CGFT中,大数据对思维方式的转变主要有3种,具体有什么,往下看!

1、全样而非抽样

过去,由于数据存储和处理能力的限制,在科学分析屮,通常采用柚样的方法,即从全集数

据中柚取一部分样本数据,通过对样本数据的分析,来推断全集数据的总体特征。通常,样本数据规模要比全集数据小很多,因此,可以在可控的代价内实现数据分析的目的。

现在我们已经迎来大数据时代,大数据技术的核心就是海量数据的存储和处理,分布式文件系统和分布式数据库技术,提供了理论上近乎无限的数据存储能力,分布式并行编程框架MapReduce提供了强大的海毋数据并行处理能力。因此,有了大数据技术的支持,科学分析完全可以直接针对全集数据而不是抽样数据,并且可以在短时间内迅速得到分析结果,速度之快,超乎我们的想象。

特许全球金融科技师CGFT一级

2. 效率而非精 确

过去,我们在科学分析中采用抽样分析方法,就必须追求分析方法的精 确性,因为,抽样分析只是针对部分样本的分析,其分析结果被成用到全集数据以后,误差会被放大,这就意味着抽样分析的微小误差,被放大到全集数据以后,可能会变成一个很大的误差。因此,为了保 证误差被放大到全集数据时仍然处于可以接受的范围,就必要确保抽样分析结果的精 确性。正是由于这个原因,传统的数据分析方法往往更加注重提髙算法的精 确性,其次才是提髙算法效率。

现在,大数据时代采用全样分析而不是抽样分析,全样分析结果就不存在误差被放大的问题,因此,追求高精 确性已经不是其首要目标;相反,大数据时代具有“秒级响应”的特征,要求在几秒内就迅速给出针对海量数据的实时分析结果,否则就会丧失数据的价值,因此,数据分析的效率成为关注的核心。

3. 相关而非因果

过去,数据分析的目的,一方面是解释事物背后的发展机理,比如,一个大型超市在某个地区的连锁店在某个时期内净利润下降很多,这就需要IT部门对相关销售数据进行详细分析找出发生问题的原因;另一方面是用于预测未来可能发生的事件,比如,通过实时分析微博数据,当发现人们对雾霾的讨论明显增加时,就可以建议销售部门增加口罩的进货量,人们关注雾霾的一个直接结果足,大家会想到购买一个口罩来保护自己的身体健康。不管是哪个目的,其实都反映了一种“因果关系”。

但是,在大数据时代,因果关系不再那么重要,人们转而追求“相关性” 而非“因果性”。比如,我们去淘宝网购物时,当我们购买了一个汽车防盗锁以后,淘宝网还会自动提示你,与你购买相同物品的其他客户还购买了汽车坐垫,也就是说,淘宝网只会告诉你“购买汽车防盗锁”和“购买汽车坐垫”之间存在相关性,但是,并不会告诉你为什么其他客户购买了汽车防盗锁以后还会购买汽车坐垫。