丰言丰语谈数据（三）：大数据，信不信我“抽”你

前一阵子中国新歌声举行了总决赛，最终，汪峰战队的蒋敦豪战胜周杰伦战队的向洋，夺得年度总冠。进入到第5个年头的《中国好声音》因版权纠纷更名为《中国新歌声》，首播全国网收视率2.24%，和去年相比有所下滑。而且“黑幕说”越演越烈，在鸟巢决赛夜的决赛投票环节81位评审竟然投出了92票，实在难以服众。

最正确的数据，我们姑且称之为完美数据，我认为必须满足两个条件：全量、瞬间取得。全量很容易理解，为什么需要瞬间取得呢？想象一下，假如我需要了解：目前全北京有多少人喜欢吃烤鸭？于是我展开了一个全北京的普查，做了一年完成。这会碰到一个问题就是：这一年当中有些人从喜欢变不喜欢，有另一些人从不喜欢变喜欢；还有些人从北京人变成外地人，从外地人变北京人。所以即便你花了一年调查的全部的“北京人”，所得到的数据，仍然不能完美的说明：目前全北京有多少人喜欢吃烤鸭？所以，完美数据必须瞬间取得。谁有完美数据，我认为没有人拥有。我们能做的只是尽可能的接近它。

接下来我想利用两个维度来分类数据，并阐述我关于如何接近完美数据的看法。这两个维度就是：数据量与代表性。

数量大且代表性高，最接近完美数据。如果你拥有大数据，那么恭喜你，你有很好的数据来做分析，得出的结果也会有很高的正确性。至于什么样的数据叫大数据，坊间有不少书籍介绍，我就不在这里赘述了。

常与大数据混淆，让数据工作者误以为发现了珍宝。假设我要调查民众对做家务的态度，应该女生做还是男生做？如果我有三亿个样本量，听起来很令人兴奋吧，似乎我们就快发现真理了。但是，我告诉你，这三亿的样本量全是女性，你还会跟之前一样兴奋吗？当然不会，你知道这样的数据没有代表性。很多号称有大数据的公司，其实他们有的是大的数据。当我们面对大的数据的时候，冷静的去分析它的样本组成，清楚的说出它的有效范围，是我们数据工作者的专业与责任。

为什么说它小而美呢？主要是这类的数据采集会经过严谨的抽样过程，针对我们研究对象的各个细分群体都有一定数量的样本。当然由于样本量小，得出的结论存在一定的抽样误差，没有办法有像大数据那样的正确性。但是，小而美数据有着时间短、成本低、弹性大的优势。多数时候也算是不错的数据来源。

数量小又没有代表性，数据工作者处理这类数据时，必须清楚的说明这样的数据仅供参考，而且不要做过多的分析和解读，要不然会很容易误导读者。

谈了这四类的数据，最后回到我们的标题：大数据，信不信我“抽”你。如果是接近完美数据的大数据，那么当然就不“抽”（抽样）了。小数据肯定得狠狠的“抽”，这样才能成为小而美的数据。至于大的数据，那么就得在需要的地方“抽”一下了。数据量和代表性都是评判数据质量的关键要素，数据工作者在数据分析之前不可不思考。