大數據優勢頗多 劣勢也不容忽視

近年來，有關大數據的熱點話題一浪高過一浪，關注大數據應用的人也越來越多?？傮w來說，人們對大數據的前景持樂觀態度，比如談到大數據的技術特征，人們最容易想起的就是4個“v”：vast（數量龐大）、variety（種類繁多）、velocity（增長迅速）和value（總價值高）。這些都沒錯，但仔細一想，它們都是偏重說明大數據的正面優勢的。但其實，大也有大的難處，大數據也不可避免地存在著一些負面劣勢。結合筆者的從業經驗，大數據的負面劣勢可以概括為4個“n”，下面逐一說明每個n的含義。

inflated大數據是肥胖的。大數據的大不僅僅體現在數據記錄的行數多，更體現在字段變量的列數多，這就為分析多因素之間的關聯性帶來了難度。哪怕是最簡單的方差分析，計算一兩個還行，計算一兩百個就讓人望而生畏了。

unstructured大數據是非結構化的。大數據的結構也是非常復雜的，既包括像交易額、時間等連續型變量，像性別、工作類型等離散型變量這樣傳統的結構化數據，更增添了如文本、社會關系網絡，乃至語音、圖像等大量新興的非結構化數據，而這些非結構化數據蘊含的信息量往往更加巨大，但分析手段卻略顯單薄。

incomplete大數據是殘缺的。在現實的世界里，由于用戶登記的信息不全、計算機數據存儲的錯誤等種種原因，數據缺失是常見的現象。在大數據的場景下，數據缺失更是家常便飯，這就為后期的分析與建模質量增加了不確定的風險。

abnormal大數據是異常的。同樣，在現實的世界里，大數據里還有不少異常值（outlier）。比如某些連續型變量（如一個短期時間內的交易金額）的取之太大，某些離散型變量（如某個被選購的產品名稱）里的某個水平值出現的次數太少，等等。如果不刪除，很可能干擾模型系數的計算和評估；如果直接刪除，又覺得缺乏說服力，容易引起他人的質疑。這使得分析人員落到了一個進退兩難的境地。

如果不能處理好這些不利因素，大數據應用的優勢很難發揮出來。想要擁抱大數據，并不是一項在常規條件下數據分析的簡單升級，而是一項需要大智慧的綜合工作。STIR（喚醒）策略是筆者在實踐工作中提煉出來的、能夠在實際工作中有效克服大數據負面劣勢的應對方法。具體來說，STIR策略包含了四種技術手段，目前都已經有機地整合在統計分析與數據挖掘專業軟件JMP中了，它可以用來解決上文提出的四個問題，下面將分別說明。

Switching Variables切換變量

它是用來解決大數據“殘缺”問題的。通過“列轉換器”、“動畫播放”等工具，海量因素之間的關聯性分析變得十分簡單、快捷，還可以根據需要對關聯性的重要程度進行排序，大數據分析的效率由此得到大幅提升。

基于JMP軟件的關聯性分析篩選的界面

Text Mining文本挖掘

它是用來解決大數據“非結構化”問題的。通過先對文字、圖像等新媒體信息源進行降維、去噪、轉換等處理，產生結構化數據，再用成熟的統計分析和數據挖掘方法進行評價和解釋。這樣一來，大數據的應用范圍得到了極大的拓展。

基于JMP軟件的文本分析結果的最終展現界面

Imputation缺失數賦值

它是用來解決大數據“殘缺”問題的。在有missing data的時候，我們并不完全排斥直接刪除的方法，但更多的時候，我們會在條件允許的情況下，用賦值的方法去替代原先的缺失值。具體的技術很多，簡單的如計算平均值、中位數、眾數之類的統計量，復雜的如用回歸、決策樹、貝葉斯定理去預測缺失數的近似值等。這樣一來，大數據的質量大為改觀，為后期的分析與建模奠定了扎實的基礎。

基于JMP軟件的缺失數賦值方法選擇的操作界面

Robust Modeling穩健建模

它是用來解決大數據“異?！眴栴}的。在融入了自動識別、重要性加權等處理手段后，分析人員既直接消除了個別強影響點的敏感程度，又綜合考慮了所有數據的影響，增強了模型的抗干擾能力，使得模型體現出良好的預測特性，由此做出的業務決策自然變得更加科學、精準。

基于JMP軟件的模型穩健擬合的報表界面

總之，我們必須要對大數據有一個全面、客觀的認識。只有在不同的業務和數據背景下采用不同的戰略戰術，才能在大數據時代，真正發揮大數據的杠桿作用，有效提高企業的運營效率和市場競爭力。