淺談醫(yī)學(xué)大數(shù)據(jù)25.docx

淺談醫(yī)學(xué)大數(shù)據(jù)陳遵秋和陳漪伊夫婦是美籍華人，現(xiàn)在美國(guó)定居。其二人是目前研究醫(yī)療大數(shù)據(jù)及生物樣本大數(shù)據(jù)真正的專家?，F(xiàn)將兩位的文章進(jìn)行公開(kāi)發(fā)表，與大家一起探討?，F(xiàn)在無(wú)論國(guó)內(nèi)外均出現(xiàn)了移動(dòng)醫(yī)療熱，所有的創(chuàng)業(yè)團(tuán)隊(duì)和投資公司均把商業(yè)模式指向了最后的醫(yī)療大數(shù)據(jù)分析。但是可以很負(fù)責(zé)任的說(shuō)，90% 以上的人都不知道醫(yī)療大數(shù)據(jù)分析是什么東西，因此這是一篇掃盲貼，但是僅供專業(yè)人士。文中分析了醫(yī)療大數(shù)據(jù)、它的維度、方法和成本，以及需要的專業(yè)人才。本文無(wú)論是對(duì)創(chuàng)業(yè)團(tuán)隊(duì)還是投資機(jī)構(gòu)都是非常有指導(dǎo)意義的。大數(shù)據(jù)定義及其特征大數(shù)據(jù)顧名思義就是數(shù)量極其龐大的數(shù)據(jù)資料。從上世紀(jì) 80 年代開(kāi)始，每隔 40 個(gè)月世界上儲(chǔ)存的人均科技信息量就會(huì)翻倍 (Hibert & Lopez, 2011)。2012 年，每天會(huì)有 2.5EB 量的數(shù)據(jù)產(chǎn)生 (Andrew & Erik, 2012)?，F(xiàn)在，2014 年，每天會(huì)有 2.3ZB 量的數(shù)據(jù)產(chǎn)生 (IBM, 2015)。這是一個(gè)什么概念？ 現(xiàn)在一般我們電腦的硬盤大小都以 GB，或者 TB 為單位了。1GB 的容量可以儲(chǔ)存約 5.4 億的漢字，或者 170 張普通數(shù)碼相機(jī)拍攝的高精度照片，或者 300-350 首長(zhǎng)度為 5-6 分鐘的 MP3 歌曲。 那 GB 和 TB, EB，ZB 的關(guān)系又是怎樣？1ZB=1024EB=10242PB=10243TB=10244GB。如果你有一臺(tái) 1TB 硬盤容量的電腦，那 1ZB 就是大致等于 10 億臺(tái)電腦的容量, 遠(yuǎn)遠(yuǎn)超出了我們一般的想象。早期，IBM 定義了大數(shù)據(jù)的特性有 3 個(gè)：大量性（ Volume）, 多樣性（Variety）, 快速性（Velocity） (Zikopoulos, Eaton, deRooos, Deutsch, & Lapis, 2012)。后來(lái)又有學(xué)者把價(jià)值（Value）加到大數(shù)據(jù)的特性里。隨著時(shí)間的推移和人們思考的進(jìn)一步完善，又有三個(gè)大數(shù)據(jù)的特性被提出： 易變性（Variability），準(zhǔn)確性 (Veracity) 和復(fù)雜性 (Complexity)。作者認(rèn)為價(jià)值本質(zhì)上是數(shù)據(jù)被分析后體現(xiàn)出來(lái)的有用信息知識(shí)的程度，和其他幾個(gè)特性有根本區(qū)別。其他幾個(gè)特性可以說(shuō)是數(shù)據(jù)工作者具體實(shí)踐中面臨的挑戰(zhàn)，而價(jià)值則是征服這些挑戰(zhàn)后獲得的回報(bào)。大數(shù)據(jù)的6個(gè)特性描述如下：大量性：一般在大數(shù)據(jù)里，單個(gè)文件大量性的級(jí)別至少為幾十，幾百 GB 以上，一調(diào)查 (Russom, 2013) 顯示相當(dāng)多的機(jī)構(gòu)擁有的數(shù)據(jù)總量在 10 到 99TB 之間。用我們傳統(tǒng)的數(shù)據(jù)庫(kù)軟件，1GB 已經(jīng)可以儲(chǔ)存千萬(wàn)條有著幾百個(gè)變量的數(shù)據(jù)記錄了。多樣性：泛指數(shù)據(jù)類型及其來(lái)源的多樣化 (Troester, 2012)，進(jìn)一步可以把數(shù)據(jù)結(jié)構(gòu)歸納為結(jié)構(gòu)化 (structured)，半結(jié)構(gòu)化 (semi-structured)，和非結(jié)構(gòu)化 (unstructured) (SAS, 2014) ?？焖傩裕悍从吃跀?shù)據(jù)的快速產(chǎn)生及數(shù)據(jù)變更的頻率上。比如一份哈佛商學(xué)院的研究報(bào)告稱在 2012 年時(shí)，谷歌每天就需要要處理 20PB 的數(shù)據(jù) (Harvard Business Review, 2012)。易變性：伴隨數(shù)據(jù)快速性的特征，數(shù)據(jù)流還呈現(xiàn)一種波動(dòng)的特征。不穩(wěn)定的數(shù)據(jù)流會(huì)隨著日，季節(jié)，特定事件的觸發(fā)出現(xiàn)周期性峰值 (Troester, 2012)。準(zhǔn)確性：又稱為數(shù)據(jù)保證 (data assurance)。不同方式，渠道收集到的數(shù)據(jù)在質(zhì)量上會(huì)有很大差異。數(shù)據(jù)分析和輸出結(jié)果的錯(cuò)誤程度和可信度在很大程度上取決于收集到的數(shù)據(jù)質(zhì)量的高低 (W.Raghupathi & Raghupathi, 2014)。所謂“垃圾進(jìn)，垃圾出”。沒(méi)有數(shù)據(jù)保證，大數(shù)據(jù)分析就毫無(wú)意義。復(fù)雜性：復(fù)雜性體現(xiàn)在數(shù)據(jù)的管理和操作上。