大数据分析的局限乃传统统计学问题

大数据”已成为当今炙手可热的科技，商务、医疗、社交、教育、政务等领域纷纷广泛采用“大数据”技术去提升应用系统的智能及效率。

“大数据”分析之潜在问题

“大数据”的广泛应用始于美国。自从美国总统奥巴马2012年3月推出2亿美元的“大数据研究及发展计划”后，世界各大小经济体陆续仿效，大力投资相关领域。全球资讯科技企业亦不敢怠慢，积极推出适合的大数据资讯科技方案及产品，更大洒金钱推广大数据分析的优点及其所能带来的商机。据观察，近期不少从事金融、医疗、社会工作、工商业、政务等范畴主管都已被潜移默化，鼓吹“大数据”的功能及效益。然而，“大数据”真的是万能的吗？本文引用不同的国际专家报告，反映“大数据”分析之潜在问题。

首篇报告题为《谷歌流感的比喻：大数据分析的陷阱》("The Parable of Google Flu : Traps of Big DataAnalytics")，描述了谷歌公司曾利用“大数据”分析推算2011/2012年度美国流感的趋势，但结果却强差人意，估计的流感个案数目远超过实际数目。而谷歌利用的数据是来自用户使用的关键词(如“禽流感”)次数及分布作推算分析。专家认为构成严重误差的主要原因是谷歌盲目地广泛收集关键词，以为越多越好，却没有了解用户查询时的出发点，结果收集得的数据大部分来自非流感病患者，因此在数据采集阶段已严重犯错，自然推算失准。若数据分析全力集中在流感病患者，结果便会截然不同。

第二位专家是美国加州大学伯克利分校的国际知名学者米高佐敦(MichaelJordon)教授，他最近接受美国IEEE学会杂志访问，在题为"Machine-LearningMaestro Michael Jordan on the Delusions of Big Data and Other Huge EngineeringEfforts" 一文中指出，“大数据”在现今商业市场被过分炒作，它最后可能只是一场空欢喜，教授更预测“大数据”的“冬天”即将来临。他认为“大数据”用户作出假设的速度将会超越大数据的统计范畴，在这情况下数据分析结果难免会出现错误，造成大量噪音，影响推算的可靠性。

从另一角度看，“大数据”用户往往忽略数据的“动力”(dynamics)。例如在变幻无常的商务环境中，用户的需求不停在变，那么昨天的“大数据”分析结果能有效地应用于今天的商务环境吗？能够满足用户今天的需求吗？若然不能，我们需要重新进行分析，但昨天采集商务数据的方法能满足用户今天的新需求吗？归根究底，什么时候开始分析及什么时候停止既是统计学应用的老问题，亦是“大数据”分析必须严肃面对的问题，但在千变万化的应用及数据环境下，要应对这个问题更是难上加难。因此佐敦教授进一步指出“大数据”分析服务提供者有责任清楚说明分析推算法的质量标准及其误差度，做好用户的“期望管理”(Expectation Management)。

“大数据”的十大局限

“前车可鉴”，因此用户在使用“大数据”技术时不容掉以轻心，必须紧慎考虑它在操作上的“盲点”(局限性)。归纳而言，这些“盲点”大致是由于以下网络数据的不健康特性而产生：

- 噪音性：网上数据泛滥，资讯内容五花八门，格式也参差不一。要从中过滤与应用需求无关的数据，既复杂亦耗时。

- 真实性：由于网络资讯自由，即使在找出相关数据之后，内容的真假亦难以分别。例如去年在美国总统大选期间，在网络媒体上謡言满天飞，虚假新闻层出不穷，渗透全美每一角落；“教宗赞助特朗普”、“希拉里向伊斯兰国（IS）贩卖军火”等假新闻在《脸书》上的分享及点评率远比传统纸媒为高。然而，“垃圾入，垃圾出”(Garbage In Garbage Out)，基于伪造资讯的“大数据”分析，难免会适得其反。

- 代表性：真实的数据并不一定具代表性。若然系统错误地使用了缺乏代表性的资料作分析的话，结果便会弄巧反拙。

- 完整性：利用非完整的数据进行分析，结果以偏概全，不尽不实，容易引致误判。

- 时效性：某类数据在事件发生当刻可能大派用场，但当事件或时限过后，其影响力未必复再。若然过量的旧数据被用作分析，结果未能反映现况。再者，适时的数据往往因为比旧数据少而很容易被忽略。

- 解释性：在“大数据”的分析过程中，基于输入的数据，算法便会产生及输出分析结果。在分析过程中，数据输入如何产生输出的理据及两者的因果关系并不清晰，如黑箱作业。

- 预测性：世事变幻莫测，以前从未发生过的意外絶不罕见，但却难以预料（分析出来）。因此，有专家认为“大数据”分析是规范的（prescriptive）而不具预测性（predictive）的功能。

- 误导性：使用假资讯或错误分析算法均会影响结果的可靠性。“尽信书则不如无书”，未经核实及验证的分析结果可能会造成严重的反效果。

- 合法性：数据内容、采集方法及其使用过程极有可能涉及个人私隐、商业机密及公众权益等资讯。因此，资讯的安全性和合法性对“大数据”应用十分之关键，可是不少企业只顾赚钱，而罔顾这些因素。

- 价值性：“大数据”不是免费的，企业切忌盲目跟风。数据本身、分析软件等均所费不菲，因此成本效益的衡量是企业采用“大数据”的另一关键考虑点。