看懂“大數(shù)據(jù)”，這一篇就夠了！

導讀：大數(shù)據(jù)是一種全新的思維方式和商業(yè)模式。

大家好，我是小棗君。

今天這篇文章，我們來聊聊大數(shù)據(jù)。

近年來，大數(shù)據(jù)這個詞的熱度很高，受到公眾的廣泛關(guān)注。

對于很多人來說，當他第一次聽到“大數(shù)據(jù)”這個詞，會自然而然從字面上去理解——認為大數(shù)據(jù)就是大量的數(shù)據(jù)，大數(shù)據(jù)技術(shù)就是大量數(shù)據(jù)的存儲技術(shù)。

但事實上，它并不只是一項存儲技術(shù)，而是一系列和海量數(shù)據(jù)相關(guān)的抽取、集成、管理、分析、解釋技術(shù)。大數(shù)據(jù)系統(tǒng)，是一個龐大的框架系統(tǒng)。

更進一步來說，大數(shù)據(jù)是一種全新的思維方式和商業(yè)模式。

圖片來自網(wǎng)絡(luò)

今天這篇文章，就讓我們來深入了解一下，到底什么是大數(shù)據(jù)。

大數(shù)據(jù)的定義

首先，我們看看大數(shù)據(jù)的定義。

行業(yè)里對大數(shù)據(jù)的定義有很多，有廣義的定義，也有狹義的定義。

廣義的定義，有點哲學味道——大數(shù)據(jù)，是指物理世界到數(shù)字世界的映射和提煉。通過發(fā)現(xiàn)其中的數(shù)據(jù)特征，從而做出提升效率的決策行為。

狹義的定義，是技術(shù)工程師給的——大數(shù)據(jù)，是通過獲取、存儲、分析，從大容量數(shù)據(jù)中挖掘價值的一種全新的技術(shù)架構(gòu)。

相比較而言，狹義定義更好理解一些。

大家注意，關(guān)鍵詞我都在上面原句加粗了：

要做什么?——獲取數(shù)據(jù)、存儲數(shù)據(jù)、分析數(shù)據(jù)

對誰做?——大容量數(shù)據(jù)

目的是什么?——挖掘價值

獲取數(shù)據(jù)、存儲數(shù)據(jù)、分析數(shù)據(jù)，這一系列的行為，都不算新奇。我們每天都在用電腦，每天都在干這個事。

例如，每月的月初，考勤管理員會獲取每個員工的考勤信息，錄入Excel表格，然后存在電腦里，統(tǒng)計分析有多少人遲到、缺勤，然后扣TA工資。

但是，同樣的行為，放在大數(shù)據(jù)身上，就行不通了。換言之，傳統(tǒng)個人電腦，傳統(tǒng)常規(guī)軟件，無力應(yīng)對的數(shù)據(jù)級別，才叫“大數(shù)據(jù)”。

大數(shù)據(jù)，到底有多大?

我們傳統(tǒng)的個人電腦，處理的數(shù)據(jù)，是GB/TB級別。例如，我們的硬盤，現(xiàn)在通常是1TB/2TB/4TB的容量。

TB、GB、MB、KB的關(guān)系，大家應(yīng)該都很熟悉了：

1 KB = 1024 B (KB - kilobyte)

1 MB = 1024 KB (MB - megabyte)

1 GB = 1024 MB (GB - gigabyte)

1 TB = 1024 GB (TB - terabyte)

而大數(shù)據(jù)是什么級別呢?PB/EB級別。

大部分人都沒聽過。其實也就是繼續(xù)乘以1024：

1 PB = 1024 TB (PB - petabyte)

1 EB = 1024 PB (EB - exabyte)

只是看這幾個字母的話，貌似不是很直觀。我來舉個例子吧。

1TB，只需要一塊硬盤可以存儲。容量大約是20萬張照片或20萬首MP3音樂，或者是20萬部電子書。

普通硬盤

1PB，需要大約2個機柜的存儲設(shè)備。容量大約是2億張照片或2億首MP3音樂。如果一個人不停地聽這些音樂，可以聽1900年。。。

2個機柜

1EB，需要大約2000個機柜的存儲設(shè)備。如果并排放這些機柜，可以連綿1.2公里那么長。如果擺放在機房里，需要21個標準籃球場那么大的機房，才能放得下。

