能简单通俗的解释一下什么是大数据吗
这是一个非常好的问题，作为一名大数据从业者，我来回答一下。
在当前的大数据时代，不仅IT（互联网）行业的人需要了解大数据相关知识，传统行业的从业者和普通大学生也都应该了解一定的大数据知识，在产业互联网和新基建计划的推动下，未来大数据技术将全面开始落地应用，大数据也将重塑整个产业结构。
了解大数据首先要从大数据的概念开始，不同于人工智能概念，大数据概念还是相对比较明确的，而且大数据的技术体系也已经趋于成熟了。解释大数据概念，可以从数据自身的特点入手，然后进一步从场景、应用和行业来逐渐展开。
大数据自身的特点往往集中在五个方面，分别是数据量、数据结构多样性、数据价值密度、数据增长速度和可信度，对于这五个维度的理解和认知，是了解大数据概念的关键。当然，随着大数据技术的发展和在行业领域的应用，关于数据自身的维度也有了一定程度的扩展，这些扩展本身也是对大数据概念的一种丰富和完善。
数据量大是大数据的一个重要特征，但是数据量本身是一个汇集的概念，并不是只有很大的数据才称为大数据，传统信息系统所产生的“小数据”也是大数据的一个重要组成部分，这一点一定要有清晰的认知。当前从大数据的数据来源来看，主要集中在三个渠道，包括互联网、物联网和传统信息系统，物联网数据当前占据的比例比较大，相信在5G时代，物联网将依然是大数据的主要数据来源。
数据结构多样性是大数据的另一个重要特点，不同于创新信息系统（ERP）当中的数据，大数据的数据类型是非常复杂的，既有结构化数据，也有非结构化数据和半结构化数据，这对于传统的数据处理技术提出了巨大的挑战，这也是推动大数据技术产生的一个重要原因。在工业互联网时代，大数据的数据结构多样性会进一步得到体现，这对于数据价值化过程也提出了新的挑战。
数据价值密度往往是衡量数据价值的重要基础，相对于传统的信息系统来说，大数据当中的数据价值密度是比较低的，这就需要有更快速和便捷的方式，来完成数据的价值化提取过程，而这也正是当前大数据平台所关注的核心能力之一。实际上，早期的Hadoop、Spark平台之所以能够脱颖而出，一个重要的原因就是其数据处理（排序）速度比较快。
数据增长速度快是大数据的另一个重要表现，通常传统信息系统的数据增量是可以预测的，或者说增长速度是可控的，但是在大数据时代，数据增长速度已经大大突破了传统数据处理所能承载的极限。数据增长是一个相对的概念，相对于消费互联网来说，产业互联网所带来的数据增量可能会更加客观，因此产业互联网时代会进一步打开大数据的价值空间。
最后，大数据还有一个特点就是数据本身的真实性，大数据时代所带来的一个重要副作用就是数据真假难辨，这也是当前大数据技术所要重点解决的问题之一。从当前大型互联网平台所采用的方法来看，通常是技术和管理相结合的方式，比如通过为用户认证就能够解决一部分数据的真实性（专业性）问题。
我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言，或者私信我！
相信大家对于这次新冠肺炎疫情期间社区防控力度之严、强度之大深有体会。但在杭州滨江区，在疫情爆发之初，却面临着社区疫情防控人手不足的问题。对此，国家电网杭州分公司研发了全国首个“电力大数据+社区网格化”算法，实现了收集、研判电力数据功能，并对滨江157476户居民、超过1000万条电力数据，进行了收集和分析。为了精准判断细微的用电数据差别，该公司在算法中开发了居民短暂和长期外出、举家返回、隔离人员异动等3个场景6套算法模型。通过3轮150余万条次电力大数据巡航，精准判断出区域内人员日流动量和分布，还可以实时监测居家隔离人员、独居老人等特殊群体347户。这让社区人员得以根据电量波动判断业主状况，提高了登记和服务的效率，从而解决了人手不足的难题。
听完这个例子，不知道你有没有什么感触呢？看似“高大上”的大数据，实际上就是这么的“接地气”。今天呢，我主要是想纠正一些大家对于大数据的误解，对大数据有一个更清晰且正确的认识。
二、大数据是什么？
