什么是數據？

簡單來說，數據是信息的一種載體。更嚴謹一點，我們也可以說，數據是客觀世界中被記錄、存儲的原始符號或信息。

在目前我們所處的時代，通常所說的數據，都是指計算機系統里的那些文本、圖片、音頻、視頻文件，那些二進制的0和1。

整個計算機系統，甚至整個數字世界，都是圍繞數據進行工作。CPU，計算數據。內存和硬盤，存儲數據。通信網絡，傳遞數據。

因此，在計算機科學中，數據被定義為：“所有能輸入計算機并被程序處理的符號的總稱”。

需要注意的是，數據本身是沒有意義的，是未經加工的“原材料”。經過處理和分析之后，數據才能轉化為有意義的信息。

也有人指出，信息是數據經過處理后的結果，是對數據的解釋和賦予意義的產物。這句話雖然有點抽象（燒腦），但準確地表達了數據和信息之間的關系。

數據的特性

數據有很多特性。小棗君初步統計了一下，就有14個，分別是——

符號性：數據以符號形式存在，例如數字，以及剛才提到的文字、圖像、音頻、視頻等。

客觀性：數據反映了現實世界事物的屬性、狀態、關系等情況。它是客觀存在的，不隨主觀意志而改變。

量化性：數據通常以量化的形式存在，便于計數、測量和統計分析。

可比性：數據之間可以進行對比分析，通過比較可以揭示數據之間的關系和差異。

可傳遞性：數據可以通過各種方式進行傳輸，如電子文檔、紙質報告等，使得信息能夠在不同個體或組織間傳遞。

可存儲性：數據可以被存儲在數據庫、文件系統或其他存儲介質中，以便于未來的訪問和使用。

可處理性：數據可以通過計算、分析、加工等手段進行處理，以提取有用信息或轉化為知識。

多維度：數據可以從多個角度進行觀察和分析，如時間、空間、類別等多個維度。

多樣性：數據有多種多樣的類別和形式，能夠滿足不同領域和需求。

時效性：數據可能隨時間的推移而發生變化，某些數據在特定時間點之后可能失去價值或準確性。

可靠性：數據應該是可靠的，即數據的來源、收集方法和處理過程應該是可信的，以保證數據的準確性。

相關性：數據之間存在相關性，某些數據的變化可能會影響其他數據的表現。

可解釋性：數據應該能夠被解釋和理解，其背后的意義和代表的現實世界情況應該清晰。

限制性：數據可能受到隱私、法律、倫理等因素的限制，使用數據時需要遵守相關規范。

以上這么多的特性，在現實情況中，并不能都滿足。

例如，在追求數據時效性的同時，可能需要犧牲部分可存儲性。因為實時數據的收集和處理，需要更高的空間和成本。

同樣，為了提高數據的可靠性，可能需要投入更多的資源進行數據驗證和清洗，這可能會增加數據處理的復雜性和時間成本。

總之，能夠盡可能地滿足更多特性的數據，就會被認為是高質量的數據。數據的價值，也就更大。在實際應用中，我們需要根據具體場景和需求，權衡數據的各個特性，加以利用。

數據的分類方式

剛才在說數據特性的時候，提到數據有多樣性的特點，也就是有多種形式和類別。

對數據有很多種分類方式。例如，現在最常用的，就是按結構進行分類，包括結構化數據、半結構化數據和非結構化數據。

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

非結構化數據，指網頁文章、郵件內容、圖像、音頻、視頻等。

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%。

根據數據的來源，也可以分類。

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，等等。

根據數據的性質，還可以分為定位數據（描述空間位置，如坐標）、定性數據（描述事物屬性，如“陰雨天氣”）、定量數據（反映數量特征，如長度、重量）、定時數據（記錄時間特征，如日期、時刻）等。

總之，每種分類方式都有其特定的應用場景和價值。

了解數據的分類，有助于我們更好地理解數據的本質，以及如何在不同場景下有效地管理和利用數據。

數據的度量方式

前面我們也提到，數據具有量化性的特點。也就是說，數據是可以度量的。

我們通常度量數據的單位，大家應該比較熟悉，就是KB、MB、GB、TB等。

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。

在TB之上，還有PB、EB、ZB等。

TB、GB、MB、KB的關系，如下：

1 KB = 1024 B  (KB - kilobyte) 

1 MB = 1024 KB (MB - megabyte) 

1 GB = 1024 MB (GB - gigabyte) 

1 TB = 1024 GB (TB - terabyte) 

1 PB = 1024 TB (PB - petabyte) 

1 EB = 1024 PB (EB - exabyte) 

1 ZB = 1024 EB (ZB - zettabyte) 

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。目前全人類的數據量，是ZB級。

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。

數據的產生階段

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。

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。

數據的作用和意義

數據是信息的載體。它的最基礎作用，就是記錄和表征。

例如，考勤數據，記錄了員工每天的上下班時間、請假、遲到、早退等信息。這些數據不僅幫助我們了解員工的出勤情況，還能進一步分析員工的工作效率、團隊協作以及可能存在的管理問題。

再例如，體檢數據，記錄了我們的身高、體重、血壓、血糖等各項生理指標。這些數據不僅有助于我們了解自身的健康狀況，還能及時發現潛在的健康問題，為預防和治療疾病提供重要依據。

除了個人工作和生活領域之外，在科學、商業和公共管理領域，都有對應的系統和數據。這個數據的體量更大，甚至達到了大數據的級別。

通過深入挖掘和分析海量的數據，企業和政府部門可以找到隱藏在數據背后的規律和趨勢，為未來的發展和決策提供有力的支持。

在科學領域，實驗數據、觀測數據、模擬數據等構成了科學研究的基礎。這些數據不僅幫助科學家驗證理論、發現新現象，還能推動科學技術的進步和創新。

例如，天文學中的天文觀測數據，記錄了星系的運動、恒星的誕生和消亡等宇宙現象，這些數據為理解宇宙的起源和演化提供了重要線索。

在商業領域，銷售數據、客戶數據、市場數據等是企業運營和決策的重要依據。通過分析這些數據，企業可以了解市場需求、優化產品設計、提升客戶滿意度，從而制定更為精準的市場策略和商業計劃。

例如，電商平臺通過分析用戶的購買歷史和瀏覽行為，可以為用戶推薦更為符合其需求的商品，提升用戶的購物體驗和平臺的銷售額。

在公共管理領域，政府數據、公共服務數據、社會調查數據等是政策制定和實施的基礎。這些數據不僅幫助政府了解社會現狀、預測發展趨勢，還能為政策評估和優化提供依據。

例如，通過分析交通流量數據，政府可以合理規劃交通路線、優化公共交通服務，從而緩解城市交通擁堵問題。

最后的話

總而言之，數據在目前這個時代，已經變成了重要的無形資產，也被稱為“新石油”。

從個人生活到全球治理，數據都扮演著不可或缺的角色，已成為驅動效率提升、科學發現和社會進步的核心資源。

最近幾年愈演愈烈的AI浪潮，進一步推動了數據的價值提升。人工智能的三要素，其中一項，就是數據（另外兩個是算力和算法）。數據作為AI的“燃料”，其質量和數量直接決定了AI系統的性能和準確性。

未來，隨著數據規模的指數級增長和技術的持續突破，數據的價值將進一步釋放。