我们真的需要盲目烧钱追求大数据吗_数据分析师
大数据可能是现在最炙手可热的技术名词了。如若你现在还没有加入大数据的阵营, 那你想方法弄到一些。毕竟, 竞争需要大数据。如若你的数据量很小, 你将被竞争对手彻底打败。
作为顾问和 IT公司向企业推销的另一个大项目,在大数据背后的料想还存在许多问题。幸运的是,诚实的大数据实践者(又称数据科学家)从不放下怀疑态度, 并提出了一系列对大数据放肆宣传感应厌倦的理由。如下:
理由一,纵然像Facebook和Yahoo!这样的互联网巨头也并非总是处置大数据,Google风格工具的应用是不合适的。
Facebook和雅虎运行其巨型集群机(功能壮大的服务器集合)来处置数据。必须要进行集群处置是大数据的标志之一。毕竟,在家用PC就能处置的数据不能称为大数据。将业务拆分为小业务,使用一系列的计算机来处置每个小业务的须要性,是类似Google计算世界上每一个网页排名的大数据问题典型特点。
现在看来,对于Facabook和Yahoo!来说,每个业务都是用同样规模的集群机是不须要的。好比Facebook的情况,工程师提交给集群机的大多数任务都是 MB到GB的范围,完全可以在一台计算机甚至札记本电脑上完成。
Yahoo!也存在类似的情况, Yahoo!集群机所处置的数据中位数只有 12.5GB,通常台式电脑不能处置这种任务,但一台配置较好的服务器完全可以胜任。
以上观点均提炼于Microsoft Research的一篇名为《 Nobody ever got fired for buying a cluster》的论文。论文中指出纵然是在最渴求数据的公司,多数问题也不必集群处置。由于对于大量问题类型而言,集群是一个相对低效 甚至是完全不合适的解决方案。
理由二,大数据已经成为数据剖析的代名词,这种定义是混乱的,并会起到反作用。
数据剖析最早可追溯到为皇家粮仓的所有粮食制表统计,但是现在你必须要在数据前加“大”字,须要的数据剖析已经卷入了一场较大但是用处不大的流行风暴中。例如,一篇文章告诫读者“ 3个步骤将大数据运用到你的小企业中”,实际上小企业的数据量谷歌文档就能处置,更不说用札记本的EXCEL了。
这就是说,实际上大多数企业处置的数据都是被Open Knowledge Foundation的Rufus Pollock所说的 小数据。这很主要,这是一场“革命”, Pollock称。但它与大数据关系不大。
理由三,超大化你的数据规模正在变成一件得不偿失的事情。
数据越多就越好吗?不尽然。如若你正在寻找相关方程式——x,y的关系,怎样能给我提供有效信息?实际上数据越多,随之而来的麻烦也越大。
能从大数据中提取的信息会随着数据规模的增加而减少,Michael Wu(社交媒体剖析公司Lithium的首席数据剖析学家) 写道。这意味着越过了某一点后,继续增加数据所形成的边际数据回报率减少到如此地步,搜集更多数据仅仅是浪费时间。
原由之一:数据越“大”,寻找相关性时错误信息会更多。正如数据剖析家Vincent Granville在《 The curse of big data》(《大数据的诅咒》)中写道的:纵然只包括1000个条目的数据集,也很容易会陷入处置几百万个相关剖析的处境。”这意味着,“所有这些相关剖析,有些可能会高度切合,但这仅仅是一种有时:如若你使用这种相关剖析作为预测模型,结果将会错误”。
这个错误经常在大数据的原始应用领域之一遗传学中突然出现。对基因组序列有兴趣的科学家苦心找寻其相关性而进行的无休止的研究,最终却得出了种种毫无益处的结果。
理由四,在某些情况下,大数据会令你茅塞顿开,但也可能会令你陷入疑惑。
公司一旦开始使用大数据,就深陷于一系列艰涩学科的研究中——统计,数据质量,和其他构成“数据科学”的一切。就像那些每日都需要发表出书物的科学,经常会被忽视或是被修正,或是从未被证实,这之中的陷阱实在太多了。
数据搜集方式的偏见,上下文的缺乏,数据群集的缺口,数据的人工处置模式和整体认知误差都会导致纵然最好的研究人员也可能发现错误的相关模型, 麻省理工学院媒体实验室客座教授Kate Crawford说:“我们可能会陷入某种算法幻觉中”。换句话说,纵然你有大数据,也并非IT部门的任何人都能处置的,他可能需要有博士学位或等量经验。当处置完成后,他们的答案可能是你并不需要“大数据”。
那么哪个更好——大数据或小数据?
