### **一、人的天性會傾向于追求因果關系** 人有兩種思維模式： 1. 不費力的快速思維，通過這種方式，幾秒鐘就能得到一個結果。 2. 比較費力的慢性思維，對于特定的問題，需要仔細琢磨，考慮到位。 第一種思維模式使人們偏向用因果關系來看待周邊的一切，即使這種關系并不存在。這種思維方式能夠幫助人們在信息匱乏但又必須作出快速決定的情況下化險為夷，即使而慢條斯理的思考則更容易置身于險境之中。因此，從生物演進的角度，第一種思維模式占據了上風。 即使沒有因果關系，我們也習慣與臆想出一個因果關系，這是一種認知方式，與文化背景、生長環境和教育水平不相關。當看到事情接二連三的發生，我們也會習慣性的從因果關系來看待他們，比如善有善報，惡有惡報。 ### **二、大數據時代，相關關系更重要** 因果關系之外的另一個重要關系，則是相關關系。 因果關系關心“為什么”，而相關關系則關心“是什么”。 在大數據時代，數據不再匱乏，但不可否認的是，社會活動也變得更加復雜，不可琢磨。在很多領域，知道“為什么”可能是有用的，但可能沒有那么有用；反而知道“是什么”，不僅可以高效的解決當下問題，還可以對未來進行一定的預測。 相關關系通過識別有用的關聯物來幫助人們分析一個現象，而不是揭示其內部機理。相關關系強，可能僅僅是一種巧合，也就是說，相關關系不談絕對性，只談可能性。比如對于沃爾瑪，它發現當季節性颶風來臨之前，手電筒和蛋撻的銷售都上升了，這是為什么，他們之間有一個數學公式嗎，這個公式還能推導出其他結論嗎？這個問題的答案對于沃爾瑪的經理來說并不重要，他要做的就是在合適的時機，把這兩種商品擺在一堆兒，以便行色匆匆的顧客將兩種商品都購買走。 也就是說，如果能夠知道因果關系固然也好，但如果能夠指導我下一步該做些什么，也就足夠了。 但并不是說因果關系不重要，不值得探尋，這只是以為大數據建立在務實的基礎上，**能夠將預測的效果與成本控制在合理匹配的程度，能夠支撐商業決策就是最大的價值**。 因果關系的證明本身就是一道難題，你需要進行不斷的實驗，在實驗過程中還要考慮誘因，要盡可能排除誘因的干擾。因此絕對的因果關系是很難斷定的，這也在物理學、化學、數學、生物學等學科研究上已經有充足的案例。 而在大數據時代，證明相關關系在耗時耗物上都會更少，因為以大量的數據作為基礎，事實勝于雄辯，假設帶來的偏見因素更容易被發現，也就使得結論更趨于真實的情況。好比在小數據時代，經濟學家和政治家一直認為收入水平和幸福感是正比。但擁有大量數據基礎后會發現，收入水平在某個水平之下，幸福感才和收入水平成正比；超過這條線，幸福感并沒有呈現出和收入水平有明顯正比的情況。因此政治家在制定政策之時，就可能對這兩類人群進行差異化對待，而不是一味的提高社會的收入水平。 ### **三、重視相關關系，并不是要拋棄因果關系，也不是要宣揚理論無用論** >[info] 在大多數情況下，一旦我們完成了對大數據相關關系分析，而又不再滿足僅僅知道“是什么”時，我們就會繼續向更深層次研究因果關系，找出背后的“為什么”。 上面這段話正是解答了大數據時代對相關關系的重視，并不是要宣揚因果關系無用論。反而是表達出因果關系與相關關系在指導人類社會前行的過程中，所承擔的不同職責。他們是相愛相生的一對。 因果關系，本質上可以用另外一個詞語來代替，就是“理論”。 大數據本身正是在理論的基礎上形成的，比如統計學理論、計算機科學理論等。大數據時代不是理論消亡的時代，相反，理論貫穿于大數據分析的方方面面。數據分析過程中，從浩瀚數據海洋中選擇什么類型的數據；是使用批處理范式，還是流處理范式；采用什么工具……這些問題都離不開理論的發展。 我只想說明，完全沒有必要在相關關系和因果關系非黑即白的選擇陣營，我們只需要明白這個道理： >[info] **大數據時代要釋放出的巨大價值使我們選擇大數據的理念和方法不再是一種權衡，通往未來的必然改變。** :-: