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)計學還有用武之地嗎？清華大學統(tǒng)計學研究中心前不久成立，著名統(tǒng)計學家、哈佛大學終身教授劉軍擔任主任。日前，劉軍做客人民日報、人民網(wǎng)《文化講壇》，分享他的思考。

——編者

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，從中可以分析出結論”?；\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“結繩記事”，打了結的繩子就是數(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)的第一個認識。隨著科技發(fā)展，各個領域的數(shù)據(jù)量都在迅猛增長。有研究發(fā)現(xiàn)，近年來，數(shù)字數(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。人類科學發(fā)展史上的不少進步都和數(shù)據(jù)采集分析直接相關，例如現(xiàn)代醫(yī)學流行病學的開端。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)師用標點地圖的方法研究了當?shù)厮植己突魜y患者分布之間的關系，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。

本質上說，許多科學活動都是數(shù)據(jù)挖掘，不是從預先設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)通過歸納來總結規(guī)律。近現(xiàn)代以來，隨著我們面臨的問題變得越來越復雜，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，有助于政府科學決策、商家精準營銷

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)，引導決策的將是基于實證的事實，政府會更有預見性、更加負責、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，或提前預警引導居民合理安排出行，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、醫(yī)學上講，以前生物學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)整體的關聯(lián)?，F(xiàn)在由于技術的發(fā)展，可以分析很多，如遺傳信息、全體基因的表達量信息、蛋白質族譜信息、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、病歷、藥物反應等數(shù)據(jù)。如果真能達成生物學上多維多向數(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到相應的規(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，相關部門再進行復核，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、石油等物質性資源不一樣。物質性資源不可再生，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)就可以下結論了，復雜的統(tǒng)計學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)計學依然是數(shù)據(jù)分析的靈魂。正如加州大學伯克利分校邁克爾·喬丹教授指出的，“沒有系統(tǒng)的數(shù)據(jù)科學作為指導的大數(shù)據(jù)研究，就如同不利用工程科學的知識來建造橋梁，很多橋梁可能會坍塌，并帶來嚴重的后果。”

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、北大兩校同學數(shù)學能力整體上哪個更強，可以收集到兩校同學高考時的數(shù)學成績作為研究的數(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)學成績并不一定完全代表學生的數(shù)學能力。假如讓所有同學重新參加一次高考，幾乎每個同學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，同學入校時的成績并不能夠代表現(xiàn)在的能力。全體同學的高考成績數(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，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)時代并沒有本質區(qū)別。當然，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；對結構復雜、來源多樣的數(shù)據(jù)，如何建立有效的統(tǒng)計學模型也需要新的探索和嘗試。對于新時代的數(shù)據(jù)科學而言，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。