大家好，我是小枣君。

今天这篇文章，我们来聊聊大数据。

近年来，大数据这个词的热度很高，受到公众的广泛关注。

对于很多人来说，当他第一次听到“大数据”这个词，会自然而然从字面上去理解——认为大数据就是大量的数据，大数据技术就是大量数据的存储技术。

但事实上，它并不只是一项存储技术，而是一系列和海量数据相关的抽取、集成、管理、分析、解释技术。大数据系统，是一个庞大的框架系统。

更进一步来说，大数据是一种全新的思维方式和商业模式。

今天这篇文章，就让我们来深入了解一下，到底什么是大数据。

 大数据的定义  

首先，我们看看大数据的定义。

行业里对大数据的定义有很多，有广义的定义，也有狭义的定义。

广义的定义，有点哲学味道——大数据，是指物理世界到数字世界的映射和提炼。通过发现其中的数据特征，从而做出提升效率的决策行为。

狭义的定义，是技术工程师给的——大数据，是通过获取、存储、分析，从大容量数据中挖掘价值的一种全新的技术架构。

相比较而言，狭义定义更好理解一些。

大家注意，关键词我都在上面原句加粗了：

要做什么？——获取数据、存储数据、分析数据

对谁做？——大容量数据

目的是什么？——挖掘价值

获取数据、存储数据、分析数据，这一系列的行为，都不算新奇。我们每天都在用电脑，每天都在干这个事。

例如，每月的月初，考勤管理员会获取每个员工的考勤信息，录入Excel表格，然后存在电脑里，统计分析有多少人迟到、缺勤，然后扣TA工资。

但是，同样的行为，放在大数据身上，就行不通了。换言之，传统个人电脑，传统常规软件，无力应对的数据级别，才叫“大数据”。

大数据，到底有多大？  

我们传统的个人电脑，处理的数据，是GB/TB级别。例如，我们的硬盘，现在通常是1TB/2TB/4TB的容量。

TB、GB、MB、KB的关系，大家应该都很熟悉了：

1 KB = 1024 B  (KB - kilobyte) 

1 MB = 1024 KB (MB - megabyte) 

1 GB = 1024 MB (GB - gigabyte) 

1 TB = 1024 GB (TB - terabyte) 

而大数据是什么级别呢？PB/EB级别。

大部分人都没听过。其实也就是继续乘以1024：

1 PB = 1024 TB (PB - petabyte) 

1 EB = 1024 PB (EB - exabyte) 

只是看这几个字母的话，貌似不是很直观。我来举个例子吧。

1TB，只需要一块硬盘可以存储。容量大约是20万张照片或20万首MP3音乐，或者是20万部电子书。

普通硬盘

1PB，需要大约2个机柜的存储设备。容量大约是2亿张照片或2亿首MP3音乐。如果一个人不停地听这些音乐，可以听1900年。。。

2个机柜

1EB，需要大约2000个机柜的存储设备。如果并排放这些机柜，可以连绵1.2公里那么长。如果摆放在机房里，需要21个标准篮球场那么大的机房，才能放得下。

21个篮球场

阿里、百度、腾讯这样的互联网巨头，数据量据说已经接近EB级。

EB还不是最大的。目前全人类的数据量，是ZB级。

1 ZB = 1024 EB (ZB - zettabyte) 

2011年，全球被创建和复制的数据总量是1.8ZB。

而到2020年，全球电子设备存储的数据，将达到35ZB。如果建一个机房来存储这些数据，那么，这个机房的面积将比42个鸟巢体育场还大。

数据量不仅大，增长还很快——每年增长50%。也就是说，每两年就会增长一倍。

目前的大数据应用，还没有达到ZB级，主要集中在PB/EB级别。

数据的来源  

数据的增长，为什么会如此之快？

说到这里，就要回顾一下人类社会数据产生的几个重要阶段。

大致来说，是三个重要的阶段。

第一个阶段，就是计算机被发明之后的阶段。尤其是数据库被发明之后，使得数据管理的复杂度大大降低。各行各业开始产生了数据，从而被记录在数据库中。这时的数据，以结构化数据为主（待会解释什么是“结构化数据”）。数据的产生方式，也是被动的。

