大数据的未来之路_数据分析师

到了2020年，人类一年所产生的数据将是1000个谷歌或10000个百度，在数据化生存时代，企业要做哪些准备？

在大数据启蒙阶段，《大数据时代》作者、牛津大学教授维克托·迈尔·舍恩伯格曾应邀去多家中国著名企业宣讲过大数据带来的变革；最近一年，各类大数据方案企业也开始越来越多地谈论大数据技术的实现。

今年夏季，在腾讯举办的大数据论坛上，腾讯高管与来自全球最顶尖的学者热烈地讨论着大数据的各种迷思——隐私、互联互通和数据交易。在最近一个大数据的活动中，大数据开源技术Hadoop之父Doug Cutting以及大数据链条上掌握着命脉的“原油型”公司——英特尔和Cloudera的牛人们再次聚首。

数据化生存

IT行业的“指数效应”威力惊人，比如，IT的基石芯片行业有个摩尔定律，每18个月芯片上集成的晶体管数会翻番，由此会带来一系列指数式连锁反应——CPU的性能翻番，芯片的成本折半，功耗也会折半。这也就是大家为什么看到电子产品快速降价的根本原因。

市场调研公司IDC认为，大数据行业也有“摩尔定律”。英特尔中国研究院院长吴甘沙非常认同这个说法，他曾是英特尔中国研究院首位“首席工程师”，主持大数据研究。“如果说摩尔定律是我们所在的指数社会的基因，那么大数据就是指数社会的蛋白质。”吴甘沙说。

有人说大数据是新的原材料、新的原油、新的资产，甚至是新的货币，而吴甘沙认为，人类现在的生存就是一场数据化生存。人类社会的各类设备在不停地感知、传输、存储数据。今天，人们认为谷歌可能是最大的数据拥有者之一，但按照指数增长规律，到2020年，一年所产生的数据将是1000个今天的谷歌或10000个百度。

“我们看到数据和计算能力在过去15年间一直呈现指数级增长，这种增长给我们带来了根本性变化——不能再看单独的数据，而是把全部数据放在一起来考虑，来描绘出对人、企业或是业务的高清晰图像。”大数据之父Doug Cutting说，“这件事是一个革命性、阶段性的变化。”Doug Cutting是开源技术世界中一个很具影响力的人物，他打造了目前在云计算和大数据领域里如日中天的开源技术Hadoop。他是Apache 基金会主席，也是大数据平台企业Cloudera的首席技术官。

大量、快速增长的数据需要实时储存、整合和分析，过去的IT架构已经无法应付，这就促成了一种名为Hadoop开源新架构的诞生，这是个可以无限扩容的分布式计算结构。

在这个无限扩容开放式架构的发展大势下，IT业界才倡导了“软件定义基础设施”的趋势，把计算、存储和网络做成开放式的标准模块，降低设施的门槛；在基础设施之上，推动开放、可信数据处理平台Hadoop；在此之上，推动整个生态圈的创新，实现各类分析应用，把高级分析功能平民化，使得它能迈入主流市场，实现规模经济。

数据咖啡馆

腾讯高级副总裁汤道生曾请教欧洲信息哲学创始人、牛津大学教授Luciano Floridi一个困扰腾讯大数据应用的问题——数据如何互联互通，这对于发挥数据的价值至关重要。

现在，数据已成为各个组织的商业资产，数据交换成为一个挑战。Luciano以人类早先对石油资源的应对方式进行类比：挪威当年建立了复杂的综合体系去处理自然资源，从而让整个人群受益。现在，政府和手握数据的企业也有责任去摸索一个综合体系，把数据的价值扩大到广泛的人群。

在英特尔，吴甘沙他们也正在开展“数据安全流通以及定价”这样的研究。英特尔有一个研究平台，叫做“数据咖啡馆”，意思是希望这个平台能像咖啡馆那样起到“汇聚”作用，汇聚不同领域、不同企业的数据，一起来产生新的价值。这里面需要大量的核心技术，例如，顶层的多方安全计算、数据审计及定价等。

英特尔与美国癌症研究机构开展合作。癌症是一个典型的长尾病症。过去50年来，癌症的治愈率仅仅提升了约8%，这是因为研究机构拥有的基因组样本太少了。如果通过“数据咖啡馆”把基因组样本聚合起来，就能期待癌症技术获得突破。而聚合就需要数据交易。

在某种程度上，目前的数据是论斤按两来交易的，因为数据的价格很难衡量与预测。“在这样一种数据不易定价的情况下，我们的理念是先用起来，在使用过程中去发现它的价值。”吴甘沙说。

在英特尔宏大的愿景中，希望在2020年之前，一天之内能完成三件事：对病人进行全基因组测序，锁定癌症的相关基因，形成个性化的用药以及修复方案。现在癌症很难治愈的原因是新药更新速度赶不上癌细胞的变化速度，有了大数据技术，癌症治愈率将指日可待。

数据交易只是英特尔在大数据研究上的重要方向之一。英特尔的其他重要研究领域还涵盖两个重要领域：数据与机器的关系——什么样的可扩展架构能更好地存储和处理数据；人和数据之间的关系——什么样的分析工具能增强人的分析能力。

以往，在英特尔，1～3年的事由产品部门来做，3～5年的由英特尔研究院来做，5～8年的与大学合作研究。但在这样一个不可预测的时代下，英特尔把对“大数据”的研发周期进一步缩短，与大学合作研究的技术也希望尽快推向市场，像Spark、集成了数据分析及交换的Datahub，内存数据库H-Store、可视化、深度学习（Deep learning）等。

