圣兽守护神在目前的国内互联网行业内，跟风之气很重，如此“高大上”的大数据分析怎么能够逃得过各类创业者，风师和行业内人士的法眼呢？因此无数的企业都开始宣称，我们要做大数据分析，大数据分析多么有用多么好，要是不做都不好意思和人打招呼。但是实际上，并不是所有企业和所有的商业模式都适合应用大数据分析，在本文中，我们主要会针对大数据的成本问题来进行探讨。

　　大数据具有4V理念：volume、variety、velocity、value，前三者指数据的容量、类型和传输速度，后者指在前三者基础上实现收集、存储、管理、分析而产生的数据价值。如此问题就来了，如何在前三者基础上实现收集、存储、管理、分析进而使数据产生价值？如何在这个收集、存储、管理、分析的过程中使其成本与所产生的价值成正比？

　　第一，大数据项目需要耗费多少成本；尤其对创业企业的运营过程中，控制成本是一个重点。

　　第二，如何进行大数据的分析。因为利用大数据的价值需要足够的分析能力，需要知道其可能在移动医疗的哪些方面发挥作用并创造价值。

　　对于移动医疗大数据而言，成本应该包含两个方面——技术成本和人力资源成本。这两个成本分别蕴含在大数据的存储和分析中。但是数据分析能力的高低，才决定了大数据的真正价值。可以说，如果没有数据分析，“大数据”只是一堆IT库存，存储成本极高而收益为负。

　　第一章中Dr.2曾经说过，目前国内大多数移动医疗初创企业，以所谓的大数据结尾，都是在耍流氓而已，因为目前他们仍然停留在对大量数据的收集，整理，储存和简单的分析等初级阶段。能够对大数据进行进一步研究、分析和运用的企业少之又少，因为成本太高了！想要从无数的垃圾中搜寻一块金子，首先你需要一个巨大的垃圾存储地，其次还需要耗费很多人力物力来进行搜寻工作，存储和搜寻本身所耗费的成本也许已经超过了金子本身的价值。

　　大数据并非是一个简单的项目，首先就像很多IT项目中所包含的那样，需要如下基础：软件许可和支持、硬件资源、高通量的带宽、存储服务器、完善的组织架构、人员专业技能和服务的培训、客服团队等。

　　不过，大数据分析远远不止如此，很多IT项目在完成后，只需要保留少量人员后续跟进，或者安排机动人员偶尔进行维护即可，但是大数据分析却是一个持续投入，不能间断，越干越多的工作。因为其本质就是对数据进行不停的收集，并进行持续的分析，如果在某个时间段使用数据库中的某一段来分析，那么它本质上就只是小数据而已。所以真实大数据分析的支出和耗费都将会是巨大的，移动医疗的初创企业无法承受，那又何来商业模式呢？

　　从大数据的硬件支出管理方面来看，最初需要的存储需求可能在能力范围之内，但是随着对数据速度要求的提高，那所需要的硬件需求可能会成百上千倍地增加。届时，你需要面对的是大量的硬件支出，以及额外的人员和技术资源用以管理整体环境。如果需要对数据流进行实时分析，要检测假象或有异常的地方，则需要其他的商业工具或数据可视化工具来帮助实现。这又是一笔巨大的成本支出。即使租用第三方服务，如阿里云或亚马逊云，其成本也相差无几。

　　由于大数据分析的规模庞大，移动医疗的小企业即使已经砸锅卖铁开始做了，后续的持续投入也会让大部分人上西天，或者只能造假，人为干预！比如很多可穿戴公司宣称的大数据商业模式，试图收集并分析所有背有传感器的患者的数据，即使这些数据是由机器生成或者已经保存在系统中，但由于这些数据类型、数量和增长速率都各不相同，而且每个人的数据都需要长期保存，按大数据分析的要求，即使是最为细节性的数据也不能随意丢弃。因此随着时间的积累，数据量就会越来越多，直到崩溃。

　　再者，数据库如何保持稳定和可扩展性，如何不被黑客攻击，如何保护数据来源（如患者）的隐私，这些都非三言两语说说那么简单。

　　据麦肯锡咨询公司公布的一份报告显示，到2018年，美国在“深度分析人才”方面将面临14万至19万的人才缺口;在“能够分析数据帮助公司做出商业决策”方面将面临150万的人才缺口。大数据分析职位相关的技能主要包括数学、统计学、数据分析、商业分析和自然语言处理。尽管对这些技能还没有达成一致，但是数据科学家、数据架构师等职位是大数据项目所必须具备的。

　　黎叔曾语重心长地说道：“二十一世纪什么最贵？人才！”所以对于移动医疗行业的大数据项目而言，专业性的数据分析和数据挖掘人才，很难负担的起如此高的人力资源成本。因为大数据的管理和分析对于参与者的收集、整理、统计、概率、数学、计算机、业务理解等方面的能力要求甚高。尽管“能力是可以培养的”，但是这些都不会从天上掉下来。而且移动医疗行业与普通行业不同，既要具有深度的医疗行业背景，又要具备IT、数学、统计学、管理法等的技能，这种人才真是非常难找啊！

　　无论移动医疗初创企业是想把大数据项目外包，还是想自力更生独立自主来做，都需要考虑以上这些成本问题，听起来似乎只有“三个字”,但实际操作就另当别论了。现在各位读者知道Dr.2为什么说一些人在耍流氓了吧，很多人真的只是在忽悠概念，连如何真正落地都没有想过。

　　但故事并没有完，为什么说很多的移动医疗大数据是伪命题呢？这是因为大数据经常存在无意识的偷换概念、条件变异及本身存伪的情况。

　　在我们医疗行业，两个特征是很重要的——敏感性和特异性。敏感性是指患者的临床表现方面，一般不会被遗漏。而特异性是指一种疾病所具有的特征，在临床上，主要是被用来做诊断鉴别的，目的是用以排除易混淆疾病，是确诊某种疾病的金标准。特异性是敏感性的充分必要条件，而敏感性只是特异性的充分条件而非必要条件。具有足够的敏感性不一定就具有特异性，具有足够的特异性也不一定就具有敏感性。

　　即使辛辛苦苦真的搜集来了数据，可能却是毫无用处，这就是因为医疗中独特的特异性与敏感性问题、杂波干扰的问题、一票否决的问题和安全性第一的问题，这些我们将在后面仔细讨论。