京公网安备 11010802034615号
经营许可证编号:京B2-20210330
2014 年《纸牌屋》第二季开播,这部因口碑传播而声名鹊起的电视剧并非出自传统电视台,而是由美国在线影片租赁提供商奈飞( Netflix) 公司预付1 亿美元制作的,《纸牌屋》两季共26 集,平均每集的制作经费是美剧平均制作费用的两倍。
据说在推向市场后,出于喜欢热闹的看客心理,《纸牌屋》效应正在呈现涟漪状态。这部描述华盛顿DC的政治全景的网络自制剧,已在评论界和美剧迷中收获了不俗的口碑。据说,从奥巴马到王岐山,再到很多数得上名字的经济学家与公众人物,都在不无骄傲地表明自己是《纸牌屋》的粉丝,这一点让人感觉,没看过就out了。
有人认为《纸牌屋》的成功基于大数据的应用,毕竟这个美剧是通过对3000万用户的收视选择,400万条评论,300万主题搜索进行分析,确定受众对拍摄主题、拍摄导演、参演演员、播出方式的喜好,而爆红全球,震惊了全球的秘密武器是基于数据的严谨性。
通过数据分析与市场推广,将一部电视剧的策划制作,变成了跨界营销的划时代经典案例,这确实有可圈可点之处,虽然并非每个人都能看清《纸牌屋》成功的基因,以及到底会形成什么样的影响力,但贾春宝还是希望从理性的角度谈谈自己的分析。
在技术学派认为,媒体连篇累牍的是《纸牌屋》基于大数据,有一套人人艳羡的成功公式,将纯粹基于技术的大数据,而通过市场直接转化为摇钱树,
市场认为,作为北美最大的付费订阅视频网站,出品方奈飞分析了用户的每一个动作,包括什么时候快进,什么时候回放等,找出一些明显的特征,接下来就是根据数据,通过分析统计这些剧集的暂停、回放、快进、停止、搜索、分享、收藏、评论等多维度数据,然后回头去看相应的剧作内容,看看在哪一集的哪个桥段,以及是什么剧情最有吸引力。
最后,就来到了最重要的分析阶段,得出政治剧观众的口味:喜欢什么悬念(配角生死未明/法案是否通过/表白是否被接受)、喜欢什么话题(政治游戏规则/男女主角的爱情/和现实世界相互呼应的程度)、喜欢什么场面(打斗/谈判/性暗示)等等。总结出一套规律,并运用到《纸牌屋》的制作当中。
技术人员认为,大数据可以预测一场流感爆发的时间和地点,可以预测什么时候可以买到最便宜的飞机票,可以预测消费者会给怎样的电视剧好评。大数据的预测是小数据不具备的功能,但是小数据的深度分析也是大数据不具备的。
谷歌公司数据处理量是美国国家图书馆所有纸质所含数据的上千倍。Facebook 每天更新的照片量超过1000 万张,每天人们在网站上点like 的按钮或评论超过三十亿次,这些都为Facebook 公司挖掘用户喜好提供了大量的数据线索。
量变导致质变,数据庞大到一定程度,就不仅仅是数据以及简单的结论那么简单。对大数据掌握程度可以转化为经济价值来源。同时,大数据已经撼动了世界方方面面。从科技到医疗、政治、经济、人文,以及社会的其他领域。我们不能否认数据与市场调查在企业决策中所起到的作用越来越重要了。
但实际上,大数据之于《纸牌屋》虽然有功,所发挥的却并不是至关重要的作用。有理性的业内人士断言:宣传大数据分析的噱头,就是奈飞的企业PR 行为。此举是为了在传统电视界争得话语权,为了打压亚马逊即将开始的原创剧集拍摄。优酷CEO古永锵认为,《纸牌屋》实际上还是靠SONY的制作功底,大数据有用,但不能神化。
贾春宝的观点是:不要迷信大数据,而要基于“傻子都看得出来”的常识。以大数据为依托,固然会让自己更真切地把握市场的脉搏,但也会让我们在投其所好的同时,失去自我。大数据的趋势下,貌似市场的未来更确定了,其实刚好相反——变得更不确定了,或者是在让自己陷入迷茫这一点上,是更确定了!
