我们如何遏制埃博拉和 H1N1（俗称猪流感）等迅速传播的疾病？如何确保自然灾害后住在避难所的难民身体健康并免受虐待？我们能否更好地预测并防范从失业、动荡到内战等各种问题？
面向发展的数据分析有能力解决这些以及其他看似棘手难解的问题。但要让分析产生洞见，我们必须有数据输入模型。换言之，数据就是驱动算法的液体燃料。
所幸，数据供给充足：我们每天产生的数据足以帮助回答这些问题及更多问题。但使用这类数据时如何保护隐私，确实令人担忧。比如，若某个非政府组织希望了解人口流动情况，以更好地认识如何预防疾病，它如何获取地理位置数据，并以保障个人隐私的方式加以使用？
答案或许在于数据模型的可移植性。过去的做法是把数据交给政府和非政府组织进行分析，但大型数据集难以管理，传输得越多，隐私面临的潜在风险就越大，遭到滥用的可能性也越高。更现代的做法是“转换思路”，把模型带到数据所在之处。
分析模型开发完成后，导出模型而不是导入数据才更合理。这样，数据就能在其现有的安全地点接受分析——本质上，是把解锁数据洞见的钥匙交给数据所有者。我称之为模型实验室。这种以模型为驱动的大数据分析方法，有望在尝试解决已知问题和验证假设时提高效率。以枢纽为基础的模型实验室，是对基于实地的数据实验室的补充；后者有助于发现那些我们原本不知道该提出的问题。
超级台风带来的启示
分析行业已经在朝这一目标迈进。正如我在 上一篇博客文章中提到的，台风灾后恢复工作就是一个很好的例子。2013年11月，超强台风海燕席卷菲律宾，造成数千人死亡，数十万人无家可归。
为协调基本服务，国际移民组织（IOM）需要了解公民的流动情况。借助分析技术，IOM 在将数据与技术结合后的数小时内，就成功将数据可视化，并提出了此前未曾提出的问题。答案并不总是显而易见。例如，IOM 发现，受灾最严重的城市之一最需要的不是食物或水，而是柴油，以供医院发电机运转，并帮助人们撤离该岛。
IOM 的案例表明，分析技术可以大幅缩短获得洞见所需的时间，但我们还能做得更多。与其把技术带到数据所在之处，尤其是在处理难以移动的大型或敏感数据时，不如直接把模型交给合作伙伴，避免延误获取答案。这也能扩大与非传统合作伙伴的合作，例如电信服务提供商；他们能够在数据留存原处且保持匿名的情况下，基于自己的数据运行模型。IOM 这样的组织一旦拥有预测模型，就能更快地优化疏散路线，或采取措施保障妇女在避难所中的安全，而且可以在问题出现之前采取行动。正如今年的台风黑格比所证明的，这种需求不会消失。
当然，导出模型的用途不止于救灾。无论是抗击埃博拉，还是帮助因战争流离失所的难民，只要数据具有敏感性，移动模型就是合理之举。数据科学家正在认识到，与提供答案所需的数据相比，问题本身的可移植性可能高得多。我的公司正在开展这类合作，我也呼吁业内同行采取同样的做法。分析过去完全由数据驱动，如今则越来越由模型驱动：问题引导我们找到相关数据。而这些数据往往存在于传统来源之外、专有且受隐私保护的壁垒之内。因此，聚焦模型才是明智之举。模型驱动的分析使我们能够提出复杂的多学科问题，并通过众包寻找答案，从而改善人类福祉。
作者：Mikael Hagstrom，SAS Institute 执行副总裁；全球数据驱动发展议程理事会副主席。要进一步了解 IOM 如何运用分析技术开展灾后恢复，请访问此 网站 或 下载 PDF 文件。
图片：2013年8月13日，在柏林的康拉德·楚泽应用数学与计算机科学中心（ZIB），一座用于大规模存储数字数据的机器人磁带库。路透社/Thomas Peter
