編者按：MarkLogic數(shù)據(jù)架構(gòu)師Kurt Cagle分享了他的洞見，缺乏良好的數(shù)據(jù)收集、整理、儲存過程，數(shù)據(jù)分析的結(jié)果只能是垃圾。

大約四年前，興起了數(shù)據(jù)科學(xué)家這一不可或缺的行當(dāng)。搞技術(shù)的紛紛扔掉讀大學(xué)時老舊的統(tǒng)計(jì)學(xué)課本，花了很多時間重新學(xué)習(xí)Python Pandas和R，還有最新的機(jī)器學(xué)習(xí)理論，添置了新款的白大褂。我知道我就是這么做的。

如果你曾經(jīng)是個Hadoop開發(fā)者，那數(shù)據(jù)科學(xué)也是一個好去處。畢竟所有人都以為不會map/reduce的數(shù)據(jù)科學(xué)家不是一個好數(shù)據(jù)科學(xué)家。這甚至可能延緩即將到來的Hadoop企業(yè)的崩潰到幾年之后，伴隨著印度程序員作坊大量炮制數(shù)以千計(jì)的新Hadoop程序員和數(shù)據(jù)科學(xué)“專家”，以趕上下一個大趨勢。

公司以最高的價格為此買單。Nasdaq上的每家公司都給數(shù)據(jù)科學(xué)家開出高薪，以免因?yàn)楹笾笥X而受到競爭對手的沖擊。同時銷售經(jīng)理和C開頭的那些執(zhí)行官也可以指望早上啟動iPad后可以實(shí)時看到公司運(yùn)轉(zhuǎn)得有多好?？刂泼姘逶?jīng)變成一大社會地位象征——資深的執(zhí)行官享有超級奢侈的執(zhí)行面板，基于3D可視化技術(shù)和實(shí)時動畫散點(diǎn)圖，而相對初級的同事得到的是2D平面版本，只有最少的總結(jié)。

然而，到目前為止，并沒有什么真正的改變。數(shù)據(jù)科學(xué)家（大多數(shù)是高學(xué)歷人士，在制藥分析和高級材料工程這樣的領(lǐng)域具有多年經(jīng)驗(yàn)）將逐漸意識到，他們需要處理的數(shù)據(jù)的質(zhì)量……好吧，不帶任何貶低地說，糟透了。人們被引導(dǎo)了，相信因?yàn)樗麄冇斜椴几魈幍某汕€數(shù)據(jù)庫，因此他們的組織有海量的數(shù)據(jù)，并且大部分——如果不是全部的話——數(shù)據(jù)是有價值的。

那些數(shù)據(jù)科學(xué)家將發(fā)現(xiàn)，情況與此相反，大部分?jǐn)?shù)據(jù)都是過時的，格式不對，數(shù)據(jù)模型適用于創(chuàng)建數(shù)據(jù)的程序員當(dāng)時需要的應(yīng)用。大量數(shù)據(jù)是在電子表格中，在缺乏任何流程、控制和遠(yuǎn)見的情況下，被反復(fù)修改。這些記錄離真相很遠(yuǎn)，有太多數(shù)據(jù)是缺乏文檔的一次性數(shù)據(jù)，列名會是MFGRTL3QREVPRJ之類的，鍵也絕對是不一致的。

換句話說，他們擁有的數(shù)據(jù)基本上對任何分析而言都毫無用處，離那些擅長制藥試驗(yàn)日常測試結(jié)果分析的人心目中的分析更是差了十萬八千里。

現(xiàn)在你拿著15萬美元的年薪為業(yè)務(wù)代表提供控制面板，這些業(yè)務(wù)代表對統(tǒng)計(jì)學(xué)一無所知，但對需要百萬美元和授權(quán)才能玩轉(zhuǎn)的事情無能為力。你的數(shù)據(jù)雜亂不堪，還有相當(dāng)多的數(shù)據(jù)完全無用，但是說服業(yè)務(wù)代表重建數(shù)據(jù)庫會嚇哭他們的，因?yàn)檫@需要幾百萬美元，而且看起來并不必要。你當(dāng)然可以直接向他們?nèi)鲋e，草草裝配一個隨機(jī)數(shù)生成器，說不定提供給他們的數(shù)據(jù)還比他們知道得要準(zhǔn)確一點(diǎn)。但和數(shù)據(jù)打交道的人可不習(xí)慣撒謊，因?yàn)檫@和他們的基本目標(biāo)——盡可能地精確背道而馳。那么你會怎么做？

現(xiàn)在我得戴上我語義布道師的帽子，告訴你應(yīng)該開發(fā)一個語義數(shù)據(jù)倉庫。你真的應(yīng)該這么干，它并不沒有那么難，卻能提供一些實(shí)實(shí)在在的收益。不過我也會說它不是一個魔法般的解決方案。它讓你更容易以易于處理的格式獲取數(shù)據(jù)（或者有助于查明哪些數(shù)據(jù)是垃圾，可以直接刪除）。然而，現(xiàn)實(shí)是，這并不是一個數(shù)據(jù)科學(xué)問題——這是一個數(shù)據(jù)品質(zhì)和本體工程問題。

