1.2.1 大数据的特征

大数据并非单指很多的数据（很多的数据可以用“海量数据”一词来描述），也没有明确的分类方法指出大于某个阈值的数据量可以称为大数据。目前公认的大数据具有四个特征，即IBM总结的“4V”。

（1）大容量（Volume）：数据总量大，新兴的互联网业务，如：社交网络、电商等都是会对大量数据进行使用的业务场景，而传统的天文探测、基因研究等也是会对大容量数据进行处理的应用。人们一般认为，大数据业务所涉及的数据量可以达到几百GB，甚至TB（1024GB）和PB（1024TB）等级。

（2）多样化（Variety）：即大数据业务可能需要对多种数据类型进行处理，这些数据可能来自于多个业务系统，数据格式有所不同，或者是不同领域的数据，例如当我们搜索附近的评价好的餐厅时，提供服务的网站既需要处理位置数据也需要处理评分数据，以实现根据地理位置和用户评价的综合排序。此外多样性表示大数据业务可以对半结构化（例如日志）和非结构化数据进行处理（例如照片和视频等）。

（3）高速率（Velocity）：数据增长快且数据持续增长。常见的大数据业务领域，如互联网、电信、金融等，都会持续进行业务处理和交易，期间会持续产生大量的业务数据，陆续被采集到大数据系统中，这个过程不一定是实时的，但大多是持续的。大数据业务还需要根据业务需求及时更新、处理数据，例如搜索引擎，需要持续地采集网页数据，不断进行数据分析和处理，并且要在几毫秒内对数据索引进行扫描，向用户反馈结果。

（4）有价值（Value）：对大数据进行查询、统计、挖掘会产生很高的价值，但大数据通常被认为价值密度较低，即挖掘价值的过程较为困难。例如雅虎网站为了实现“搜索助手”功能（即在用户键入搜索词时，提示可能的搜索短语），需要对三年以上的搜索记录进行处理，且处理过程借助Hadoop系统实现分布式处理，并且需要对结果进行多次迭代运算，可见其处理过程的复杂性。但完成该功能可以使用户的搜索体验变得更好，价值也是明显的，如图1-3所示。

在上述特性之外，有人还提出大数据应具有数据全在线（Online）的特性，即全部的数据都处在可以被使用的状态，而非离线备份的状态。因为数据本身并不能产生价值，对数据的使用和分析才能产生价值，显然离线数据并不能被很好地利用。

数据全在线特性还可以衍生出大数据的“全集数据”特性，即大数据强调使用全部数据而非局部的、抽样的数据。在传统的统计学中，采用正确的抽样手段，可以在减少处理数据量的同时，仍然获得精准的统计分析结果。但在某些情况下，抽样可能存在困难，比如：原始数据具有稀疏性，或由于选择了不适合的方法，导致抽样数据的随机性较差等。因此，在大数据技术逐渐成熟、成本逐渐降低之后，很多企业会选择使用全集数据来进行分析，例如谷歌公司曾根据用户的搜索记录预测流感趋势，考虑到其用户来自许多不同的城市和地区，采用全集数据才可以最大限度地保证预测的精准性。

此外，还有人将4V中的Value替换为Veracity，即真实性，强调数据应该是真实的、高质量的，或者Validity（有效的）、Visualization（可视化的），都可以看作大数据常见特性的一种描述。

需要注意的是，上述特性并非严格限定，只是对大数据常见特性的一般性归纳。