京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据不应成为作恶的工具
牛津大学互联网学院教授维克托·迈尔-舍恩伯格曾以《大数据时代》《删除》两本看似“自相矛盾”的著作炸响了大数据的深潭,前者着重挖掘大数据的价值,而后者则指出在记忆不可磨灭状态下大数据对我们的生活造成的困扰,两书呈现了大数据的两面性。然而,在现实应用中,前者在商业及金融领域的潜在价值被不断挖掘,而《删除》中那些啼笑皆非的案例,总是被人们选择性遗忘,在大数据的裹挟下,我们正在进入被操控的“黑箱社会”。
美国马里兰大学教授弗兰克·帕斯奎尔所著的《黑箱社会:控制金钱和信息的数据法则》,分析了在互联网时代,各类数据收集挖掘企业是如何仔细检索、审视我们的生活和习惯,设置我们的生活议程,控制我们的视野范围,甚至左右社会的政治走向。帕斯奎尔可谓是向社会不公现象宣战的斗士,他曾在美国众议院的司法委员会上叫板谷歌、微软、雅虎,与他们的法律总顾问对峙。在书中,作者再燃愤怒之火,剑指这些掌握信息技术大权的互联网大鳄如何操控我们的生活,设置不平等的规则,将他人的命运甚至是整个经济社会的未来操纵于掌心。
所谓“黑箱社会”,是指在我们看不到的角落,有潜在的法则在暗暗起效,被黑色幕布遮掩之处,恰是人们的隐私、权益被暴露、利用、加工贩卖的狂欢之所。现代社会,人们已经无法查清自己被“贩卖”的次数,从第一次接到“神机妙算”的电话,到手机被各种借贷、炒房信息轰炸,再到自己被各种购物网站服务得“无微不至”,其实我们已经在大数据的牵引下,成为信息时代的透明人,是无数利益机构“精准营销”、“策略营销”的对象。
假如仅仅是商业上的“超服务”,尚在可接受的范围之类,但假如我们在互联网中留下的所有蛛丝马迹都被过度解读,无限联想,对于我们来说则可能是一场灾难。比如,A君在网上购买了一些糖尿病辅助食品,则被有心的大数据运营公司记录为“糖尿病患者”,而后他在求职过程中屡屡受挫,他始终不清楚导致他被拒的原因是他“被糖尿病”了。大数据带来的误解令我们百口莫辩,甚至年少轻狂时在网上偶发的言论都被当成“呈堂证供”。
大数据技术在给人们带来便捷的同时,也渗透进了人们生活的所有公共和私人空间,在人们完全不知情的情况下,我们的行为、特征、语言,被一遍遍计算、算计,它给我们贴上各种各样的标签,影响我们的日常生活,我们却鲜有申诉的权利。没有人能完全明了在数据的黑箱里究竟装了哪些运算法则,没有人能够在智能计算中“独善其身”。
技术秘密是大型互联网企业的万用挡箭牌,即使是在立法机构的一次次调整中,互联网企业也总能在现实的变通中,完美规避法律,毕竟没有哪个政府部门会在互联网时代拥有比企业更灵敏的嗅觉和快速的反应能力。
以书中所示的英国“Foundem”垂直搜索引擎公司来说,作为搜索领域的新生儿,简直是被谷歌玩弄于股掌之间,只要谷歌对其作出搜索降级的“处分决定”,它就难以在用户搜索关键词“价格对比”时出现在靠前的页面中,这对于一家互联网企业而言无异于灭顶之灾。只要谷歌稍动手脚,一家风光一时的企业就会在互联网中石沉大海,而谷歌想捧红哪家企业,也只要将其置顶,这家企业就会拥有源源不断的点击率。当公众质疑其搜索结果的公正性时,谷歌总会有相当多的理由以及技术秘密用以搪塞用户,只要谷歌不掀开自己的“技术黑箱”没有人知道里面究竟装的是规则与秩序,还是权利与利益。在流量为王的时代,谷歌仿若商业世界的帝王。当然,拥有这种权利的互联网企业,绝不仅谷歌一家,脸谱网、推特这些大型互联网企业在各自的领域亦有着相似的能量。
在美国的政治竞争中,互联网企业也会扮演重要的角色,它们甚至可以决定人们对这位候选人的认知度和整体印象,还可以设置话题议程,左右舆论风向,其强大的排序能力已经远远超出了其技术所应伸出的触角。一个被大型企业垄断的世界同独裁统治的世界一样是可怕的,一股缺乏有效制衡的“超力量”必然会不断地制造社会的“暗箱”,将规则与公平关进笼子里,而放出来的则是金钱与权利的欲望之火。
认清政府、大型企业之间的利益关系,更有助于我们看到很多社会问题的成因。就如同华尔街的贪婪并不能一味从金融大鳄身上找问题一样,其背后错综复杂的利益格局,信用评级机构、金融监管者及立法者之间相互缠绕的关系,才是问题的症结所在。在本书中,作者也用相当篇幅介绍了在金融领域“大数据”作恶的案例,其背后同样是人对数据的误用与滥用。
在《删除》中,维克托·迈尔-舍恩伯格曾就针对大数据带来的诸多社会病提出了以“删除”为核心,包括数字化节制、保护信息隐私权、打造良性的信息生态在内的六大对策。在《黑箱社会》中,作者继续进行了一些思路及方法上的探讨,虽在深度及广度上有所进步,可两位作者同样陷入了从揭露问题到提出希望式的书写。理论上正确的方法需要更多与现实短兵相接的能力,美好希望在现实中总会遭遇种种挫折尴尬。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在Power BI数据可视化分析中,切片器是连接用户与数据的核心交互工具,其核心价值在于帮助使用者快速筛选目标数据、聚焦分析重点 ...
2026-04-23以数为据,以析促优——数据分析结果指导临床技术改进的实践路径 临床技术是医疗服务的核心载体,其水平直接决定患者诊疗效果、 ...
2026-04-23很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标是所有企业都需要的”“哪些指标是因行业而异的”“北极星指标和 ...
2026-04-23近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15