21個籃球場

阿里、百度、騰訊這樣的互聯(lián)網(wǎng)巨頭，數(shù)據(jù)量據(jù)說已經(jīng)接近EB級。

阿里數(shù)據(jù)中心內(nèi)景

EB還不是最大的。目前全人類的數(shù)據(jù)量，是ZB級。

1 ZB = 1024 EB (ZB - zettabyte)

2011年，全球被創(chuàng)建和復制的數(shù)據(jù)總量是1.8ZB。

而到2020年，全球電子設(shè)備存儲的數(shù)據(jù)，將達到35ZB。如果建一個機房來存儲這些數(shù)據(jù)，那么，這個機房的面積將比42個鳥巢體育場還大。

數(shù)據(jù)量不僅大，增長還很快——每年增長50%。也就是說，每兩年就會增長一倍。

目前的大數(shù)據(jù)應(yīng)用，還沒有達到ZB級，主要集中在PB/EB級別。

大數(shù)據(jù)的級別定位

1 KB = 1024 B (KB - kilobyte)

1 MB = 1024 KB (MB - megabyte)

1 GB = 1024 MB (GB - gigabyte)

1 TB = 1024 GB (TB - terabyte)

1 PB = 1024 TB (PB - petabyte)

1 EB = 1024 PB (EB - exabyte)

1 ZB = 1024 EB (ZB - zettabyte)

數(shù)據(jù)的來源

數(shù)據(jù)的增長，為什么會如此之快?

說到這里，就要回顧一下人類社會數(shù)據(jù)產(chǎn)生的幾個重要階段。

大致來說，是三個重要的階段。

第一個階段，就是計算機被發(fā)明之后的階段。尤其是數(shù)據(jù)庫被發(fā)明之后，使得數(shù)據(jù)管理的復雜度大大降低。各行各業(yè)開始產(chǎn)生了數(shù)據(jù)，從而被記錄在數(shù)據(jù)庫中。這時的數(shù)據(jù)，以結(jié)構(gòu)化數(shù)據(jù)為主(待會解釋什么是“結(jié)構(gòu)化數(shù)據(jù)”)。數(shù)據(jù)的產(chǎn)生方式，也是被動的。

世界上第一臺通用計算機-ENIAC

第二個階段，是伴隨著互聯(lián)網(wǎng)2.0時代出現(xiàn)的?；ヂ?lián)網(wǎng)2.0的最重要標志，就是用戶原創(chuàng)內(nèi)容。隨著互聯(lián)網(wǎng)和移動通信設(shè)備的普及，人們開始使用博客、facebook、youtube這樣的社交網(wǎng)絡(luò)，從而主動產(chǎn)生了大量的數(shù)據(jù)。

第三個階段，是感知式系統(tǒng)階段。隨著物聯(lián)網(wǎng)的發(fā)展，各種各樣的感知層節(jié)點開始自動產(chǎn)生大量的數(shù)據(jù)，例如遍布世界各個角落的傳感器、攝像頭。

經(jīng)過了“被動-主動-自動”這三個階段的發(fā)展，最終導致了人類數(shù)據(jù)總量的極速膨脹。

大數(shù)據(jù)的4個V

行業(yè)里對大數(shù)據(jù)的特點，概括為4個V。

前面所說的龐大數(shù)據(jù)體量，就是Volume(海量化)。除了Volume之外，剩下三個，分別是Variety、Velocity、Value。

我們一個一個來介紹。

Variety(多樣化)

數(shù)據(jù)的形式是多種多樣的，包括數(shù)字(價格、交易數(shù)據(jù)、體重、人數(shù)等)、文本(郵件、網(wǎng)頁等)、圖像、音頻、視頻、位置信息(經(jīng)緯度、海拔等)，等等，都是數(shù)據(jù)。