世界上第一台通用计算机-ENIAC

第二个阶段，是伴随着互联网2.0时代出现的。互联网2.0的最重要标志，就是用户原创内容。随着互联网和移动通信设备的普及，人们开始使用博客、facebook、youtube这样的社交网络，从而主动产生了大量的数据。

第三个阶段，是感知式系统阶段。随着物联网的发展，各种各样的感知层节点开始自动产生大量的数据，例如遍布世界各个角落的传感器、摄像头。

经过了“被动-主动-自动”这三个阶段的发展，最终导致了人类数据总量的极速膨胀。

行业里对大数据的特点，概括为4个V。

前面所说的庞大数据体量，就是Volume（海量化）。除了Volume之外，剩下三个，分别是Variety、Velocity、Value。

我们一个一个来介绍。

• Variety（多样化）

数据的形式是多种多样的，包括数字（价格、交易数据、体重、人数等）、文本（邮件、网页等）、图像、音频、视频、位置信息（经纬度、海拔等），等等，都是数据。

数据又分为结构化数据和非结构化数据。

从名字可以看出，结构化数据，是指可以用预先定义的数据模型表述，或者，可以存入关系型数据库的数据。

结构化数据

例如，一个班级所有人的年龄、一个超市所有商品的价格，这些都是结构化数据。

而网页文章、邮件内容、图像、音频、视频等，都属于非结构话数据。

在互联网领域里，非结构化数据的占比已经超过整个数据量的80%。

大数据，就符合这样的特点：数据形式多样化，且非结构化数据占比高。

• Velocity（时效性）

大数据还有一个特点，那就是时效性。从数据的生成到消耗，时间窗口非常小。数据的变化速率，还有处理过程，越来越快。例如变化速率，从以前的按天变化，变成现在的按秒甚至毫秒变化。

我们还是用数字来说话：

就在刚刚过去的这一分钟，数据世界里发生了什么？

Email：2.04亿封被发出

Google：200万次搜索请求被提交

Youtube：2880分钟的视频被上传

Facebook：69.5万条状态被更新

Twitter：98000条推送被发出

12306：1840张车票被卖出

……

怎么样？是不是瞬息万变？

• Value（价值密度）

最后一个特点，就是价值密度。

大数据的数据量很大，但随之带来的，就是价值密度很低，数据中真正有价值的，只是其中的很少一部分。

例如通过监控视频寻找犯罪分子的相貌，也许几TB的视频文件，真正有价值的，只有几秒钟。

2014年美国波士顿爆炸案，现场调取了10TB的监控数据（包括移动基站的通讯记录，附近商店、加油站、报摊的监控录像以及志愿者提供的影像资料），最终找到了嫌疑犯的一张照片。

刚才说到价值密度，也就说到了大数据的核心本质，那就是价值。

人类提出大数据、研究大数据的主要目的，就是为了挖掘大数据里面的价值。

大数据，究竟有什么价值？

早在1980年，著名未来学家阿尔文·托夫勒在他的著作《第三次浪潮》中，就明确提出：“数据就是财富”，并且，将大数据称为“第三次浪潮的华彩乐章”。

• 第一次浪潮：农业阶段，约1万年前开始

• 第二次浪潮：工业阶段，17世纪末开始

• 第三次浪潮：信息化阶段，20世纪50年代后期开始

进入21世纪之后，随着前面所说的第二第三阶段的发展，移动互联网崛起，存储能力和云计算能力飞跃，大数据开始落地，也引起了越来越多的重视。

2012年的世界经济论坛指出：“数据已经成为一种新的经济资产类别，就像货币和黄金一样”。这无疑将大数据的价值推到了前所未有的高度层面上。

如今，大数据应用开始走进我们的生活，影响我们的衣食住行。

之所以大数据会有这么快的发展，就是因为越来越多的行业和企业，开始认识到大数据的价值，开始试图参与挖掘大数据的价值。

归纳来说，大数据的价值主要来自于两个方面：

1 帮助企业了解用户

大数据通过相关性分析，将客户和产品、服务进行关系串联，对用户的偏好进行定位，从而提供更精准、更有导向性的产品和服务，提升销售业绩。

典型的例子就是电商。

像阿里淘宝这样的电子商务平台，积累了大量的用户购买数据。在早期的时候，这些数据都是累赘和负担，存储它们需要大量的硬件成本。但是，现在这些数据都是阿里最宝贵的财富。

