大數(shù)據(jù)，顧名思義，就是大量的數(shù)據(jù)。

更專業(yè)來(lái)說(shuō)，大數(shù)據(jù)，是一種規(guī)模大到在獲取、存儲(chǔ)、管理、分析方面大大超出了傳統(tǒng)數(shù)據(jù)軟件工具能力范圍的數(shù)據(jù)集合。

我們通常說(shuō)：“量變引起質(zhì)變”。大數(shù)據(jù)，就屬于這種情況。

當(dāng)數(shù)據(jù)體量增加到一定程度時(shí)，相關(guān)技術(shù)、理念、思維等，都隨之發(fā)生質(zhì)變，從而形成了一個(gè)新的領(lǐng)域，這就是大數(shù)據(jù)領(lǐng)域。

大數(shù)據(jù)，通過(guò)對(duì)海量數(shù)據(jù)的采集、分析和處理，尋找其中的特征和趨勢(shì)，提煉更多的高價(jià)值信息，用于改善業(yè)務(wù)流程，或者輔助決策行為。

在大數(shù)據(jù)領(lǐng)域，我們經(jīng)常看到一些關(guān)于3V、4V、7V的說(shuō)法。這些V，到底是什么意思呢？

今天這篇文章，小棗君就簡(jiǎn)單給大家介紹一下。

3V、4V、7V的來(lái)源

2001年，美國(guó)麥塔集團(tuán)分析師道格·蘭尼（Doug Laney）在對(duì)大數(shù)據(jù)進(jìn)行理論研究的時(shí)候，發(fā)現(xiàn)大數(shù)據(jù)具備三個(gè)特征。而這三個(gè)特征的英文單詞，恰好又以字母“V”開(kāi)頭，即：

Volume（體量大）、Variety（多樣化）、Velocity（速度快）。

后來(lái)，“3V”這個(gè)特征理論，逐漸被業(yè)界所接受，成為描述大數(shù)據(jù)特征的標(biāo)準(zhǔn)。

再后來(lái)，在“3V”的基礎(chǔ)上，業(yè)界的一些專家們又陸續(xù)提出了“4V”、“5V”，甚至“7V”，包括：

Veracity（真實(shí)性）、Value（價(jià)值密度）、Variability（變異性）、Visualization（可視性）等。

所有這些V，就變成了對(duì)大數(shù)據(jù)特征的新定義。

接下來(lái)，我們就分別看看，這些“V”具體是什么意思。

No.1 ：Volume（體量大）

大數(shù)據(jù)，到底有多大？

我們傳統(tǒng)PC和手機(jī)處理的數(shù)據(jù)，是GB/TB級(jí)別。例如，我們的硬盤(pán)，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(jí)別呢？PB/EB級(jí)別。

1 PB = 1024 TB (PB - petabyte)?

1 EB = 1024 PB (EB - exabyte)?

只是看這幾個(gè)字母的話，貌似不是很直觀。我來(lái)舉個(gè)例子吧。

1TB，只需要一塊硬盤(pán)可以存儲(chǔ)。容量大約是20萬(wàn)張照片或20萬(wàn)首MP3音樂(lè)，或者是20萬(wàn)部電子書(shū)。

1PB，需要大約2個(gè)機(jī)柜的存儲(chǔ)設(shè)備。容量大約是2億張照片或2億首MP3音樂(lè)。如果一個(gè)人不停地聽(tīng)這些音樂(lè)，可以聽(tīng)差不多兩千年。

1EB，需要大約2000個(gè)機(jī)柜的存儲(chǔ)設(shè)備。如果并排放這些機(jī)柜，可以連綿1.2公里那么長(zhǎng)。如果擺放在機(jī)房里，需要21個(gè)標(biāo)準(zhǔn)籃球場(chǎng)那么大的機(jī)房，才能放得下。

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

EB還不是最大的。目前全人類的數(shù)據(jù)量，是ZB級(jí)。

1 ZB = 1024 EB (ZB - zettabyte)?

根據(jù)IDC的數(shù)據(jù)，在2020年，全球創(chuàng)建、捕獲、復(fù)制和消耗的數(shù)據(jù)總量約為64ZB。而到了2025年，全球數(shù)據(jù)總量可能會(huì)達(dá)到驚人的163ZB。如果建一個(gè)機(jī)房來(lái)存儲(chǔ)這些數(shù)據(jù)，那么，這個(gè)機(jī)房的面積將比196個(gè)鳥(niǎo)巢體育場(chǎng)還大。

