引言：前些天，网上热炒“剪刀、石头、布”的研究。研究者发现：赢家出招时，与上次相同的概率大于另外两种。于是，有人给出了游戏的‘制胜策略’.....本文不谈这件事的是是非非，而是就此事谈谈对与大数据的一点认识。

谈到‘概率’，会涉及到两类事物的集合：全集以及其若干子集。这类事物发生时，出现在特定子集的比例是大体稳定的。只有频度是稳定的，才能称其为概率。

在‘剪刀石头布’的游戏中，全集是三种招式，子集则是三种具体的招式。我们可以猜想：三种招式的比例大概是相同的，概率皆为三分之一。过去没人研究这个问题：没有价值而且无趣。但是，如果再深入一点，更换研究的集合，会多少有点意思：每个人的出法是不是一样？男人女人是否一样？大人小孩是否一样？如果结果是一样的，结论就被称为Trival——符合预期的平凡结果。研究也就失败了。还好，研究者发现了一个不太Trival的结果，值得和大家说道说道。

在上述研究中，花费了大量人力物力。能否不花钱，就得到有用或有趣的结果呢？在大数据时代，利用现成的数据，这是很容易做到的。例如：

l 提前退休会缩短寿命。

l 音乐品味预示政治倾向。

l 素食主义者很少误机。

l 选举之后，犯罪率会上升。

l 冰激凌销售越多，被鲨鱼咬伤的人就越多。

l ..........

这些结果有个共同的特点：某件事情发生的概率是不Trival的。换句话说：某个事件的发生概率与另一个事物相关。这种现象在统计上叫做相关性。

有人提出：大数据研究的重点是相关性，而不是因果性。其实，后半句完全是画蛇添足，很容易误导初学者。事实是：对许多事情来说，相关性就是最终需要的结果，没有必要研究因果性；而另外一些事情，必须找到因果性才知道如何利用。“相关性”为什么就够了呢？这让我想起一件事情：

20年前，金庸接受姜峰采访，谈到他喜欢的女孩子。他提到一句西方谚语：Taste No Argument——喜好是没有理由的。一个人喜好买什么书、穿什么衣服、找什么女朋友，往往与个人喜好相关。事实上上，成功应用大数据的例子，往往与个人喜好相关。与喜好有关的事情是没有理由的。对商务活动来说，知道相关性就够了，为啥去要研究因果行呢？

当然，爱思考的人应该进一步追问：大数据研究的本质真的是研究相关性吗？其实，研究相关性也是一种表象，真正要做的是研究概率的存在性和对特定变量的依赖性。如前所述，相关性的本质只是概率分布不均衡的表象。大数据研究的本质是发现并确认概率分布的不均衡性。众所周知，概率分布不均衡是绝对的、均衡是相对的。所以，不均衡性是需要仔细确认的，只有发生频度稳定、可重复时，才能称为概率。

这种认识看起来无聊，实则包含了方法上的差异：谈到相关性，很多人只是简单地计算相关系数，而不去考察分布的稳定性。事实上，单独一个集合中的结论，是无法自证稳定性的。要研究结论的稳定性，需要对数据进行分组。只有再各个分组中都稳定的结果，才是稳定的。事实上，分组的方法也很重要。分组不合理时，很容易出现稳定性的假象。所以，更合理的办法是：从不同的维度进行分组。也就是说，大数据分析首先要做的是确认事实：确认一种存在、一种带有随机性的存在、一种统计规律的存在。所以，观点的不同，会带来方法论的完全不一样。

有些时候，人们得知相关性就够了。知道‘买啤酒的往往买尿布’后，把啤酒放在尿布附近的货柜上，就可以增加销量。但是，知道‘冰激凌销售越多，被鲨鱼咬伤的人就越多’，就要限制销售冰激凌吗？所以，有些知识的使用价值依赖于因果性。

某种意义上说：研究因果关系，就是进行科学研究。事实上，大数据为人们提供了一种新的科学研究途径和方法，是历史性的进步。科学家们为大数据欢呼，也就不奇怪了。不久前，有位朋友写了一本有关金融哲学的著作。我对他说：你说的哲学问题，在大数据时代或许可以变成科学问题了！大数据带来的东西，确实是难以估量的。

除了科学家，工程师也需要知道因果性。否则，错误的决定很可能会带来巨大的损失。笔者认为：因果性的研究，应该以相关性研究为基础，同时兼顾领域知识，甚至需要进行实验、建模和仿真。这大概就是人们所说的‘数据科学’。

或许可以说：与工业大数据相比，商务活动中的大数据研究只是一个初级阶段。