
面对大数据,你可以害怕
在互联网日益繁荣的今天,越来越多人的工作、生活、社交都逃不开百度、腾讯、阿里、360等大小互联网企业甚至个人的全方位数据监控。当这些网站比你妈还更了解你的时候,你感觉到的不是关怀,而是恐怖。
腾讯拿到民营银行的执照,互联网圈内同行议论纷纷的同时,最害怕的就是招商银行之类把客户服务根植在微信的金融机构了。在大数据时代,数据收集将是商业经营的起点,你会安心的把自己的数据交给自己的竞争对手吗?
不光是企业,其实每个人都要害怕大数据。亚当和夏娃在伊甸园吃了苹果之后,第一件事就是给私处遮上树叶。大数据时代,不小心拍得照片可以让你一夜成名,你的想法、行为、过去都被商家记录,你其实每天都生活在天体海滩。
现在小崔和方舟子还在争辩,转基因是世界人口爆炸的福音还是对人身体的伤害?这个辩论,时间会给出答案,但是大数据更是一个值得大家争辩的事情,因为大数据涉及了我们的生活习惯和社会法则。大数据带来的副作用,大大超过了以前人类发明的范畴。
商业的大数据就是通过电子化数据的收集,包括手机轨迹,通话,信息,上网行为,购买,旅游,金融,等全方位的数据收集,对你进行分类、判断,推销。作为国内电商时代的开启者,淘宝上云集了数量惊人的数据:每一笔订单不仅包含顾客姓名、收货地址、下单时间等基本信息,甚至连顾客什么时候开始浏览某一件宝贝,跟售前客服讨价还价的过程,在几点几分下单成交,都有全部记录。通过这些信息记录,可以鉴别出你喜欢的东西,推断你的身份、收入、银行存款、家庭事业状况等等。
在互联网日益繁荣、BAT三巨头触角无所不达的今天,越来越多人的工作、生活、社交都逃不开百度、腾讯、阿里、360等大小互联网企业甚至个人的全方位数据监控。
有许多人认为掌握了越多的数据,越详细的数据,就有机会通过“大数据”分析法来获得一个金矿。但当这些网站比你妈还更了解你的时候,你感觉到的不是关怀,而是恐怖。
现在的大数据分析,缺乏取样标准,不代表真实的因果关系。
在传统的统计学里面,最重要是数据的采样。比如一种药物的有效性,需要两组对比人群,在严密的实验条件下,长期跟踪,才能都出结论。现在的大数据分析,往往是数据的堆积和简单的关联分析。从严格的科学来讲,是一门伪科学。因为数据只是数据,只是过去,简单的数据积累不说明任何问题,不能真正判断一个人,预测一件事。
如果基于大数据武断营销,那就是真正的恐怖了。从以下几个方面,就可以看出为什么大数据会让你害怕:
1. 害怕身份被盗用
在移动互联网时代,我们的朋友更多出现在网上。社交网络、QQ、微信、微博取代了面对面的人际交流,虚拟交流也在改变世界和人。基于大数据的应用流行之时,将有大量的人借用和盗用网络身份,达到个人目的。也许你从来没有离开老家,你的网络大数据却涉嫌犯罪。
2. 害怕数据造假
在一切看数据说话的今天,每个人、每个企业和商家或多或少都在改变数据。因为各种利益关系错综复杂,报出来的数据往往都应景而异。大数据时代,有意的网络数据造假也能成为一个商业领域,用来帮助别有用心的人或商家制造数据。
3. 害怕数据框定
比大数据更复杂的还是人。从心理学的角度,让人做出选择,就意味着要舍弃其他的可能性,这是一件异常困难的事情。人的认识和选择会应为各种原因,产生跳跃性的变化。如果按照数据分析,把人丢进一个箩筐终生定格,据此给他不光是特定类的商品,进而决定他能否从事某件事,限制他的网络视野,也是很不合理的。
例如,把大数据作为广告精准投放标准,虽说有一定合理性,但也并不绝对,这是由于人类的购买心理十分复杂。比如说有个消费者只是浏览了一辆汽车,跟着是汽车广告通过各种方式和渠道的狂轰滥炸,除了骚扰,并没有效果。
4. 害怕数据不公和数据歧视
完全依赖大数据进行分析、对人进行分类,其实将触及社会不公和歧视。作为商家,考虑到经营成本、营销利润和效率,其实暗地里都会打着各种小九九,而不是表面上把各类消费者一视同仁。毋庸置疑,高端消费者是各类企业的最爱,而低端消费者却让企业皱眉。但现在呢?每个人的消费记录和各种数据都被电子化的方式采集和收集着,一举一动逃不过大数据的记录。对保险公司营销员来说,你这个人的所有信息数据可以一览无余,不用你开口,他已经判断出是不是需要让你参保、保费标准等等;消费数据记录和售后服务记录,甚至都能让卖家挑选买家,把你列入顾客黑名单也不是不可能。
不可避免的,一旦成为数据穷人,那么就会面临歧视服务,所有消费者都是平等的这句话将成为历史。
5. 害怕数据垄断
目前的商业格局是:两方数据垄断势力正在形成,一方是国营企业,如电信、电力、医院等,一方是以BAT为中心的互联网大佬。特别是后者,在广泛收集数据之后,已经以大数据为依托,开始布局全行业的垄断性的经营,范围包括电子商务,教育,医疗,物流等。而这些垄断一旦形成,将大大降低中国企业的创新能力和竞争能力。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04