所以，讓我說得更清楚一點(diǎn)，讓那些穿著執(zhí)行官的衣服的人也可以理解。你有數(shù)據(jù)問題。你的數(shù)據(jù)科學(xué)家具備各種有用的工具可以呈上數(shù)據(jù)分析的結(jié)果，然而沒有優(yōu)質(zhì)的數(shù)據(jù)，他們產(chǎn)出的東西完全是無意義的。這不是他們的錯。這是你的錯，你期望酷炫的控制面板能為你贏得一千萬美元的合同的每一天，都是在浪費(fèi)時間，都是看著錢從你那里流走的一天。

你的工作可不簡單。你需要做的是首先確定你實(shí)際需要追蹤的信息，接著花時間和你的數(shù)據(jù)科學(xué)家以及數(shù)據(jù)本體學(xué)家（data ontologist）討論下需要哪些數(shù)據(jù)。別指望指著一個數(shù)據(jù)庫，然后數(shù)據(jù)會魔法般地出現(xiàn)在那里。

數(shù)據(jù)庫總的來說是讓程序員用來編寫應(yīng)用的，而不是提供公司內(nèi)部的深層測度的。坐下來查看下你現(xiàn)在具備的資源，你需要理解那些依賴這些數(shù)據(jù)庫完成他們的工作的人會非常不情愿給你訪問權(quán)限，特別是這些權(quán)限可能導(dǎo)致他們擔(dān)責(zé)的時候。此外，你還需理解大多數(shù)數(shù)據(jù)庫的文檔都很糟糕（這已經(jīng)算好的了，其實(shí)大多數(shù)數(shù)據(jù)庫根本沒有文檔），因此需要基于隱晦的參考進(jìn)行偵破。這稱為病理計(jì)算，大多數(shù)程序員都討厭干這個，因?yàn)檫@意味著猜測其他程序員的大腦，這些程序員很可能已經(jīng)離職了，水平不明，忘記了十年寫的東西是什么意思。

關(guān)系數(shù)據(jù)湖（relational data lake）并沒有解決這個問題。數(shù)據(jù)湖解決的問題是讓同一個主機(jī)可以訪問所有數(shù)據(jù)。對于病理計(jì)算而言，這是必要的部分，但它既不是最難的部分，也不是最昂貴的部分。最昂貴的部分是搞明白數(shù)據(jù)到底意味著什么，甚至僅僅是識別出分散的數(shù)據(jù)集談?wù)摰耐患?。這一問題沒有現(xiàn)成的解決方案，如果任何人告訴你有，那他們在忽悠你。

我要再一次植入語義方案的廣告——graph triple store、RDF、ontology management等等。這些不是開箱即用的解決方案，卻是使病理分析得以實(shí)行的工具，并能將管理這些過程的手段交到程序員手中。

然而，你需要理解，這一切經(jīng)常需要你重新思考數(shù)據(jù)流的整個流程，理解在一開始如何捕獲信息并及早傳入合適的管道。它需要你的程序員和數(shù)據(jù)庫管理員放棄部分自治，基于一個中央化的聯(lián)合存儲工作。它也意味著你作為執(zhí)行官需要更熟悉數(shù)據(jù)管理和數(shù)據(jù)來源。

對大多數(shù)商業(yè)人員而言，這都是一個相當(dāng)激進(jìn)的轉(zhuǎn)變，比讓部分商業(yè)人員做一些IT工作要激進(jìn)得多。然而，今天的商業(yè)正在轉(zhuǎn)變（大部分已經(jīng)轉(zhuǎn)變）為碰巧銷售貨物或服務(wù)的數(shù)據(jù)管理公司。比起管理銷售，今天的CEO的角色需要更多地關(guān)注所在組織的數(shù)據(jù)輸入和輸出，確保數(shù)據(jù)的品質(zhì)盡可能好。這并不僅僅是為了應(yīng)對合規(guī)性要求，而是因?yàn)閿?shù)據(jù)的完整性對這些公司在市場上的成功至關(guān)重要。

這意味著你需要和你的執(zhí)行數(shù)據(jù)團(tuán)隊(duì)確定你需要知道和想要知道的信息的范圍，以及哪些信息是無關(guān)的，然后確立必要的流程收集和商業(yè)需求相關(guān)的數(shù)據(jù)。直接指向數(shù)據(jù)庫的一個接口，提取它的內(nèi)容，除了增加磁盤存儲開銷外毫無影響，雇傭數(shù)據(jù)科學(xué)家分析垃圾數(shù)據(jù)只會產(chǎn)生垃圾分析。如果你在意的話，它可能很美觀，充斥著梯度和3D特效，但毫無作用。