IT 時(shí)代，隨著數(shù)據(jù)來(lái)源及數(shù)據(jù)量的爆發(fā)，各種不同渠道數(shù)據(jù)的大量涌現(xiàn)，數(shù)據(jù)的管理和操作已經(jīng)變得原來(lái)越復(fù)雜。如何抽取，轉(zhuǎn)換，加載，連接，關(guān)聯(lián)以把握數(shù)據(jù)內(nèi)蘊(yùn)的有用信息已經(jīng)變得越來(lái)越有挑戰(zhàn)性。醫(yī)療大數(shù)據(jù)的爆發(fā)早期，大部分醫(yī)療相關(guān)數(shù)據(jù)是紙張化的形式存在，而非電子數(shù)據(jù)化存儲(chǔ)， 比如官方的醫(yī)藥記錄，收費(fèi)記錄，護(hù)士醫(yī)生手寫的病例記錄，處方藥記錄，X 光片記錄，磁共振成像（MRI）記錄，CT 影像記錄等等。隨著強(qiáng)大的數(shù)據(jù)存儲(chǔ)，計(jì)算平臺(tái)，及移動(dòng)互聯(lián)網(wǎng)的發(fā)展，現(xiàn)在的趨勢(shì)是醫(yī)療數(shù)據(jù)的大量爆發(fā)及快速的電子數(shù)字化。以上提到的醫(yī)療數(shù)據(jù)都在不同程度上向數(shù)字化轉(zhuǎn)化。有報(bào)告顯示，2011 年，單單美國(guó)的醫(yī)療健康系統(tǒng)數(shù)據(jù)量就達(dá)到了 150EB。照目前的增長(zhǎng)速度， ZB（約 1021GB）和 YB（約 1021GB） 的級(jí)別也會(huì)很快達(dá)到 (IHTT, 2013)。Kaiser Permanente，一個(gè)在加州發(fā)展起來(lái)的醫(yī)療健康網(wǎng)絡(luò)系統(tǒng), 就有 9 百萬(wàn)的會(huì)員，被認(rèn)為擁有 26.5 到 44PB 的電子健康記錄 (IHTT, 2013)。IT 時(shí)代涌現(xiàn)的還有各種網(wǎng)絡(luò)社交媒體數(shù)據(jù)，比如曾經(jīng) Google 用來(lái)預(yù)測(cè)流感的數(shù)據(jù)?；驍?shù)據(jù)也是非常龐大的存在，一次全面的基因測(cè)序，產(chǎn)生的個(gè)人數(shù)據(jù)則達(dá)到 300GB (Leah, 2014)。公開(kāi)發(fā)布的基因 DNA 微陣列達(dá)到 50 萬(wàn)之多，每一陣列包含數(shù)萬(wàn)的分子表達(dá)值。在生物醫(yī)藥方面，功能性磁共振影像的數(shù)據(jù)量也達(dá)到了數(shù)萬(wàn) TB 級(jí)別，每一幅影像包含有 5 萬(wàn)像素值 (Fan, Han, & Liu, 2014)。此外，各種健身，健康可穿戴設(shè)備的出現(xiàn)，使得血壓、心率、體重，血糖，心電圖（EKG）等的監(jiān)測(cè)都變?yōu)楝F(xiàn)實(shí)和可能，信息的獲取和分析的速度已經(jīng)從原來(lái)的按“天”計(jì)算，發(fā)展到了按“小時(shí)”，按“秒”計(jì)算。比如，一家名為 Blue Spark 的科技公司已經(jīng)生產(chǎn)出能 24 小時(shí)實(shí)時(shí)監(jiān)測(cè)體溫的新型溫度計(jì)貼片 temptraq。這種數(shù)據(jù)的擴(kuò)展速度和覆蓋范圍是前所未有的，數(shù)據(jù)的格式也五花八門，可能是無(wú)格式文件（flat file），CSV，關(guān)系表，ASCII/ 純文本文件等等。同時(shí)，數(shù)據(jù)的來(lái)源也紛繁復(fù)雜，可能來(lái)自不同的地區(qū)，不同的醫(yī)療機(jī)構(gòu)，不同的軟件應(yīng)用。不可否認(rèn)，一旦理順了多格式，多源頭，呈爆炸性成長(zhǎng)的大數(shù)據(jù)的整合和分析，醫(yī)療大數(shù)據(jù)將對(duì)提高醫(yī)療質(zhì)量，強(qiáng)化患者安全，降低風(fēng)險(xiǎn)，降低醫(yī)療成本等方面發(fā)揮無(wú)與倫比的巨大作用。醫(yī)療大數(shù)據(jù)的優(yōu)勢(shì)和應(yīng)用場(chǎng)景有效的整合和利用數(shù)字化的醫(yī)療大數(shù)據(jù)對(duì)個(gè)體醫(yī)生，康寶中心，大型醫(yī)院，和醫(yī)療研究機(jī)構(gòu)都有著顯著的好處。潛在的利益包括 (W.Raghupathi & Raghupathi, 2014)：1）更多更準(zhǔn)確的數(shù)據(jù)使得疾病能在早期被監(jiān)測(cè)到，從而使治療更容易和有效。2）通過(guò)對(duì)特定個(gè)體或人群的健康管理，快速有效地監(jiān)測(cè)保健詐騙。3）基于大量的歷史數(shù)據(jù)，預(yù)測(cè)和估計(jì)特定疾病或人群的某些未來(lái)趨勢(shì)，比如：預(yù)測(cè)特定病人的住院時(shí)間，哪些病人會(huì)選擇非急需性手術(shù)， 哪些病人不會(huì)從手術(shù)治療中受益，哪些病人會(huì)更容易出現(xiàn)并發(fā)癥，等等。麥肯錫估計(jì)，單單就美國(guó)而言，醫(yī)療大數(shù)據(jù)的利用可以為醫(yī)療開(kāi)支節(jié)省出 3 千億美元一年。醫(yī)療大數(shù)據(jù)的利用可以從以下幾方面減少浪費(fèi)和提高效率 (Manyika, 以及其他人, 2011)：臨床操作： 相對(duì)更有效的醫(yī)學(xué)研究，發(fā)展出臨床相關(guān)性更強(qiáng)和成本效益更高的方法用來(lái)診斷和治療病人。研究和發(fā)展：在藥品和醫(yī)療器械方面，建立更低磨損度，更精簡(jiǎn)，更快速，更有針對(duì)性的研發(fā)產(chǎn)品線。