怎样利用大数据变废为宝？

这几年很多人都在讨论大数据，如果数据不经过处理，其实并不是有用的。例如每天跑步带个手环收集的也是数据，网上这么多网站也是数据，简称为Data，数据本身并没有什么作用，但是数据里面包含一些很重要的东西，叫做信息(Information)，数据杂乱无章，只有经过了梳理和清洗，才能够称为信息。信息里面包含了很多规律，我们需要从众多信息中将规律总结出来，才能称为知识，知识才能改变命运。

信息是很多的，但是很多人看到了信息相当于白看，但是有人就能从信息中看到了电商的未来，有人看到了直播的未来，所以人家就牛了，如果没有从信息中提取出知识，天天只知道刷朋友圈，也只能在如今互联网滚滚大潮中做个看客。有了知识，然后利用这些知识去应用于实践，有的人就会做得非常好，这个东西叫做智慧Intelligence。有知识并不一定有智慧，很多学者很有知识，已经发生的事情可以从各个角度分析的头头是道，但一到实践就歇菜，并不能转化成为真正的智慧。而很多的创业家之所以伟大，就是通过获得的知识应用于实践，最后做成了很大的生意。

数据的处理分五个步骤，全部完成了才最后才会升华智慧。第一个步骤：数据的收集。首先得有数据，数据的收集有两个方式，第一个方式是拿(Pull)，专业点的叫爬取或者抓取，常见的搜索引擎就是这么干的，它把网上的信息都下载到它的数据中心，然后被你搜索出来。比如你去搜索的时候，返回的是一个列表，这个列表为什么会在搜索引擎的公司里面呢，就是因为他把这个数据都爬下来了。

但是你一点链接，点出来这个网站就不在搜索引擎它们公司了。比如说搜狐有个新闻，你拿百度搜出来，你不点的时候，那一页在百度数据中心，一点出来的网页就跳转到搜狐的数据中心了。另外一个方式就是推送，有很多终端可以帮我收集数据，比如说智能手环，可以将你每天跑步的数据，血压的数据，心跳的数据都上传到数据中心里面。

第二个步骤是数据的传输。常见的会通过队列方式进行，数据量实在是太大了，数据必须经过处理才会有用，但是系统处理不过来，只好排排队，一条条地处理。

第三个步骤是数据的存储。现在数据就是Money，掌握了数据就相当于掌握了金钱。要不然你看购物网站怎么知道你想买什么呢？就是因为它有你历史的交易信息，然后通过这个信息分析出你的购物习惯。

第四个步骤是数据的处理和分析。上面存储的数据是原始数据，原始数据多是杂乱的，还有很多垃圾数据，因而需要清洗和过滤。对于整理过的数据，就可以进行分析，从而对数据进行归类，或者发现数据之间的相互关系。比如著名的啤酒和纸尿布的故事，就是通过对人们的购买数据进行比对分析，发现了男人在买尿布的时候，会同时想要购买啤酒，这样就发现了啤酒和尿布之间的对应关系，掌握了规律，然后应用到实践中，将啤酒和尿布的柜台放到一起，这就是一种智慧。

第五个步骤就是对于数据的检索和挖掘。检索就是搜索，俗话说外事不决问谷歌，内事不决问百度。两大搜索引擎都是将分析归纳后的数据放入搜索引擎，从而方便人们找到想要的信息。还有一个就是挖掘，搜索出来的信息还需要从中挖掘出相互的关系。例如财经检索，当搜索某个公司股票的时候，该公司的管理层是不是也应该被挖掘出来?如果仅仅搜索出这个公司的股票涨的特别好，你就去买了，结果第二天就跌了，这不坑人么?所以通过各种算法挖掘数据中的关系，形成知识数据库，十分重要。

数据分析是一项很有意思的技术，其功能就是帮我们梳理数据，存储信息，并从信息中总结规律。当数据量很小的时候，几台机器就能分析并解决问题。但是，慢慢的当数据量越来越大，大到最强的超级计算机都解决不了问题的时候，该怎么办呢？这时就要聚合多台机器的力量，也就是使用云计算的力量。

对于数据的收集，以物联网为例，外面部署这成千上亿的检测设备，将大量的温度，湿度，PH值，PM2.5等等数据统统收集上来，对于网页的搜索引擎来讲，需要将整个互联网所有的网页都下载下来，这显然一台服务器做不到，需要多台服务器组成分布式系统，每台机器下载一部分，同时工作，才能在有限的时间内，将海量的网页下载完毕。

对于数据的传输，一个内存里面的队列肯定会被大量的数据挤爆，于是就产生了基于存储系统的分布式队列，这样的队列可以多台服务器同时传输，随你数据量多大，只要我的队伍足够多，队列足够粗，就能够撑得住。

对于数据的存储也是一样，一台服务器的文件系统肯定是放不下了，那我们就做一个很大的分布式文件系统来做这件事情，把多台机器的硬盘打成一块大的文件系统。再比如数据的分析，可能需要对大量的数据做分类，统计，聚合，一台服务器肯定搞不定，处理几百年也分析不完，于是就有了分布式计算的方法，将大量的数据分成小份，每台服务器处理一小份，多台服务器并行处理，很快就能算完。