第一章
传统出版业现有数据状况
大数据，正由技术热词变成一股社会浪潮，影响社会生活的方方面面。在以移动互联网技术为代表的信息技术的快速发展和国务院的部署与推动下，我国各行各业都在谋划自己的大数据中心和大数据产业，那么出版业到底有没有大数据？又拥有哪些数据？本章主要从数据类型、数据规模、数据利用三个方面详细介绍我国传统出版业的数据现状。
传统出版业数据多为静态数据
目前，我国传统出版业数据主要有内容数据、发行数据、印刷复制数据、进出口数据、版权数据、出版物元数据、出版业网站数据七类。这些数据中仅有出版业网站数据是实时产生的，其他的数据则多为静态数据。
传统出版业内容数据规模有限
本书对我国传统出版业十年的内容数据进行了详细的统计分析，通过计算得出，2007～2016年我国传统出版业书刊报累计出版内容数据量（不含复本数）为2.87TB。可见，最近十年正式出版的书刊报累计内容数据量规模在TB级别，就某个单一出版单位或出版物来说，其数据规模仍然比较有限。
数据更多被用在宏观统计方面
目前，我国传统出版业的各种数据更多地被使用在宏观统计方面，同时在趋势分析、选题策划、营销发行等方面也有所应用。这些数据给出版业在整体发展方向上提供了一定的借鉴和指导意义，但还谈不上数据驱动。
2011年，麦肯锡发布了第一份从经济和商业维度诠释大数据发展潜力的专题研究成果——《大数据：创新、竞争和生产力的下一个前沿》，首次系统地阐述了大数据的概念。接着，全球互联网巨头都开始意识到“大数据时代”的到来以及数据的重要意义。几乎所有世界级的互联网企业都将业务触角延伸至大数据产业，包括EMC、惠普、IBM、微软在内的全球IT巨头纷纷通过收购“大数据”相关厂商来实现技术整合。2012年3月22日，美国政府宣布投资2亿美元拉动大数据相关产业发展，将“大数据战略”上升为国家战略。有媒体将2013年称为“大数据元年”。大数据，正由技术热词变成一股社会浪潮，影响社会生活的方方面面。我国各行各业也都开始谋划自己的大数据中心和大数据产业，利用大数据精准分析行业现状、服务行业发展成为各行各业的普遍共识。各行业已陆续开展大数据技术的探索、尝试与应用，出版业也势在必行。但是，出版业真的有大数据吗？
一种在互联网上广泛流传的说法是：互联网上一天所产生的数据可以刻满1.68亿张DVD；发出的邮件有2940亿封之多（相当于美国2年的纸质信件数量）；发出的社区帖子达200万个（相当于《时代》杂志770年的文字量）；卖出的手机为37.8万台，高于全球每天出生的婴儿数量37.1万。截至2014年，数据量已经从TB级别跃升到PB、EB乃至ZB级别。
这一组数据的潜台词似乎在告诉我们：传统出版业的数据量其实是非常有限的。那么传统出版业的数据量究竟有多大？是否够得上“大数据”？
2013年3月20日，“中国IDC圈”网站上发表了一篇文章——《印象：人类生产的印刷材料数据量达200PB》。文中是这样表述的：“随着信息技术的发展，互联网已进入人类生活的方方面面，随之产生的数据也呈现爆发性增长。有数据显示，到2012年，人类生产的所有印刷材料的数据量是200PB，而过去2年产生的数据占人类历史数据总量的90%，并且预计到2020年，人类所产生的数据量将达到今天的44倍。”
这篇文章告诉我们，人类从印刷术发明以来，全部印刷品的内容数据量是PB级别，至于传统出版业的内容数据量，肯定少于这个数字，因为印刷品不一定都是出版物。但遗憾的是，这篇文章在提到“200PB”时，并未说明计算方法，亦未注明数据来源。
另一篇提到“200PB”的文章是2015年4月21日发表于“36大数据”网站上的《报告：数据大爆炸，“互联网+”基础设施数据中心大发展（上）》。该文写道：“国际数据公司的研究结果表明，2008年全球产生的数据量为0.49ZB，2009年的数据量为0.8ZB，2010年增长为1.2ZB，2011年更是高达1.82ZB，相当于全球每人每年产生200GB以上的数据。而到2012年，人类生产的所有印刷材料的数据量是200PB，全人类历史上说过的所有话的数据量大约是5EB。”该文提到了国际数据公司，且明确说明“200PB”数据是摘自中信证券分析师陈剑、李伟和王浩冰的云计算/IDC行业专题研究报告《数据大爆炸，数据中心大发展——“互联网+”基础设施之二》一文。
