近年來,有關(guān)大數(shù)據(jù)的熱點(diǎn)話題一浪高過一浪,關(guān)注大數(shù)據(jù)應(yīng)用的人也越來越多??傮w來說,人們對(duì)大數(shù)據(jù)的前景持樂觀態(tài)度,比如談到大數(shù)據(jù)的技術(shù)特征,人們最容易想起的就是4個(gè)“v”:vast(數(shù)量龐大)、variety(種類繁多)、velocity(增長(zhǎng)迅速)和value(總價(jià)值高)。這些都沒錯(cuò),但仔細(xì)一想,它們都是偏重說明大數(shù)據(jù)的正面優(yōu)勢(shì)的。但其實(shí),大也有大的難處,大數(shù)據(jù)也不可避免地存在著一些負(fù)面劣勢(shì)。結(jié)合筆者的從業(yè)經(jīng)驗(yàn),大數(shù)據(jù)的負(fù)面劣勢(shì)可以概括為4個(gè)“n”,下面逐一說明每個(gè)n的含義。
inflated大數(shù)據(jù)是肥胖的。大數(shù)據(jù)的大不僅僅體現(xiàn)在數(shù)據(jù)記錄的行數(shù)多,更體現(xiàn)在字段變量的列數(shù)多,這就為分析多因素之間的關(guān)聯(lián)性帶來了難度。哪怕是最簡(jiǎn)單的方差分析,計(jì)算一兩個(gè)還行,計(jì)算一兩百個(gè)就讓人望而生畏了。
unstructured大數(shù)據(jù)是非結(jié)構(gòu)化的。大數(shù)據(jù)的結(jié)構(gòu)也是非常復(fù)雜的,既包括像交易額、時(shí)間等連續(xù)型變量,像性別、工作類型等離散型變量這樣傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù),更增添了如文本、社會(huì)關(guān)系網(wǎng)絡(luò),乃至語音、圖像等大量新興的非結(jié)構(gòu)化數(shù)據(jù),而這些非結(jié)構(gòu)化數(shù)據(jù)蘊(yùn)含的信息量往往更加巨大,但分析手段卻略顯單薄。
incomplete大數(shù)據(jù)是殘缺的。在現(xiàn)實(shí)的世界里,由于用戶登記的信息不全、計(jì)算機(jī)數(shù)據(jù)存儲(chǔ)的錯(cuò)誤等種種原因,數(shù)據(jù)缺失是常見的現(xiàn)象。在大數(shù)據(jù)的場(chǎng)景下,數(shù)據(jù)缺失更是家常便飯,這就為后期的分析與建模質(zhì)量增加了不確定的風(fēng)險(xiǎn)。
abnormal大數(shù)據(jù)是異常的。同樣,在現(xiàn)實(shí)的世界里,大數(shù)據(jù)里還有不少異常值(outlier)。比如某些連續(xù)型變量(如一個(gè)短期時(shí)間內(nèi)的交易金額)的取之太大,某些離散型變量(如某個(gè)被選購(gòu)的產(chǎn)品名稱)里的某個(gè)水平值出現(xiàn)的次數(shù)太少,等等。如果不刪除,很可能干擾模型系數(shù)的計(jì)算和評(píng)估;如果直接刪除,又覺得缺乏說服力,容易引起他人的質(zhì)疑。這使得分析人員落到了一個(gè)進(jìn)退兩難的境地。
如果不能處理好這些不利因素,大數(shù)據(jù)應(yīng)用的優(yōu)勢(shì)很難發(fā)揮出來。想要擁抱大數(shù)據(jù),并不是一項(xiàng)在常規(guī)條件下數(shù)據(jù)分析的簡(jiǎn)單升級(jí),而是一項(xiàng)需要大智慧的綜合工作。STIR(喚醒)策略是筆者在實(shí)踐工作中提煉出來的、能夠在實(shí)際工作中有效克服大數(shù)據(jù)負(fù)面劣勢(shì)的應(yīng)對(duì)方法。具體來說,STIR策略包含了四種技術(shù)手段,目前都已經(jīng)有機(jī)地整合在統(tǒng)計(jì)分析與數(shù)據(jù)挖掘?qū)I(yè)軟件JMP中了,它可以用來解決上文提出的四個(gè)問題,下面將分別說明。
Switching Variables切換變量
它是用來解決大數(shù)據(jù)“殘缺”問題的。通過“列轉(zhuǎn)換器”、“動(dòng)畫播放”等工具,海量因素之間的關(guān)聯(lián)性分析變得十分簡(jiǎn)單、快捷,還可以根據(jù)需要對(duì)關(guān)聯(lián)性的重要程度進(jìn)行排序,大數(shù)據(jù)分析的效率由此得到大幅提升。
基于JMP軟件的關(guān)聯(lián)性分析篩選的界面
Text Mining文本挖掘
它是用來解決大數(shù)據(jù)“非結(jié)構(gòu)化”問題的。通過先對(duì)文字、圖像等新媒體信息源進(jìn)行降維、去噪、轉(zhuǎn)換等處理,產(chǎn)生結(jié)構(gòu)化數(shù)據(jù),再用成熟的統(tǒng)計(jì)分析和數(shù)據(jù)挖掘方法進(jìn)行評(píng)價(jià)和解釋。這樣一來,大數(shù)據(jù)的應(yīng)用范圍得到了極大的拓展。
基于JMP軟件的文本分析結(jié)果的最終展現(xiàn)界面
Imputation缺失數(shù)賦值
它是用來解決大數(shù)據(jù)“殘缺”問題的。在有missing data的時(shí)候,我們并不完全排斥直接刪除的方法,但更多的時(shí)候,我們會(huì)在條件允許的情況下,用賦值的方法去替代原先的缺失值。具體的技術(shù)很多,簡(jiǎn)單的如計(jì)算平均值、中位數(shù)、眾數(shù)之類的統(tǒng)計(jì)量,復(fù)雜的如用回歸、決策樹、貝葉斯定理去預(yù)測(cè)缺失數(shù)的近似值等。這樣一來,大數(shù)據(jù)的質(zhì)量大為改觀,為后期的分析與建模奠定了扎實(shí)的基礎(chǔ)。
基于JMP軟件的缺失數(shù)賦值方法選擇的操作界面
Robust Modeling穩(wěn)健建模
它是用來解決大數(shù)據(jù)“異常”問題的。在融入了自動(dòng)識(shí)別、重要性加權(quán)等處理手段后,分析人員既直接消除了個(gè)別強(qiáng)影響點(diǎn)的敏感程度,又綜合考慮了所有數(shù)據(jù)的影響,增強(qiáng)了模型的抗干擾能力,使得模型體現(xiàn)出良好的預(yù)測(cè)特性,由此做出的業(yè)務(wù)決策自然變得更加科學(xué)、精準(zhǔn)。
基于JMP軟件的模型穩(wěn)健擬合的報(bào)表界面
總之,我們必須要對(duì)大數(shù)據(jù)有一個(gè)全面、客觀的認(rèn)識(shí)。只有在不同的業(yè)務(wù)和數(shù)據(jù)背景下采用不同的戰(zhàn)略戰(zhàn)術(shù),才能在大數(shù)據(jù)時(shí)代,真正發(fā)揮大數(shù)據(jù)的杠桿作用,有效提高企業(yè)的運(yùn)營(yíng)效率和市場(chǎng)競(jìng)爭(zhēng)力。