你可能有注意到，「大數(shù)據(jù)(Big Data)」在我們的生活裡已經(jīng)掀起滔天巨浪，繼云端運(yùn)算(Cloud Computing)之后，儼然成為學(xué)術(shù)界跟科技業(yè)中最熱門(mén)的潮字(Buzz Word)，似乎每家公司都在進(jìn)行有關(guān)的研究，三句不離大數(shù)據(jù)。究竟大數(shù)據(jù)是怎么出現(xiàn)，又代表著什么意思呢?

大數(shù)據(jù)(Big Data)，巨量資料爆炸的時(shí)代

大數(shù)據(jù)(Big Data)—— 或稱(chēng)巨量資料，顧名思義，是指大量的資訊，當(dāng)資料量龐大到資料庫(kù)系統(tǒng)無(wú)法在合理時(shí)間內(nèi)進(jìn)行儲(chǔ)存、運(yùn)算、處理，分析成能解讀的資訊時(shí)，就稱(chēng)為大數(shù)據(jù)。

“Big data is data that exceeds the processing capacity of conventional database systems.”

這些巨量資料中有著珍貴的訊息，像是關(guān)聯(lián)性(Unknown Correlation)、未顯露的模式(Hidden Patterns)、市場(chǎng)趨勢(shì)(Market Trend)，可能埋藏著前所未有的知識(shí)跟應(yīng)用等著被我們挖掘發(fā)現(xiàn);但由于資料量太龐大，流動(dòng)速度太快，現(xiàn)今科技無(wú)法處理分析，促使我們不斷研發(fā)出新一代的資料儲(chǔ)存設(shè)備及科技，希望從大數(shù)據(jù)中萃取出那些有價(jià)值的資訊。

「Big Data」這個(gè)詞最早由 IBM 提出，2010 年才真正開(kāi)始受到注目，并成為專(zhuān)業(yè)用語(yǔ)登上維基百科1，算是「大數(shù)據(jù)」的正式問(wèn)世。而在 2012 年時(shí)，《紐約時(shí)報(bào)》的專(zhuān)欄文章「The Age of Big Data2」更是宣告了「大數(shù)據(jù)時(shí)代」的來(lái)臨。值得一提的是，大數(shù)據(jù)并不是什么新興的概念，事實(shí)上，歐洲粒子物理研究中心 (CERN)的科學(xué)家已經(jīng)面對(duì)巨量資料的問(wèn)題好幾十年了，處理著每秒上看 PB (Peta Bytes，註：PB = 1,024 TB)的資料量3。

TED-Ed 的影片講解 Big Data 概念，簡(jiǎn)單又好懂：

一般來(lái)說(shuō)，大數(shù)據(jù)涵蓋的範(fàn)圍很廣，定義也各家歧異，2012 年 Gartner 公司的分析師 Douglas Laney 給予大數(shù)據(jù)一個(gè)全新定義4：「大數(shù)據(jù)是大量、高速、及/或類(lèi)型多變的資訊資產(chǎn)，它需要全新的處理方式，去促成更強(qiáng)的決策能力、洞察力與最佳化處理。」

于是大部份機(jī)構(gòu)跟公司都將大數(shù)據(jù)的特性歸類(lèi)為「3Vs」或「4Vs」–– 資料量 Volume、資料傳輸速度 Velocity、資料類(lèi)型(Variety)，以及后來(lái)提出的第四個(gè) V —— 真實(shí)性 Veracity。以下整理了 4Vs 簡(jiǎn)單的定義跟解釋?zhuān)梢詮倪@四點(diǎn)切入認(rèn)識(shí)大數(shù)據(jù)。

Volume 資料量

以前人們「手動(dòng)」在表格中記錄、累積出數(shù)據(jù);現(xiàn)在數(shù)據(jù)是由機(jī)器、網(wǎng)路、人與人之間的社群互動(dòng)來(lái)生成。你現(xiàn)在正在點(diǎn)擊的滑鼠、來(lái)電、簡(jiǎn)訊、網(wǎng)路搜尋、線上交易... 都正在生成累積成龐大的數(shù)據(jù)，因此資料量很容易就能達(dá)到數(shù) TB(Tera Bytes，兆位元組)，甚至上看 PB(Peta Bytes，千兆位元組)或 EB(Exabytes，百萬(wàn)兆位元組)的等級(jí)。

Velocity 資料輸入輸出速度

資料的傳輸流動(dòng)(data streaming)是連續(xù)且快速的，隨著越來(lái)越多的機(jī)器、網(wǎng)路使用者，社群網(wǎng)站、搜尋結(jié)果每秒都在成長(zhǎng)，每天都在輸出更多的內(nèi)容。公司跟機(jī)構(gòu)要處理龐大的資訊大潮向他們襲來(lái)，而回應(yīng)、反應(yīng)這些資料的速度也成為他們最大的挑戰(zhàn)，許多資料要能即時(shí)得到結(jié)果才能發(fā)揮最大的價(jià)值，因此也有人會(huì)將 Velocity 認(rèn)為是「時(shí)效性」。

Variety 資料類(lèi)型

大數(shù)據(jù)的來(lái)源種類(lèi)包羅萬(wàn)象，十分多樣化，如果一定要把資料分類(lèi)的話，最簡(jiǎn)單的方法是分兩類(lèi)，結(jié)構(gòu)化與非結(jié)構(gòu)化。早期的非結(jié)構(gòu)化資料主要是文字，隨著網(wǎng)路的發(fā)展，又?jǐn)U展到電子郵件、網(wǎng)頁(yè)、社交媒體、視訊，音樂(lè)、圖片等等，這些非結(jié)構(gòu)化的資料造成儲(chǔ)存(storage)、探勘(mining)、分析(analyzing)上的困難。

Veracity 真實(shí)性

這個(gè)詞由在 Express Scripts 擔(dān)任首席數(shù)據(jù)官(Chief Data Officer, CDO)的 Inderpal Bhandar 在波士頓大數(shù)據(jù)創(chuàng)新高峰會(huì)(Big Data Innovation Summit)的演講中提出，認(rèn)為大數(shù)據(jù)分析中應(yīng)該加入這點(diǎn)做考慮，分析并過(guò)濾資料有偏差、偽造、異常的部分，防止這些「dirty data」損害到資料系統(tǒng)的完整跟正確性，進(jìn)而影響決策。

大數(shù)據(jù)特性，謹(jǐn)記四字箴言：「大、快、雜、疑」

大數(shù)據(jù)資料量龐「大」(Volume)、變化飛「快」(Velocity)，種類(lèi)繁「雜」(Variety)，以及真?zhèn)未妗敢伞?Veracity)。尤其在這資訊大爆炸時(shí)代，這些資料變得又多、又快、又雜、又真?zhèn)坞y分。

當(dāng)然在「大數(shù)據(jù)」一詞像病毒一樣，侵入我們生活中的各個(gè)層面，也有越來(lái)越多人提出更多的「V」來(lái)解釋大數(shù)據(jù)，像是 Volatility、Validity、Value、Victory 等，這些分歧的意見(jiàn)在這就不多詳述，只要知道有這些說(shuō)法、以后聽(tīng)到別人說(shuō)到「7Vs」時(shí)不要覺(jué)得驚訝就行啦!