人類社會(huì)的數(shù)據(jù)體量不僅大，增長(zhǎng)速度也很快——每年增長(zhǎng)50%。也就是說(shuō)，每?jī)赡昃蜁?huì)增長(zhǎng)一倍多。

數(shù)據(jù)的增長(zhǎng)，為什么會(huì)如此之快？

說(shuō)到這里，就要回顧一下人類社會(huì)數(shù)據(jù)產(chǎn)生的三個(gè)重要階段。

第一個(gè)階段，是1940-1990年。

計(jì)算機(jī)和數(shù)據(jù)庫(kù)被發(fā)明之后，數(shù)據(jù)管理的復(fù)雜度大大降低。各行各業(yè)開(kāi)始產(chǎn)生了計(jì)算機(jī)數(shù)據(jù)，并記錄在數(shù)據(jù)庫(kù)中。這時(shí)的數(shù)據(jù)，以結(jié)構(gòu)化數(shù)據(jù)為主（待會(huì)解釋什么是結(jié)構(gòu)化數(shù)據(jù)）。數(shù)據(jù)的產(chǎn)生方式，是被動(dòng)的。

第二個(gè)階段，是1990-2010年。

伴隨著互聯(lián)網(wǎng)的爆發(fā)，網(wǎng)絡(luò)內(nèi)容開(kāi)始迅速增長(zhǎng)，增加了很多的專業(yè)輸出內(nèi)容（PGC）。Web2.0出現(xiàn)后，人們開(kāi)始使用博客、facebook、youtube這樣的社交網(wǎng)絡(luò)，輸出大量的用戶原創(chuàng)內(nèi)容（UGC），從而主動(dòng)產(chǎn)生了大量的數(shù)據(jù)。移動(dòng)智能終端時(shí)代的到來(lái)，也加速了該階段數(shù)據(jù)的產(chǎn)生。

第三個(gè)階段，是2010年至今。

隨著物聯(lián)網(wǎng)的發(fā)展，各種各樣的感知層節(jié)點(diǎn)（例如遍布各個(gè)角落的傳感器、攝像頭）開(kāi)始自動(dòng)產(chǎn)生大量的數(shù)據(jù)。企業(yè)的數(shù)字化轉(zhuǎn)型，構(gòu)建了大量的系統(tǒng)，沉淀和管理這些數(shù)據(jù)。人類的數(shù)據(jù)總量，再次躍升。

經(jīng)過(guò)了“被動(dòng)-主動(dòng)-自動(dòng)”這三個(gè)階段的發(fā)展，最終導(dǎo)致了人類數(shù)據(jù)總量的爆炸式膨脹。

值得一提的是，如今，隨著我們逐漸進(jìn)入AI智能時(shí)代，很可能會(huì)迎來(lái)第四次數(shù)據(jù)暴增階段。以AIGC為代表的智能機(jī)器生產(chǎn)內(nèi)容，正在急劇增加。

No.2 ：Variety（多樣化）

多樣性主要體現(xiàn)在三個(gè)方面——數(shù)據(jù)來(lái)源多、數(shù)據(jù)類型多和數(shù)據(jù)之間關(guān)聯(lián)性強(qiáng)。

數(shù)據(jù)來(lái)源多：

如前面所說(shuō)，數(shù)據(jù)來(lái)源于不同的應(yīng)用系統(tǒng)和設(shè)備。

例如，企業(yè)所產(chǎn)生的營(yíng)銷數(shù)據(jù)、業(yè)務(wù)系統(tǒng)數(shù)據(jù)、生產(chǎn)數(shù)據(jù)等，互聯(lián)網(wǎng)行業(yè)所產(chǎn)生的社交內(nèi)容數(shù)據(jù)、訂單數(shù)據(jù)、用戶數(shù)據(jù)等，政府部門(mén)所產(chǎn)生的社會(huì)治理數(shù)據(jù)、地理數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)等。

數(shù)據(jù)類型多：

數(shù)據(jù)又分為結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)。

結(jié)構(gòu)化數(shù)據(jù)，是指可以用預(yù)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(kù)的數(shù)據(jù)。例如，一個(gè)班級(jí)所有人的年齡、一個(gè)超市所有商品的價(jià)格，這些都是結(jié)構(gòu)化數(shù)據(jù)。

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

半結(jié)構(gòu)化數(shù)據(jù)，介于結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)之間。如XML、JSON等格式的數(shù)據(jù)，它們有一定的組織形式，但不如結(jié)構(gòu)化數(shù)據(jù)那樣嚴(yán)格。

目前，非結(jié)構(gòu)化數(shù)據(jù)的占比是最高的。例如，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(guò)了80%。

數(shù)據(jù)之間關(guān)聯(lián)性強(qiáng)：

數(shù)據(jù)與數(shù)據(jù)之間，有一定的關(guān)聯(lián)性，而且頻繁交互。

例如，游客在旅游途中上傳的照片和日志，就與游客的位置、行程等信息有很強(qiáng)的關(guān)聯(lián)性。

No.3 ：Velocity（速度快）

這個(gè)特性，指的是大數(shù)據(jù)的產(chǎn)生速度快、處理速度快、傳播速度快。從數(shù)據(jù)的生成到消耗，時(shí)間窗口非常小。

數(shù)據(jù)產(chǎn)生速度快，體現(xiàn)在生產(chǎn)生活中的方方面面。

我們還是用數(shù)字來(lái)說(shuō)話：

就在剛剛過(guò)去的這一分鐘，數(shù)據(jù)世界里發(fā)生了什么？

Email：2000萬(wàn)封被發(fā)出

Google：380萬(wàn)次搜索請(qǐng)求被提交

Youtube：2100分鐘的視頻被上傳

Facebook：69.5萬(wàn)條狀態(tài)被更新

12306：9000張車票被賣(mài)出

……

怎么樣？是不是瞬息萬(wàn)變？

數(shù)據(jù)處理速度快，體現(xiàn)在大數(shù)據(jù)可以在實(shí)時(shí)分析和決策需求的推動(dòng)下，通過(guò)實(shí)時(shí)處理、并行處理等方式，快速對(duì)所產(chǎn)生的數(shù)據(jù)進(jìn)行處理。

這就要求大數(shù)據(jù)系統(tǒng)具備高并發(fā)、低延遲的能力。舉例來(lái)說(shuō)，大數(shù)據(jù)所采用的流式處理技術(shù)，能夠在數(shù)據(jù)不斷產(chǎn)生的同時(shí)進(jìn)行實(shí)時(shí)處理，確保系統(tǒng)能夠及時(shí)獲取并利用最新的信息。

數(shù)據(jù)傳播速度快，體現(xiàn)在大數(shù)據(jù)與以往的檔案、廣播、報(bào)紙等傳統(tǒng)數(shù)據(jù)載體不同。大數(shù)據(jù)的交換和傳播，是通過(guò)互聯(lián)網(wǎng)等方式實(shí)現(xiàn)的，遠(yuǎn)比傳統(tǒng)媒介信息交換的傳播速度快。

No.4?：Veracity（真實(shí)性）

數(shù)據(jù)很多，但也要真實(shí)才行。

大數(shù)據(jù)的真實(shí)性，指的是數(shù)據(jù)的質(zhì)量和可信度。

在大數(shù)據(jù)環(huán)境中，由于數(shù)據(jù)來(lái)源廣泛且多樣，就會(huì)導(dǎo)致容易出現(xiàn)錯(cuò)誤、冗余和不一致的數(shù)據(jù)，進(jìn)而影響到最終分析的準(zhǔn)確性和可靠性。

確保大數(shù)據(jù)的真實(shí)性，需要采用數(shù)據(jù)清洗、元數(shù)據(jù)管理、數(shù)據(jù)治理等手段。

此外，隨著技術(shù)的發(fā)展，越來(lái)越多的技術(shù)工具和服務(wù)被開(kāi)發(fā)出來(lái)，用于對(duì)大數(shù)據(jù)真實(shí)性的管理和優(yōu)化。例如數(shù)據(jù)驗(yàn)證工具、自動(dòng)化的數(shù)據(jù)清理流程、先進(jìn)的統(tǒng)計(jì)方法用于檢測(cè)異常值等。

No.5 ：Value（價(jià)值密度）

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

例如通過(guò)監(jiān)控視頻尋找犯罪分子的相貌，也許數(shù)十TB的視頻文件，真正有價(jià)值的，只有幾秒鐘。

例如，2014年美國(guó)波士頓爆炸案，現(xiàn)場(chǎng)調(diào)取了10TB的監(jiān)控?cái)?shù)據(jù)（包括移動(dòng)基站的通訊記錄，附近商店、加油站、報(bào)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。這張照片的價(jià)值，毋庸置疑。

