“如果你真的想要了解發(fā)生在您企業(yè)業(yè)務(wù)中的真相，你需要大量的非常詳細(xì)的數(shù)據(jù)資料。”數(shù)據(jù)倉(cāng)庫(kù)研究院（TDWI）研究主任菲利普?·盧瑟姆在其最新的一份TDWI大數(shù)據(jù)分析報(bào)告中寫(xiě)道。“如果你真的想看一些你從未見(jiàn)過(guò)的東西，這有助于您挖掘從未被商業(yè)智能分析過(guò)的數(shù)據(jù)。”

這便是大數(shù)據(jù)分析存在的理由，其是前所未有的。不僅僅是大數(shù)據(jù)概念的本身提醒著我們，至少我們還可以追溯到21世紀(jì)初，“彼時(shí)，存儲(chǔ)和CPU技術(shù)正被百萬(wàn)兆字節(jié)的數(shù)據(jù)所淹沒(méi)，IT面臨著數(shù)據(jù)的可擴(kuò)展性危機(jī)。”針對(duì)大規(guī)模和不同的數(shù)據(jù)集的應(yīng)用程序中先進(jìn)的分析技術(shù)是前所未有的（如數(shù)據(jù)挖掘）。這便是大數(shù)據(jù)分析的出現(xiàn)所帶來(lái)的劃時(shí)代的意義了。盧瑟姆說(shuō)，這是數(shù)據(jù)可擴(kuò)展性危機(jī)結(jié)束的信號(hào)。

這給企業(yè)帶來(lái)了前所未有的意義。針對(duì)企業(yè)所收集的數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘、數(shù)據(jù)分析，并在某些情況下作出相關(guān)的報(bào)告。這就是為什么諸如數(shù)據(jù)抽樣這樣的實(shí)踐方案被視為企業(yè)相當(dāng)務(wù)實(shí)的必需品。

“你不能把整個(gè)數(shù)據(jù)集都放入到數(shù)據(jù)挖掘計(jì)劃中。你必須選擇你所需要的數(shù)據(jù)，必須確保數(shù)據(jù)的正確性，因?yàn)槿绻銢](méi)有投入正確的數(shù)據(jù)，你的技術(shù)可能不奏效。”數(shù)據(jù)倉(cāng)庫(kù)研究院研究員馬克?馬德森在預(yù)測(cè)分析研討會(huì)上告訴與會(huì)者。

“你可以將您所收集到的數(shù)據(jù)中的一個(gè)很小的比例投入挖掘…概率事件的采樣。”他繼續(xù)說(shuō)，“但分解會(huì)非常罕見(jiàn)，成為非常罕見(jiàn)的事件，使其很難變成樣本。”

理想情況下，你要找出所有這些“罕見(jiàn)”事件，他們屬于異?，F(xiàn)象，如欺詐行為、客戶流失和潛在的供應(yīng)鏈中斷。他們是隱藏在你未分化的數(shù)據(jù)中的高價(jià)值的東西，很難找到。

IBM，微軟，甲骨文和Teradata，以及與其他大多數(shù)著名的BI和數(shù)據(jù)倉(cāng)庫(kù)（DW）供應(yīng)商，紛紛開(kāi)始銷售整合了Hadoop的產(chǎn)品。有些甚至大肆宣揚(yáng)自己實(shí)現(xiàn)了無(wú)處不在的MapReduce算法。

這些供應(yīng)商不只是談?wù)摯髷?shù)據(jù)，他們正在談?wù)摯髷?shù)據(jù)結(jié)合先進(jìn)的分析技術(shù)，如數(shù)據(jù)挖掘，統(tǒng)計(jì)分析和預(yù)測(cè)分析。換句話說(shuō)，他們正在談?wù)摰氖谴髷?shù)據(jù)分析。

根據(jù)數(shù)據(jù)倉(cāng)庫(kù)研究院的研究顯示，大數(shù)據(jù)分析還沒(méi)有到來(lái)；尚未被主流所接受。在數(shù)據(jù)倉(cāng)庫(kù)研究院最近的調(diào)查中，超過(guò)三分之一（34%）的受訪者表示，他們所在的企業(yè)結(jié)合大數(shù)據(jù)，實(shí)行了某種形式的先進(jìn)的分析。在大多數(shù)情況下，他們僅僅采用非常簡(jiǎn)便的方法。例如，數(shù)據(jù)抽樣。

數(shù)據(jù)集成專家PervasiveSoftware公司的大數(shù)據(jù)產(chǎn)品的高級(jí)主管DaveInbar說(shuō)，事實(shí)上，如果企業(yè)沒(méi)有考慮逐步淘汰抽樣調(diào)查和其他過(guò)去的所謂最佳實(shí)踐的“神器”，他們真的是后知后覺(jué)了。

“如果你繼續(xù)采用數(shù)據(jù)抽樣的方法，你可以實(shí)際處理所有數(shù)據(jù)，但數(shù)據(jù)的科學(xué)性本質(zhì)上是削弱的。”他說(shuō)。“在Hadoop的世界，沒(méi)有任何理由不采用商品硬件、真正的智能軟件。在過(guò)去，我們采用抽樣數(shù)據(jù)，可能還有經(jīng)濟(jì)成本方面的考量原因，或者技術(shù)達(dá)不到的原因。但在今天，這些原因都不復(fù)存在。數(shù)據(jù)采樣在過(guò)去是最好的實(shí)踐方案，但我認(rèn)為它的時(shí)代已經(jīng)過(guò)去了。”

“大海撈針的問(wèn)題不適合采用樣本，所以你這樣過(guò)分強(qiáng)調(diào)訓(xùn)練集，可能會(huì)導(dǎo)致問(wèn)題。”負(fù)責(zé)信息管理咨詢的馬德森指出，“最終，運(yùn)行整個(gè)數(shù)據(jù)集要比緊緊按照統(tǒng)計(jì)算法和擔(dān)心樣本更容易。技術(shù)可以在出現(xiàn)分配挑戰(zhàn)時(shí)處理數(shù)據(jù)的問(wèn)題，并可以訪問(wèn)統(tǒng)計(jì)方法。”