大数据相关性分析方法与小数据的有何不同
这个问题比较有意思，其实不只是大数据下可以利用相关性，小数据的情况下，更好利用相关性，并且这是一种很常用的方法。比如我们统计一个小学班级的学生身高与体重，我们可能发现基本是长的越高，体重越大，这就是两者存在相关性。再比如我媳妇做内容电商，她统计了几十条文章数据，发现标题满足某些规律，下单量就会提升，和文章阅读量大小没有直接关系。当然，在小数据量下，还有个独特的优势，就是我们可以将每个样本都研究一遍，分析一下它为何是这样的属性，也就是分析出原因。也就是说，我们可以得出小数据的因果关系。相反，在大数据情况下，穷举每个样本是不可能了，工作量太大，只能进行抽样，但这容易形成偏差。这样就导致分析因果关系变得非常困难，等到分析清楚了，可能最佳时机已经错过了。那有没有更好的方法，那就是利用相关性的原理，我们直接用程序去统计出一些规律，比如来源于某个渠道的用户，最后转化率更高。那么，我们就在这个渠道多花点钱，利用这个相关性规律。至于为什么这个渠道好。可以慢慢考虑，先利用这个相关性好处再说。甚至有时候，根本不需要再想清楚原因了。
■网友
大数据重预测，小数据重解释
大数据的开放性、公开性和易获得性，社交网络每天产生的大数据可以在一定规则开放性下，通过应用程序接口（API）和爬虫技术采集，一些商业机构和政府组织也向社会研究机构提供各种海量数据源，特别是政府开始提供权威开放数据源。大数据往往带有时间标签，更具预测性。国内外众多机构开始采集海量Twitter和微博上的传播信息和个人属性特征和标签，期望预测社会舆情和社会情感、预测电影票房、预测商业机会，进而期望预测人们的态度和行为。开放、公开易获得数据源是大数据时代的基本特征和产生社会影响本质。
【大数据相关性分析方法与小数据的有何不同】 大数据重发现，而小数据重实证
传统的小数据重实证研究，强调在理论的前提下建立假设，收集数据，证伪理论的适用性，采用随机抽样的定量调查问卷获取数据，验证假设。这是一种自上而下的决策和思维过程。而大数据重发现知识，预知未来，为探索未知的社会现象和发展规律带来机遇。这种预见性是一种自下而上的知识发现过程，是在没有理论假设的前提下去预知社会和洞察社会现象、趋势和规律。 大数据重相关，小数据重因果
大数据重关系，而不关心因果
关注是什么而不关心为什么，尽管大数据依然可以回答因果问题，但因果关系并非来自统计或数据，而是来自研究者的理论和假设。大数据分析更关注数据的相关性测量和商业应用价值。大数据挖掘往往是发现那些不能靠直觉发现的信息和知识，甚至是违背直觉的，有时候越是出乎意料可能越有社会和商业价值。媒体人应该有责任和有能力从数据中发现事物内在规律，发现内在，预警社会。
大数据重全体，小数据重抽样
大数据是商业自动化存储的数据，在软硬件满足的条件下可以分析海量数据。随着存储和软硬件的经济性和分析工具的高性能，海量数据的处理能力得到提升，数据挖掘算法不断改进和丰富，特别是统计分析和机器学习的神经网络建模技术发展，抽样并非是必要的手段和方法论。尽管大数据不一定是总体，理论上讲再大的局部也没有随机抽样更具代表性，但机器学习算法所带来的个性化推荐技术、非线性建模、网络分析、空间地理分析、实时在线的数据可视化分析手段都应成为我们认识世界、感知社会的重要手段和目的。
大数据重感知，小数据重精确
大数据具有变生产边应用，边应用边生产，实时在线分析的特点，往往更关注数据从总体上感知社会，通过大数据的在线可视化技术呈现大规模数据的流动模式，大数据时代背景下的社会治理、舆情研究、智慧城市、智能交通、传染病传播、谣言传播提供了数据基础。大数据同时关注对个体的数据挖掘，个性化推荐，精准营销，传播路径分析等应用领域都具有大数据特点。小数据往往采用显著性检验，统计显著性受到样本代表性和样本量的影响，对数据来源的真实性、无偏性和代表性格外重视。
推荐阅读
- “一部手机读云南”上线力争建成国家方志大数据中心西南中心
- 联合国大数据全球平台中国区域中心在杭州成立
- 银行的数据中心可以跳槽去互联网公司吗
- |大数据赋力 半个多月前拉客的“黑车”精准落网
- 数据采集终端|
- 关于用phpfsocket 写Post， 模拟http 报文怎样写入要传输的处理数据
- |新款领克01竞争力分析：推荐入门版 价格门槛提高2.9万元
- 假如把中国电信监测到的3亿人一个月每天上网的所有行为打个包，哪些数据应该被提出从这些数据能得到啥
- 游戏公司一般咋识别游戏脚本
- 城市数据团是怎么样一个团队