數(shù)據(jù)又分為結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)。

從名字可以看出，結(jié)構(gòu)化數(shù)據(jù)，是指可以用預先定義的數(shù)據(jù)模型表述，或者，可以存入關(guān)系型數(shù)據(jù)庫的數(shù)據(jù)。

結(jié)構(gòu)化數(shù)據(jù)

例如，一個班級所有人的年齡、一個超市所有商品的價格，這些都是結(jié)構(gòu)化數(shù)據(jù)。

而網(wǎng)頁文章、郵件內(nèi)容、圖像、音頻、視頻等，都屬于非結(jié)構(gòu)話數(shù)據(jù)。

在互聯(lián)網(wǎng)領(lǐng)域里，非結(jié)構(gòu)化數(shù)據(jù)的占比已經(jīng)超過整個數(shù)據(jù)量的80%。

大數(shù)據(jù)，就符合這樣的特點：數(shù)據(jù)形式多樣化，且非結(jié)構(gòu)化數(shù)據(jù)占比高。

Velocity(時效性)

大數(shù)據(jù)還有一個特點，那就是時效性。從數(shù)據(jù)的生成到消耗，時間窗口非常小。數(shù)據(jù)的變化速率，還有處理過程，越來越快。例如變化速率，從以前的按天變化，變成現(xiàn)在的按秒甚至毫秒變化。

我們還是用數(shù)字來說話：

就在剛剛過去的這一分鐘，數(shù)據(jù)世界里發(fā)生了什么?

Email：2.04億封被發(fā)出

Google：200萬次搜索請求被提交

Youtube：2880分鐘的視頻被上傳

Facebook：69.5萬條狀態(tài)被更新

Twitter：98000條推送被發(fā)出

12306：1840張車票被賣出

……

怎么樣?是不是瞬息萬變?

Value(價值密度)

最后一個特點，就是價值密度。

大數(shù)據(jù)的數(shù)據(jù)量很大，但隨之帶來的，就是價值密度很低，數(shù)據(jù)中真正有價值的，只是其中的很少一部分。

例如通過監(jiān)控視頻尋找犯罪分子的相貌，也許幾TB的視頻文件，真正有價值的，只有幾秒鐘。

2014年美國波士頓爆炸案，現(xiàn)場調(diào)取了10TB的監(jiān)控數(shù)據(jù)(包括移動基站的通訊記錄，附近商店、加油站、報攤的監(jiān)控錄像以及志愿者提供的影像資料)，最終找到了嫌疑犯的一張照片。

大數(shù)據(jù)的價值

剛才說到價值密度，也就說到了大數(shù)據(jù)的核心本質(zhì)，那就是價值。

人類提出大數(shù)據(jù)、研究大數(shù)據(jù)的主要目的，就是為了挖掘大數(shù)據(jù)里面的價值。

大數(shù)據(jù)，究竟有什么價值?

早在1980年，著名未來學家阿爾文·托夫勒在他的著作《第三次浪潮》中，就明確提出：“數(shù)據(jù)就是財富”，并且，將大數(shù)據(jù)稱為“第三次浪潮的華彩樂章”。

第一次浪潮：農(nóng)業(yè)階段，約1萬年前開始

第二次浪潮：工業(yè)階段，17世紀末開始

第三次浪潮：信息化階段，20世紀50年代后期開始

進入21世紀之后，隨著前面所說的第二第三階段的發(fā)展，移動互聯(lián)網(wǎng)崛起，存儲能力和云計算能力飛躍，大數(shù)據(jù)開始落地，也引起了越來越多的重視。

2012年的世界經(jīng)濟論壇指出：“數(shù)據(jù)已經(jīng)成為一種新的經(jīng)濟資產(chǎn)類別，就像貨幣和黃金一樣”。這無疑將大數(shù)據(jù)的價值推到了前所未有的高度層面上。

