Každý lže

Řekněme si to na rovinu – ať už o sobě tvrdíme cokoli, do určité míry lžeme sobě i svému okolí. Ať už v dotazníku o životním stylu trochu přikrášlíme své dobré vlastnosti, nebo zamlčíme podivnosti, kterým se oddáváme, když si myslíme, že nás nikdo nevidí, každý z nás si v běžném životě občas zahraje na klamatele.

S neustále rostoucím množstvím dat, která se shromažďují například prostřednictvím vyhledávání na Googlu, ale můžeme nahlédnout pod povrch a dostat se blíž k pravdě. Díky obrovskému objemu informací o nesčetných aspektech lidské existence – souhrnně označovanému jako velká data – je dnes možné analyzovat odhalující vzorce v našem chování a identifikovat preference, o nichž jsme dříve neměli tušení.

V tomto shrnutí se dozvíte, co nám velká data mohou nabídnout: od informací o našem zdravotním stavu, přes odhalování bizarních lidských zvláštností, až po možnost provádět v podstatě nekonečné randomizované kontrolované experimenty. Zjistíte také, jaké zvláštní preference mají některé ženy, pokud jde o jablka; jak velká data odhalují města, v nichž americký sen stále žije; a zda by se velká data měla využívat k prevenci sebevražd.

Termín „velká data“ jste už nejspíš slyšeli, ale co přesně znamená? Nápověda je už v samotném názvu. Velká data označují obrovské objemy dat – tak rozsáhlé, že si je lidská mysl sotva dokáže představit. Jinými slovy, jde o data, jejichž analýza vyžaduje značný výpočetní výkon, aby bylo možné rozpoznat vzorce.

Paradoxně má ale datová věda přes svůj ohromný rozsah i intuitivní stránku. Když se nad tím zamyslíme, jsme do jisté míry datoví vědci všichni. Autor to ilustruje na své babičce. Během jednoho Dne díkůvzdání mu začala líčit, jak by měl vypadat jeho ideální partner – alespoň podle ní. Měl by být chytrý, milý, vtipný, společenský a hezký (ale supermodelka být nemusí).

Jeho babička měla v osmaosmdesáti letech za sebou dlouhý život a viděla spoustu vztahů, které vznikaly a zanikaly. Využívala roky nasbíraných informací, aby popsala vlastnosti, které podle ní rozhodují o úspěšném vztahu. Jinými slovy, využívala data k rozpoznávání vzorců a k předpovídání, jak na sebe určité proměnné působí – přesně tak, jak to dělá datový vědec.

Přestože je datová věda v jistém smyslu intuitivní proces, samotná intuice ještě není věda. Abychom svůj pohled na svět zpřesnili, musíme nasbíraná data správně využít. Data nám poskytují podklad k potvrzení nebo vyvrácení našich prvotních dojmů. Pomáhají nám identifikovat přesnější vzorce a dělat lepší předpovědi, než jaké by nám umožnila jen osobní zkušenost.

Vraťme se k babičce. Byla přesvědčená, že vztahy vydrží déle, pokud mají partneři společné přátele. Tento názor vycházel z její vlastní zkušenosti – ona i její manžel trávili mnoho večerů s přáteli v newyorském Queensu. Ve skutečnosti ale byl její „vzorek“ příliš malý a tvrdá data ukazují, že se mýlila.

Studie z roku 2014, kterou provedli Lars Backstrom a Jon Kleinberg na datech z Facebooku, ukázala, že páry se společnými přáteli mají spíše větší pravděpodobnost, že svůj stav změní z „ve vztahu“ na „svobodný“. To ukazuje, že intuice nás může dovést poměrně daleko, ale data dokážou zpřesnit pohled i toho nejintuitivnějšího člověka.

Datová věda je užitečný nástroj. To, co ji ale skutečně dělá výjimečnou, není samotné množství nasbíraných dat, nýbrž jejich užitečnost – tedy to, zda z nich lze odhalit vzorce nebo předpovídat budoucí vývoj.

Skvělým příkladem je Google. Vyhledávač, který v roce 1998 založili Larry Page a Sergey Brin, se stal obrem nejen proto, že dokázal shromáždit obrovské množství dat. Jeho výhodou byla především schopnost tato data efektivně využít.

Před nástupem Googlu vám vyhledávače po zadání dotazu „Bill Clinton“ nabídly především stránky, na nichž se tato fráze vyskytovala nejčastěji. Výsledkem byla často spousta irelevantních odkazů. Algoritmus Brina a Page fungoval jinak. Vyšli z předpokladu, že stránka je pro uživatele tím relevantnější, čím více na ni vedou odkazy z jiných webů. Například oficiální stránka Billa Clintona na webu Bílého domu, na kterou odkazovaly tisíce jiných stránek, byla pro uživatele pravděpodobně užitečnější než stránka se stovkou odkazů, i kdyby na ní bylo Clintonovo jméno zmíněno častěji.

Google shromáždil data o odkazech, rozpoznal v nich vzorce a dokázal předpovídat, které informace budou pro uživatele nejrelevantnější.

V následujících částech si vysvětlíme čtyři hlavní důvody, proč jsou velká data tak mocná. Přístup Googlu je dobrým příkladem prvního z nich: velká data jsou zcela novým typem dat. Nabízejí nám stálý proud čerstvých informací.

Před érou velkých dat jste museli čekat, až například americký Úřad pro statistiku práce shromáždí a spočítá aktuální míru nezaměstnanosti pomocí telefonických průzkumů, nebo až Centrum pro kontrolu a prevenci nemocí zveřejní zprávu o míře výskytu určité choroby. Dnes lze potenciálně využít velká data Googlu ke sledování obojího – a přesně to udělal inženýr Googlu Jeremy Ginsberg.

Ukázal, že vyhledávání na Googlu související s chřipkou, jako například „příznaky chřipky“, odrážejí šíření nákazy a lze je použít ke sledování, jak se chřipka šíří v čase a v různých geografických oblastech.