我们总希望去预测未来,即使我们知道我们必然要往生,都不知道是在什么时候,基于什么外力或者内因,在那一刻我们是否已经了无遗憾。
因为数据有可能是假的,有可能是根据内心的需求而炮制出来的。即使数据都是真实的,那么对数据的影响性因素太多了,人冒然得出的结论也会导致不确定的结果。
迷信市场调查与分析的人,会信誓旦旦地跟你讲,TA所设计的问卷有多么地科学,符合人的心理,有效规避人之撒谎以及情绪波动所带来的影响,甚至即使撒谎都会被查出来,并将那些无效数据剔除,而给你提供的都是干货。
但至少你需要有专业团队去设计问卷,然后有专业团队去实施调查,所调查并被采用的数据均出自负责任的信息反馈,而且所涉及的被调查者基本都很配合(乖乖的把真实想法告诉你)还需要在数据统计的时候有严谨而精细的设备与方法,进行数据分析的人既要尊重数据还要不迷信数据,并从数据之中跳出来, ——那么我要问“凭什么”。
即使关于调查的一切顾虑都解决了,一路绿灯,那么你又何以保证未来不至于发生环境与时机的变化呢?——因此,依靠数据进行的决策,其迷茫往往是连环并逐步深入,而且难以彻底消除的。
在天时地利人和、政策市场与人的期待等等各方面有任何一点变化,都将导致你所深信不疑的决策模式发生常识性的错误,因为你犯了早已在中国成语故事中被嘲笑的低级错误——刻舟求剑!即使你给自己披上了严谨而炫目的外衣,都难以掩盖你的too young, too naive的本质。
在科技发展到一定阶段的时刻,大数据的预测率可能达到90%甚至100%,人类真正拥有了预测未来的本领,这会不会是一场灾难。无论我们干什么说什么,其实早就按照指定的轨迹运转,这会不会成为一把双刃剑,我们无从得知!
最后,随着大数据的普及使用,我们会不会生活在一个由冰冷数据包裹的世界,我们的意志和行为都被智能机器操纵,人类的创造性可能被空前遏制,社会不再进步。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在MySQL数据库运维与开发实践中,经常出现一种典型现象:数据库实际存储的数据量很小,数据表条数少、文件体积低,但服务器整体 ...
2026-09-11 很多数据分析师能熟练计算均值、标准差,但当被问到“总体和样本有什么区别”“参数和统计量有什么关系”“数据级别的高低如 ...
2026-09-11CDA数据分析师 出品 作者:李诗怡 定义: 将同一时间段内因具备相同属性或共同经历的用户划分为群体,分析其留存与生命周期价值 ...
2026-09-11在零售、商超、餐饮、线下门店等实体商业运营中,客流与销售额是衡量门店经营状态的两大核心指标。销售额是门店经营的最终结果, ...
2026-09-10在数据可视化体系中,柱形图是最基础、应用最广泛的图表类型,其中**累计柱形图(堆积柱状图)**是兼顾整体总量与内部结构的核心 ...
2026-09-10 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-09-10在Python Pandas数据分析中,DataFrame是承载结构化数据的核心载体,数据清洗、数据修正、条件赋值、字段更新等实操场景,都离不 ...
2026-09-09 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-09-09卡方检验(Chi-Square Test)是统计学中针对分类数据的经典显著性检验方法,核心用于判断两个离散分类变量是否相互独立、数据实 ...
2026-09-09CDA数据分析师 出品 作者:李诗怡 1. 销售漏斗阶段判断 题目:销售漏斗模型中,通过广告、社交媒体等方式触达品牌信息(如浏览品 ...
2026-09-07在Python数据分析中,Pandas库的DataFrame是最核心、最常用的结构化数据表对象,类似于Excel的二维表格,具备规整的行列结构、字 ...
2026-09-07在数据分析、经营复盘、业绩预测与经济统计工作中,平均增速(平均增长率)是衡量数据长期变化趋势、业务发展快慢的核心指标。不 ...
2026-09-07 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-09-07随着大数据技术的快速发展,商业竞争逐步从传统的经验式经营转变为数据驱动的精细化运营。海量的用户行为数据、交易数据、运营数 ...
2026-09-04CDA数据分析师 出品 作者:李诗怡 1. 波士顿矩阵(BCG Matrix) 定义: BCG于1970年提出的业务组合分析工具,以"市场增长率"(纵 ...
2026-09-04 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-09-04数据透视表是Excel与Power BI中最核心的数据分析工具,具备快速汇总、维度拆分、动态筛选的能力,可高效完成数据归类与统计展示 ...
2026-09-03在Power BI数据分析可视化场景中,堆积柱状图+折线图是最常用的复合图表组合。堆积柱状图适合展示各细分维度当期数值、结构占比 ...
2026-09-03 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-09-03CDA数据分析师 出品 作者:李诗怡 一、8个核心数据清洗函数 1. TRIM:一键清除多余空格(最常用) 作用:仅保留文本中"单词/字 ...
2026-09-02