如今，大數(shù)據(jù)應(yīng)用開始走進我們的生活，影響我們的衣食住行。

滴滴的大數(shù)據(jù)殺熟，相信大家都有所耳聞

之所以大數(shù)據(jù)會有這么快的發(fā)展，就是因為越來越多的行業(yè)和企業(yè)，開始認識到大數(shù)據(jù)的價值，開始試圖參與挖掘大數(shù)據(jù)的價值。

歸納來說，大數(shù)據(jù)的價值主要來自于兩個方面：

1 幫助企業(yè)了解用戶

大數(shù)據(jù)通過相關(guān)性分析，將客戶和產(chǎn)品、服務(wù)進行關(guān)系串聯(lián)，對用戶的偏好進行定位，從而提供更精準、更有導向性的產(chǎn)品和服務(wù)，提升銷售業(yè)績。

典型的例子就是電商。

像阿里淘寶這樣的電子商務(wù)平臺，積累了大量的用戶購買數(shù)據(jù)。在早期的時候，這些數(shù)據(jù)都是累贅和負擔，存儲它們需要大量的硬件成本。但是，現(xiàn)在這些數(shù)據(jù)都是阿里最寶貴的財富。

通過這些數(shù)據(jù)，可以分析用戶行為，精準定位目標客群的消費特點、品牌偏好、地域分布，從而引導商家的運營管理、品牌定位、推廣營銷等。

大數(shù)據(jù)可以對業(yè)績產(chǎn)生直接影響。它的效率和準確性，遠遠超過傳統(tǒng)的用戶調(diào)研。

除了電商，包括能源、影視、證券、金融、農(nóng)業(yè)、工業(yè)、交通運輸、公共事業(yè)等，都是大數(shù)據(jù)的用武之地。

大數(shù)據(jù)甚至能夠幫助競選總統(tǒng)

2 幫助企業(yè)了解自己

除了幫助了解用戶之外，大數(shù)據(jù)還能幫助了解自己。

企業(yè)生產(chǎn)經(jīng)營需要大量的資源，大數(shù)據(jù)可以分析和鎖定資源的具體情況，例如儲量分布和需求趨勢。這些資源的可視化，可以幫助企業(yè)管理者更直觀地了解企業(yè)的運作狀態(tài)，更快地發(fā)現(xiàn)問題，及時調(diào)整運營策略，降低經(jīng)營風險。

總而言之，“知己知彼，百戰(zhàn)百勝”。大數(shù)據(jù)，就是為決策服務(wù)的。

大數(shù)據(jù)和云計算

說到這里，我們要回答一個很多人心里都存在的疑惑——大數(shù)據(jù)和云計算之間，到底有什么關(guān)系?

可以這么解釋：數(shù)據(jù)本身是一種資產(chǎn)，而云計算，則是為挖掘資產(chǎn)價值提供合適的工具。

從技術(shù)上，大數(shù)據(jù)是依賴于云計算的。云計算里面的海量數(shù)據(jù)存儲技術(shù)、海量數(shù)據(jù)管理技術(shù)、分布式計算模型等，都是大數(shù)據(jù)技術(shù)的基礎(chǔ)。

云計算就像是挖掘機，大數(shù)據(jù)就是礦山。如果沒有云計算，大數(shù)據(jù)的價值就發(fā)揮不出來。

相反的，大數(shù)據(jù)的處理需求，也刺激了云計算相關(guān)技術(shù)的發(fā)展和落地。

也就是說，如果沒有大數(shù)據(jù)這座礦山，云計算這個挖掘機，很多強悍的功能都發(fā)展不起來。

套用一句老話——云計算和大數(shù)據(jù)，兩者是相輔相成的。

大數(shù)據(jù)和物聯(lián)網(wǎng)(5G)

第二個問題，大數(shù)據(jù)和物聯(lián)網(wǎng)有什么關(guān)系?

這個問題我覺得大家應(yīng)該能夠很快想明白，前面其實也提到了。

物聯(lián)網(wǎng)就是“物與物互相連接的互聯(lián)網(wǎng)”。物聯(lián)網(wǎng)的感知層，產(chǎn)生了海量的數(shù)據(jù)，將會極大地促進大數(shù)據(jù)的發(fā)展。

同樣，大數(shù)據(jù)應(yīng)用也發(fā)揮了物聯(lián)網(wǎng)的價值，反向刺激了物聯(lián)網(wǎng)的使用需求。越來越多的企業(yè)，發(fā)覺能夠通過物聯(lián)網(wǎng)大數(shù)據(jù)獲得價值，就會愿意投資建設(shè)物聯(lián)網(wǎng)。

其實這個問題也可以進一步延伸為“大數(shù)據(jù)和5G之間的關(guān)系”。

即將到來的5G，通過提升連接速率，提升了“人聯(lián)網(wǎng)”的感知，也促進了人類主動創(chuàng)造數(shù)據(jù)。

另一方面，它更多是為“物聯(lián)網(wǎng)”服務(wù)的。包括低延時、海量終端連接等，都是物聯(lián)網(wǎng)場景的需求。

5G刺激物聯(lián)網(wǎng)的發(fā)展，而物聯(lián)網(wǎng)刺激大數(shù)據(jù)的發(fā)展。所有通信基礎(chǔ)設(shè)施的強大，都是為大數(shù)據(jù)崛起鋪平道路。

大數(shù)據(jù)的產(chǎn)業(yè)鏈

接下來再說說大數(shù)據(jù)的產(chǎn)業(yè)鏈。

大數(shù)據(jù)的產(chǎn)業(yè)鏈，和大數(shù)據(jù)的處理流程是緊密相關(guān)的。簡單來說，就是生產(chǎn)數(shù)據(jù)、聚合數(shù)據(jù)、分析數(shù)據(jù)、消費數(shù)據(jù)。

每個環(huán)節(jié)，都有相應(yīng)的角色玩家。如下圖：

從目前的情況來看，國外廠商在大數(shù)據(jù)產(chǎn)業(yè)占據(jù)了較大的份額，尤其是上游領(lǐng)域，基本上都是國外企業(yè)。國內(nèi)IT企業(yè)相比而言，存在較大的差距。

大數(shù)據(jù)相關(guān)重點領(lǐng)域及企業(yè)(技術(shù))

大數(shù)據(jù)的挑戰(zhàn)

說了那么多大數(shù)據(jù)的好話，并不代表大數(shù)據(jù)是完美的。

大數(shù)據(jù)也面臨著很多挑戰(zhàn)。

除了數(shù)據(jù)管理技術(shù)難度之外，大數(shù)據(jù)的最大挑戰(zhàn)，就是安全。

數(shù)據(jù)是資產(chǎn)，也是隱私。沒有人愿意自己的隱私被暴露，所以，人們對自己的隱私保護越來越重視。政府也在不斷加強對公民隱私權(quán)的保護，出臺了很多法律。

歐盟在2018年出臺了有史以來最嚴厲的GDPR(《一般數(shù)據(jù)保護法案》)，把網(wǎng)絡(luò)數(shù)據(jù)保護上升到前所未有的高度

在這種情況下，企業(yè)獲取用戶數(shù)據(jù)，就需要慎重考慮，是否符合倫理和法律。一旦違法，將付出極為沉重的代價。

此外，即使企業(yè)合法獲取數(shù)據(jù)，也要擔心是否會被惡意攻擊和竊取。這里面的風險也是不容忽視的。

除了安全之外，大數(shù)據(jù)還要面臨能耗等方面的問題。

換言之，如果不能很好地保護和利用手里的大數(shù)據(jù)，那么它就是一個燙手的山芋，有還不如沒有。

好啦，洋洋灑灑寫了這么多，相信大家已經(jīng)對大數(shù)據(jù)有了初步的了解。

后續(xù)，小棗君將重點介紹大數(shù)據(jù)的關(guān)鍵框架和技術(shù)棧，包括大家非常關(guān)心的Hadoop、Spark、HDFS、MapReduce等概念，都將一一進行解讀。

敬請期待!