
大数据仍然离不开人的赋予
大数据意义重大,这是毋庸置疑的一件事,但最终当我们真正弄清楚如何充分利用大数据时,也许它并没有开始认为的那么了不起。现在的我们处于一个比较混乱的中间时段,一方面我们认识到了这些数据的价值,而另一方面大多数组织机构和政府并不知道如何利用这些数据以充分发挥其作用。
在最近一期的《经济学人》,有两篇文章描述了大数据发展的现状。首先我们要说的是《打破常规》( Out of the box )这篇文章,该文谈到开放数据的承诺,这个承诺到现在仍未实现。文章认为,开放数据不仅可以促进透明度的提升,还可以作为一个商业创新的平台,它在一些公司的作用便是如此,如 Zillow 和 Garmin,后两者分别是基于公开的房地产数据和基于 GPS 技术的公司。
该文章称,在美国政府数据共享网站 Data.gov 上,一共发布了来自 170 个数据源的 20 万个数据集。所有这些数据不仅让创业公司能够蓬勃发展,那些向公众开放的信息也让公民和监管机构可以更好地进行监管并根除腐败。不过,虽然作者在文章中谈到公开数据的很多好处,但同时也承认我们离真正了解这些数据能做什么还差一步,并且我们需要更多的公开数据,以便让这些数据真正发挥出它们的作用。
在同一期的《经济学人》杂志上还有另一篇关于大数据的文章,这篇名为《德国发展数字化吗?》( Does Deutschland do digital? )的文章谈论了制造业的无常性以及德国能否跟上变化的问题。由传感器和物联网所推动的新兴浪潮正迫使那些传统的德国制造商向软件和数据公司转型,在后者的领域里,由传感器产生的数据可能比机器本身更有价值。
在《经济学人》发行的纸质版中,这两篇文章中间仅隔了一页,它们用不同的方式展现出现如今我们对于大数据所感到的困惑。这就好比我们意识到存在着某物,我们也知道它的重要性,但就是找不到充分利用它的方式。
数据不是孤立的
也许原因在于我们太相信能用技术手段解决我们的各种问题。我们一直相信大数据可以帮助企业做出更明智的决策。在医疗保健领域,它可以帮助我们的医生和医疗专业人士更好地进行诊断并且找到最合适的治疗方法。在体育运动领域,它可以帮助我们最喜欢的球队挑选出最好的球员。在政府方面,通过开放信息,能够让政府的透明度提升到承诺高度,贪污腐败的政府官员将无所遁形。此外,大数据还有助于发现潜在的罪犯。
从巴黎最近发生的恐怖袭击可以看出,有时候并不是我们收集信息多寡的问题。正如娜塔莎·洛马斯(Natasha Lomas)在袭击发生后 为 TechCrunch 所写的一篇文章所说 ,也许事件的发生不仅仅与数据有关。也许有关系的是人们如何处理这些数据:
另一个残酷的政治真相是,有效的反恐政策需要在当地实体资源上花钱——向各地派出更多的政府特工 ,融入 当地社区,让他们在那里获取人们的信任并收集情报。
我认为洛马斯是触动到了一些东西。我们觉得科技是问题的答案,但其实它只是人类手中的一个工具。看过《法律与秩序》剧集的人就会知道,虽然在犯罪现场你可以获得 DNA 证据,但是身为警探仍然必须辛勤工作,找到这些数据所指向的人。如果没有人去连结这些信息点,那么这些数据也就没有用处。
这一点同样适用于大规模的政府监控。当然你可以收集到任何你想要的数据,但如果缺少传统方式的检测来帮助人们去理解这些数据,人们会很难知晓其中的意义。
无论是阻止恐怖袭击,还是为找到跟隔壁企业竞争的最好方法,无不是如此。数据是中立的。只有你知道如何将这些数据联系在一起,否则它对你而言没有帮助。虽然计算机可以帮人们更快地搜集和处理数据,但是不管我们自己信不信,要让计算机为我们从数据中提取意义还有很长的一段路要走。
人机合作
麻省理工学院教授安德鲁·麦克菲(AndrewMcAfee)和艾瑞克·布林约夫森(Erik Brynjolfsson)在他们合著的《第二次机器革命》( The Second Machine Age )中讲述了一个关于 IBM 计算机深蓝的故事, 1997 年深蓝在比赛中击败了当时世界上最好的人类国际象棋手 。2005 年,一组业余的国际象棋选手在三台计算机的帮助下,击败了这台击败过世界上最好棋手的机器。
这件事表明,作为一种工具,技术可以被人们用来提高自身能力,并且充分发挥出计算机和技术的作用,这些都是我们自己创造的机器和技术。如果你对此有所怀疑,可以参考美国国防部的想法,他们差不多就是按照这个思路认为未来最有效的战争策略是 人类部队与机器的联合 。
尽管科技进步的演变速度正变得越来越快,但我们对于自身技术的先进性仍然存在高估。很显然,对于所收集数据的理解仍然离不开人的帮助。
如果我们可以高效地完成这个任务,最终这些数据会让我们人类变得更聪明,让我们生活得更安全和更健康。我们只需记住数据是我们达到目的的一种手段,而不是目的本身。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13