大數據[1]（英語：big data[2][3][4]；亦稱作巨量資料），指的是傳統數據處理應用軟體不足以處理的大或複雜的數據集的形容術語[5][6]。
大數據也可以定義為來自各種來源的大量非結構化或結構化數據。從學術角度而言，大數據的出現促成廣泛主題的新穎研究。這也導致各種大數據統計方法的發展。大數據並沒有統計學的抽樣方法；它只是觀察和追蹤發生的事情。因此，大數據通常包含的數據大小超出傳統軟體在可接受的時間內處理的能力。由於近期的技術進步，發佈新數據的便捷性以及全球大多數政府對高透明度的要求，大數據分析在現代研究中越來越突出。[7] [3]
概述
截至2012年[update]，技術上可在合理時間內分析處理的數據集大小單位為艾位元組（EB）[8]。在許多領域，由於數據集過度龐大，科學家經常在分析處理上遭遇限制和阻礙；這些領域包括氣象學、基因組學[9]、神經網絡體學、複雜的物理模擬[10]，以及生物和環境研究[11]。這樣的限制也對網絡搜尋、金融與經濟資訊科學造成影響。數據集大小增長的部分原因來自於資訊持續從各種來源被廣泛蒐集，這些來源包括搭載感測裝置的流動裝置、高空感測科技（遙感）、軟體記錄、相機、麥克風、無線射頻辨識（RFID）和無線感測網絡。自1980年代起，現代科技可儲存數據的容量每40個月即增加一倍[12]；截至2012年[update]，全世界每天產生2.5艾位元組（2.5×1018位元組）的數據[13]。
大數據幾乎無法使用大多數的數據庫管理系統處理，而必須使用「在數十、數百甚至數千台伺服器上同時平行執行的軟體」（電腦叢集是其中一種常用方式）[14]。大數據的定義取決於持有數據組的機構之能力，以及其平常用來處理分析數據的軟體之能力。「對某些組織來說，第一次面對數百GB的數據集可能讓他們需要重新思考數據管理的選項。對於其他組織來說，數據集可能需要達到數十或數百TB才會對他們造成困擾。」[15]
隨着大數據被越來越多的提及，有些人驚呼大數據時代已經到來了，2012年《紐約時報》的一篇專欄中寫到，「大數據」時代已經降臨，在商業、經濟及其他領域中，決策將日益基於數據和分析而作出，而並非基於經驗和直覺。但是並不是所有人都對大數據感興趣，有些人甚至認為這是商學院或諮詢公司用來譁眾取寵的時髦術語(buzzword)，看起來很新穎，但只是把傳統重新包裝，之前在學術研究或者政策決策中也有海量數據的支撐，大數據並不是一件新興事物。
大數據時代的來臨帶來無數的機遇，但是與此同時個人或機構的私隱權也極有可能受到衝擊，大數據包含各種個人訊息數據，現有的私隱保護法律或政策無力解決這些新出現的問題。有人提出，大數據時代，個人是否擁有「被遺忘權」，被遺忘權即是否有權利要求數據商不保留自己的某些訊息，大數據時代訊息為某些互聯網巨頭所控制，但是數據商蒐集任何數據未必都獲得用戶的許可，其對數據的控制權不具有合法性。2014年5月13日歐盟法院就「被遺忘權」（Case of Right to be Forgotten）一案作出裁定，判決谷歌應根據用戶請求刪除不完整的、無關緊要的、不相關的數據以保證數據不出現在搜尋結果中。這說明在大數據時代，加強對用戶個人權利的尊重才是時勢所趨的潮流。
定義
大數據由巨型數據集組成，這些數據集大小常超出人類在可接受時間下的蒐集、策展、管理和處理能力[16]。大數據的大小經常改變，截至2012年[update]，單一數據集的大小從數太位元組（TB）至數十兆億位元組（PB）不等。
在一份2001年的研究與相關的演講中[17]，麥塔集團（META Group，現為高德納）分析員道格·萊尼（Doug Laney）指出數據長的挑戰和機遇有三個方向：量（Volume，數據大小）、速（Velocity，數據輸入輸出的速度）與多變（Variety，多樣性），合稱「3V」或「3Vs」。高德納與現在大部份大數據產業中的公司，都繼續使用3V來描述大數據[18]。高德納於2012年修改對大數據的定義：「大數據是大量、高速、及/或多變的資訊資產，它需要新型的處理方式去促成更強的決策能力、洞察力與最佳化處理[原文 1][19]。」另外，有機構在3V之外定義第4個V：真實性（Veracity）為第四特點，即數據的真實性存疑或不能全然確定。[20]。
