大數據4個明顯的特征，大數據思維四個遞進的層次
大數據4個明顯的特征：
1.數據量足夠大，要大到讓統計的結果具有非常高的置信度
2.具有多維度的特征，而且各個維度最好是正交的
3.數據的完備性，完備性使得大數據可以算無遺策
4.在一些場景下的實時性，比如堵車信息一定時間過了數據就失去意義了
--------
大數據思維四個遞進的層次：
第一層：從大量的、看似雜亂無章的數據點，總結出原來找不到的相關性。
第二層：不事先作假定，從大數據出發先得到結論，再分析原因。
第三層：利用大數據在准確把控宏觀規律的同時，精確到每一個細節。
第四層：用不同維度找到的強相關性可以取代因果關系。
--------------
大數據的4個明顯的特征，即數據量大、多維度、完備性和在一些場景下的實時性。我們特別強調了光是數據量大還不能構成大數據，因為它可能無法得出有效的統計規律，而多維度的特征則讓我們可以交叉驗證信息，提高准確性。
--------------
首先，大數據要求數據量大，這一點大家沒有疑問。數據量小一定不符合大數據的原則。至於數據量多大合適，我們在前面介紹了置信度的概念，數據至少要大到讓統計的結果具有非常高的置信度。
其次，大數據需要具有多維度的特征，而且各個維度最好是正交的。今天，淘寶或者其他網店，能夠有效地給你推薦產品，在很大程度上就是因為它不僅具有了你在網上購物的數據，而且還從其他渠道，包括在你不知不覺中，獲得了生活上的信息。
比如，它可以根據你上網的行為，了解你的年齡、性別和教育背景，根據你晚上和白天的地點，了解你的工作地點和住址，甚至你的工作性質和生活習慣，比如是否經常出差，在什么樣的飯店吃過飯，是否愛運動，是否使用名牌產品等等。
由於阿里巴巴數據收集的時間跨度比較長，它還可以看出人們消費習慣的變化。根據這些信息，它就知道你是誰，需要什么。在沒有大數據之前，這種事情很難做到。
大數據第三個重要特征，是數據的完備性，它在過去常常被人忽略，因為人類過去使用數據，都是采用抽樣的辦法來獲取，根本不可能做到完備。抽樣統計有一個問題，就是總有5%左右的小概率事件覆蓋不到，如果最后運氣不好，正好落在那5%，統計的方法就失去作用了。
今天情況就不同了，因為收集數據的設備無所不在，我們也在有意無意向它輸送數據，因此獲得完備的信息完全可能，這樣一來就堵住了采用數據作預測的死角。
我們在前面講到提高名片識別率的方法，就是從網上抓取全部的企業和私人聯系地址，拿它們和從名片識別出的信息進行比對，就可以過濾掉幾乎所有的錯誤。這里面其實就是用到了數據的完備性——也就是說，全部的地址、電話等數據我都收集完備了。完備性使得大數據可以算無遺策。
除了上述三個特征，很多時候大數據還需要具有實時性，因為在那些應用場景，一定時間過了，數據就失去意義了。
--------------
我們過去說，量變會帶來質變，那常常是在一個維度上說的，而今天我們說大數據思維，已經超出了這一層含義，是一種全新的思維方式和做事情的方法。
今天大部分人所理解的大數據，是從大量的、看似雜亂無章的數據點，總結出原來找不到的相關性。在這個過程中各種數據如同百川入海一般匯聚到一起。我們在前面已經舉了不少這一類的例子。但這只是大數據思維的第一層含義。
我們需要強調的是，大數據思維和過去通過大量數據驗證一件事還是有區別的。那就是由於這些數據在產生和收集時是沒有特定目的的，因此怎樣使用它們，則需要視特定的應用而定。
比如Google趨勢這個產品就用到了大數據，由於收集數據事先沒有目的性，從這些數據中能夠得到什么結果事先也不知曉，這讓它發現了很多過去沒有想到的規律。
今天這種做法其實是先有了結果，再反推原因，是一種逆向的做法，但是正是因為有了足夠的數據支持，它無疑會比較快。不事先作假定，從大數據出發先得到結論，再分析原因，這是大數據思維的第二層。
因此，用不同維度找到的強相關性可以取代因果關系，這是大數據思維的第四個層次。