大数据之星

今年3月，英特尔以7.4亿美元收购了Cloudera18%的股份，成为Cloudera的战略投资者。一家IT巨头的高管评论说：“英特尔占领了大数据领域的制高点。”

Cloudera是一家在大数据领域起着关键作用的创新企业。它由来自Facebook、谷歌、雅虎和甲骨文的高管和工程师在2008年创建，其商业模式类似Linux领域的开源软件企业红帽公司（Red Hat）。

开源技术的开发类似今天互联网世界的众筹模式——成千上万背景不同的技术爱好者聚集在一个“开源社区”中，一起创造一个他们热爱的软件技术，人们可以自由使用。在此过程中，红帽创造了一种名为“订阅”的商业模式，它基于开源社区的软件，通过更多测试和验证，开发出更稳定、更易用的“企业版”。用户可以免费使用它，但如果需要技术支持和咨询服务就要付费。Cloudera仿照红帽模式，提供企业级Hadoop平台的服务。

如今，Cloudera已经带头形成全球最大的大数据生态链，有1200个合作伙伴。在美国，每天70%的智能手机数据都是在Cloudera平台上进行处理的。同时，Cloudera对新兴大数据领域进行普及，在全球培训了5万多名Hadoop专家。

9月，Cloudera落户中国。苗凯翔成为其在中国的第一个员工，担任该公司中国区副总裁。之前，他在英特尔负责大数据业务，参与了中国第一个Hadoop项目——2011年中国移动的通话详单查询项目。

苗凯翔发现，美国的大数据业务发展要比中国早两年，美国很多集群规模都已是上千个节点，中国才几十个，他预计明年中国企业会部署更大的集群。

“中国的企业，如运营商、银行在大数据的规划上越来越务实，设想也越来越大。目前他们要先想清楚大数据的商业价值。”苗凯翔说，“还要考虑清楚用大数据的目的是节省成本，还是创造价值，这是大数据的两个主题。”

苗凯翔用全球最大在线支付公司的实践来说明大数据的意义。这家企业本来用小型机做数据存储，在备份系统建设中，如果使用同样的小型机，一套就要上千万美元，太昂贵。最后，它们购买了Hadoop平台。Hadoop已经足够稳定、容量非常庞大，成本只是小型机的几十分之一甚至几百份之一，可以为企业节省可观的成本。这是企业使用大数据技术的第一步。之后，这家企业又基于Hadoop平台开展新业务，例如，给自己的客户提供各种报表，仅这项业务就为企业创造了百亿美元的销售额。

Hadoop非常复杂，苗凯翔认为，Cloudera的意义是能在中国把它构架起来、跑起来。他希望把Cloudera在金融、电信、零售、制造、政府和医疗领域的实践带到中国。

伴随Cloudera 在中国落地，其全球性合作伙伴Oracle、HP、DELL、SAS等会与Cloudera有更多在中国的合作。同时，它也在找寻本土合作伙伴，像博康智能这样在一个细分市场做得出色的系统集成商。明年第一季度，Cloudera也会在中国开展培训业务。目前，苗凯翔团队在与中国客户沟通，探讨Cloudera在中国的商业模式。

未来之路

近些年，Doug Cutting一直推进Hadoop在企业级市场的实践。让他欣慰的是Hadoop在各行业中开展的实践。

让他印象最深的是一家信用卡公司。之前，这家企业检验欺诈行为需要3个月，当它采用Hadoop分析过往5年的交易历史后，发现了一个欺诈模式，这个模式在多年中会连续出现。于是，这家信用卡公司采用了Hadoop技术，不仅节省了很多成本，效果也非常好。

Doug Cutting也曾拜访过一家位于亚特兰大的儿童医院。在医院的一间急诊室中，有几十个早产儿。婴儿身上有很多监测器，医护人员可以通过屏幕来看这些数据。一开始，这些数据随时就被扔掉了。后来，人们把数据从那些老式电脑中取出来，存储起来并进行分析。他们发现，为了检测孩子的身体状况，护士每天都要在孩子脚底扎针取血，一开始孩子们会哭，过了几天他们就不哭了。可是，当人们看到这些数据时会发现，实际上，在扎针取血后30分钟内，婴儿的心跳和呼吸都特别快，他们非常紧张，这对他们的健康不利。这帮助医护人员了解了很多情况，并改进了他们对婴儿的护理。

“我们看到越来越多的行业，正在利用大数据分析来提升业绩。”Doug Cutting说，“这些企业并不仅局限于高科技产业，它们还来自其他行业，比如采矿业、交通业。”

目前，大企业是最早采用大数据分析平台的，Doug Cutting观察到，这些企业通常是从个别部门开始使用Hadoop，然后扩展到其他部门。Doug Cutting认为，未来会有越来越多的中小企业使用Hadoop。在美国，一些小型农场主甚至农民，现在也是大数据的生产者——他们有GPS定位设备，他们的拖拉机和其他机械设备也收集了大量数据，通过这些数据可以更好地分析土壤状况，提高播种效率和产量。

“我们看到这个趋势正在在很多行业不断蔓延开来。” Doug Cutting说，“一些规模更小的公司，也将在接下来的5～10年中越来越多地去使用大数据。”

Doug Cutting还提到一个业界认同的大趋势——企业会越来越多地使用数据中心，把数据中心作为自己的“默认平台”，使用上面不同的应用程序。“智能手机既是手机，也是照相机、游戏机、电子书……因为它就在那儿，你知道怎么使用它，而且它上面也集成了所有的生活工具。” Doug Cutting 说，“未来企业数据中心的作用也类似，所有的工具都集成在上面，企业可以选择使用。”