硅谷的這一個月，我在 startups demo days 和各種大公司一日游中度日，以為會逃脫國內(nèi)各種會上各種 “大數(shù)據(jù)” 和挖掘機的梗，但萬萬沒想到這里更甚。
什么是 “改變世界” 的大數(shù)據(jù)公司
近兩周硅谷兩場規(guī)模比較大的 demo 大會上，就有十多家自稱做大數(shù)據(jù)的 startups，有做消費者行為的，有做體育分析的，有做 NGO 融資的，有做環(huán)保的，有做 UX 的，有做信貸評級的，當然還少不了做移動端廣告的。乍看都是高大上的產(chǎn)品，但仔細琢磨一下會發(fā)現(xiàn)一些沒那么高大上的細節(jié)。
比如，有一家介紹時候說”Brings big data to teams, media and fans”，用的是Moneyball作引子。展示結(jié)束后詢問他們是如何分析視頻以得到各種數(shù)據(jù)的，demo 的哥們表示他們請了一些人看視頻的。沒錯，是人工。自然地，下一個問題就是：未來如何擴張以應(yīng)對來自不同體育項目大量的全長錄像?他的回答也很簡單，雇傭更多人。聽完我懵了一下，問，那打算如何利用收集的數(shù)據(jù)呢?答曰：開放 API，自己不做分析。
那么，說好的大數(shù)據(jù)呢?難道有數(shù)據(jù)就叫大數(shù)據(jù)公司了?如果慶豐包子留存有這半個多世紀以來的購買者和交易記錄它就得叫大數(shù)據(jù)公司了?
是，但也不是。
先歸納了一下硅谷 “大數(shù)據(jù)公司” 的類型，有補充或修正的請拍磚：
數(shù)據(jù)的擁有者、數(shù)據(jù)源：特點是業(yè)務(wù)優(yōu)勢能收集到大量數(shù)據(jù)，就像煤老板壟斷一個地區(qū)的礦一樣。其實大多數(shù)有能力產(chǎn)生或收集數(shù)據(jù)的公司都屬于這類型，比如 Vantage Sports 和收集了 PB 級數(shù)據(jù)的包子鋪。
大數(shù)據(jù)咨詢：特點是非常技術(shù)，提供從基礎(chǔ)設(shè)施規(guī)劃建設(shè)維護到軟件開發(fā)和數(shù)據(jù)分析等的服務(wù)，但不擁有數(shù)據(jù)，比如Cloudera這家不到 500 人的 startup 是最著名的 Hadoop 架構(gòu)咨詢公司。
做大數(shù)據(jù)工具的：比如 AMPLab 出來的Databricks和 Yahoo 人主導(dǎo)的Hortonworks。
整合應(yīng)用型：特點是收集擁有或購買一些數(shù)據(jù)，然后結(jié)合 AI 來解決更多實際的痛點。
所以回答之前的問題：是，因為包子鋪只要收集的消費者數(shù)據(jù)量夠大就能成為數(shù)據(jù)擁有者，有那么大的數(shù)據(jù)就有得到洞見的可能;不是，因為可能從真正意義上來說，大數(shù)據(jù)公司應(yīng)該只屬于第四種類型：AI。
對，我相信未來是 AI 的，而 AI 的食物是數(shù)據(jù)。就像很多產(chǎn)業(yè)鏈一樣，最困難且最有價值的創(chuàng)新往往發(fā)生在接近最終用戶的那端，比如 iPhone。大數(shù)據(jù)行業(yè)最有價值的部分在于如何利用機器去處理數(shù)據(jù)得到洞見，影響組織和個人的行為，從而改變世界。收集和整理數(shù)據(jù)在未來會變得標準化和自動化，而利用 AI 進行分析的能力會變得更為關(guān)鍵。
再看硅谷主打 AI 的公司，現(xiàn)在大致可以分成以下三類了：1. 分析用戶行為，改進產(chǎn)品和營銷的，比如 LinkedIn 的推薦系統(tǒng)和用 iBeacon 實現(xiàn)店內(nèi)營銷;2. 統(tǒng)籌大量分散個體，利用大數(shù)據(jù)實現(xiàn)精確有效的預(yù)測和規(guī)劃的，比如 Uber 和前段時間出現(xiàn)的 Amazon Fresh 及 Grub Market;3. 分析識別各種類型的數(shù)據(jù)，開發(fā)更智能的設(shè)備和程序，比如 Google 大腦及無人車和以 Nest 為代表的智能設(shè)備等。
