作者：Rebecca J. Rosen 译者：shierzou
军事战略家约翰•博伊德（john boyd）花了不少时间考虑如何才能打赢每场战役。基于其战斗机飞行员的经历，他把观察事物并对此做出反应的过程分解成为四步：观察、适应、决定和行动的循环（OODA）。他认识到对抗行为包括观察周边环境、适应敌人的思维方式及你所处的环境，决定行动路线，之后付诸行动。
其实，循环的最重要部分并未包含在OODA循环中。事实上，这是一个循环系统。早期的行动结果反馈回来指导下一次的行动，以便能有所改进。随着时间的流逝，战士上“进入”其对手的循环系统，以智慧和谋略取胜。这个系统能自我学习。
博伊德的天才之处在于认识到要赢得战争须具备如下两点：首先，能更好地收集并分析信息；其次，能更快处理这些信息并将所掌握的信息融入下一个循环中。今天，博伊德在驾驶舱掌握的本领被应用到几乎每个领域。
数据泛滥，数字化加快
我们的一生时刻被淹没在价格低廉的信息海洋中。我们需要好好地采集并分析信息。学会区分良莠，去糟粕取精华。克雷•约翰逊（ClayJohnson）认为，我们需要进行信息减肥且充分阐明了有意识消费的理由。在 “信息肥胖症”的时代，我们需要均衡饮食，毕竟称“一餐”还是有缘由的。
并不仅因为数据过剩使得博伊德的深刻见解如此重要。在过去的20年中，很多人际间的互动从现实世界转移至网络世界。当人与人之间的相互作用变成数字化形式，这些互动便是同时发生、交互式且极易复制。你若有事要通告全世界，就如同找个朋友倾诉那么简单。而且现今的购物被减化成为只是按几下键而已。
从现实世界至网络世界的转变可将所有行业的摩擦系数减至零。青少年们因嫌电子邮件太慢而选择用即时通讯软件。世界被数字化意味着围绕着OODA的循环往复比以往加快了许多，且未来仍将继续加快这一循环。
我们被淹没在数据的海洋中。网络比现实转得更快。我们残留下来的适合丛林生存的人脑是跟不上网络节奏的。至少，有了博伊德的理论则另当别论了。在智能手机既是传感器又是终端机，且人手一部的社会，不管是在家还是上班，我们需要采取更好的办法来观察和适应环境，以解决世界难题或计划休闲娱乐。而且我们还需要不断地作出决定、付诸行动和实验，将已学的知识应用至未来的行动中。
我们现正迈向反馈经济时代
大数据供应链分析
仔细想想一家公司是如何收集、分析和处理数据的。
我们将按顺序探讨各部分。
数据收集
数据供应链的第一步是首先获得数据。
我们可通过各种公共或私人渠道获得信息。我们处在一个纷繁杂乱的网络世界中；且随着低成本数据市场的出现，要想以相对较实惠的价格获得几乎所有的宝贵数据皆有可能。从社交网络情感至天气预报、经济指标或公共信息均可成为大数据加工厂的素材。除此之外，我们还有和特定组织相关的数据，例如，购物人流量、呼叫中心呼叫量、产品召回量或顾客忠诚度指标等。
收集数据的合法性有可能比第一时间获得数据存在更大的限制。有些数据受严格管制——健康保险流通与责任法案（HIPAA）规范着医疗保健行业而PCI制约着金融交易。 在其他情况下，合并数据可能是非法的，因为涉及到个人身分识别信息（PII ）。例如，法庭对网络地址（IPaddresses）是否为个人身份的判决意见不一。不过，加州的最高法院裁定邮政编码为个人信息。明确这些管制条例，为哪些数据可收集且该数据是否能合并，提出了一些强制性的约束。
普适计算机（ubiquitous computing）时代意味着每个人也都是潜在的数据来源。智能手机可感知光线、声音、动作、位置，附近的网络和设备及更多的相关功能，使其成为理想的数据采集器。随着消费者选择客户忠实计划及安装应用程序，他们也变成为能为数据供应链提供数据源的传感器。因为海量的信息或信息处理要达到的速度，收集大数据，是一项很具挑战性的工作。要完成这两项要求都需要使用新的方法和架构。
数据的摄取和清除
数据一旦收集好了，就必须摄取进来。按传统的经济情报（BI）的说法，这被称为ETL过程，即提取、转换、和加载数据：把信息准确地输入正确的数据库表单中，并对某表格进行处理以便更易使用数据的行为。
但是,大数据的一个最显著特征是非结构化。那意味着在着手分析这些数据前，我们并不清楚这些信息的内在的架构。我们可能仍会对信息进行转换——例如，用城市名称替代网络地址；或用匿名来代替单向散列函数（one-way function）——但我们还可保持源数据，而且只是在分析数据时才定义其结构。