大數(shù)據(jù)中包含很多低價(jià)值的信息，而且，信息碎片化的情況嚴(yán)重。因此，需要通過(guò)深度分析和挖掘，才能發(fā)現(xiàn)有用的內(nèi)容。

數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和人工智能等技術(shù)，正在逐漸提升數(shù)據(jù)分析和挖掘的效率，幫助人們從低價(jià)值密度的數(shù)據(jù)中提取高價(jià)值的信息。

No.6 ：Variability（變異性）

不要怕！這里的變異，并不是生化危機(jī)。

大數(shù)據(jù)的變異性，指的是數(shù)據(jù)在處理過(guò)程中可能發(fā)生變化的能力，也可以理解為數(shù)據(jù)的動(dòng)態(tài)性、不確定性。

變異性包括幾個(gè)方面：

數(shù)據(jù)分布的不均勻性。

大數(shù)據(jù)集合可能包含來(lái)自不同來(lái)源、不同時(shí)間、不同地點(diǎn)的數(shù)據(jù)，這使得數(shù)據(jù)的分布呈現(xiàn)出不均勻性。不同的子集，可能具有不同的統(tǒng)計(jì)性質(zhì)。在數(shù)據(jù)分析和建模時(shí)，需要考慮這個(gè)因素。

數(shù)據(jù)的動(dòng)態(tài)性。

大數(shù)據(jù)往往是動(dòng)態(tài)變化的，尤其是實(shí)時(shí)場(chǎng)景（例如股價(jià)）。變化速度，也從以前的秒級(jí)，變成了現(xiàn)在的毫秒級(jí)，甚至更短。這就要求大數(shù)據(jù)系統(tǒng)和技術(shù)必須能夠適應(yīng)這個(gè)動(dòng)態(tài)變化的特性。

數(shù)據(jù)質(zhì)量的波動(dòng)。

前面說(shuō)了，大數(shù)據(jù)中可能包含大量的噪音、異常值和錯(cuò)誤。這些負(fù)面因素，也可能隨時(shí)間變化，導(dǎo)致數(shù)據(jù)質(zhì)量出現(xiàn)明顯波動(dòng)。

環(huán)境因素的影響。

大數(shù)據(jù)的變異性，還可能受到環(huán)境因素的影響，如天氣、地理位置、社會(huì)事件等。對(duì)于一些特殊場(chǎng)景的大數(shù)據(jù)應(yīng)用，需要考慮這些外部因素可能導(dǎo)致的變化。

No.7 ：可視性（Visualization）

這個(gè)大家應(yīng)該比較熟悉。我們現(xiàn)在在很多的政府部門(mén)和企業(yè)，都會(huì)看到數(shù)據(jù)大屏，其實(shí)也就是可視性的一種體現(xiàn)。

大數(shù)據(jù)的可視性，是指利用圖形化、圖像化的方式，對(duì)大數(shù)據(jù)進(jìn)行呈現(xiàn)。這種方式，可以更直觀地展示數(shù)據(jù)的模式、趨勢(shì)和關(guān)系，快速把握數(shù)據(jù)的關(guān)鍵特征。

可視化，能夠幫助人們更好地理解和解釋復(fù)雜的數(shù)據(jù)集，提高對(duì)信息的洞察力，促使更明智的決策。

除了觀看之外，可視化也可以借助輔助工具，提供一些交互性功能。

例如，用戶能夠自由選擇感興趣的數(shù)據(jù)子集、調(diào)整視圖參數(shù)，從而更靈活地進(jìn)行數(shù)據(jù)探索。這有助于用戶深入挖掘數(shù)據(jù)，找到其中的規(guī)律和異常。

最后的話

好啦，以上就是大數(shù)據(jù)的7V特性。

當(dāng)然了，這些特性定義，除了前幾個(gè)以外，并沒(méi)有一個(gè)官方的認(rèn)可。如果你愿意，也可以再想一個(gè)V，變成8V。

作為一種全新的思維方式和商業(yè)模式，大數(shù)據(jù)正在改變我們的工作和生活。下一期，小棗君再和大家詳細(xì)聊聊，大數(shù)據(jù)到底有哪些應(yīng)用場(chǎng)景，能發(fā)揮什么樣的作用和價(jià)值。