大數據必須藉由電腦對數據進行統計、比對、解析方能得出客觀結果。美國在2012年就開始着手大數據，奧巴馬更在同年投入2億美金在大數據的開發中，更強調大數據會是之後的未來石油。
數據探勘（data mining）則是在探討用以解析大數據的方法。
大數據需要特殊的技術，以有效地處理大量的容忍經過時間內的數據。適用於特殊大數據的技術，包括大規模並列處理（MPP）資料庫、數據探勘、分散式檔案系統、分散式資料庫、雲端運算平台、互聯網和可延伸的儲存系統。
數據來源類型
大數據取得之來源影響其應用之效益與質素，依照取得的直接程度一般可分為三種[21][22]：
- 第一方數據(First Party Data)：為己方單位自己和消費者、用戶、目標客群互動產生的數據，具有高質素、高價值的特性，但易局限於既有顧客數據，如企業蒐集的顧客交易數據、追蹤用戶在APP上的瀏覽行為等，擁有者可彈性地使用於分析研究、行銷推廣等[23]。
- 第二方數據(Second Party Data)：取自第一方的數據，通常與第一方具有合作、聯盟或契約關係，因此可共用或採購第一方數據。如：訂房品牌與飛機品牌共用數據，當客人購買某一方的商品後，另一單位即可推薦他相關的旅遊產品；或是已知某單位具有己方想要的數據，透過議定採購，直接從第一方取得數據[24]。
- 第三方數據(Third Party Data)：提供數據的來源單位，並非產出該數據的原始者，該數據即為第三方數據。通常提供第三方數據的單位為數據供應商，其廣泛蒐集各式數據，並販售給數據需求者，其數據可來自第一方、第二方與其他第三方數據，如爬取網絡公開數據、市調公司所發佈的研究調查、經去識別化的交易資訊等[25]。
應用範例
大數據的應用範例包括大科學、RFID、感測裝置網絡、天文學、大氣學、交通運輸、基因組學、生物學、大社會數據分析[26]、互聯網檔案處理、製作互聯網搜尋引擎索引、通訊記錄明細、軍事偵查、金融大數據，醫療大數據，社交網絡、通勤時間預測、醫療記錄、相片圖像和影像封存、大規模的電子商務等[27]。
大型強子對撞機中有1億5000萬個感測器，每秒傳送4000萬次的數據。實驗中每秒產生將近6億次的對撞，在過濾去除99.999%的撞擊數據後，得到約100次的有用撞擊數據[28][29][30]。
將撞擊結果數據過濾處理後僅記錄0.001%的有用數據，全部四個對撞機的數據量複製前每年產生25拍位元組（PB），複製後為200拍位元組。
如果將所有實驗中的數據在不過濾的情況下全部記錄，數據量將會變得過度龐大且極難處理。每年數據量在複製前將會達到1.5億拍位元組，等於每天有近500艾位元組（EB）的數據量。這個數字代表每天實驗將產生相當於500垓（5×1020）位元組的數據，是全世界所有數據來源總和的200倍。
國際衛生學教授漢斯·羅斯林使用「Trendalyzer」工具軟體呈現兩百多年以來全球人類的人口統計數據，跟其他數據交叉比對，例如收入、宗教、能源使用量等。
目前，發達國家的政府部門開始推廣大數據的應用。2012年奧巴馬政府投資近兩億美元開始推行《大數據的研究與發展計劃》，本計劃涉及美國國防部、美國衛生與公共服務部門等多個聯邦部門和機構，意在通過提高從大型複雜的的數據中提取知識的能力，進而加快科學和工程的開發，保障國家安全。
中華人民共和國政府計劃建立全面的個人信用評分體系，其包含不少對個人行為的評定，有關指標會影響到個人貸款、工作、簽證等生活活動。高科技公司在被政治介入為其目的服務，個人的大部分行為和社交關聯受掌控，幾乎無人可免於被納入個人信用評價體系的監視中[31]。除獲取網絡數據外，中華人民共和國政府還希望從科技公司獲得分類和分析訊息的雲端運算能力，透過城市監視攝像放像機、智能電話、政府數據庫等蒐集數據，以建造智慧城市和安全城市。人權觀察駐香港研究員王松蓮指出，整個安全城市構想無非是一個龐大的監視項目[32]。