硬件的发展
我们所摄取的数据需要经过人或机器的分析。这意味着硬件派上用场了。硬件是以计算、存储和联网的形式存在的。大数据并不会改变这一点，但确实改变了其用途。例如，虚拟化能让操作员临时启动多台机器，一旦数据处理完成后便可把这些虚拟机器清除掉。
云计算对大数据来说是一大福音。因不用预先投资，按消费付款打破了许多阻碍组织利用大数据集的壁垒。从各方面来说，大数据让云（网络）有用武之地。
平台的发展
大数据的新颖之处在于我们所创造的用来快速处理海量信息的平台和框架。加快数据分析的一个方法是，将数据分解成若干部分，以便能进行并行分析。另一种方法是，建立一个文档处理步骤的路径，每个步骤对特定的任务进行最优化。
大数据常常需要迅速出结果而不仅仅是处理大量的数据。这一点很重要，原因有二：
大多数现今需要处理的大数据与用户界面和网络有关。如建议哪种书好看，或得出搜索结果或找出最好的航班等，这些均是要求在下载一页纸的内容所需时间内给出答案。实现这种目标的唯一方法在于把任务分派出去。这就是为何谷歌有将近一百个服务器的原因之一。
我们反复地分析非结构化数据。正如我们首次探索资料集，不知道哪一项数据是重要的。如果按年龄划分会怎样？按国家过滤呢？按买价排序？按性别分别出结果？这种“如果”式的分析，本质上是探索性的；且只有分析员能自由发挥潜能进行探索时，他们的分析才有成效。大数据有可能非常庞大。但如果不迅速进行处理则这只是一堆晦涩难懂的数据而已。
围绕着现今大数据处理公司的炒作便是对商业智能(Business Intelligence) 变相加工的结果。几十年以来，公司依赖的是结构化的关系数据集和数据库——很多公司无法处理数据探索、缺少结构、速度和大数据的大规模应用。
机器学习能力的演进
一种对大数据的看法是“数据太多了无法用手工处理”。对于今天我们想要分析的大部分数据来说，让离开了机器帮助则寸步难行。机器在摄取信息阶段便介入帮忙了。例如，自然语言处理试图读取非结构化的文本并推导出这些数据的含义：这位博客的心情是喜还是悲？这个呼叫中心是记录良好还是惹恼了顾客？
在数据供应链以外的地方，机器的学习能力很重要。如果我们要分析信息，我们要试着在一片嘈杂声中寻找出信号、辨别出模式。
人类不能单靠自己很好地找出信号。就像天文学家使用算法扫描漆黑的夜空以搜寻相关信号，之后，自行证实任何可能的反常现象一样，数据分析家们也可利用机器从数据中发现有意思的维度、分组规律或组成模式。机器比人类更能在较低的信噪比下工作。
人类探索的发展
尽管机器学习对数据分析师来说是一个重要的工具，但是人类的眼睛和耳朵是无法替代的。为延伸多维视觉的界限，而用人类可读的形式来显示数据，并非易事。虽然现今，大部分的分析师使用电子表格或使用较简单的查询语言，这些都将随之改变。
提倡改善人机互动的先行者——柯越夫•梅普尔斯（Creve Maples），设计出利用几十个独立的数据源的系统，且在可操作的3D环境下对系统进行显示，并辅之声音和其他信号。梅普尔斯的研究表明，如果我们用这种方式输入数据，分析员常不用花几个小时，而是只需几分钟便能寻找到答案。
这种人机互动要求上述所阐明的速度与并行性；另外还需要新的界面和多重感应环境以便分析师与机器一起埋头处理数据。
数据的存储
大数据所占的储存空间很大。除了原汁原味的实际信息，还存在一些已作改变的信息；虚拟机器用来快速处理数据；通过分析得出的简表和表格；留下的工具所需要的许多格式，以便能与新科技接轨。通常来说，储存是指使用传统的平面文件和相关的数据集加上最近出现的后结构化查询语言（post-SQL）储存系统对云和初始状态的储存。
在数据分析期间及分析结束后，大数据供应链需要进行储存。比较年同期进展情况或随着时间推移的变动情况意味着我们不得不把备份所有东西，包括把算法和在分析数据时的疑问拷贝下来。
分享数据和付诸行动
如果不付诸于行动，所有的这些分析则是白废心机。至于数据的收集，这不仅仅关系到技术——还涉及到法律法规、组织策略和付诸实验的意愿。分析得出的数据有可能与全世界共享也有可能被严加保护起来。
最佳企业与大数据联姻则可做出所有的决定，不管是雇佣和解雇的决定，还是战略规划或市场信息定位等。尽管要收购能处理大数据的科技公司易如反掌，但要改变一家企业的文化却难上加难。从许多方面看，采用大数据处理并不关乎摈弃硬件的问题而是关乎雇员是否要退休的问题。
