在數(shù)據(jù)“爆炸”的時代，大數(shù)據(jù)常常被寄予厚望。到底，什么樣的數(shù)據(jù)才算大數(shù)據(jù)，怎樣才能用好大數(shù)據(jù)，傳統(tǒng)統(tǒng)計學(xué)還有用武之地嗎？清華大學(xué)統(tǒng)計學(xué)研究中心前不久成立，著名統(tǒng)計學(xué)家、哈佛大學(xué)終身教授劉軍擔(dān)任主任。日前，劉軍做客人民日報、人民網(wǎng)《文化講壇》，分享他的思考。

讓大數(shù)據(jù)區(qū)別于數(shù)據(jù)的，是其海量積累、高增長率和多樣性

什么是數(shù)據(jù)？數(shù)據(jù)（data）在拉丁文里是“已知”的意思，在英文中的一個解釋是“一組事實的集合，從中可以分析出結(jié)論”。籠統(tǒng)地說，凡是用某種載體記錄下來的、能反映自然界和人類社會某種信息的，就可稱之為數(shù)據(jù)。古人“結(jié)繩記事”，打了結(jié)的繩子就是數(shù)據(jù)。步入現(xiàn)代社會，信息的種類和數(shù)量越來越豐富，載體也越來越多。數(shù)字是數(shù)據(jù)，文字是數(shù)據(jù)，圖像、音頻、視頻等都是數(shù)據(jù)。

什么是大數(shù)據(jù)呢？量的增多，是人們對大數(shù)據(jù)的第一個認(rèn)識。隨著科技發(fā)展，各個領(lǐng)域的數(shù)據(jù)量都在迅猛增長。有研究發(fā)現(xiàn)，近年來，數(shù)字?jǐn)?shù)據(jù)的數(shù)量每3年多就會翻一番。

大數(shù)據(jù)區(qū)別于數(shù)據(jù)，還在于數(shù)據(jù)的多樣性。正如高德納咨詢公司研究報告指出的，數(shù)據(jù)的爆炸是三維的、立體的。所謂的三維，除了指數(shù)據(jù)量快速增大外，還指數(shù)據(jù)增長速度的加快，以及數(shù)據(jù)的多樣性，即數(shù)據(jù)的來源、種類不斷增加。

從數(shù)據(jù)到大數(shù)據(jù)，不僅是量的積累，更是質(zhì)的飛躍。海量的、不同來源、不同形式、包含不同信息的數(shù)據(jù)可以容易地被整合、分析，原本孤立的數(shù)據(jù)變得互相聯(lián)通。這使得人們通過數(shù)據(jù)分析，能發(fā)現(xiàn)小數(shù)據(jù)時代很難發(fā)現(xiàn)的新知識，創(chuàng)造新的價值。

通過數(shù)據(jù)來研究規(guī)律、發(fā)現(xiàn)規(guī)律，貫穿了人類社會發(fā)展的始終。人類科學(xué)發(fā)展史上的不少進(jìn)步都和數(shù)據(jù)采集分析直接相關(guān)，例如現(xiàn)代醫(yī)學(xué)流行病學(xué)的開端。倫敦1854年發(fā)生了大規(guī)模的霍亂，很長時間沒有辦法控制。一位醫(yī)師用標(biāo)點地圖的方法研究了當(dāng)?shù)厮植己突魜y患者分布之間的關(guān)系，發(fā)現(xiàn)有一口水井周圍，霍亂患病率明顯較高，借此找到了霍亂暴發(fā)的原因：一口被污染的水井。關(guān)閉這口水井之后，霍亂的發(fā)病率明顯下降。這種方法，充分展示了數(shù)據(jù)的力量。

本質(zhì)上說，許多科學(xué)活動都是數(shù)據(jù)挖掘，不是從預(yù)先設(shè)定好的理論或者原理出發(fā)，通過演繹來研究問題，而是從數(shù)據(jù)本身出發(fā)通過歸納來總結(jié)規(guī)律。近現(xiàn)代以來，隨著我們面臨的問題變得越來越復(fù)雜，通過演繹的方式來研究問題常常變得很困難。這就使得數(shù)據(jù)歸納的方法變得越來越重要，數(shù)據(jù)的重要性也越發(fā)凸顯出來。