統(tǒng)計(jì)工具和算法方面，提高臨床試驗(yàn)設(shè)計(jì)和患者的招募，使得治療方法可以更好地匹配個(gè)體患者的病癥，從而降低臨床試驗(yàn)失敗的可能和加快新的治療方法推向市場(chǎng)。分析臨床試驗(yàn)和病人的病歷，以確定后續(xù)的跡象，并在產(chǎn)品進(jìn)入市場(chǎng)前發(fā)現(xiàn)病人對(duì)藥物醫(yī)療方法的不良反應(yīng)。公共衛(wèi)生：分析疾病模式和追蹤疾病暴發(fā)及傳播方式途徑，提高公共衛(wèi)生監(jiān)測(cè)和反應(yīng)速度。更快更準(zhǔn)確地研制靶向疫苗，例如：開(kāi)發(fā)每年的流感疫苗。此外，醫(yī)療大數(shù)據(jù)的分析還有利于以下幾方面的發(fā)展 (W.Raghupathi & Raghupathi, 2014)：循證醫(yī)學(xué)：結(jié)合和分析各種結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，電子病歷，財(cái)務(wù)和運(yùn)營(yíng)數(shù)據(jù)，臨床資料和基因組數(shù)據(jù)用以尋找與病癥信息相匹配的治療，預(yù)測(cè)疾病的高?；颊呋蛱峁└喔咝У尼t(yī)療服務(wù)?；蚪M分析：更有效和低成本的執(zhí)行基因測(cè)序，使基因組分析成為正規(guī)醫(yī)療保健決策的必要信息并納入病人病歷記錄。提前裁定欺詐分析：快速分析大量的索賠請(qǐng)求，降低欺詐成功率，減少浪費(fèi)和濫用。設(shè)備/遠(yuǎn)程監(jiān)控：從住院和家庭醫(yī)療裝置采集和分析實(shí)時(shí)大容量的快速移動(dòng)數(shù)據(jù)，用于安全監(jiān)控和不良反應(yīng)的預(yù)測(cè)。病人的個(gè)人資料分析：全面分析病人個(gè)人信息（例如，分割和預(yù)測(cè)模型）從中找到能從特定健保措施中獲益的個(gè)人。例如，某些疾病的高?；颊撸ㄈ缣悄虿。┛梢詮念A(yù)防措施中受益。這些人如果擁有足夠的時(shí)間提前有針對(duì)性的預(yù)防病情，那么大多數(shù)的危害可以降到最低程度，甚至可以完全消除。然而，根據(jù)一份針對(duì)美國(guó)和加拿大 333 家醫(yī)療機(jī)構(gòu)及 10 家其他機(jī)構(gòu)的調(diào)查 (IHTT, 2013)，2013 年，醫(yī)療機(jī)構(gòu)累積的數(shù)據(jù)量比 2011 年多出了 85%， 但 77% 的醫(yī)療健康行政人員對(duì)自己機(jī)構(gòu)在數(shù)據(jù)管理方面的能力評(píng)價(jià)為“C”。此外，僅有 34% 報(bào)告他們能從電子健康記錄（EHR）中獲取數(shù)據(jù)用來(lái)幫助病人，而有 43% 報(bào)告他們不能收集到足夠多的數(shù)據(jù)來(lái)幫助病人。由此可見(jiàn)，在北美的醫(yī)療系統(tǒng)中，醫(yī)療大數(shù)據(jù)的管理使用準(zhǔn)備工作還有一大段路要走。中國(guó)也是處在起步階段。數(shù)據(jù)分析框架（傳統(tǒng)數(shù)據(jù)分析框架，大數(shù)據(jù)分析框架）醫(yī)療大數(shù)據(jù)有著前面第一節(jié)提到的所有特征。在醫(yī)療大數(shù)據(jù)帶來(lái)各種優(yōu)勢(shì)的同時(shí)，大數(shù)據(jù)隨之帶來(lái)的各種特性使得傳統(tǒng)的數(shù)據(jù)處理和數(shù)據(jù)分析方法及軟件捉襟見(jiàn)肘，問(wèn)題多多。在大數(shù)據(jù)時(shí)代出現(xiàn)之前，受限于數(shù)據(jù)量的可獲得性和計(jì)算能力的有限性，傳統(tǒng)的數(shù)據(jù)管理和分析采用著不同的思路和流程。傳統(tǒng)上，對(duì)于問(wèn)題的研究建立在假設(shè)的基礎(chǔ)上進(jìn)行驗(yàn)證，進(jìn)而研究事物的相關(guān)因果性，希望能回答“為什么”。而在大數(shù)據(jù)時(shí)代，海量數(shù)據(jù)的涌現(xiàn)提供了從不同角度更細(xì)致更全面觀察研究數(shù)據(jù)的可能，從而打開(kāi)了人們的好奇心，探索欲望，人們想知道到數(shù)據(jù)告訴了我什么，而不僅僅是我的猜想是否被數(shù)據(jù)驗(yàn)證了。人們?cè)絹?lái)越多地用大數(shù)據(jù)挖掘各種感興趣的關(guān)聯(lián)，非關(guān)聯(lián)等相關(guān)性，然后再進(jìn)一步比較，分析，歸納，研究（“為什么”變成一個(gè)選項(xiàng)而不是唯一終極目標(biāo)）。大數(shù)據(jù)與傳統(tǒng)數(shù)據(jù)思路上的不同導(dǎo)致了分析流程的不同，如圖一所示：圖一面對(duì)海量的數(shù)據(jù)和不同的分析思路，大數(shù)據(jù)的管理和分析與傳統(tǒng)數(shù)據(jù)分析的差異日益加大。回答特定問(wèn)題的單一預(yù)設(shè)結(jié)構(gòu)化數(shù)據(jù)庫(kù)明顯不能完全勝任處理大數(shù)據(jù)的海量及混雜等問(wèn)題。數(shù)據(jù)的混雜多樣性具體可以從一些調(diào)查數(shù)據(jù)中表現(xiàn)出來(lái)。SAS 的一份調(diào)查報(bào)告顯示機(jī)構(gòu)內(nèi)的非結(jié)構(gòu)化數(shù)據(jù)最多可以占到總數(shù)據(jù)量的 85%，而這些非數(shù)字，非結(jié)構(gòu)化的數(shù)據(jù)卻必須被量化分析和用到?jīng)Q策分析中 (Troester, 2012)。