每次信息技术要发生重大变革时，必然会出现一些似曾相识的拒绝变革的行为。大型主机、客户服务端计算，封包式网路服务架构（packet-based networks）及网络等各新科技的诞生，无一例外面临着诋毁者的攻击。美国宇航局（NASA）研究了艾达（Ada）——第一个面向目标的语言——的失败后，得出的结论是：该项目的支持者盲目乐观自信，且缺乏一种支持性的生态系统以协助进一步推广该语言。大数据及其旁系亲属——云计算——有可能会遭遇类似的人为阻挠。
大数据思维是：实验性的思维；冒的是已衡量过风险且快速地评估风险影响的思维。这与精益创业运动大同小异。这一运动提倡的是快速、反复地学习并与顾客紧密联系。小企业能达到精益，是因为其处于发展初期且其紧贴市场的需求。但大型企业需要大数据和OODA循环以便做出有效应对并加速其循环。
大数据供应链是有组织的OODA回环；是大企业应对精益创业企业的措施。
测量和收集反馈数据
正如约翰•博伊德（john boyd）的OODA循环大部分与循环有关，故大数据的大部分内容也与反馈有关。仅限于分析信息并无什么特别的过人之处。为了运转起来，组织必须从数据分析结果中选择一条行动路线，之后观察究竟发生了什么，再利用这一信息收集新数据或用不同的方法进行分析。这是一个持续优化的过程。这一优化过程将影响到企业的方方面面。
一切以数据为中心
软件正在影响着整个世界。一些垂直市场，包括出版、音乐、房地产和银行曾设立很高的行业准入门槛。现在，因消除了中间商，森严的壁垒也随之被打破了。最后一架电影放映机于2011年结束了其使命：现在，从相机至放映机都采用数字化制作电影。即便联邦快递（FederalExpress）已融入全球供应链，而邮局却举步维艰，原因在于现在没人写信。
那些用反馈系统来武装自己的公司能以较低的成本创建更快更好的东西，从而将成为其所在行业的主宰。那些未能效仿的企业则快走到了生命尽头，很快便成为仅供研究的案例并成为一段活生生的轶事。大数据、新界面和普适计算给我们的生活与工作方式带来结构性的调整。
反馈经济时代
大数据、持续的优化和一切以数据为中心不仅简单地提高企业经营效率，而且还能作好准备迎接更大型、更重要的改变。带着具有时代特征的“毒瘤”和荣光，他们走进了人类的新时代。他们预示着反馈经济的到来。
来自固定不变的、循环往复的反馈回路导致的效率提升与最优化将很快成为商业企业和政府部门的标准。我们正在超越信息经济。不管如何，信息本身并无优势。相反，这是一个反馈经济时代；且从许多方面来看，博伊德不愧为世界上的第一个反馈经济学家。
丽贝卡•J•罗斯（Rebecca J. Rosen）是《大西洋月刊》的副主编。她曾是《威尔逊季刊》（The Wilson Quarterly）的副主编；而且是该杂志“本质”专栏的领军人物。
译者注：以下专业术语来自百度百科。
湿件（Wetware）：计算机专用术语﹐指软件﹑硬件以外的其它“件”﹐即人脑﹐也通常指人脑和机器连接起来的设备。
普适计算（Ubiquitous computing 或 pervasive computing），又称普存计算、普及计算，是一个强调和环境融为一体的计算概念，而计算机本身则从人们的视线里消失。在普适计算的模式下，人们能够在任何时间、任何地点、以任何方式进行信息的获取与处理。普适计算是一个涉及研究范围很广的课题，包括分布式计算、移动计算、人机交互、人工智能、嵌入式系统、感知网络以及信息融合等多方面技术的融合。
单向散列函数（one-way function） 又称单向Hash函数、杂凑函数，就是把任意长的输入消息串变化成固定长的输出串且由输出串难以得到输入串的一种函数。这个输出串称为该消息的散列值。一般用于产生消息摘要，密钥加密等。
云计算（cloud computing）是基于互联网的服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。狭义云计算指IT基础设施的交付和使用模式，指通过网络以按需、易扩展的方式获得所需资源；广义云计算指服务的交付和使用模式，指通过网络以按需、易扩展的方式获得所需服务。云其实是网络、互联网的一种比喻说法。