起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識大數據，算不準老天爺
#本文為人人都是產品經理《原創激勵計劃》出品。
進入夏季后，天氣開始變得“喜怒無?！?，一會狂風暴雨一會晴空萬里。出門前看看手里的天氣軟件，發現同樣的手機型號，同樣的天氣軟件，同樣的時間地點，居然有不同的天氣預測結果。這是為什么呢？本文作者對此進行了分析，一起來看看吧。
一、同樣的屋檐，不同的天氣
夏天到了，陰雨多發。
上班前閑著沒事，一群無聊的人看著窗外天色，用幾點下雨打賭，來決定午飯由誰買單。
一邊下注，一邊已經有人拿起手機，開始查攻略。
其實，這也算不上作弊。誰都知道，天氣預報軟件，報不準天氣，有時候甚至還沒猜的準。
而且，同事們拿著不同的手機，用著不一樣的天氣預報軟件。念出的天氣預測結果，果然也天差地別。
但當同事小艾，念出她手機的預測結果時，有些出乎我的意料——小艾和我用著同一款手機，天氣軟件都是系統自帶的天氣軟件，但天氣預報居然和我手機上顯示的不同。
我拿來她的手機，再次確認：我們身處同一個位置，都開著系統定位，且都賦予了天氣軟件讀取定位的權限，我們也在同一個WIFI環境下。
我們使用著同樣的手機、同一個款天氣軟件，也更新到了同一版本。
我們為了避免時間誤差，都多次刷新了天氣預報頁面。
但天氣預報結果，依然是不同的。
這兩份天氣預報中，至少有一份是錯的。又或者兩份都是錯的。
難道天氣預報的數據推送，也會根據不同人的喜愛，給出不同的結果？
二、同樣的行跡，不同的位置
最近幾年，很多同事選擇了自行車上下班。
因為健康，因為環?！灿锌赡苁且驗楦F。
公司附近有幾處重要的辦事機構，管理較為嚴格，共享單車不能隨地停放，必須放在指定的區域。
而在具體的操作中，必須現在手機上操作，確認已抵達規定還車地點，才能進行關鎖。
然后，那些鐘愛睡懶覺的同事，就體會到了什么叫噩夢。
離上班時間還有2分鐘，騎自行車來到公司樓下，駐足在停車區域內，點擊手機上的“我要還車”，然后看到提示：您不在還車區域。
之后，自然是一番折騰，向前動動，向后挪挪，但無論如何進出，手機頁面上總顯示者：距離指定還車區域3米。
更過分的是，旁邊一樣過來停車的人，紛紛抵達位置，其中有不少直接關鎖走人，沒有在定位環節遇到麻煩。
看著上班時間已過，成年人的崩潰，往往就在那么一瞬間：咱的定位數據，為什么永遠都差3米？
不過，他也很快釋然了：既然停不了車，干脆騎車出去吃個早飯吧。遲到要扣錢，違規停車也要扣錢，反正總要扣一個。
三、同樣的搜索，不同的結果
還是閑來無事的辦公室生活。
到了下午5點，人們都忙完了手頭的任務，開始刷著手機，靜待下班。
小艾新買了個頭飾，楊妹子看著不錯，問她要鏈接。
微信轉發淘寶鏈接比較麻煩，小艾是個懶人，就跟楊妹子說：你就搜索#$%%@@%，第一個就是。
楊妹子聽話照做，在淘寶搜索欄里輸入了#$%%@@%，但別說第一個，連著刷了十頁，也沒有看到小艾買到的那件頭飾。
其實，不同人在淘寶搜索同一個詞，會出現不同的結果，也不算是什么新鮮事情。
系統會根據每個人的搜索、購買習慣，給他們推薦，系統認為他們最有可能感興趣、最有可能購買的商品。
不過這些推薦，顯然還沒有完全猜透用戶心意。
搜索結果，都是楊妹子不感興趣的。
而她現在、立刻、馬上就想要購買的商品，系統卻沒有推送給她。
大數據的判斷，是不是很不準確？
四、數據缺陷，顯而易見
大數據有問題嗎？
它距離完美還差的很遠。
而在生活中這些瑣碎的事情上，我們也能看到，大數據一些顯而易見的缺陷。
1. 因為邊緣數據，忽略了主要問題
現如今的大數據，基于龐大的數據量進行推算。
不過，數據與數據間，也具有權重差異：一些數據對計算結果有重要影響，一些數據卻只作為參考。
但當邊緣數據足夠多的時候，也會對結果帶來質的影響。讓一些本應該起到決定性作用的數據，被邊緣化。
就如剛才天氣預報結果的區別，可能也是數據推算帶來的差異。