其中，第三范式和第四范式都是由计算机来进行计算的，二者之间有什么区别呢？
引用维克托·迈尔·舍恩伯格撰写的《大数据时代》中的话来说，就是：大数据时代最大的转变，就是放弃对因果关系的渴求，取而代之关注相关关系。第四范式相对于第三范式来说，更关注“是什么”，而不需要知道“为什么”，就像人类总是会思考事物之间的因果联系，电脑却更擅长相关性分析。这也是为什么有人提出第三范式是“人脑+电脑”，人脑是主角，而第四范式是“电脑+人脑”，电脑是主角。
也许会有同学提出疑问，这是不是与我们科学研究的理念相违背？毕竟，如果通篇只有对数据相关性的分析，而缺乏具体的因果解读，这样的文章一般被认为是数据堆砌，是不可能发表的。
这里我又想给大家举一个例子了，让大家更好的理解第四范式的意义所在。拿我们近年来特别关心的雾霾来说，我们想要研究雾霾的产生机制，从而进行针对性的预防。
按照第三范式的思路，我们需要先在一些具有“代表性”的地方建立气象站，收集与雾霾形成有关的参数，包括大气化学成分、地形、风向、温度、湿度等气象因素。需要注意的是，第三范式下，我们所收集的参数都是我们认为可能会影响到雾霾形成的因素，实际上已经人为地排除了某些不重要的参数。从研究的可行性角度出发无可厚非，但是从准确性上来说，已经是根源性的错误了。如果能够获取更全面的数据，即不加筛选地收集各类参数数据，进行更细致的数据分析，那么就能得出更科学的预测，这就是第四范式的出发点。
相信通过上面的解说，大家对大数据有了一个基本的认识，下面呢我来对大数据做一个简单的定义：大数据（big data），指的是在一定时间范围内不能以常规软件工具处理（存储和计算）的大而复杂的数据集。这些大数据集包括结构化、非结构化和半结构化数据，需要经过进一步的数据处理和分析才能形成有价值的信息。
第一、数据体量巨大
这点相不难理解，我们日常生活中使用的微信、支付宝、微博、抖音等软件每天都会产生数百亿条以上的数据，这仅仅是移动应用一天的数据量，此外其他各行各业也都会产生各式各样的数据，其总量绝对超出了你们的想象。举个具体的例子，据英特尔预测，全球数据总量在2020年将达到44ZB，而中国产生的数据量将为8000EB，8000EB是什么概念？整个地球上所有沙粒总数的10倍！
第二、数据类型繁多
正如我刚才所提到的，大数据包括结构化数据、半结构化数据和非结构化数据。结构化数据指数据的属性相同，可以用统一的结构进行表示；非结构化数据缺少固定的结构，通常整体存储，比如各种图片、视频、音频等，非结构化数据越来越成为数据的主要形式，据IDC数据显示，企业中80%的数据都是非结构化数据；而半结构化数据则介于两者之间，比如HTML和XML文档，其内部用成对的标签记录对应的数据，但每个文档内部的标签又不是统一的，没有固定的规律。
第三、价值密度低
大数据的价值很高，但是单条记录却基本无意义，缺乏有效信息，这也对我们收集数据提出了要求，数据分析一定要建立在大量的数据集的基础上。举个例子，张三是某电商平台的忠实用户，我们作为后台，如果单看他的某一条购物记录，无非是知道了他买了什么东西，消费了多少钱，但是我们一旦利用大数据分析系统对张三所有的购物记录进行分析，那么我们就能得出他的一个消费画像，了解其购买偏好，从而对他进行精准的商品推荐。
第四、处理速度快
如今5G时代，数据产生的速度越来越快，这就要求数据后台能够快速处理掉无用信息，因为需要控制存储成本。同时更快速地处理信息，能够获取更多的有效价值，才能够在商业竞争中取得优势。两方面因素都刺激着数据处理技术的高速发展，目前采取流式数据处理技术可以达到毫秒级甚至微秒级的处理时间，满足实时监控分析用户行为，从而提供个性化服务的需求。
三、结语
最后，引马云的一句话作为结尾：未来的时代将不是IT时代，而是DT的时代。这里的DT就是data technology, 希望各位对大数据有了一个新的认识，也希望大家能够在这个万物互联的时代，把握时代机遇，掌握信息技能，做一朵勇往直前的“后浪”。