大數(shù)據(jù)是非競爭性資源，有助于政府科學(xué)決策、商家精準(zhǔn)營銷

大數(shù)據(jù)時代，數(shù)據(jù)的重要作用更加凸顯，許多國家都把大數(shù)據(jù)提升到國家戰(zhàn)略的高度。

政府合理利用大數(shù)據(jù)，引導(dǎo)決策的將是基于實證的事實，政府會更有預(yù)見性、更加負(fù)責(zé)、更加開放。中國古代治國就已經(jīng)有重數(shù)據(jù)的思想，如商鞅提出，“強國知十三數(shù)……欲強國，不知國十三數(shù)，地雖利，民雖眾，國愈弱至削”。大數(shù)據(jù)時代，循“數(shù)”治國將更加有效。小數(shù)據(jù)時代，政府做決策更多依憑經(jīng)驗和局部數(shù)據(jù)，難免頭痛醫(yī)頭、腳痛醫(yī)腳。比如，交通堵塞就多修路。大數(shù)據(jù)時代，政府做決策能夠從粗放型轉(zhuǎn)向集約型。路堵了，利用大數(shù)據(jù)分析，可以得知哪一時間、哪一地段最容易堵，或在這一地段附近多修路，或提前預(yù)警引導(dǎo)居民合理安排出行，實現(xiàn)對交通流的最佳配置和控制，改善交通。

對于商家來說，大數(shù)據(jù)使精準(zhǔn)營銷成為可能。一個有趣的故事，是沃爾瑪超市的“啤酒、尿布”現(xiàn)象。沃爾瑪超市分析銷售數(shù)據(jù)時發(fā)現(xiàn)，顧客消費單上和尿布一起出現(xiàn)次數(shù)最多的商品，竟然是啤酒。跟蹤調(diào)查后發(fā)現(xiàn)，有不少年輕爸爸會在買尿布時，順便買些啤酒喝。沃爾瑪發(fā)現(xiàn)這一規(guī)律后，搭配促銷啤酒、尿布，銷量大幅增加。大數(shù)據(jù)時代，每個人都會“自發(fā)地”提供數(shù)據(jù)。我們的各種行為，如點擊網(wǎng)頁、使用手機、刷卡消費、觀看電視、坐地鐵出行、駕駛汽車，都會生成數(shù)據(jù)并被記錄下來，我們的性別、職業(yè)、喜好、消費能力等信息，都會被商家從中挖掘出來，以分析商機。

大數(shù)據(jù)也將使個人受益。從生物學(xué)、醫(yī)學(xué)上講，以前生物學(xué)家只是通過對單個或幾個基因的操控來觀察其對生物體的影響，很難發(fā)現(xiàn)整體的關(guān)聯(lián)?，F(xiàn)在由于技術(shù)的發(fā)展，可以分析很多，如遺傳信息、全體基因的表達(dá)量信息、蛋白質(zhì)族譜信息、全基因組甲基化信息、表觀遺傳信息等。同時還有個人健康指標(biāo)、病歷、藥物反應(yīng)等數(shù)據(jù)。如果真能達(dá)成生物學(xué)上多維多向數(shù)據(jù)的有機融合，就能夠把個人完整地描述出來，從而實現(xiàn)精準(zhǔn)醫(yī)療的目的。

大數(shù)據(jù)時代，審核數(shù)據(jù)的真實性也有了更有效的手段。大數(shù)據(jù)的特征之一是多樣性，不同來源、不同維度的數(shù)據(jù)之間存在一定的關(guān)聯(lián)度，可以交叉驗證。例如，某地的工業(yè)產(chǎn)值虛報了一倍，但用電量和能耗卻沒有達(dá)到相應(yīng)的規(guī)模。這就是數(shù)據(jù)異常，很容易被系統(tǒng)識別出來。發(fā)現(xiàn)異常后，相關(guān)部門再進(jìn)行復(fù)核，就能更有針對性地防止、打擊數(shù)據(jù)造假。