不只以氣象局的預測為依據，也結合了每個人的行動軌跡、遇雨頻率等個體差異，進行單獨分析。
但分析結果怎么樣？
同一時間，同一地點，卻給出了截然不同的天氣預報。
難道是否下雨，會根據每個人的行動軌跡而變化嗎？
我們沒有生活在楚門的世界，我們也不叫蕭敬騰。
處在同一屋檐下，應該面對同樣的天氣，這個常識，卻在計算中，被大量的數據擠到了一邊。
而在網絡世界中，事實被大量數據擊垮，其實極為常見：
點贊多的視頻，未必真的有趣。
如果能找來足夠多的人刷點擊、刷關注、刷贊、刷評論，一些低質量的視頻，也可以成為熱門，推送給很多人。
評分低的飯店，未必就很難吃。
只要找足夠多的人去惡意差評，可以輕松把一家飯店的評分搞下去。而很多飯店在開業之初，也會找大量的人刷好評，讓自己屹立在推薦頭部。
當非真實的評價足夠多時，真實就會被掩蓋。至于飯菜味道究竟怎么樣，數據又嘗不出來。
2. 用復雜的方式，做了簡單的問題
因為大數據的存在，讓很多原本非常簡單的問題，變得很復雜。
一些顯而易見的答案，卻被藏了起來。
當你搜索1+1時，首屏上80%的搜索結果，不是1+1=2，而是哥德巴赫猜想、電影、歌曲之類與1+1相關的東西，甚至關于1+1=1的推論。
明明是個很簡單的問題，卻因為大量相關資料的存在，而被演化的非常復雜。
就像小艾給楊妹子推薦的商品，她倆長期使用著同樣的WIFI地址，也在不止一個軟件上相互關注、加著好友。其中一人前幾天購買了某商品，另一人幾天后用同樣的搜索詞，搜索同一商品，想必也是數據能夠監測到的。
如果只考慮這些顯而易見的信息，推薦同樣的商品，立刻就能促成購買。
但大數據偏偏考慮了太多過去的搜索、購買結果，認為她倆不是同樣的消費群體，認為她倆具備不一樣的喜好，所以推送的搜索結果也完全不同。
很簡單的一道題，做的太過復雜。
3.?數據偏見，偏見螺旋
大數據的推送，更存在嚴重的偏見。
數據認識用戶，很多時候就像盲人摸象一樣。
只摸到了大象的腿，就認為大象是個圓柱體。
數據只看到了用戶的某一面，認為用戶就是那個樣子的。
最初，數據通過盲猜的方式，向楊妹子推薦了某些商品、某些視頻，她隨意觀看了其中的幾個。
數據會對她的觀看行為進行記錄，并再次推送類似的商品、視頻，進行驗證。
果然，楊妹子確實對這些內容感興趣，多次觀看。
時間長了，數據就會記?。簵蠲米邮莻€喜歡火鍋、喜歡年輕小鮮肉、喜歡朋克風穿搭的年輕女孩。并且會給她推送更多相關內容。
這樣的推送雖然沒錯，卻只是一種偏見。
其實，楊妹子也喜歡中國風繪畫，喜歡綠色的頭飾，喜歡吃東北菜，但數據卻并不知道。
數據并非全知全能，對于自己沒有收集到的信息，也無從得知。
尤其在針對性的推送中，更會形成一種偏見螺旋。
系統不斷給楊妹子推送火鍋、朋克、小鮮肉，楊妹子也確實喜歡看這些，持續觀看、點贊、評論、購買。
數據記錄在案，就更會不斷加大相關推薦。
最終形成一個循環：
但對一個人來說，再喜歡的東西，看的太久了，偶爾也會有膩的時候?？上到y仍然樂此不疲的推送這幾種內容。
因為足夠的數據證實，她感興趣。即使偶然一兩次沒有觀看，在整體數據中，這一兩次不觀看的行為，也依然無法抵抗之前頻繁觀看的偏好。
除非她真的歇斯底里，一連點了幾十次“不要再推薦類似內容”。但一般人也不會如此做，畢竟推薦的東西，也都是自己平日里感興趣的，還擔心以后會看不到。
而在這種偏見循環中，已經確定偏好的內容推送越多，其他內容能跟用戶見面的機會就越少。所以數據補全自己偏見的機會也就變得更少。
在向楊妹子推送火鍋、朋克、小鮮肉的同時，偶然有一條熱門視頻也推送到了她眼前，是關于中國風彩繪的。
但這條視頻的主角，說話娘娘腔，恰好是楊妹子無法接受的類型，直接劃了過去。數據就恰好失去了一次，得知她喜好中國風彩繪的機會。
下次再有這樣的機會，不知道又是幾月后、幾年后了。
五、大數據，還不夠大
所有這些問題，歸根結底，是大數據還不夠大。
受限于技術、成本、隱私原因，獲取數據的方式還不夠多，不夠精確。
