刘德寰：大数据的五点思考

本文作者刘德寰系北京大学传播学系教授。

大数据不在乎体量有多少，而是背后用它的那个大脑。实则大众对大数据依然存在不少误解。刘得寰教授在微博上发表了其对大数据的五点思考（后续可能还有更新），对近期大数据被大众捧为瑰宝的做法提出了自己不同观点：

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。

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。

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。

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。