大数据有哪些误区？

Question

如题所述

Answer 1

误区一：在大数据技术部署中，其他人都领先我们
虽然越来越多的企业开始关注大数据技术和服务，测算结果显示，73%的企业正在投入或策划大数据技术，但大多数企业才刚刚开始接受这一技术。
因此，担心竞争对手运用大数据技术快速发展实在是杞人忧天。实际上，只有13%的受访企业真正开始部署大数据相关技术。
“企业面临的最大挑战是怎样通过大数据获得价值以及怎样入手部署大数据技术。大多数企业在试点阶段就遇到困难，因为他们并没有在业务过程或实际用例中运用该技术。”
你并没有落后。为实际的任务制定策略，并与IT及业务部门合作。
误区二：大数据将取代数据整合能力
企业希望通过读时模式(Schema on
Read)处理信息，使用多个数据模型灵活地读取同一个数据源。这种灵活性将帮助最终用户决定怎样按需解释任意数据信息，并实现个体用户数据访问的定制化能力。然而，大多数用户实际上使用写时模式(Schema
on Write)。写时模式下用户可描述数据并制定内容，而数据完整性也能保持一致。
误区三：数据量很大，而小缺陷无关紧要
有人认为，根据大数定律(Law of Large Numbers)，独立的数据缺陷无关紧要，不会影响分析结果。
与更小规模的数据集相比，独立的数据缺陷对整个数据集的影响的确要小很多，但目前，数据量不断增长，数据缺陷与以往相比也越来越多。
“因此，低质量数据对整个数据集的整体影响仍保持不变。此外，企业在大数据环境下使用的大部分数据来自外部数据源，其数据结构和来源未知。”
“这意味着数据质量问题的风险比以往更高。因此，在大数据部署中，数据质量实际上更加重要。”
设计出新的数据质量管理方式，并选择数据质量级别。严格遵守数据质量保障的核心原则。
误区四：将数据仓库用于高级分析是毫无意义的
有些人认为，高级分析功能可使用新的数据类型时，部署数据仓库则浪费时间。实际上，大多数高级分析项目在分析时都使用数据仓库。
新的数据类型还可能需要提炼，使其适于数据分析。此外，哪些是相关数据、怎样聚合数据以及必要的数据质量级别等都需要企业做出决策。
尽可能使用数据仓库存储经人工收集检查的数据集，用于高级分析功能。
误区五：数据湖将取代数据仓库
数据湖解决方案通常被当作企业级平台销售，用于分析原生格式下的各种不同的数据源。但数据湖取代数据仓库，或作为分析基础设施中的重要组件是错误的观点。
与已经成型的数据仓库技术相比，数据湖技术尚未成熟，其功能不够全面。“数据仓库已具备支持多种用户群体的能力。”因此，企业无需等待数据湖技术的成熟。
在现有数据仓库中运用Hadoop等数据湖技术。只有在元数据管理技术、工具及培训上投入，才能通过数据湖技术创造业务价值。
大数据时代，消除对于大数据的误会，我们才能更好地使用这个技术。

Answer 2

误区1、大数据学习技术驱动论：大数据的核心目标是数据驱动的智能化，要解决具体的问题，学习之前要明确问题，理解问题，所谓问题导向、目标导向，这个明确之后再研究和选择合适的技术加以应用，这样才有针对性。大数据学习应该是业务驱动。

误区2、大数据学习重复造轮子：IT前沿领域的开源化已成不可逆转的趋势，Android开源让智能手机平民化，让我们跨入了移动互联网时代，智能硬件开源将带领跨入物联网时代，以Hadoop和Spark为代表的大数据开源生态加速了去IOE（IBM、ORACLE、EMC）进程，倒逼传统IT巨头拥抱开源，谷歌和OpenAI联盟的深度学习开源（以Tensorflow,Torch,Caffe等为代表）正在加速人工智能技术的发展。所以大数据学习要善用开源。

误区3、大数据学习求大求全：大数据技术庞大复杂，我们的精力很有限，短时间内很难掌握多个领域的大数据理论和技术，学习过程中应要把握好碎片化和系统性的关系。大数据学习要以点带面。

本回答被网友采纳

Answer 3

误区1：大数据就是大数字
数据事实上更趋近于信息的概念，文字、图片、甚至声音，视频等等都可以成为数据，我们的每一个行动，每到一个地理位置，在对的场景下，就会产生有用的数据。因此我们可以发现，大数据的概念日趋泛化，另外，使用大数据还需要看场景，在对的场景用对的数据，才能把其价值发挥到最大化。
误区2：把大等同于多
这也就是我们常说的策略问题。一些广告人，每天对着投放排期表，但也许他们并不知道为什么自己的广告要投在这个媒体上，为什么要放这个位置，为什么要在这一天投放。是想做更广泛的覆盖，让更多人看到？还是想精准定位到个人，让一个人重复观看。于是，有部分对广告不是特别了解的客户就会觉得，让曝光数更高就是好的结果。其实不然，大数据不是说量越多越好。比如说，在对的策略下，如果希望广泛覆盖不同的人，我们要看独立曝光者（unique impression），UI越多越好。不要看次数，看人数，人数最能说明广告的覆盖范围。人均曝光可以稍微低一些，很多人不用重复看很多遍，打个awareness就够了。再举一个关于社交媒体的例子：社交媒体如果只为了看一个大的数据量，看有多少正负面，其实并不能指导你的行动。人们在社交媒体上面生产的内容，才是最应该关注的。看大家都说了什么，都是哪些人在讨论，了解了这些，也许你的广告会更能引起大众的共鸣。比如某酸奶品牌，之前一直在做零散售卖，但是通过数据，看到这个酸奶有“早餐必备”的潜质，未来就可以促进消费者每天早上都买一杯，从而促进销量的上涨。
误区3： 有了大数据就不用小数据了
大数据和小数据的关系，很像当年传统媒体和新媒体的关系。一开始大家以为新媒体对电视媒体的影响会非常大，但是后来，现在的智能电视，广告的跨屏投放做得风生水起。新媒体和传统媒体完全可以融合，同理，大数据和小数据也可以融合。

Answer 4

大数据前景是很不错的，像大数据这样的专业还是一线城市比较好，师资力量跟得上、就业的薪资也是可观的，学习大数据可以按照路线图的顺序，

Answer 5

1.大数据就是在窥探隐私
2.只要大就好 海量数据＝有用数据
3.大数据是万能的