如果數據捕獲量夠大，不只限于一個平臺，甚至不只限于虛擬世界，能夠看到更多細節。數據就有更高的機會，真正認識一個用戶，而不是產生偏見螺旋。
如果數據獲取手段足夠細致，所有數據獲取設備都足夠精確，也就不會出現無法還車的問題。
如果大數據的探測手段足夠高級，那不可預知的天氣，也總有一天能夠判斷到一絲不差。
但受限于技術，大數據暫時還無法一眼看到事物的全貌。只能通過管中窺豹的方式，用幾億個角度觀測出的視野碎片，拼湊出一只豹子的畫像。
受限于成本，大數據無法獲得充足的數據?；蛟S幾億個視野碎片能拼出一只豹子的畫像，但成本只允許獲取幾萬個碎片，拼出的豹子自然也似是而非。
受限于隱私，大數據無法獲得一些關鍵性數據。那幾萬個碎片中，還缺乏豹子某些關鍵部位的碎片。
最終結果就是，大數據所拼湊出來的豹子畫像，雖然有了豹子的雛形，但離真實的豹子還差很遠。
六、矛盾的隱私
技術、成本的局限，隨著時代發展，總有解決的一天。
就像天圓地方的傳統觀念，終有一天會在天文衛星的見證下被顛覆。
但大數據未來的發展之路，必然還會和我們的隱私需求，出現更激烈的碰撞。
尤其是我們的真實需求，甚至連自己都很難說清——多數人對大數據的態度，欲拒還迎。
在需要大數據預測的時候，我們要求大數據保持精準。
在不需要大數據預測的時候，我們又擔心對隱私泄露。
- 打車去某個偏僻的角落，甚至我們自己都不知道該怎么搜索目標位置，大數據就直接預判出了我們的目標地點。這節約了我們的時間，也讓我們的出行變得簡單、輕松。但在坐上車之后，我們又開始擔憂，自己的出行信息，是不是會被有心人利用？
- 我們想購買的商品，被電商平臺直接推送到眼前，節省了我們搜索、瀏覽、對比的時間和精力。但在享受這種便捷的同時，有的人又產生擔憂，自己對某些商品的喜好，會不會被別人所知曉。
我們都很矛盾，既想占有大數據的好，又想摒棄它的一切不好。
但大數據的好與壞，本就是對立統一的。
沒有足夠多的數據埋點，就無法做出更準確的預測。
沒有一次次的行為監控，就無法在你需要的時候，把你所需的信息送至面前。
更簡單點說：手機中的導航軟件，若沒有精確的定位，沒人知道你在哪、你去哪，又怎么給你準確的導航？
就像一些人所說：“其實我們不是沒有選擇權，即使是現代，也完全可以扔掉手機，一個人去山里生活，保護自己完整的隱私。”
這話雖然有些風涼話的意味，但也能反映出一個問題：當我們，把非智能手機換成智能手機時，當我們享受遠程購物的便捷時，當我們隨時隨地通過搜索解答自己的疑惑時，我們也應該知道，自己將要拿出一部分隱私，去交換這種便捷。
隱私交換便捷，這是必然的結果。
而在大數據發展、完善的過程中，我們需要去爭取的、社會需要去規范的，是付出多少隱私，能換到多少便捷；大眾對隱私的付出，有沒有自主選擇的空間；付出隱私的邊界在哪里；隱私除了交換便捷外，還會不會被其他人看到、利用。
現在還沒有答案，但遲早會有答案。
總有一天，大數據能算準天氣。
也總有一天，我們能找到便捷和隱私間的平衡。
#專欄作家#
墨饕，人人都是產品經理專欄作家，網絡營銷人，心理咨詢師。擅長消費者行為學、文字傳播學、市場營銷學等領域。
本文原創發布于人人都是產品經理，未經許可，禁止轉載。
本文為人人都是產品經理《原創激勵計劃》出品。
題圖來自Unsplash，基于 CC0 協議
數據推薦還不夠精準智能啊，剛買好一件東西，短時間內也不需要買第二件但就是天天推送，就不能推一個月或半年前我買過的某些必需品嗎？那種有更換期限的產品隔段時間推送不好嗎？又不是沒有給數據
很多時候我們不是擔心隱私被數據知道，而是在擔心數據是不是在我們不知道的時候擅自獲取隱私信息，并且這些信息被其他人所利用
指定換車那個有相同的經歷，明明是同樣的共享單車，別人能換我換不了。
真是很好玩，看來現在真的啥都是因人而異的，大數據根據你的喜好進行推送，好像天氣也能根據喜好變化一樣
千人千面
現在評分也有很多是假的，就現在都是各種刷高分什么的，還挺容易受騙的