京公网安备 11010802034615号
经营许可证编号:京B2-20210330
女人与大数据:大数据时代就是女性的时代
大数据时代,就是女性的时代,女性在基因里就会计算大数据。
很多男性和孩子,其实一直奇怪女性这种特殊的能力。比如小时候你刚进家门,妈妈就以狐疑的语气马上说:“刘志军,你今天是不是没考好?”。比如你刚看一眼手机,老婆就笑:“是不是又是隔壁二狗约你打游戏?”。再比如你刚刚关起门打电话,女朋友一会儿就哭了:“你是不是又背我出去找小三?”。
她们有的时候猜对了,有的时候猜错了。但是总体,正确率高于随机水平。她们错的时候,男人就撇撇嘴,你们女人就爱胡思乱想;她们对的时候,男人就说,女人就是一种敏感的动物,可能感觉器官就敏锐一些。
不管怎么说,这些瞎猜,总体正确率高于随机水平这点,也让男人非常害怕。为了适应这点,男性也形成了相当强的反侦察技能。
有一些研究指出,女性大脑的白质(用于连接各种区域的解剖组织)高于男性。所以把事物连接在一起想象的能力强。也有最近研究表明,女性对“日期”记忆能力强于男性,所以能记住所有生日,纪念日,甚至不重要朋友的一些重大日子。
不管这些结果的真实性,我觉得,这都不是女性最卓越的能力。女人最卓越的能力是长期追踪一些看似不重要的数据,形成自己的“基准线”和“模式”。一旦这些数据点的模式,显著不同于她所熟悉的基准线,她就知道反常。女人在日常生活中不考虑什么因果关系和相关性的区别,俺们信奉的原理就是:“事出反常必有妖”。
讲大数据的人经常讲林彪的例子。林彪打完一场战役,就认真记录一些非常细节不重要的数据,比如缴获枪支,长枪和短枪的比例,战俘的年龄层次,缴获的粮食是高粱还是小米等等,都事无巨细记在本子上面。别人都笑他。但是后来,他就用这些数据来判断哪个地方是敌军指挥部。
女人的干的事情,基本雷同。一个女孩A暗恋男孩B,但通常不直接联系,过了两天我问她要不要叫他一起吃饭,她说,他正在打球。我说你怎么知道?
她说,男孩B平时是早上8点在Gmail邮箱上线,8点半呈现Away状态,这是他出去买咖啡早饭了。9点再次上线后Busy,这是在工作,12点半再次Away就是午餐,晚上一直在线,可能是读文章或打游戏。其哥们C,早上十点上线,全天在线,然后夜里2点还在线上,这是一个晚睡晚起的男生。其另一个哥们D,全天Busy,但是大多数时间都在。但是重要的模式是,每星期有2-3天,他们一起离线或者Away 3-4个小时。结论:他们在一起打球。
我听了以后跪服。我说,你真太棒了,这就是大数据。有人说,真是闲的无聊,难道不能直接问?生活里的小事,随便问问当然无所谓,但是在社交场合不合适问的事情,用大数据能得到答案,难道不是一种卓越能力吗?
最近出了几篇论文,通过数据挖掘人在社交网络上点赞的规律,来预测人的智商,兴趣,等等。其实这种事情,女性经常干。哪个女生敢说,自己没在party之前把所有宾客都Google了个底朝天?在刚开始谈恋爱的时候,把对方的博客,微薄,Facebook,亲朋好友的博客,微薄,Facebook翻了个底掉?
反正我干过:)。信息时代嘛,我干这种事情毫无羞耻心并且认为丝毫不是浪费时间。交朋友,谈恋爱,是比买车买房更重要的事情,产生更深远的影响,所以做背景调查相当重要,对于陌生人尤其重要。
话扯远了,最后扯回到,妈妈当初是怎么看出你考试没考好的,老婆是怎么看出你要出去打游戏,女友怎么怀疑你找了小三的。她们每天都用眼睛观察你眼睛的注视,看了什么,盯了几秒,你洗脸刷牙需要多长时间,多长时间刮一次胡子,你把拖鞋放在哪里,在饭桌上说多少话。
如果你哪天,盯着手机的时间比以往长,牙膏突然挤到水池边,没到重大节日突然刮胡子,拖鞋突然放得很整齐,在饭桌上一句话没有,饭后很快很轻很轻地进了另一间屋子,又很轻很轻把门关上。
这些模式集合在一起,就是“事出反常必有妖”。小时候当你有鬼心思,你妈妈总是第一次猜到,她总是得意的说:“你是我生的,你怎么想我还不知道?”。实际真正的trick并不是她生了你。
是因为她爱着你,她一直细致入微地观察着你,精神上记录着你的各种生物信号,才能达到如此神乎其神的程度。
没有任何传感器和算法能达到母亲的程度,但希望未来能有传感器和算法近似于母亲的贴心,达到数据时代为人带来的真正便利。
我脑子真的不行了,马上要去睡觉。说两句总结,
第一,女性要相信自己入微的观察和大数据能力,并且把这种能力用在更高水平的地方,一定能在这个时代有更强大竞争力。
第二,妈妈,我爱你。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20