而美國的大規模監視最早則可追溯到1919年的黑箱計劃，自2001年911恐怖襲擊後監視被升級。2013年愛德華·斯諾登向《衛報》曝光了美國四項大規模監視計劃之一的稜鏡計劃，「他們（國家安全域）能夠利用監視系統讓時間倒流、明察秋毫，他們可以查出每一個你曾做過的決定，每一個和你說過話的朋友，在此基礎之上製造出對你的懷疑，從而攻擊你，將你描繪成一個罪犯，無論你的人生多麼清白。」[33]
- 亞馬遜公司，在2005年的時點，這間公司是世界上最大的以LINUX為基礎的三大數據庫之一[34]。
- 沃爾瑪可以在1小時內處理百萬以上顧客的消費處理。相當於美國國會圖書館所藏的書籍之167倍的情報量[35]。
- Facebook，處理500億枚的用戶相片[36]。
- 全世界商業數據的數量，統計全部的企業全體、推計每1.2年會倍增[37]。
- 西雅圖文德米爾不動產分析約1億匿名GPS訊號，提供購入新房子的客戶從該地點使用交通工具(汽車、腳踏車等)至公司等地的通勤時間估計值[38]。
- 軟銀，每個月約處理10億件（2014年3月現在）的手機LOG情報，並用其改善手機訊號的訊號強度[39]。
- 大企業對大數據技能需求量大，吸引了許多大學諸如伯克利大學開專門提供受過大數據訓練的畢業者的大學部門。矽谷紐約為主《The Data Incubator》公司，2012年成立，焦點是數據科學與大數據企業培訓，提供國際大數據培訓服務。
大數據產生的背景離不開Facebook等社交網絡的興起，人們每天通過這種公民媒體傳播訊息或者溝通交流，由此產生的訊息被網絡記錄下來，社會學家可以在這些數據的基礎上分析人類的行為模式、交往方式等。美國的涂爾幹計劃就是依據個人在社交網絡上的數據分析其自殺傾向，該計劃從美軍退役士兵中揀選受試者，透過Facebook的行動app蒐集資料，並將用戶的活動數據傳送到一個醫療資料庫。蒐集完成的數據會接受人工智能系統分析，接着利用預測程式來即時監視受測者是否出現一般認為具傷害性的行為。
運用數據探勘技術，分析網絡聲量，以了解客戶行為、市場需求，做行銷策略參考與商業決策支援，或是應用於品牌管理，經營網絡口碑、掌握負面事件等。如電訊供應商透過品牌的網絡討論數據，即時找出負面事件進行處理，減低負面討論在網絡擴散後所可能引發的形象危害。[40]
市場
大數據的出現提升了對資訊管理專家的需求，Software AG、Oracle、IBM、微軟、SAP、易安信、惠普和戴爾已在多間數據管理分析專門公司上花費超過150億美元。在2010年，數據管理分析產業市值超過1,000億美元，並以每年將近10%的速度成長，是整個軟體產業成長速度的兩倍[35]，這個成長速度亦在膨漲中。
經濟的開發成長促進了密集數據科技的使用,也促成發展了相對於資訊經濟的數據經濟。全世界共有約46億的流動電話用戶，並有10至20億人連結互聯網[35]。自1990年起至2005年間，全世界有超過10億人進入中產階級，收入的增加造成了識字率的提升，更進而帶動資訊量的成長。全世界透過電信網絡交換資訊的容量在1986年為281兆億位元組（PB），1993年為471兆億位元組，2000年時增長為2.2艾位元組（EB），在2007年則為65艾位元組[12]。根據預測，在2013年互聯網每年的資訊流量將會達到667艾位元組[35]。
相關條目
註釋
參考文獻
延伸閱讀
外部連結
Wikiwand in your browser!
Seamless Wikipedia browsing. On steroids.
Every time you click a link to Wikipedia, Wiktionary or Wikiquote in your browser's search results, it will show the modern Wikiwand interface.
Wikiwand extension is a five stars, simple, with minimum permission required to keep your browsing private, safe and transparent.
