大数据4个明显的特征，大数据思维四个递进的层次
大数据4个明显的特征：
1.数据量足够大，要大到让统计的结果具有非常高的置信度
2.具有多维度的特征，而且各个维度最好是正交的
3.数据的完备性，完备性使得大数据可以算无遗策
4.在一些场景下的实时性，比如堵车信息一定时间过了数据就失去意义了
--------
大数据思维四个递进的层次：
第一层：从大量的、看似杂乱无章的数据点，总结出原来找不到的相关性。
第二层：不事先作假定，从大数据出发先得到结论，再分析原因。
第三层：利用大数据在准确把控宏观规律的同时，精确到每一个细节。
第四层：用不同维度找到的强相关性可以取代因果关系。
--------------
大数据的4个明显的特征，即数据量大、多维度、完备性和在一些场景下的实时性。我们特别强调了光是数据量大还不能构成大数据，因为它可能无法得出有效的统计规律，而多维度的特征则让我们可以交叉验证信息，提高准确性。
--------------
首先，大数据要求数据量大，这一点大家没有疑问。数据量小一定不符合大数据的原则。至于数据量多大合适，我们在前面介绍了置信度的概念，数据至少要大到让统计的结果具有非常高的置信度。
其次，大数据需要具有多维度的特征，而且各个维度最好是正交的。今天，淘宝或者其他网店，能够有效地给你推荐产品，在很大程度上就是因为它不仅具有了你在网上购物的数据，而且还从其他渠道，包括在你不知不觉中，获得了生活上的信息。
比如，它可以根据你上网的行为，了解你的年龄、性别和教育背景，根据你晚上和白天的地点，了解你的工作地点和住址，甚至你的工作性质和生活习惯，比如是否经常出差，在什么样的饭店吃过饭，是否爱运动，是否使用名牌产品等等。
由于阿里巴巴数据收集的时间跨度比较长，它还可以看出人们消费习惯的变化。根据这些信息，它就知道你是谁，需要什么。在没有大数据之前，这种事情很难做到。
大数据第三个重要特征，是数据的完备性，它在过去常常被人忽略，因为人类过去使用数据，都是采用抽样的办法来获取，根本不可能做到完备。抽样统计有一个问题，就是总有5%左右的小概率事件覆盖不到，如果最后运气不好，正好落在那5%，统计的方法就失去作用了。
今天情况就不同了，因为收集数据的设备无所不在，我们也在有意无意向它输送数据，因此获得完备的信息完全可能，这样一来就堵住了采用数据作预测的死角。
我们在前面讲到提高名片识别率的方法，就是从网上抓取全部的企业和私人联系地址，拿它们和从名片识别出的信息进行比对，就可以过滤掉几乎所有的错误。这里面其实就是用到了数据的完备性——也就是说，全部的地址、电话等数据我都收集完备了。完备性使得大数据可以算无遗策。
除了上述三个特征，很多时候大数据还需要具有实时性，因为在那些应用场景，一定时间过了，数据就失去意义了。
--------------
我们过去说，量变会带来质变，那常常是在一个维度上说的，而今天我们说大数据思维，已经超出了这一层含义，是一种全新的思维方式和做事情的方法。
今天大部分人所理解的大数据，是从大量的、看似杂乱无章的数据点，总结出原来找不到的相关性。在这个过程中各种数据如同百川入海一般汇聚到一起。我们在前面已经举了不少这一类的例子。但这只是大数据思维的第一层含义。
我们需要强调的是，大数据思维和过去通过大量数据验证一件事还是有区别的。那就是由于这些数据在产生和收集时是没有特定目的的，因此怎样使用它们，则需要视特定的应用而定。
比如Google趋势这个产品就用到了大数据，由于收集数据事先没有目的性，从这些数据中能够得到什么结果事先也不知晓，这让它发现了很多过去没有想到的规律。
今天这种做法其实是先有了结果，再反推原因，是一种逆向的做法，但是正是因为有了足够的数据支持，它无疑会比较快。不事先作假定，从大数据出发先得到结论，再分析原因，这是大数据思维的第二层。
因此，用不同维度找到的强相关性可以取代因果关系，这是大数据思维的第四个层次。