刘德寰：对大数据的几点思考

阿帕奇

刘德寰：对大数据的几点思考

大数据思考之一

任何一个网站的数据都是人们互联网行为数据的很小的一个子集，无论这个子集多么全面，分析多么深入，都是子集，不是全集。对于企业来讲，竞争对手的数据价值远远超过自己网站数据的价值，从量级上，对于所有公司都一样，自己拥有的数据远远小于全集数据。看起来的全数据恰恰是残缺数据。

大数据思考之二

数据量的大幅增加会造成结果的不准确，来源不同的信息混杂会加大数据的混乱程度。研究发现：巨量数据集和细颗粒度的测量会导致出现“错误发现”的风险增加。那种认为“假设、检验、验证的科学方法已经过时”的论调，正是大数据时代的混乱与迷茫，人们索性拥抱凯文凯利所称的混乱。

大数据思考之三

互联网用户的基本特征、消费行为、上网行为、渠道偏好、行为喜好、生活轨迹与位置等，反映用户的基本行为规律。体系完整是所有分析性工作的第一步，完整的框架甚至胜过高深的模型。人类的认识最大的危险是不顾后果的运用局部知识。如果只关心自己网站数据，其分析基础必然是断裂数据。

大数据思考之四

现在谈到大数据，基本有四个混乱观念：第一，大数据是全数据，忽视甚至蔑视抽样；第二，连续数据就是大数据；第三，数据量级大是大数据；第四，数据量大好于量小。对应的是：抽样数据只要抽样合理，结论准确；连续只是一个数据结构；大量级的噪音会得出错误结论；大小与价值关系不大。

大数据思考之五

大数据不是新事物，天气、地震、量子物理、基因、医学等都是，借鉴他们的方法有益。他们用抽样调查。互联网数据挖掘方法论也如此，不同的是更难，因为人的复杂性。既然是关于人的研究就需应用所有研究人的方法梳理大数据。只要懂编程、懂调动数据的人就可以做大数据挖掘的说法是谬误。

大数据思考之六

大数据分析中分析构架为第一要著，算法也极为关键，在最近的大数据处理中发现：解析网址后的分类是是一个难点，主要有几个方面，一个千万人的网络行为数据一天产生的域名大约50000个，虽然有一些算法，但是混淆、难以辨认、连续更新与判别是分析中的重要步骤，简单分易，精细分难。

大数据思考之七

算法中，只要包含文本，就必然有两个关键基础技术：关键词（字典）与语义分析，关键词技术成熟，语义技术是瓶颈，中文语义太难，能解决50%的团队就不错了，尤其是社交语言，比如＂真可以！＂何解？需上下文。希望风投们多鼓励此类基础技术研发，突破此瓶颈是大数据挖掘的关键点之一。

大数据思考之八

社交数据挖掘中，很多团队集中在运用推特瀑布思路，就是可视化技术，其构图精美值得称道，问题是，其理论还是沿用三十多年前的社会计量法，概念还是局限在点、桥、意见领袖等小群体分析，不适合巨网，突破可视化框架的社交分析需要理论探索和实践努力。

大数据思考之九

移动互联网对社会生活的影响本质是时间与空间的解构，分析这类大数据需要把握这两点，如果仅仅分析app和网络使用行为，那么分析上就失去了移动的意义，。单纯看流量、点击率等简单数字无法解决复杂的营销问题。不创新的延续原有思维模式是人类思考惰性。

本文作者@刘德寰系北京大学传播学系教授