另一份 2013 年進(jìn)行的 SAS 調(diào)查報(bào)告顯示在 461 個(gè)提供完整反饋信息的機(jī)構(gòu)中只有 26% 的機(jī)構(gòu)表示他們所擁有的大數(shù)據(jù)是結(jié)構(gòu)化的 (Russom, 2013)。 此外，在機(jī)構(gòu)中，分析的數(shù)據(jù)一般不會(huì)只有一個(gè)單一的來(lái)源。Alteryx 的調(diào)查報(bào)告顯示在 200 家被調(diào)查的機(jī)構(gòu)中只有 6% 的機(jī)構(gòu)表示他們的數(shù)據(jù)是只有一個(gè)來(lái)源，最為普遍的情況是 5-10 個(gè)來(lái)源, 具體分布如圖二 (Alteryx, 2014)。調(diào)查中還顯示 90% 的被調(diào)查樣本表示有數(shù)據(jù)整合問(wèn)題，37% 表示需要等其他小組提供數(shù)據(jù)，30% 表示不能得到他們想要的數(shù)據(jù)，一般估計(jì)是一個(gè)數(shù)據(jù)分析師的 60% 到 80% 的時(shí)間是花在數(shù)據(jù)處理準(zhǔn)備階段上的 (Alteryx, 2014)。圖二由此可見(jiàn)有效的數(shù)據(jù)管理，數(shù)據(jù)庫(kù)建立及數(shù)據(jù)分析流程的重要性。傳統(tǒng)的數(shù)據(jù)管理的過(guò)程包括抽?。‥xtraction），轉(zhuǎn)換（Transformation）和載入（load）。通過(guò) ETL，可以賦予數(shù)據(jù)一種合適恰當(dāng)?shù)慕Y(jié)構(gòu)用于特定的分析發(fā)現(xiàn)。具體數(shù)據(jù)準(zhǔn)備分析流程如圖三所示：1）抽取單個(gè)或多個(gè)來(lái)源的數(shù)據(jù) 。2）凈化，格式化，標(biāo)準(zhǔn)化，聚合，添加，或遵循其他特定的數(shù)據(jù)處理規(guī)則。3）載入處理完的數(shù)據(jù)到特定的數(shù)據(jù)庫(kù)或儲(chǔ)存為特定的文件格式。4）采用各種方法進(jìn)行數(shù)據(jù)分析。圖三ETL 的中心內(nèi)容仍舊適用于大數(shù)據(jù)，但由于大數(shù)據(jù)的大量性和多樣性對(duì)數(shù)據(jù)庫(kù)和數(shù)據(jù)管理及處理方法的要求越來(lái)越高，也越來(lái)越復(fù)雜，這樣線性處理整個(gè)數(shù)據(jù)變得相當(dāng)耗費(fèi)人力，物力，和時(shí)間。此外，大數(shù)據(jù)的快速性，易變性也使得把數(shù)據(jù)儲(chǔ)存在單一的中央數(shù)據(jù)庫(kù)變的不太可行。 在這種情況下，最流行的思路是把數(shù)據(jù)分割處理，也就是把數(shù)據(jù)儲(chǔ)存到多個(gè)儲(chǔ)存節(jié)點(diǎn)（比如網(wǎng)絡(luò)數(shù)據(jù)庫(kù)），在每個(gè)節(jié)點(diǎn)單獨(dú)處理數(shù)據(jù)（甚至處理完就接著進(jìn)行初步分析, 但處理的程度依客戶具體問(wèn)題而調(diào)整），然后再匯總整合到一起，提供給單個(gè)或多個(gè)數(shù)據(jù)庫(kù)，接著根據(jù)需要選擇合適的分析方法獲取有用結(jié)果。ETL 貫穿于整個(gè)大數(shù)據(jù)管理分析的流程中。圖四演示了大致的大數(shù)據(jù)管理分析流程及一些大數(shù)據(jù)處理分析平臺(tái)工具的名字。圖四SAS的數(shù)據(jù)倉(cāng)庫(kù)研究院（TDWI）針對(duì)現(xiàn)今存在的大數(shù)據(jù)處理分析平臺(tái)工具進(jìn)行了一項(xiàng)調(diào)查以幫助人們?cè)谶x擇軟硬件進(jìn)行大數(shù)據(jù)分析時(shí)能做出更好的決策。針對(duì)大數(shù)據(jù)技術(shù)，特點(diǎn)，和使用者操作，調(diào)查提供了三個(gè)選擇：1）現(xiàn)在使用中，并且會(huì)繼續(xù)使用。2）會(huì)在三年中開(kāi)始使用。3）沒(méi)有計(jì)劃使用。圖五左側(cè)顯示了對(duì)于各種大數(shù)據(jù)分析平臺(tái)工具，被調(diào)查人員的回復(fù)比例。圖五的右側(cè)顯示了平臺(tái)工具可能的潛在成長(zhǎng)和對(duì)采用此工具做出承諾的被調(diào)查人員比例。圖五根據(jù)潛在成長(zhǎng)和承諾的綜合考量，此調(diào)查還進(jìn)一步把大數(shù)據(jù)分析平臺(tái), 工具分成 4 組：第一組為適度的承諾，中度到強(qiáng)的成長(zhǎng)潛力；第二組為中度至強(qiáng)有力的承諾，適度增長(zhǎng)潛力；第三組為弱到中度的承諾，適度增長(zhǎng)潛力；第四組為中度至強(qiáng)有力的承諾，弱增長(zhǎng)潛力。圖六顯示了這些組別的內(nèi)容分布。限于篇幅，本文不詳細(xì)介紹所列的每一平臺(tái)工具的具體內(nèi)容，感興趣的讀者可以參考文獻(xiàn)獲取更詳細(xì)的介紹。圖六圖五和圖六都顯示了最流行的平臺(tái)和數(shù)據(jù)處理方式為開(kāi)源免費(fèi)的 Hadoop 和 MapReduce。伴隨著他們的潛在成長(zhǎng)和承諾程度，可以預(yù)見(jiàn)，Hadoop 和 MapReduce 正在并會(huì)繼續(xù)推動(dòng)和促進(jìn)大數(shù)據(jù)的處理和應(yīng)用。在此，我們簡(jiǎn)單介紹一下 Hadoop 和 MapReduce 的概念。Hadoop 是一種基于 Java 的分散式數(shù)據(jù)處理框架。它可以提供對(duì)儲(chǔ)存在多個(gè)硬件設(shè)備上的數(shù)據(jù)進(jìn)行高吞吐率的讀寫。