這些產(chǎn)品都有一個很明顯的共性，就是在努力嘗試把機器變得更智能以減輕人類的工作量。這個目的與科技發(fā)展的動力相符合，因此認為之前所說的第四種類型的公司是最有希望改變世界的。
這樣的大數(shù)據(jù)公司需要什么樣的人
那么大數(shù)據(jù)公司，或者說到真正可以改變世界的大數(shù)據(jù)公司需要什么樣的人才呢?這里要介紹一個在硅谷被炒得很熱的高頻詞匯：數(shù)據(jù)科學(xué)家。
這個職位出現(xiàn)的原因并不是因為數(shù)據(jù)量變大了需要更好的方式去存取，那是數(shù)據(jù)工程師的活。那產(chǎn)生的原因是什么呢?正是為了匹配上面第四種公司的需要。數(shù)據(jù)是 AI 當中不可分割的一部分，而且量越大越好，從數(shù)學(xué)上來說，數(shù)據(jù)越多則我們越能夠有信心把從樣本分析出來的結(jié)果推論到未知的數(shù)據(jù)當中，也就是說機器學(xué)習(xí)的效果越來越好，AI 越來越智能。
由此誕生的數(shù)據(jù)科學(xué)家是一個非常綜合型的職業(yè)。它所要求的知識范圍包括分析數(shù)據(jù)的統(tǒng)計學(xué)，到算法的選擇優(yōu)化，再到對行業(yè)知識的深刻理解。這群人是開發(fā)數(shù)據(jù)產(chǎn)品的核心。硅谷大部分 startup 已經(jīng)把它當成是必需品了，以至于剛?cè)胄械男氯艘材茴I(lǐng)到差不多 $100K 的薪水。而模糊的定義和誤解也讓有的人戲稱，data scientist is a data analyst living in the bay area。
值得一提的是，數(shù)據(jù)本身的飛速發(fā)展從另一個側(cè)面其實也給數(shù)據(jù)工程師們的大數(shù)據(jù)處理帶來了許多挑戰(zhàn)。主要來源于以下的兩個方面：
數(shù)據(jù)量的急速增長。如今，數(shù)據(jù)的產(chǎn)生變得異常容易。社交網(wǎng)絡(luò)，移動應(yīng)用，幾乎所有的互聯(lián)網(wǎng)相關(guān)產(chǎn)品每時每刻都在產(chǎn)生眾多數(shù)據(jù)。傳統(tǒng)的集中儲存計算方式顯然無法處理如此龐大的數(shù)據(jù)量。這時，我們就需要新的儲存方式，如云儲存，以及新的處理方案，如 Hadoop 這樣的分布計算平臺。
數(shù)據(jù)本身的非結(jié)構(gòu)化。在傳統(tǒng)的數(shù)據(jù)處理領(lǐng)域，我們處理的主要是結(jié)構(gòu)化數(shù)據(jù)，例如，Excel 表格可以顯示量化數(shù)據(jù)等。而如今我們面對著越來越多的非結(jié)構(gòu)化數(shù)據(jù)，如社交網(wǎng)絡(luò)的評論，用戶上傳的音頻視頻等。這些數(shù)據(jù)存在于包括文本、圖片、視頻、音頻等眾多的數(shù)據(jù)格式中，這些數(shù)據(jù)中隱含著眾多有價值的信息，但這些信息卻需要深度的計算才可以分析出來。這就需要我們利用智能化分析、圖像識別等等一系列新的算法來進行數(shù)據(jù)挖掘，這也就是 “大數(shù)據(jù)” 的挑戰(zhàn)所在。
目前硅谷的創(chuàng)業(yè)公司正在探索新的應(yīng)用領(lǐng)域和方法，比如說物聯(lián)網(wǎng)這塊?，F(xiàn)在智能設(shè)備們才剛剛起步，Nest、被 Nest 收購的Dropcam、Iotera、emberlight等等都屬于少部分人的玩具。待到家家戶戶都安裝了智能冰箱、智能燈泡、智能桌子、智能沙發(fā)等等的時候，大數(shù)據(jù)的威力才會伴隨著巨大的使用規(guī)模而發(fā)揮出來。
