準確性和商品屬性的數據標識的共鳴。

大數據研究剛剛開始，精準的大數據應用必須要有精準的數據標識。目前在精準營銷領域使用比較頻繁的詞是給客戶畫像，畫像方法讓人感覺是一種模糊的，猜測性比較大的技術。描述一個商品屬性時習慣使用標簽標識商品。精準營銷是人的行為軌跡碰撞到商品中相同屬性數據產生的購買，數據標識的準確性決定了精準營銷的準確。人的行為軌跡數據也是未來人工智能解決方案中非常重要的數據，精確的數據需要準確地標識數據。商品營銷也是網絡大數據解決方案的一部分，商品的準確描述和精準數據標識，將會決定商品營銷的成功與否。

2.3 醫學大數據的“數據標識”更容易實現

作為醫生，醫學大數據的開發和使用一直是筆者研究的課題，醫學大數據的精準應用可以預判人體健康并進行疾病預防[6]。相對于人類行為數據，醫學大數據的數據標識相對容易，醫學大數據應用成功可能會早于人類行為數據的應用，理由有以下3條。

（1）醫學大數據是關于人類物理實體的大數據，人體是一個相對固定物理實體，數據邊界清晰，數據外延有限。

（2）醫學大數據表達的是人體生理活動和健康指標，這些數據的內涵只有醫生能夠理解，非醫學專業人士不能很好地理解醫學大數據的內涵，非醫學專業人士很難準確分析醫學大數據，也很難標識醫學數據，這是醫學數據的專業性和數據圍墻阻擋了非醫學專業人士對醫學大數據的研究。

（3）醫學大數據中醫學數據標識需要醫生的參與，目前能夠做數據標識的醫生需要培養，筆者正在做這個方面的工作，筆者是第一個提出建立互聯網醫學標準的學者，互聯網醫學標準中有一部分工作是做數據標識。

3 結語

做好大數據應用需要各方努力，探索方法落地項目。“數據標識”技術的核心是用數據來標識數據，讓計算機可以分辨不同環境下產生的外表相同的數據中包含的不同信息，真正做到大數據的精準應用。大數據是人類活動中生產出來的重要資源，反映的是人類生活活動和人類生理健康狀態，因此大數據也是研究人的技術，研究好大數據，人工智能就離人類很近了。

參考文獻

[1] 徐立水，辛敏.大數據及其應用前景研究[J].企業科技與發展，2016（6）：21-23.

[2] 王忠.美國推動大數據技術發展的戰略價值及啟示[J].中國發展觀察，2012（6）：44-46.

[3] 國發〔2015〕50號，國務院關于印發促進大數據發展行動綱要的通知[Z].2015.

[4] 黎盛榮.什么是文獻標引學[J].圖書情報論壇，1997（1）：2-5.

[5] 劉征宇.精準營銷方法研究[J].上海交通大學學報，2007（S1）：143-146.

[6] 徐立水，辛敏.互聯網醫學的未來：數據醫學[J].科技創新與應用，2016（15）：82.