通过这些数据，可以分析用户行为，精准定位目标客群的消费特点、品牌偏好、地域分布，从而引导商家的运营管理、品牌定位、推广营销等。

大数据可以对业绩产生直接影响。它的效率和准确性，远远超过传统的用户调研。

除了电商，包括能源、影视、证券、金融、农业、工业、交通运输、公共事业等，都是大数据的用武之地。

大数据甚至能够帮助竞选总统

2 帮助企业了解自己

除了帮助了解用户之外，大数据还能帮助了解自己。

企业生产经营需要大量的资源，大数据可以分析和锁定资源的具体情况，例如储量分布和需求趋势。这些资源的可视化，可以帮助企业管理者更直观地了解企业的运作状态，更快地发现问题，及时调整运营策略，降低经营风险。

总而言之，“知己知彼，百战百胜”。大数据，就是为决策服务的。

说到这里，我们要回答一个很多人心里都存在的疑惑——大数据和云计算之间，到底有什么关系？

可以这么解释：数据本身是一种资产，而云计算，则是为挖掘资产价值提供合适的工具。

从技术上，大数据是依赖于云计算的。云计算里面的海量数据存储技术、海量数据管理技术、分布式计算模型等，都是大数据技术的基础。

云计算就像是挖掘机，大数据就是矿山。如果没有云计算，大数据的价值就发挥不出来。

相反的，大数据的处理需求，也刺激了云计算相关技术的发展和落地。

也就是说，如果没有大数据这座矿山，云计算这个挖掘机，很多强悍的功能都发展不起来。

套用一句老话——云计算和大数据，两者是相辅相成的。

第二个问题，大数据和物联网有什么关系？

这个问题我觉得大家应该能够很快想明白，前面其实也提到了。

物联网就是“物与物互相连接的互联网”。物联网的感知层，产生了海量的数据，将会极大地促进大数据的发展。

同样，大数据应用也发挥了物联网的价值，反向刺激了物联网的使用需求。越来越多的企业，发觉能够通过物联网大数据获得价值，就会愿意投资建设物联网。

其实这个问题也可以进一步延伸为“大数据和5G之间的关系”。

即将到来的5G，通过提升连接速率，提升了“人联网”的感知，也促进了人类主动创造数据。

另一方面，它更多是为“物联网”服务的。包括低延时、海量终端连接等，都是物联网场景的需求。

5G刺激物联网的发展，而物联网刺激大数据的发展。所有通信基础设施的强大，都是为大数据崛起铺平道路。

接下来再说说大数据的产业链。

大数据的产业链，和大数据的处理流程是紧密相关的。简单来说，就是生产数据、聚合数据、分析数据、消费数据。

每个环节，都有相应的角色玩家。如下图：

从目前的情况来看，国外厂商在大数据产业占据了较大的份额，尤其是上游领域，基本上都是国外企业。国内IT企业相比而言，存在较大的差距。

大数据相关重点领域及企业（技术）

说了那么多大数据的好话，并不代表大数据是完美的。

大数据也面临着很多挑战。

除了数据管理技术难度之外，大数据的最大挑战，就是安全。

数据是资产，也是隐私。没有人愿意自己的隐私被暴露，所以，人们对自己的隐私保护越来越重视。政府也在不断加强对公民隐私权的保护，出台了很多法律。

欧盟在2018年出台了有史以来最严厉的GDPR（《一般数据保护法案》），把网络数据保护上升到前所未有的高度

在这种情况下，企业获取用户数据，就需要慎重考虑，是否符合伦理和法律。一旦违法，将付出极为沉重的代价。

此外，即使企业合法获取数据，也要担心是否会被恶意攻击和窃取。这里面的风险也是不容忽视的。

除了安全之外，大数据还要面临能耗等方面的问题。

换言之，如果不能很好地保护和利用手里的大数据，那么它就是一个烫手的山芋，有还不如没有。

好啦，洋洋洒洒写了这么多，相信大家已经对大数据有了初步的了解。

后续，小枣君将重点介绍大数据的关键框架和技术栈，包括大家非常关心的Hadoop、Spark、HDFS、MapReduce等概念，都将一一进行解读。