大數據，顧名思義，就是大量的數據。

更專業來說，大數據，是一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統數據軟件工具能力范圍的數據集合。

我們通常說：“量變引起質變”。大數據，就屬于這種情況。

當數據體量增加到一定程度時，相關技術、理念、思維等，都隨之發生質變，從而形成了一個新的領域，這就是大數據領域。

大數據，通過對海量數據的采集、分析和處理，尋找其中的特征和趨勢，提煉更多的高價值信息，用于改善業務流程，或者輔助決策行為。

在大數據領域，我們經常看到一些關于3V、4V、7V的說法。這些V，到底是什么意思呢？

今天這篇文章，小棗君就簡單給大家介紹一下。

3V、4V、7V的來源

2001年，美國麥塔集團分析師道格·蘭尼（Doug Laney）在對大數據進行理論研究的時候，發現大數據具備三個特征。而這三個特征的英文單詞，恰好又以字母“V”開頭，即：

Volume（體量大）、Variety（多樣化）、Velocity（速度快）。

后來，“3V”這個特征理論，逐漸被業界所接受，成為描述大數據特征的標準。

再后來，在“3V”的基礎上，業界的一些專家們又陸續提出了“4V”、“5V”，甚至“7V”，包括：

Veracity（真實性）、Value（價值密度）、Variability（變異性）、Visualization（可視性）等。

所有這些V，就變成了對大數據特征的新定義。

接下來，我們就分別看看，這些“V”具體是什么意思。

No.1 ：Volume（體量大）

大數據，到底有多大？

我們傳統PC和手機處理的數據，是GB/TB級別。例如，我們的硬盤，現在通常是1TB/2TB/4TB的容量。

TB、GB、MB、KB的關系，大家應該都很熟悉了：

1 KB = 1024 B  (KB - kilobyte) 

1 MB = 1024 KB (MB - megabyte) 

1 GB = 1024 MB (GB - gigabyte) 

1 TB = 1024 GB (TB - terabyte) 

而大數據是什么級別呢？PB/EB級別。

1 PB = 1024 TB (PB - petabyte) 

1 EB = 1024 PB (EB - exabyte) 

只是看這幾個字母的話，貌似不是很直觀。我來舉個例子吧。

1TB，只需要一塊硬盤可以存儲。容量大約是20萬張照片或20萬首MP3音樂，或者是20萬部電子書。

1PB，需要大約2個機柜的存儲設備。容量大約是2億張照片或2億首MP3音樂。如果一個人不停地聽這些音樂，可以聽差不多兩千年。

1EB，需要大約2000個機柜的存儲設備。如果并排放這些機柜，可以連綿1.2公里那么長。如果擺放在機房里，需要21個標準籃球場那么大的機房，才能放得下。

阿里、百度、騰訊這樣的互聯網巨頭，數據量據說已經接近EB級。

EB還不是最大的。目前全人類的數據量，是ZB級。

1 ZB = 1024 EB (ZB - zettabyte) 

根據IDC的數據，在2020年，全球創建、捕獲、復制和消耗的數據總量約為64ZB。而到了2025年，全球數據總量可能會達到驚人的163ZB。如果建一個機房來存儲這些數據，那么，這個機房的面積將比196個鳥巢體育場還大。

人類社會的數據體量不僅大，增長速度也很快——每年增長50%。也就是說，每兩年就會增長一倍多。

數據的增長，為什么會如此之快？

說到這里，就要回顧一下人類社會數據產生的三個重要階段。

第一個階段，是1940-1990年。

計算機和數據庫被發明之后，數據管理的復雜度大大降低。各行各業開始產生了計算機數據，并記錄在數據庫中。這時的數據，以結構化數據為主（待會解釋什么是結構化數據）。數據的產生方式，是被動的。

第二個階段，是1990-2010年。

伴隨著互聯網的爆發，網絡內容開始迅速增長，增加了很多的專業輸出內容（PGC）。Web2.0出現后，人們開始使用博客、facebook、youtube這樣的社交網絡，輸出大量的用戶原創內容（UGC），從而主動產生了大量的數據。移動智能終端時代的到來，也加速了該階段數據的產生。

第三個階段，是2010年至今。

隨著物聯網的發展，各種各樣的感知層節點（例如遍布各個角落的傳感器、攝像頭）開始自動產生大量的數據。企業的數字化轉型，構建了大量的系統，沉淀和管理這些數據。人類的數據總量，再次躍升。

