
你信步走进一家赌场。在赌场门口,你能领到一张电子磁卡。这张电子磁卡会记录下你的一些基本信息,比如你是男性还是女性、多大年纪、什么种族。它还能记录下你每一次赌博的输赢。
赌徒和赌徒千差万别。有的人进到赌场,输了10块钱就开始痛不欲生,有的输掉100万都面不改色心不跳。但是,不管是谁,都会有一个“痛苦点”。过了这个“痛苦点”,你就再也不愿意回到这家赌场,因为这里是你的伤心地啊。
其实,在你一脚踏进赌场的时候,赌场老板就已经根据他掌握的数据库和你的基本信息,算出了你的“痛苦点”。比如说,像你这种35岁的华人男性“土豪”,“痛苦点”是8000美元。对赌场老板来说,什么是最优的选择?最优的选择就是在你快要达到“痛苦点”的那一刻,让你住手。
于是,神奇的事情发生了。当你输到7900美元的时候,身边会突然出现一个年轻貌美的公共经理。她会跟你说:“先生,玩得很累了吧。我们赌场刚刚请到一位法国大厨,会做最拿手的法国菜。恭喜您,您是我们今天的幸运顾客。我们邀请您带上家人,一起来享用免费的法国大餐”。
这就是伊恩·艾瑞斯(Ian Ayres)在《超级数字天才》(Super Crunchers)一书中讲的故事。艾瑞斯教授是耶鲁大学的一位计量经济学家,也是大数据的推崇者。和其他的大数据推崇者一样,他在书中讲了很多“超级数字天才”战胜各路专家的励志故事。
过去,球探们靠一场场地看比赛,靠自己多年积累下来的经验,挑选潜在的棒球明星。但就有一个球队的经理不信邪,他请了个经济学家,帮他用数学模型来选球员。结果,他们球队赢了(这个故事可参看获奖电影《点球成金》)。
品酒师也是个高度依靠经验和天赋的行业,但偏偏杀进一匹黑马,一个普林斯顿的经济学家声称他不用品尝葡萄酒,只要看看一连串降雨、气温的数据,就能预测出某一年葡萄酒的品质。
结果,他的预测居然是对的。有个病人得了一种怪病,一群医生围着她束手无策。病人自己说,我可能得的是某某病。结果,她说的是对的。医生们奇怪地问她:“你是怎么知道的?”她说:“很简单,我在Google里输入自己的主要症状,结果就自动出来了”。
伊恩·艾瑞斯情不自禁地引用《圣经》赞美大数据:
“耶和华啊,你已经鉴察我,认识我。
我坐下,我起来,你都晓得;
你从远处知道我的意念。
我行路,我躺卧,你都细察;
你也深知我一切所行的。”(《诗篇139》)
但对你我这些并非“超级数字天才”的凡人来说,大数据的到来,到底是福是祸?
当然,大数据会给我们带来很多便利,如同过去的一切技术进步一样。大数据能够打破信息不对称的壁垒,那些装模作样、自己都不知道自己在说什么却又能发号施令的“专家”们,以后可要小心了。
我们可能会拿着电脑上打印下来的资料,质问医生为什么这么给我们开药。我们也可以要求政府公开更多的数据,以便公众的参与和监督。
但是,真的会是这样吗?在一个信息已经爆炸的年代,更多的数据很可能只会使你越来越糊涂。数据分析师纳特·西尔弗(Nate Silver)在《信号与噪音》(The Signal and the noise)一书中就讲到,信息增长的速度远远快于真理增长的速度,一个自然的推论是,在日益增长的信息中,噪音的比重会越来越高。
别忘了,在大多数情况下,你不会想到怎么用大数据去“掘金”,你只是一个普普通通的消费者。在大数据的时代,当你收到“超级数字天才”送来的礼物时,你会怎么想呢?
如果你是一个赌徒,当你的身边突然出现了一个漂亮的公共经理,那很可能意味着,你的最后一分钱已经被别人榨干了。传统的经济学教科书告诉我们,商家很难对不同的消费者搞价格歧视。有精明的消费者,也有懒惰的消费者。
精明的消费者会为了买到一条最便宜的牛仔裤把全城的商场都逛一遍,懒惰的消费者随便找一家商场买了就走。但是,懒惰的消费者会搭精明消费者的便车,他只要知道精明的消费者去哪家商场购物,跟着进去就行。结果,商家不得不对所有的消费者统一定价。
但是,在大数据时代,“超级数字天才”们会比你自己更了解你的行为。你以为自己与众不同,其实你和别人一样。他一眼就能看出来,像你这样的人,能买得起多少钱的衣服、一年会旅游几次、什么时候你会想起来健身、什么时候你可能会生病。
商家可以精准地根据每个人的心理底价报价。“超级数字天才”们能干得事情更多,他根据Visa卡的消费记录,就能预测你未来五年的离婚概率。他甚至能知道,像你这样的人,犯罪的概率是多少。
有一天,会不会出现斯皮尔伯格导演的电影《少数派报告》中的一幕:一个人还没有出门就被逮捕,因为根据预防犯罪系统,他出门杀人的概率是99%。会不会有一辆汽车在东四环就被截下来,因为它到天安门爆炸的概率是88%?
为什么“超级数字天才”能如此准确地预知你的行为?因为你把个人信息拱手送给了他们。你从大数据时代得到的便利越多,能守住的隐私权就越少。而且,以后你很可能再也要不回来这些隐私权了。
福布斯中文网上曾经刊登了一篇文章,讲到美国当下最红的资本寡头们不是东部的华尔街巨头,而是西部的科技精英。美国前十家科技公司中有七家都座落在西海岸。诸如亚马逊、苹果、Facebook和谷歌这样的西海岸科技寡头们过去一直对政治很淡漠,但现在也开始积极影响政治。他们会要什么?
首先,许多科技企业赚钱赚得很多,交税却交得很少。他们很可能会强烈地要求保留自己的优惠特权。其次,他们很可能会努力促使网民隐私变得更加难以得到保护,因为他们的大量利润依赖于掌握并出售用户的个人信息。
美丽的大数据、神奇的大数据已经降临。问题是,你是否已经准备好了,像信主一样去信仰大数据?
“我往哪里去躲避你的灵?
我往哪里逃,躲避你的面?”(《诗篇139》)
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16