更重要的是，它對(duì)大數(shù)據(jù)具有高容錯(cuò)性 和對(duì)并行應(yīng)用程序的高可用性。Hadoop 框架結(jié)構(gòu)由若干名字節(jié)點(diǎn)（NameNode）和數(shù)據(jù)節(jié)點(diǎn)（DataNode）組成。一份數(shù)以萬(wàn)計(jì)，百萬(wàn)計(jì)的大數(shù)據(jù)文件會(huì)被分割成更小的文件信息塊儲(chǔ)存在多個(gè)數(shù)據(jù)節(jié)點(diǎn)里，可以是任何計(jì)算機(jī)硬件設(shè)備。有關(guān)這些文件的數(shù)據(jù)屬性資料信息稱作 metadata 則被存儲(chǔ)在名字節(jié)點(diǎn)里（NameNode）. NameNode 主要管理文件系統(tǒng)的命名空間和客戶端對(duì)文件的訪問(wèn)操作記錄。Hadoop 的框架結(jié)構(gòu)如圖七：圖七當(dāng)訪問(wèn)和操作數(shù)據(jù)文件時(shí)，客戶端會(huì)聯(lián)系名字節(jié)點(diǎn)提取文件信息塊的屬性信息比如位置，文件名等。然后根據(jù)這些屬性信息，客戶端直接從相應(yīng)的數(shù)據(jù)節(jié)點(diǎn)同時(shí)讀取數(shù)據(jù)塊。Hadoop 本身具有冗余和復(fù)制功能，保證在單個(gè)硬件儲(chǔ)存設(shè)備出現(xiàn)故障時(shí)數(shù)據(jù)仍舊能被恢復(fù)而沒(méi)有任何損失，比如每個(gè)數(shù)據(jù)節(jié)點(diǎn)默認(rèn)擁有 3 個(gè)備份之類。此外，在有新數(shù)據(jù)節(jié)點(diǎn)添加到框架中時(shí)，Hadoop 還可以自動(dòng)平衡每個(gè)數(shù)據(jù)節(jié)點(diǎn)的數(shù)據(jù)載有量。同樣，名字節(jié)點(diǎn)也可以擁有冗余和復(fù)制功能，用于在單個(gè)儲(chǔ)存數(shù)據(jù)屬性信息的名字節(jié)點(diǎn)出現(xiàn)故障時(shí)可以恢復(fù)相應(yīng)的數(shù)據(jù)屬性信息。MapReduce 則是一種可以用來(lái)并行處理大數(shù)據(jù)的編程模型。同一程序在 Hadoop 的框架下可以用各種不同的語(yǔ)言（Java,Ruby,Python 等）按 MapReduce 的編程模型進(jìn)行編寫和運(yùn)行。其關(guān)鍵就在于三個(gè)詞： map,reduce, 和并行處理。我們通過(guò)一個(gè)例子來(lái)理解 MapReduce 的大致工作原理。比如我們有一 30 個(gè)字的字符串“開(kāi)落花纏落花繞纏開(kāi)繞笑瓜夜村村舍舍瓜夜藤繞下下藤繞嬉嬉笑娃娃”，任務(wù)是計(jì)算每個(gè)字出現(xiàn)的次數(shù)。最簡(jiǎn)單的方法是按序讀取每一個(gè)字建立標(biāo)識(shí)索引并計(jì)算出現(xiàn)的次數(shù)值存入內(nèi)存，如果是新字，值為 1，如果是出現(xiàn)過(guò)的字則次數(shù)值累加上去。此種方式是按串行的方式進(jìn)行的，所花的時(shí)間會(huì)隨著字符串的長(zhǎng)度和復(fù)雜度程線性增長(zhǎng)。當(dāng)字符串是以萬(wàn)計(jì)百萬(wàn)計(jì)時(shí)，比如基因組數(shù)據(jù)，所花的時(shí)間將是相當(dāng)驚人的。 并行處理則能節(jié)約相當(dāng)多的時(shí)間。我們先把原文件分割到幾個(gè)小文件塊，然后對(duì)每個(gè)小文件塊進(jìn)行字的標(biāo)識(shí)索引和附加數(shù)值（這兒不進(jìn)行累計(jì)，只是簡(jiǎn)單的單次點(diǎn)數(shù)），然后再排序重組把相同字放在一起，然后我們?cè)儆每s減法計(jì)算出字及其相應(yīng)的出現(xiàn)次數(shù)值。圖八顯示了具體的例子步驟：圖八大數(shù)據(jù)特性對(duì)統(tǒng)計(jì)應(yīng)用上的際遇和沖擊大數(shù)據(jù)的獨(dú)特性對(duì)傳統(tǒng)的統(tǒng)計(jì)方法發(fā)出了挑戰(zhàn)，刺激著新的，適用于大數(shù)據(jù)分析的統(tǒng)計(jì)方法的發(fā)展。本文提到的一些際遇和問(wèn)題，一部分是作者自己的觀點(diǎn)，一部分摘自其他文章（ (Fan, Han, & Liu, 2014) (Wang & Wang, 2014)。相較于統(tǒng)計(jì)文章的專業(yè)寫作手法，作者試圖用更淺顯易懂的說(shuō)法來(lái)介紹這些問(wèn)題，讓一般的讀者對(duì)此也能有一定的了解并對(duì)此產(chǎn)生興趣。傳統(tǒng)數(shù)據(jù)一般來(lái)說(shuō)是樣本量遠(yuǎn)遠(yuǎn)大于感興趣的因素，比如一數(shù)據(jù)有200條記錄關(guān)于個(gè)人是否有心血管病，可能相關(guān)因素為性別，年齡，血壓。這兒只有4個(gè)因素，但樣本量為200（2004）。而大數(shù)據(jù)則擁有海量的樣本及相當(dāng)多的因素。還是用心血管的例子，現(xiàn)在比如我們有了幾萬(wàn)條記錄的樣本量，但同時(shí)也擁有了上百個(gè)的因素，各種以前沒(méi)法收集的因素都收集了，像運(yùn)動(dòng)與否，運(yùn)動(dòng)量如何，運(yùn)動(dòng)類型，飲食習(xí)慣，飲食內(nèi)容，喝酒與否，喝什么酒，喝酒習(xí)慣次數(shù)等等。這使統(tǒng)計(jì)中對(duì)數(shù)據(jù)的研究應(yīng)用得到了新的際遇同時(shí)也面臨了新的挑戰(zhàn)。