
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
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 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01