
从大数据到深数据,在过去的10个月,我主持参与了麻省理工的“IDEAS中国”项目——一个由30多位中国商界领袖组成的,为期10个月的创新之旅。今年,该项目招收了中国一个主要国有银行的数位高管。这个团队的目标之一,是在大数据和其他相关的颠覆性技术到来时,仍可以重塑他们组织的未来,这也使我更多地接触了解了中国经济。正如阿里巴巴颇有远见的创始人马云所说,“五年后,我们预计人类纪元将由信息技术时代转变为大数据技术时代。”
但是,“数据技术”时代、“大数据”时代究竟意味着什么呢?现在,它往往意味着谷歌、亚马逊、Facebook和苹果这类大公司,这些我们曾经喜爱现在却越来越怀疑、不信任和恐惧的公司,会在你毫不知情时,收集你的数据,并转卖给其他公司,当你注意到出现在屏幕上的精准投放的网络广告时也就不足为怪了。有趣的是,最初人们对于美国的这些大数据帝国非常积极的看法现已转向欧洲及世界许多其他地方,包括北美。爱德华·斯诺登事件使我们大家都对大数据的误用更加敏感。但是,这只是表面问题,真正的问题更深层。
毫无疑问,大数据创造了许多全新的可能性, 但同时我认为我们应该明确地区分开浅层次的大数据与深层次数据。所谓浅层次数据,指的是有关别人的数据: 别人说了什么,做了什么。而这几乎正是目前所有大数据所包括的内容。
而深层次数据是帮助个人和社会来认识他们自己的。深层次数据就像一面镜子:它让你认识你自己—无论是作为个人还是作为社区一员。在我过去二十年的职业生涯中,许多团队和机构在我的帮助下进行了一些有重大意义的创新及革命性的变化。我从中所学习到的一点就是:产生革命性变化的关键就在于清楚地认识自己。这就是为什么深层次数据是很重要的。它对未来的机构,我们的社会以及整个世界都非常重要。
但是如今大数据的所作所为往往是相反的:大数据被用来操纵我们的行为,用我们从没想要的广告来对我们狂轰乱炸。表面上大数据用于将人类思维外包给算法,以降低习惯性思维边界内的意识水平。深数据,如果以正确的方式加以研发和成长,可以帮助我们提高认识水平,并将利益攸关方的意识体系转变过来,从对自我系统的认识(我自己的筒仓意识)转变到对生态系统的认识(整体意识)。
让我用两幅画面简单总结一下表面的大数据和深数据的区别:
从科学1.0到科学2.0的旅程是将科学观察这一笔直的望远镜掰回来到自我观察的过程——这个自我指的是我们的个人和集体的统一。
从本质上说,IDEAS的参与者都讲到了以下变化:
•思维:从单纯接受老模式,到创造性思维
在过去的这几个月,参加活动的这些高层领导们被分成四个小组,每个小组都试图尝试一些新的方法,来寻求未来的机会。令我吃惊的是,每个小组都开发出一种跨组织的合作平台原型,每个利益方都能通过这个平台用数据进行沟通。所有这些平台的建设原型都还在早期阶段,不过有一点是这四个小组都反复提到的,那就是大家思考问题要从“我”转到“我们”,从“自我”转到“整体”的重要性。
例如,今天我们用国民生产总值GDP来衡量经济进步。国民生产总值GDP是社会经济表面数据的一个很好的衡量。但是用什么等效的深数据工具来衡量一个社会真正的经济进步?我相信这样一个衡量系统应该植根于真实的社会发展成果(例如,预期寿命),以及个人和社区(如生活质量)的发展状况。去年Presencing研究所,GIZ全球领导学院(德国发展合作部)和位于Bhutan的国民幸福指数中心联合发起了全球福祉实验室(Global Wellbeing Lab),该实验室把世界各地来自政府,企业和民间社会的领导人联合在一起,来开拓寻找新的指标和深数据工具,帮助社区和社会生态系统观察自己,建立观测衡量社会运营的新模式。
今天你在哪里能看到这样的新的指标体系或深数据的工具在生根发芽?我们可以从这些早期例子中学到什么?深层数据对你自己意味着什么?在你自己的生活和工作中什么是快乐幸福的真实来源,哪些指标可以以更有意义的方式帮你看到和感觉到自己的发展?我们如何才能共同开拓,实现商业,社会及个人从大数据到深层数据的转变?这都是我们要思考的问题。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11