數(shù)據(jù)是一種資源，但數(shù)據(jù)又跟煤、石油等物質(zhì)性資源不一樣。物質(zhì)性資源不可再生，你用多了，別人就用少了，因而很難共享。數(shù)據(jù)可以重復(fù)使用、不斷產(chǎn)生新的價值。大數(shù)據(jù)資源的使用是非惡性競爭的，共享的前提下，更能夠制造雙贏。從另一個角度來說，數(shù)據(jù)如果不被融合、聯(lián)系在一起，也不能稱之為大數(shù)據(jù)。

大數(shù)據(jù)不能被直接拿來使用，統(tǒng)計學(xué)依然是數(shù)據(jù)分析的靈魂

現(xiàn)在社會上有一種流行的說法，認(rèn)為在大數(shù)據(jù)時代，“樣本 = 全體”，人們得到的不是抽樣數(shù)據(jù)而是全數(shù)據(jù)，因而只需要簡單地數(shù)一數(shù)就可以下結(jié)論了，復(fù)雜的統(tǒng)計學(xué)方法可以不再需要了。

在我看來，這種觀點非常錯誤。首先，大數(shù)據(jù)告知信息但不解釋信息。打個比方說，大數(shù)據(jù)是“原油”而不是“汽油”，不能被直接拿來使用。就像股票市場，即使把所有的數(shù)據(jù)都公布出來，不懂的人依然不知道數(shù)據(jù)代表的信息。大數(shù)據(jù)時代，統(tǒng)計學(xué)依然是數(shù)據(jù)分析的靈魂。正如加州大學(xué)伯克利分校邁克爾·喬丹教授指出的：沒有系統(tǒng)的數(shù)據(jù)科學(xué)作為指導(dǎo)的大數(shù)據(jù)研究，就如同不利用工程科學(xué)的知識來建造橋梁，很多橋梁可能會坍塌，并帶來嚴(yán)重的后果。

其次，全數(shù)據(jù)的概念本身很難經(jīng)得起推敲。全數(shù)據(jù)，顧名思義就是全部數(shù)據(jù)。這在某些特定的場合對于某些特定的問題確實可能實現(xiàn)。比如，要比較清華、北大兩校同學(xué)數(shù)學(xué)能力整體上哪個更強，可以收集到兩校同學(xué)高考時的數(shù)學(xué)成績作為研究的數(shù)據(jù)對象。從某種意義上說，這是全數(shù)據(jù)。但是，并不是說我們有了這個全數(shù)據(jù)就能很好地回答問題。

一方面，這個數(shù)據(jù)雖然是全數(shù)據(jù)，但仍然具有不確定性。入校時的數(shù)學(xué)成績并不一定完全代表學(xué)生的數(shù)學(xué)能力。假如讓所有同學(xué)重新參加一次高考，幾乎每個同學(xué)都會有一個新的成績。分別用這兩組全數(shù)據(jù)去做分析，結(jié)論就可能發(fā)生變化。另一方面，事物在不斷地發(fā)展和變化，同學(xué)入校時的成績并不能夠代表現(xiàn)在的能力。全體同學(xué)的高考成績數(shù)據(jù)，僅對于那次考試而言是全數(shù)據(jù)。“全”是有邊界的，超出了邊界就不再是全知全能了。事物的發(fā)展充滿了不確定性，而統(tǒng)計學(xué)，既研究如何從數(shù)據(jù)中把信息和規(guī)律提取出來，找出最優(yōu)化的方案；也研究如何把數(shù)據(jù)當(dāng)中的不確定性量化出來。

所以說，在大數(shù)據(jù)時代，數(shù)據(jù)分析的很多根本性問題和小數(shù)據(jù)時代并沒有本質(zhì)區(qū)別。當(dāng)然，大數(shù)據(jù)的特點，確實對數(shù)據(jù)分析提出了全新挑戰(zhàn)。例如，許多傳統(tǒng)統(tǒng)計方法應(yīng)用到大數(shù)據(jù)上，巨大計算量和存儲量往往使其難以承受；對結(jié)構(gòu)復(fù)雜、來源多樣的數(shù)據(jù)，如何建立有效的統(tǒng)計學(xué)模型也需要新的探索和嘗試。對于新時代的數(shù)據(jù)科學(xué)而言，這些挑戰(zhàn)也同時意味著巨大的機遇，有可能會產(chǎn)生新的思想、方法和技術(shù)。