數(shù)據(jù)異質(zhì)性（heterogeneity）數(shù)據(jù)異質(zhì)性，可以簡(jiǎn)單理解成一個(gè)大樣本數(shù)據(jù)里有很多小樣本，每個(gè)小樣本有著不同的數(shù)據(jù)特征，比如小樣本的平均值有高有低，離散程度有密有疏，就好象海洋中有著不同溫度，不同密度的各種洋流一樣。我們不能簡(jiǎn)單的只在大樣本的層面進(jìn)行統(tǒng)計(jì)分析，這樣得出的結(jié)果如果被用于對(duì)小樣本或樣本中的個(gè)體的估計(jì)或預(yù)測(cè)時(shí)就會(huì)出現(xiàn)偏差，因?yàn)槊總€(gè)小樣本可能有著一些它自己獨(dú)特的特征。在數(shù)據(jù)樣本小的時(shí)候，里面的小樣本相應(yīng)的就更小。 這種情況下小樣本里的數(shù)據(jù)記錄可能只有一，兩個(gè)，它們只能被當(dāng)作異常值處理，無(wú)法分析。而在大數(shù)據(jù)里，這種具有獨(dú)特特征的數(shù)據(jù)記錄收集出現(xiàn)多了，就擁有了被統(tǒng)計(jì)分析的條件，從而使我們更好地探究特定因素的關(guān)聯(lián)性，理解這些數(shù)據(jù)異質(zhì)性。比如有些只在特定人群里發(fā)生的極其罕見(jiàn)的疾病，大數(shù)據(jù)使我們得以研究發(fā)病原因，發(fā)病風(fēng)險(xiǎn)因素；理解為什么有些治療方法對(duì)某些人群有利，而同樣的方法對(duì)另一人群卻有害，等等。同樣，由于海量樣本和巨多的因素存在于大數(shù)據(jù)里，信息的復(fù)雜度也會(huì)增加不少，受復(fù)雜度的影響，可能導(dǎo)致統(tǒng)計(jì)上的過(guò)度擬合（overfitting）。過(guò)度擬合就是指我們建立了一個(gè)復(fù)雜的統(tǒng)計(jì)模型，它能很好的描述現(xiàn)有數(shù)據(jù)的情況，但當(dāng)我們想把這模型應(yīng)用到預(yù)測(cè)新數(shù)據(jù)時(shí)，它的表現(xiàn)卻相當(dāng)差。比如圖九所示：圖九圖九左邊上的曲線是我們針對(duì)藍(lán)點(diǎn)(當(dāng)作現(xiàn)有數(shù)據(jù))做出的模型，基本上能很好的描述藍(lán)點(diǎn)的分布及曲線和藍(lán)點(diǎn)的吻合度較高。用這曲線去描述黃點(diǎn)（當(dāng)作新數(shù)據(jù)），吻合度也還不錯(cuò)。圖九右邊的曲線則完全通過(guò)了每一藍(lán)點(diǎn)，吻合度極高，完全描述了藍(lán)點(diǎn)的復(fù)雜特性。然而，它在描述黃點(diǎn)時(shí)，吻合度就差多了，偏差就比左邊的曲線大不少。簡(jiǎn)單來(lái)說(shuō)，數(shù)據(jù)越復(fù)雜，需要考慮的因素越多，建立普遍有效的統(tǒng)計(jì)模型的難度就越大。偏差識(shí)別(Bias accumulation)分析數(shù)據(jù)時(shí)，我們需要估計(jì)或測(cè)試很多參數(shù)用以建立可靠的統(tǒng)計(jì)數(shù)據(jù)模型。期間不可避免會(huì)產(chǎn)生偏差，這些估計(jì)中產(chǎn)生的偏差積累，很大程度上受著數(shù)據(jù)量大小及參數(shù)多寡的影響。 在一般小數(shù)據(jù)時(shí)，這問(wèn)題可以并不顯著。但在大數(shù)據(jù)的情況下，這問(wèn)題就變的相當(dāng)值得注意。 我們用一簡(jiǎn)化的例子來(lái)說(shuō)明這個(gè)問(wèn)題。假設(shè)我們有兩組數(shù)據(jù)A和B，A組數(shù)據(jù)收集估算時(shí)沒(méi)有偏差，所有樣本數(shù)值都為1000。B組數(shù)據(jù)，實(shí)際所有樣本數(shù)值也是1000，但存在偏差，而且偏差隨收集樣本量的增加呈指數(shù)式成長(zhǎng)（為了說(shuō)明情況，偏差指數(shù)式成長(zhǎng)是一個(gè)很極端的例子）。每增加一個(gè)記錄，偏差增長(zhǎng)公式為：這樣B組第一個(gè)記錄包含偏差為1.001=1.0011. B組第一個(gè)值為1000 1.001=1001. B組第二個(gè)記錄包含偏差為1.002001=1.0012. B組第一個(gè)值為1000 1.002001=1002.001. B組第十個(gè)值為1000 1.01004512=1010.045.這樣如果是小數(shù)據(jù)n=10, A組數(shù)據(jù)其實(shí)和B組數(shù)據(jù)比起來(lái)相差是不大的。B組內(nèi)的每一個(gè)數(shù)字增加的偏差不足以引起注意，如果2%以內(nèi)的偏差都可以接受的話。然而當(dāng)我們收集了1萬(wàn)個(gè)數(shù)據(jù)記錄后，情況就發(fā)生了很大的變化。我們來(lái)看最后10個(gè)數(shù)據(jù)相差情況已經(jīng)相當(dāng)相當(dāng)大了。A組數(shù)據(jù)和B組數(shù)據(jù)，在擁有海量的數(shù)據(jù)樣本的情況下，相差已是十萬(wàn)八千里了。圖十顯示了偏差隨樣本量增加的變化情況。在樣本數(shù)量為4236左右，偏差的增加還不明顯。一過(guò)4236，偏差則出現(xiàn)了驚人的增長(zhǎng)。圖十所以依此為判斷的話，我們可以說(shuō)在數(shù)據(jù)樣本量4000左右，A組和B組比較，差別可能不大。但數(shù)據(jù)樣本量大于4000以后，A組和B組比較，可能就會(huì)相當(dāng)不一樣了。這個(gè)例子充分說(shuō)明了大數(shù)據(jù)相比較小數(shù)據(jù)而言對(duì)數(shù)據(jù)偏差更容易進(jìn)行識(shí)別，從而發(fā)現(xiàn)數(shù)據(jù)收集過(guò)程中的問(wèn)題并加以改善。