你的业务需要数据吗?当然需要。但是只有 尖头发呆伯特的老板才会像赶时髦一样购置具有所谓主要性的数据规模。在科学领域同样存在着企业使用数据制订决议时固有的问题——数据质量,总体目标以及上下文和直觉的主要性。记住:Gregor Mendel仅利用一本札记本的数据就发现了遗传的秘密。主要是数据的质量,而不是数据的规模。
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 2 Pandas数据类型 Pandas 有两种自己独有的基本数据结构。需要注意的是,它固然有着两种数据 ...
2024-11-01《Python数据分析极简入门》 第2节 1 Pandas简介 说好开始学Python,怎么到了Pandas? 前面说过,既然定义为极简入门,我们只抓 ...
2024-10-31在当今数据驱动的世界中,数据科学与工程专业的重要性愈发凸显。无论是推动技术进步,还是在商业决策中提供精准分析,这一专业都 ...
2024-10-30在当今信息爆炸的时代,数据已成为企业决策和战略制定的核心资源。爬虫工程师因此成为数据获取和挖掘的关键角色。本文将详细介绍 ...
2024-10-30在当今数据驱动的世界中,数据分析是揭示商业洞察和推动决策的核心力量。选择合适的数据分析工具对于数据专业人士而言至关重要。 ...
2024-10-30能源企业在全球经济和环境保护双重压力下,正面临前所未有的挑战与机遇。数字化转型作为应对这些挑战的关键手段,正在深刻变革传 ...
2024-10-30近年来,随着数据科学的逐步发展,Python语言的使用率也越来越高,不仅可以做数据处理,网页开发,更是数据科学、机器学习、深度 ...
2024-10-30大数据分析师证书 针对不同知识,掌握程度的要求分为【领会】、【熟知】、【应用】三个级别,考生应按照不同知识要求进行学习。 ...
2024-10-30《Python数据分析极简入门》 附:Anaconda安装教程 注:分Windows系统下安装和MacOS系统安装 1. Windows系统下安装 第一步清华大 ...
2024-10-29拥抱数据分析的世界 - 成为一名数据分析工程师是一个充满挑战和机遇的职业选择。要成功地进入这个领域,你需要掌握一系列关键技 ...
2024-10-28降本增效:管理战略的关键 企业管理中的降本增效不仅是一项重要的战略举措,更是激发竞争力、提高盈利能力的关键。这一理念在当 ...
2024-10-28企业数字化是指利用数字技术和信息化手段,对企业的各个方面进行改造和优化,以提升生产效率、服务质量和市场竞争力的过程。实现 ...
2024-10-28数据科学专业毕业后,毕业生可以选择从事多种不同的岗位和领域。数据科学是一个快速发展且广泛应用的领域,毕业生在企业、学术界 ...
2024-10-28学习数据科学与大数据技术是当今职业发展中至关重要的一环。从基础到高级,以下是一些建议的课程路径: 基础课程: Python编程 ...
2024-10-28在信息技术和数据科学领域,数据架构师扮演着至关重要的角色。他们负责设计和管理企业中复杂的数据基础设施,以支持数据驱动的决 ...
2024-10-28进入21世纪以来,随着信息技术的迅猛发展,大数据已经成为全球最具影响力的技术之一,并成为企业数字化转型的核心驱动力。大数据 ...
2024-10-28随着科技的迅猛发展,数字化转型已成为现代企业保持竞争力和推动增长的关键战略之一。数字化不仅仅是技术的应用,它代表着一种全 ...
2024-10-28银行业正处于一个前所未有的数字化转型时期。在数字经济的驱动下,金融科技如大数据、人工智能、生物识别、物联网和云计算等技术 ...
2024-10-28数据分析可视化是一门艺术与科学相结合的技术,其主要目标是将复杂的数据变得更易于理解和分析。通过将数据以图表的形式呈现,我 ...
2024-10-28数据分析师在现代信息密集型的商业世界中扮演着至关重要的角色。他们通过专业的技能和敏锐的商业洞察力,帮助企业从大量数据中提 ...
2024-10-28