為什么有的大數據分析背離事實？

大數據憑借著龐大的數據信息庫，可以更好地(數據分析師)分析人類行為和人與人之間大規模的互動。然而，由于大數據的搜集做不到像“小數據”那樣精確，因此(數據分析師認證后)分析解讀大數據是一件十分復雜的事。

研究人員以“谷歌流感趨勢”（Google Flu Trends，GFT）作為范例，解釋了大數據分析為何會背離事實，并提出了大數據時代背景下一些值得思考的事。

谷歌發現某些搜索關鍵詞可以很好地標示流感疫情的現狀。GFT的工作原理就是使用經過匯總的谷歌搜索數據來估測流感疫情，其預測結果將與美國疾病預防控制中心（CDC）的監測報告相比對。但是2013年2月，《自然》雜志發文指出，GFT預測的流感樣病例門診數超過了CDC根據全美各實驗室監測報告得出的預測結果的兩倍。

研究人員認為造成這種結果的兩個重要原因分別是“大數據傲慢”和算法變化?！按髷祿谅敝傅氖沁@樣一種觀點：即認為大數據可以完全取代傳統的數據收集方法，而非作為后者的補充。這種觀點的最大問題在于，絕大多數大數據與經過嚴謹科學試驗得到的數據之間存在很大的不同。

編寫一個將5000萬搜索關鍵詞與1152個數據點相匹配的算法是非常困難的，很有可能會出現過度擬合的情況：很多關鍵詞只是看似與流感相關，但實際上卻并無關聯。事實上，在2013年的報道之前，GFT就多次在很長一段時間內過高地估計了流感的流行情況。 2010年的一項研究發現，使用CDC的滯后預測報告來預測當前的流感疫情，其準確性甚至都高于GFT的預測結果。

谷歌搜索引擎的算法并非一成不變的，谷歌對算法會進行不斷地調整和改進。而搜索引擎算法的改變和用戶的搜索行為會影響GFT的預測結果，比如媒體對于流感流行的報道會增加與流感相關的詞匯的搜索次數，進而影響GFT的預測。

另外，相關搜索的算法也會對GFT造成影響。例如搜索“發燒”，相關搜索中會給出關鍵詞“流感”，而搜索“咳嗽”則會給出“普通感冒”。除此以外，搜索建議也會進一步增加某些熱門詞匯的搜索頻率。

因為GFT會在它的模型中使用相對流行的關鍵詞，所以搜索引擎算法對GFT的預測結果會產生不利影響。奇怪的是，GFT在構建時是基于這樣一種假設：特定關鍵詞的相對搜索量和特定事件之間存在相關性，問題是用戶的搜索行為并不僅僅受外部事件影響，它還受服務提供商影響。

如果谷歌可以公開衍生數據和匯總數據，那么研究者就可以更好地了解GFT背后的算法。此外，谷歌還需要解決可重復性的問題：利用谷歌的Correlate服務得到的與流感高度相關的關鍵詞與GFT選取的關鍵詞無法匹配。

另外，GFT的優勢在于能夠提供細化程度非常高的數據。因此與CDC相比，GFT的價值在于提供地區水平上的流感疫情預測。而且，GFT非常適合建立流感傳播的生成式模型，并且對于預測幾個月后的流感疫情具有較高的準確性。

數以百萬的工程師和用戶在不斷改變著搜索引擎算法，而作為研究者則需要更好地理解這些變化，因為正是搜索引擎算法決定了我們最終得到的信息。

在論文的最后作者指出，數據的價值并不僅僅體現在“大小”上。真正核心的改變在于利用創新的數據分析(數據分析師培訓)方法去分析數據，這樣才能幫助我們更好的理解這個世界。