虛假相關(guān)（spurious correlation）虛假相關(guān)，我們用一個(gè)例子來(lái)加以解釋說(shuō)明。這兒還是以前面提到過(guò)的心血管數(shù)據(jù)為例?，F(xiàn)在只收集了200個(gè)記錄，但每條記錄都有100個(gè)各方各面因素的信息。這樣，我們想看是否這100個(gè)因素和“是否有心血管病”相關(guān)。如此，我們進(jìn)行兩兩檢驗(yàn)測(cè)試： 是否有心血管病和因素一進(jìn)行檢驗(yàn)，是否有心血管病和因素二進(jìn)行檢驗(yàn)是否有心血管病和因素一百進(jìn)行檢驗(yàn)。每一個(gè)檢驗(yàn)測(cè)試結(jié)果只會(huì)出現(xiàn)兩種情況：統(tǒng)計(jì)學(xué)上有意義和統(tǒng)計(jì)學(xué)上無(wú)意義。統(tǒng)計(jì)學(xué)上有意義，簡(jiǎn)單來(lái)說(shuō)就是認(rèn)為心血管病和該因素有關(guān)。統(tǒng)計(jì)學(xué)上無(wú)意義就是認(rèn)為心血管病和該因素?zé)o關(guān)。 在此過(guò)程中，你可能發(fā)現(xiàn)，大約會(huì)有5次在統(tǒng)計(jì)學(xué)上被認(rèn)為與心血管病相關(guān)的因素，實(shí)際上從常識(shí)和現(xiàn)實(shí)來(lái)判斷是沒(méi)有任何關(guān)聯(lián)的，也就是說(shuō)統(tǒng)計(jì)學(xué)上有意義是錯(cuò)誤的。這就是虛假相關(guān)。為了讓我們能知其然也知其所以然，這兒要解釋一下“統(tǒng)計(jì)學(xué)上有意義”究竟是怎么界定的 。一般做檢驗(yàn)測(cè)試時(shí)，我們會(huì)界定一個(gè)值，叫做第一類統(tǒng)計(jì)錯(cuò)誤率。這個(gè)錯(cuò)誤率通常被設(shè)定為5%，也就是說(shuō)每100次檢驗(yàn)測(cè)試，我們?cè)试S有5次在統(tǒng)計(jì)學(xué)上實(shí)際無(wú)意義的被錯(cuò)誤判斷為統(tǒng)計(jì)學(xué)上有意義（如果不允許統(tǒng)計(jì)錯(cuò)誤率的存在，那就是100%的正確率，也就是說(shuō)沒(méi)有不確定性的存在。如果有這樣的數(shù)據(jù)，就不需要做任何統(tǒng)計(jì)上的假設(shè)檢驗(yàn)了）。也就是說(shuō)，如果實(shí)際不存在相關(guān)性，我們?cè)试S100次假設(shè)檢驗(yàn)中出現(xiàn)5次錯(cuò)誤相關(guān)。這就是以上例子中出現(xiàn)虛假相關(guān)的原因。 在面對(duì)龐大的海量數(shù)據(jù)和超多維度的因素時(shí)，當(dāng)同時(shí)對(duì)一個(gè)數(shù)據(jù)進(jìn)行許多檢驗(yàn)測(cè)試時(shí)，不可避免會(huì)出現(xiàn)虛假相關(guān)。如何處理這個(gè)問(wèn)題，統(tǒng)計(jì)學(xué)上還在做著進(jìn)一步的研究。無(wú)意義顯著性(meaningless significance)還有一種情況我們稱為無(wú)意義的顯著性 (Lin, Lucas, & Shmueli, 2013)。當(dāng)我們做兩組數(shù)據(jù)的分析比較時(shí)，如果A組，B組各只有1000個(gè)數(shù)據(jù)記錄，我們測(cè)試兩組數(shù)據(jù)的平均值是否一樣，結(jié)果告訴我們統(tǒng)計(jì)學(xué)上無(wú)意義。也就是說(shuō)，這兩組數(shù)據(jù)的平均值無(wú)統(tǒng)計(jì)學(xué)上的差異。但當(dāng)數(shù)據(jù)記錄達(dá)到上萬(wàn)上百萬(wàn)時(shí)，測(cè)試的結(jié)果告訴我們統(tǒng)計(jì)學(xué)上是有意義的了。這又是怎么回事？我們回到源頭上去看，為什么要做兩組數(shù)據(jù)的統(tǒng)計(jì)分析比較？不可以就算出兩組的平均值，比一比他們是否相同嗎？當(dāng)然不可以，因?yàn)槲覀冋嬲Ｍ治霰容^的結(jié)果是能夠反映100%總體數(shù)量數(shù)據(jù)的客觀現(xiàn)象。單純孤立的比較兩組各1000個(gè)記錄的平均值，就是比大小，比出來(lái)的結(jié)論不能推廣到100%總體數(shù)量數(shù)據(jù)的客觀現(xiàn)象上。但這兩組數(shù)據(jù)等同于100%總體數(shù)量數(shù)據(jù)嗎？ 當(dāng)然不是，就算是海量的大數(shù)據(jù)也并不能100%等同于總體數(shù)量數(shù)據(jù)。這樣我們分析總結(jié)出的這兩組數(shù)據(jù)的一些統(tǒng)計(jì)指標(biāo)就會(huì)和總體數(shù)量數(shù)據(jù)的統(tǒng)計(jì)指標(biāo)有一定的偏差。這個(gè)偏差一般有一個(gè)下限和上限，我們稱為置信區(qū)間。真實(shí)的總體數(shù)量數(shù)據(jù)的統(tǒng)計(jì)指標(biāo)就落在樣本數(shù)據(jù)統(tǒng)計(jì)指標(biāo)的左邊或右邊的一定范圍內(nèi)（置信區(qū)間）。好了，我們實(shí)際要看的是A組總體數(shù)量數(shù)據(jù)和B組總體數(shù)量數(shù)據(jù)在平均值上是否一樣，換種說(shuō)法就是A組總體數(shù)量數(shù)據(jù)平均值減B組總體數(shù)量數(shù)據(jù)平均值是否等于零： ?，F(xiàn)在我們只有A組樣本數(shù)量數(shù)據(jù)平均值和B組樣本數(shù)量數(shù)據(jù)平均值，表達(dá)符號(hào)就是和。