另外一個角度就是人。如果把之前談的設(shè)備全部置換成個人的時候，他們的相互關(guān)系在各種維度上的交錯會產(chǎn)生一張巨大的網(wǎng)絡(luò)，其中的每個組成部分都由大量的數(shù)據(jù)組成。分析理解預(yù)測這些社會關(guān)系將會是大數(shù)據(jù)另一個有趣的應(yīng)用方向，即Social Physics。不過按照從硅谷到全國的速度，感覺不管哪一方面的普及起碼得等上五年以上的時間。
展望一下未來的話，如果參照以前的技術(shù)革命和行業(yè)發(fā)展來看大數(shù)據(jù)，那么大數(shù)據(jù)的底層設(shè)施將會逐漸被隔離，被模塊化和標準化，甚至是自動化，而在其上的中間層和應(yīng)用層將成為各大公司的數(shù)據(jù)工程師們激烈攻克的主戰(zhàn)場。
硅谷公司的大數(shù)據(jù)運行現(xiàn)狀
目前硅谷各個公司的數(shù)據(jù)處理水平和模式差別還是蠻大的。除 Facebook 等幾個很領(lǐng)先的公司外，大部分公司要么還沒有能力自行處理數(shù)據(jù)，要么就是正在建立單獨的數(shù)據(jù)處理部門，主要負責(zé)從數(shù)據(jù)基本處理到后期分析的各個環(huán)節(jié)，然后再送到公司內(nèi)部的其他部門。
對于這些公司來說，建立一個單獨的數(shù)據(jù)處理部門可能還有還路漫漫其修遠兮。舉個例子來說，F(xiàn)acebook 有一個超過 30 人的團隊花了近 4年 的時間才建立了 Facebook 的數(shù)據(jù)處理平臺。如今，F(xiàn)acebook 仍需要超過 100 名工程師來支持這個平臺的日常運行?？上攵?，光是大數(shù)據(jù)分析的基礎(chǔ)設(shè)施就已經(jīng)是一個耗時耗力的項目了。LinkedIn 大數(shù)據(jù)部門的建設(shè)也已花了整整六年。
普遍來說，各公司自主建立數(shù)據(jù)處理平臺存在著幾個難點：
沒有足夠優(yōu)秀的數(shù)據(jù)工程師來組建團隊
沒有足夠能力整合數(shù)據(jù)
沒有易于操作的基礎(chǔ)軟硬件來支持數(shù)據(jù)分析
這幾個主要難點使得大數(shù)據(jù)分析越來越專業(yè)化、服務(wù)化，以至于我們漸漸看到一條 “硅谷數(shù)據(jù)處理產(chǎn)業(yè)鏈” 的出現(xiàn)。從數(shù)據(jù)的儲存，數(shù)據(jù)分析平臺建立，到數(shù)據(jù)分析，數(shù)據(jù)可視化等等各個環(huán)節(jié)的成本越來越高，這使得本身技術(shù)能力很強的公司都還是使用專業(yè)數(shù)據(jù)處理公司提供的服務(wù)，而將更多的人才和資源放到核心業(yè)務(wù)的開發(fā)上。
另外，就是各個公司對于數(shù)據(jù)處理的要求也越來越高。不僅僅需要有效的處理結(jié)果，也需要數(shù)據(jù)處理可以 self-service、self-managing、保證數(shù)據(jù)安全性、完善實時分析。這些諸多需求也使得專業(yè)化團隊的優(yōu)勢更加突出。而這樣一條整合服務(wù)鏈的行程，也給眾多的大數(shù)據(jù)公司提供了機會。
硅谷是非常神奇的地方?？萍几拍钤谶@里也不能免俗會被追捧，被炒得很熱。但這種激情和關(guān)注某個程度上講正是硅谷創(chuàng)新的動力。即使存在很多投機貼標簽的人，即使一片片的大數(shù)據(jù) startups 被拍死在沙灘上，即使 Gartner 預(yù)測大數(shù)據(jù)概念將被回歸現(xiàn)實，但相信會有更多的人投入到大數(shù)據(jù)這個行業(yè)，開發(fā)出更智能，更有影響力的產(chǎn)品。畢竟，大數(shù)據(jù)本身，不像一個單純的 pitch 那樣，它能夠保證的是一定可以中看并且中用。
{{item.content}}