經過了“被動-主動-自動”這三個階段的發展，最終導致了人類數據總量的爆炸式膨脹。

值得一提的是，如今，隨著我們逐漸進入AI智能時代，很可能會迎來第四次數據暴增階段。以AIGC為代表的智能機器生產內容，正在急劇增加。

No.2 ：Variety（多樣化）

多樣性主要體現在三個方面——數據來源多、數據類型多和數據之間關聯性強。

數據來源多：

如前面所說，數據來源于不同的應用系統和設備。

例如，企業所產生的營銷數據、業務系統數據、生產數據等，互聯網行業所產生的社交內容數據、訂單數據、用戶數據等，政府部門所產生的社會治理數據、地理數據、經濟數據等。

數據類型多：

數據又分為結構化數據、非結構化數據和半結構化數據。

結構化數據，是指可以用預先定義的數據模型表述，或者，可以存入關系型數據庫的數據。例如，一個班級所有人的年齡、一個超市所有商品的價格，這些都是結構化數據。

結構化數據

而網頁文章、郵件內容、圖像、音頻、視頻等，都屬于非結構化數據。

半結構化數據，介于結構化和非結構化數據之間。如XML、JSON等格式的數據，它們有一定的組織形式，但不如結構化數據那樣嚴格。

目前，非結構化數據的占比是最高的。例如，在互聯網領域里，非結構化數據的占比已經超過了80%。

數據之間關聯性強：

數據與數據之間，有一定的關聯性，而且頻繁交互。

例如，游客在旅游途中上傳的照片和日志，就與游客的位置、行程等信息有很強的關聯性。

No.3 ：Velocity（速度快）

這個特性，指的是大數據的產生速度快、處理速度快、傳播速度快。從數據的生成到消耗，時間窗口非常小。

數據產生速度快，體現在生產生活中的方方面面。

我們還是用數字來說話：

就在剛剛過去的這一分鐘，數據世界里發生了什么？

Email：2000萬封被發出

Google：380萬次搜索請求被提交

Youtube：2100分鐘的視頻被上傳

Facebook：69.5萬條狀態被更新

12306：9000張車票被賣出

……

怎么樣？是不是瞬息萬變？

數據處理速度快，體現在大數據可以在實時分析和決策需求的推動下，通過實時處理、并行處理等方式，快速對所產生的數據進行處理。

這就要求大數據系統具備高并發、低延遲的能力。舉例來說，大數據所采用的流式處理技術，能夠在數據不斷產生的同時進行實時處理，確保系統能夠及時獲取并利用最新的信息。

數據傳播速度快，體現在大數據與以往的檔案、廣播、報紙等傳統數據載體不同。大數據的交換和傳播，是通過互聯網等方式實現的，遠比傳統媒介信息交換的傳播速度快。

No.4 ：Veracity（真實性）

數據很多，但也要真實才行。

大數據的真實性，指的是數據的質量和可信度。

在大數據環境中，由于數據來源廣泛且多樣，就會導致容易出現錯誤、冗余和不一致的數據，進而影響到最終分析的準確性和可靠性。

確保大數據的真實性，需要采用數據清洗、元數據管理、數據治理等手段。

此外，隨著技術的發展，越來越多的技術工具和服務被開發出來，用于對大數據真實性的管理和優化。例如數據驗證工具、自動化的數據清理流程、先進的統計方法用于檢測異常值等。

No.5 ：Value（價值密度）

大數據的數據量很大，但隨之帶來的，就是價值密度很低。數據中真正有價值的，只是其中的很少一部分。

例如通過監控視頻尋找犯罪分子的相貌，也許數十TB的視頻文件，真正有價值的，只有幾秒鐘。

例如，2014年美國波士頓爆炸案，現場調取了10TB的監控數據（包括移動基站的通訊記錄，附近商店、加油站、報攤的監控錄像以及志愿者提供的影像資料），最終找到了嫌疑犯的一張照片。這張照片的價值，毋庸置疑。

大數據中包含很多低價值的信息，而且，信息碎片化的情況嚴重。因此，需要通過深度分析和挖掘，才能發現有用的內容。

數據挖掘、機器學習和人工智能等技術，正在逐漸提升數據分析和挖掘的效率，幫助人們從低價值密度的數據中提取高價值的信息。

No.6 ：Variability（變異性）

不要怕！這里的變異，并不是生化危機。

大數據的變異性，指的是數據在處理過程中可能發生變化的能力，也可以理解為數據的動態性、不確定性。

變異性包括幾個方面：

數據分布的不均勻性。

大數據集合可能包含來自不同來源、不同時間、不同地點的數據，這使得數據的分布呈現出不均勻性。不同的子集，可能具有不同的統計性質。在數據分析和建模時，需要考慮這個因素。

數據的動態性。

大數據往往是動態變化的，尤其是實時場景（例如股價）。變化速度，也從以前的秒級，變成了現在的毫秒級，甚至更短。這就要求大數據系統和技術必須能夠適應這個動態變化的特性。

數據質量的波動。

前面說了，大數據中可能包含大量的噪音、異常值和錯誤。這些負面因素，也可能隨時間變化，導致數據質量出現明顯波動。

環境因素的影響。

大數據的變異性，還可能受到環境因素的影響，如天氣、地理位置、社會事件等。對于一些特殊場景的大數據應用，需要考慮這些外部因素可能導致的變化。

No.7 ：可視性（Visualization）

這個大家應該比較熟悉。我們現在在很多的政府部門和企業，都會看到數據大屏，其實也就是可視性的一種體現。

大數據的可視性，是指利用圖形化、圖像化的方式，對大數據進行呈現。這種方式，可以更直觀地展示數據的模式、趨勢和關系，快速把握數據的關鍵特征。

可視化，能夠幫助人們更好地理解和解釋復雜的數據集，提高對信息的洞察力，促使更明智的決策。

除了觀看之外，可視化也可以借助輔助工具，提供一些交互性功能。

例如，用戶能夠自由選擇感興趣的數據子集、調整視圖參數，從而更靈活地進行數據探索。這有助于用戶深入挖掘數據，找到其中的規律和異常。

最后的話

好啦，以上就是大數據的7V特性。

當然了，這些特性定義，除了前幾個以外，并沒有一個官方的認可。如果你愿意，也可以再想一個V，變成8V。

作為一種全新的思維方式和商業模式，大數據正在改變我們的工作和生活。下一期，小棗君再和大家詳細聊聊，大數據到底有哪些應用場景，能發揮什么樣的作用和價值。