要看的就是A組樣本數(shù)量數(shù)據(jù)平均值減B組樣本數(shù)量數(shù)據(jù)平均值的差值是否等于0： 但我們已經(jīng)知道由于樣本均分差的存在，樣本平均值相減的差值不一定是零，而且這個(gè)差值有一定的置信區(qū)間。那么我們實(shí)際上更精確的說(shuō)是看0是否落在樣本差值的置信區(qū)間內(nèi)（置信區(qū)間的上限和下限和上面提到的第一統(tǒng)計(jì)錯(cuò)誤率是相一致的，有一個(gè)5%的概念在里面，這兒就不詳細(xì)介紹了。反正是否落在置信區(qū)間里否也可以用來(lái)判斷統(tǒng)計(jì)學(xué)上是有意義還是沒(méi)有意義）。落在里面我們就說(shuō)是統(tǒng)計(jì)學(xué)上是沒(méi)有意義的也就是兩組數(shù)據(jù)的平均值是一樣。不落在里面我們就說(shuō)是統(tǒng)計(jì)學(xué)上是有意義的也就是兩組數(shù)據(jù)的平均值不一樣。如圖十一所示：圖十一那為什么在樣本數(shù)據(jù)量為1000和 上萬(wàn)上百萬(wàn)的情況下結(jié)果會(huì)不一樣。這兒我們進(jìn)一步要講的就是樣本數(shù)量和置信區(qū)間之間的關(guān)系了。隨著樣本數(shù)量的增加，樣本差值會(huì)和真實(shí)的總體數(shù)據(jù)差值接近（不一定就是0哦），同時(shí)不確定性會(huì)減小，置信區(qū)間會(huì)縮短，其實(shí)就是估計(jì)的差值越來(lái)越精準(zhǔn)了。這種情況下，就算樣本差值是非常接近0的一個(gè)數(shù)（就是說(shuō)我們都覺(jué)得兩組數(shù)據(jù)的平均值是一樣的了），但是由于置信區(qū)間的縮小，0仍舊會(huì)落在置信區(qū)間的外面（如圖十一，下部分2所示）。這樣一來(lái)，結(jié)果就會(huì)是統(tǒng)計(jì)學(xué)上是有意義的：兩組數(shù)據(jù)的平均值是不一樣的?，F(xiàn)有的統(tǒng)計(jì)方法運(yùn)用在大數(shù)據(jù)時(shí)會(huì)帶來(lái)這樣的一種錯(cuò)誤信息。這是因?yàn)楝F(xiàn)有的傳統(tǒng)統(tǒng)計(jì)方法是針對(duì)小數(shù)據(jù)的，在被提出的時(shí)候，還沒(méi)有面對(duì)過(guò)或想到數(shù)據(jù)量可以如此龐大。如何解決如何改進(jìn)由于這樣的數(shù)據(jù)特性帶來(lái)的問(wèn)題，我們還在研究的路上。羊群效應(yīng)（herding effect）大數(shù)據(jù)時(shí)代，我們的社會(huì)已經(jīng)在越來(lái)越多的把個(gè)人的觀點(diǎn)數(shù)字化，匯總化，并依賴于此做出決策（比如根據(jù)收集到的評(píng)分來(lái)進(jìn)行產(chǎn)品或服務(wù)的推薦）。這一現(xiàn)象在醫(yī)療界也漸漸的變的普遍起來(lái)。好多輔助醫(yī)療應(yīng)用軟件在移動(dòng)平臺(tái)上都會(huì)有使用者的評(píng)分，人們會(huì)根據(jù)評(píng)分來(lái)選擇是否使用一下。某些醫(yī)療網(wǎng)絡(luò)平臺(tái)推出的服務(wù)，比如網(wǎng)絡(luò)問(wèn)診，使用者也可以對(duì)提供服務(wù)的醫(yī)療人員進(jìn)行滿意度的評(píng)分，進(jìn)而影響他人決定是否選擇此醫(yī)療人員來(lái)進(jìn)行問(wèn)診咨詢。利用這種“眾人的智慧”的一個(gè)關(guān)鍵要求是個(gè)人意見(jiàn)的獨(dú)立性。然而，在現(xiàn)實(shí)的世界中，匯總收集的集體意見(jiàn)卻很少是由互不相干的獨(dú)立的個(gè)體意見(jiàn)所組成的。最近的實(shí)驗(yàn)研究證明先前已經(jīng)存在的收集到的意見(jiàn)會(huì)歪曲隨后個(gè)人的決策還有對(duì)質(zhì)量及價(jià)值的認(rèn)知。凸顯出了一個(gè)根本的差異既： 我們從集體意見(jiàn)感知到的價(jià)值和產(chǎn)品本身固有的價(jià)值之間的差異。產(chǎn)生這種差異的原因在于“羊群效應(yīng)” 。羊群效應(yīng)簡(jiǎn)單的描述就是個(gè)體的從眾跟風(fēng)心理和行為。羊群是一種很散亂的組織，平時(shí)在一起也是盲目地左沖右撞，但一旦有一只頭羊動(dòng)起來(lái)，其他的羊也會(huì)不假思索地一哄而上，全然不顧前 面可能有狼或者不遠(yuǎn)處有更好的草。因此，“羊群效應(yīng)”就是比喻一種從眾效應(yīng)，很容易導(dǎo)致盲從，而盲從往往會(huì)陷入認(rèn)知偏差，決策偏差。IBM Watson 研究中心 (Wang & Wang, 2014)使用大規(guī)模縱向的客戶評(píng)分?jǐn)?shù)據(jù)集（亞馬遜的）并建立統(tǒng)計(jì)模型演示了評(píng)分和意見(jiàn)的產(chǎn)生不是獨(dú)立，均勻的過(guò)程，而是創(chuàng)建了一個(gè)環(huán)境進(jìn)而影響以后評(píng)分或意見(jiàn)的產(chǎn)生。體現(xiàn)在這種社會(huì)化的客戶評(píng)分系統(tǒng)中的“羊群效應(yīng)”具體表現(xiàn)為：高評(píng)分傾向于產(chǎn)生新的高評(píng)分同時(shí)抑制低評(píng)分的產(chǎn)生。接下來(lái)的問(wèn)題就是：什么是真實(shí)的符合產(chǎn)品真正質(zhì)量的評(píng)分如果我們能把“羊群效應(yīng)”給剔除出去的話？ 應(yīng)用IBM Wats