
想必有很多 unwire.hk 的读者 Facebook 中有收到甚么年度回顾的名册吧,此功能让 FB 遭来许多用户炮轰!塬因是 Facebook 勾起用户的伤心事,表面上一则很易懂的新闻,但其背后藏有现今网络生态败坏前奏
步向电脑统冶
造成这次的炮轰,是因为大数据而起。其实这几年人们一直在说大数据的好处,例如早前活用大数据去预测世界盃亦引来全城热话。不过这一切的背后让天恩觉得现时的 internet ,也许是人类被科技统治的前奏,就算肉体上不是,精神上已被慢慢被入侵。以大数据为例,其实有两个部份,一是资料收集,二是分析。不过现时经常听到的是,如何比以往更能有效收集数据,例如 Google 从你 email 、 youtube、 plus 你每个点击及所写的文字去分析你的兴趣,然后派发你会感兴趣的广告。
成功必需配合人脑
其实要有一个成功準确预测的大数据,必需要加有一颗有智慧及经验丰富的人脑作分析。例如大数据预测这隻马今场胜利率有几多,很多时敌不过董标一句:「喂呢隻马今日睇佢呢,有d冷震喎唔係几妥」来得準确。天恩想说的是,发觉现今的 Internet 中开始慢慢抽离「人性」这个因子,一切都要依靠电脑分析去取代人类的智慧,可悲的是人类自己亦同时加入成为杀成自己的帮兇。
欠人性的计算会驱走良币
以 Facebook 为例,到底他们如何决定,那些是这年的重点事件呢 ?就是透过朋友的点击率及回应数目而决定,不过这一切的计算是不能分析到是那是件伤心或开心的事,这就是欠缺人性分析的后果。unwire.hk 的读者可能会觉得这是冰山一角,如果按数据比例上看是没错的,但如果从情感上看,你不会知道那件事被提起对用户的伤害程度有多深,带来甚么蝴蝶效应,这亦是一个单看数据不顾人性的后果。
数据派是不会理会这些在 percentage 上店少数的一群,他们会拿着这些所谓的大数据找商机赚钱,究竟「多人」的偏好是否等于好呢 ?多 Like 是否等于那是件好事 ?
天恩打个比较极端的例子, 数据显示开葯房最赚钱,社会上是否就全人类开葯房就是正确对社会最大贡献。
以前我们做生意,自己想些好点子去吸引客户,再靠口卑慢慢宣传做大,各有特式百花齐放,这才是健康的生态
现在模式是完全倒转过来,人们不再是「创业」而是「抄业」,一味看数据看金钱,贪图近利,活于数据及金钱下的奴隶。
数据是以往的经验累积, 当初 steve job 选择不相信没有人愿意付 500 美金一台智能电话的话的数据调查, iPhone 才会出现,但可惜他过份相信自己所谓 「3.5 寸是最好的手机尺寸」的统计数据,Samsung Galaxy Note 系列不会抬出头开来。
胡乱依赖大数据会造成恶性遁环 ,一些有心有的 idea 的产品可能因为这些错误理解大数据而胎死腹中。
一起结合才会进步
最后 unwire 的读者可能会觉得,其实是 FB 的分析 Model 不够聪明,如果可以加入一件关键字,例如"死了、哭、伤心.." 不就行了吗 ? 这只是比较进步的演算分析,亦不是完美。好像对刚失恋的朋友来说, FB 又再度提起年头时,一堆朋友祝福你跟旧情人的合照有多甜蜜,那又如何有方程式去分析呢 ?
要机器去分析人类实在是太复杂。亦可能 FB 团队太过「纯真」,以为人类主动分享的都是一些开心的事,错了。其实在网络世界中,有研究指出一些过于孤独的人,会经常利用 FB 分享自己伤心事,因为伤心事最容易得到朋友的关心及慰问,最感温暖。
大数据只是一个工具,各位 unwire 读者要紧记,必需要有一个好「用家」分析活动这些数据才能运行,大数据并不是一个「指引」,我们做事是要去创造一条新路出来,而不是去盲从数据。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 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 ...
2025-09-23