为此，我们特意购买了中信证券的报告。中信证券的报告是这样表述的：“国际数据公司的研究结果表明，2008年全球产生的数据量为0.49ZB，2009年的数据量为0.8ZB，2010年增长为1.2ZB，2011年更是高达1.82ZB，相当于全球每人每年产生200GB以上的数据。而到2012年，人类生产的所有印刷材料的数据量是200PB，全人类历史上说过的所有话的数据量大约是5EB。”
中信报告的表述明显让人感觉所谓的“200PB”是从国际数据公司的报告中引用的。但仔细推敲，又会疑惑，因为中信报告中的“而到2012年，人类生产的所有印刷材料的数据量是200PB……”与前面一句话同在一个段落，虽用句号断开，但整段未标引号。因此，究竟“200PB”是不是国际数据公司说的很难确定，好像怎么理解都对。
从网上的文献也可以看出，目前多数关于“大数据”的中文文章，常默认“200PB”为国际数据公司的数据，且将其当成论文的背景予以介绍。也就是说，该数据已被当成公认正确的结论予以引用，甚至它已经成为绝大多数论文立意谋篇的基本依据了。几乎无人质疑过其真实性和出处。多数论文在引用时通常冠以“有数据显示”或“国际数据公司的研究结果表明”，以此来指明出处，并暗示其权威性。
为进一步了解情况，我们又查阅了英文网站上的一些相关文章。一篇发表在highscalability.com网站的文章“How Big is a Petabyte, Exabyte, Zettabyte, or a Yottabyte?”是这样表述的：“200 Petabytes: All Printed Material or Production of Digital Magnetic Tape in 1995”。显然，该文中“200PB”指的是1995年当年全部印刷品或数字磁带的数据量，而非截至2012年的人类全部印刷品的内容数据量。另一篇于2011年2月14日在IBM网站上发表的文章“What's in that 1TB?”，关于“200PB”是这样表述的：“A Petabyte is Thousand TB, or a Quadrillion Bytes. It is Estimated that All Printed Materials on Earth would Represent Approximately 200PB of Information”。
从查到的两篇英文文献看，所谓“200PB”均为其各自独立提到，并未明确指出或含混暗示该数据与国际数据公司有任何关系，且从上下文看，第二篇文章中的“200PB”似乎是为了说明PB的数据量级而举的例子，作者举例时还特地使用了“Estimated”一词，说明不是严谨的科学统计。与此同时，我们又查阅了国际数据公司历年公开发布的报告，也未发现有此说法。
根据以上简单的查询，虽未找到“200PB”的统计方法，但至少证明了一点，它肯定不是国际数据公司的数据。但不管“200PB”具体出自何处，也不管它是如何被统计出来的，此数据被广泛引用至今，至少说明了一点：传统出版业的数据量不大，这种判断与人们的感觉似乎也颇为一致，因此几乎所有人都愿意相信其真实性。如果结合“过去2年产生的数据占人类历史数据总量的90%”的说法，传统出版业的整体数据量在比较中显得更小；如果再减去非出版物印刷品的数据量，传统出版业的数据量则微乎其微，至于单独一家出版单位，其数据量就更微不足道了。
这是互联网上关于传统出版业数据的初步印象，这种印象的结果似乎在暗示“大数据”与传统出版业关系不大。但是，实际情况又真的是这样吗？出版物的内容数据量究竟有多大？现有的传统出版业数据状况又是如何？