大数据，算不准老天爷

关注并将「人人都是产品经理」设为星标

每天早 07 : 45 按时送达

题图来自Unsplash，基于 CC0 协议

全文共 4708 字，阅读需要 9 分钟

——————/ BEGIN /—————

同样的屋檐，不同的天气

夏天到了，阴雨多发。

上班前闲着没事，一群无聊的人看着窗外天色，用几点下雨打赌，来决定午饭由谁买单。

一边下注，一边已经有人拿起手机，开始查攻略。

其实，这也算不上作弊。

谁都知道，天气预报软件，报不准天气，有时候甚至还没猜的准。

而且，同事们拿着不同的手机，用着不一样的天气预报软件；念出的天气预测结果，果然也天差地别。

但当同事小艾，念出她手机的预测结果时，有些出乎我的意料——小艾和我用着同一款手机，天气软件都是系统自带的天气软件，但天气预报居然和我手机上显示的不同。

我拿来她的手机，再次确认：我们身处同一个位置，都开着系统定位，且都赋予了天气软件读取定位的权限，我们也在同一个WIFI环境下。

我们使用着同样的手机、同一个款天气软件，也更新到了同一版本。

我们为了避免时间误差，都多次刷新了天气预报页面。

但天气预报结果，依然是不同的。

这两份天气预报中，至少有一份是错的。又或者两份都是错的。

难道天气预报的数据推送，也会根据不同人的喜爱，给出不同的结果？

同样的行迹，不同的位置

最近几年，很多同事选择了自行车上下班。

因为健康，因为环保……也有可能是因为穷。

公司附近有几处重要的办事机构，管理较为严格，共享单车不能随地停放，必须放在指定的区域。

而在具体的操作中，必须现在手机上操作，确认已抵达规定还车地点，才能进行关锁。

然后，那些钟爱睡懒觉的同事，就体会到了什么叫噩梦。

离上班时间还有2分钟，骑自行车来到公司楼下，驻足在停车区域内，点击手机上的“我要还车”，然后看到提示：您不在还车区域。

之后，自然是一番折腾，向前动动，向后挪挪，但无论如何进出，手机页面上总显示者：距离指定还车区域3米。

更过分的是，旁边一样过来停车的人，纷纷抵达位置，其中有不少直接关锁走人，没有在定位环节遇到麻烦。

看着上班时间已过，成年人的崩溃，往往就在那么一瞬间：咱的定位数据，为什么永远都差3米？

不过，他也很快释然了：既然停不了车，干脆骑车出去吃个早饭吧。迟到要扣钱，违规停车也要扣钱，反正总要扣一个。

同样的搜索，不同的结果

还是闲来无事的办公室生活。

到了下午5点，人们都忙完了手头的任务，开始刷着手机，静待下班。

小艾新买了个头饰，杨妹子看着不错，问她要链接。

微信转发淘宝链接比较麻烦，小艾是个懒人，就跟杨妹子说：你就搜索#$%%@@%，第一个就是。

杨妹子听话照做，在淘宝搜索栏里输入了#$%%@@%，但别说第一个，连着刷了十页，也没有看到小艾买到的那件头饰。

其实，不同人在淘宝搜索同一个词，会出现不同的结果，也不算是什么新鲜事情。

系统会根据每个人的搜索、购买习惯，给他们推荐，系统认为他们最有可能感兴趣、最有可能购买的商品。

不过这些推荐，显然还没有完全猜透用户心意。

搜索结果，都是杨妹子不感兴趣的。

而她现在、立刻、马上就想要购买的商品，系统却没有推送给她。

大数据的判断，是不是很不准确？

数据缺陷，显而易见

大数据有问题吗？

它距离完美还差的很远。

而在生活中这些琐碎的事情上，我们也能看到，大数据一些显而易见的缺陷。

1. 因为边缘数据，忽略了主要问题

现如今的大数据，基于庞大的数据量进行推算。

不过，数据与数据间，也具有权重差异：一些数据对计算结果有重要影响，一些数据却只作为参考。

但当边缘数据足够多的时候，也会对结果带来质的影响。让一些本应该起到决定性作用的数据，被边缘化。

就如刚才天气预报结果的区别，可能也是数据推算带来的差异。

不只以气象局的预测为依据，也结合了每个人的行动轨迹、遇雨频率等个体差异，进行单独分析。

但分析结果怎么样？

同一时间，同一地点，却给出了截然不同的天气预报。

难道是否下雨，会根据每个人的行动轨迹而变化吗？

我们没有生活在楚门的世界，我们也不叫萧敬腾。

处在同一屋檐下，应该面对同样的天气，这个常识，却在计算中，被大量的数据挤到了一边。

而在网络世界中，事实被大量数据击垮，其实极为常见：

点赞多的视频，未必真的有趣。

如果能找来足够多的人刷点击、刷关注、刷赞、刷评论，一些低质量的视频，也可以成为热门，推送给很多人。

评分低的饭店，未必就很难吃。

只要找足够多的人去恶意差评，可以轻松把一家饭店的评分搞下去。而很多饭店在开业之初，也会找大量的人刷好评，让自己屹立在推荐头部。

当非真实的评价足够多时，真实就会被掩盖。至于饭菜味道究竟怎么样，数据又尝不出来。

2. 用复杂的方式，做了简单的问题

因为大数据的存在，让很多原本非常简单的问题，变得很复杂。

一些显而易见的答案，却被藏了起来。

当你搜索1+1时，首屏上80%的搜索结果，不是1+1=2，而是哥德巴赫猜想、电影、歌曲之类与1+1相关的东西，甚至关于1+1=1的推论。

明明是个很简单的问题，却因为大量相关资料的存在，而被演化的非常复杂。

就像小艾给杨妹子推荐的商品，她俩长期使用着同样的WIFI地址，也在不止一个软件上相互关注、加着好友。其中一人前几天购买了某商品，另一人几天后用同样的搜索词，搜索同一商品，想必也是数据能够监测到的。

如果只考虑这些显而易见的信息，推荐同样的商品，立刻就能促成购买。

但大数据偏偏考虑了太多过去的搜索、购买结果，认为她俩不是同样的消费群体，认为她俩具备不一样的喜好，所以推送的搜索结果也完全不同。

很简单的一道题，做的太过复杂。

3. 数据偏见，偏见螺旋

大数据的推送，更存在严重的偏见。

数据认识用户，很多时候就像盲人摸象一样。

只摸到了大象的腿，就认为大象是个圆柱体。

数据只看到了用户的某一面，认为用户就是那个样子的。

最初，数据通过盲猜的方式，向杨妹子推荐了某些商品、某些视频，她随意观看了其中的几个。

数据会对她的观看行为进行记录，并再次推送类似的商品、视频，进行验证。

果然，杨妹子确实对这些内容感兴趣，多次观看。

时间长了，数据就会记住：杨妹子是个喜欢火锅、喜欢年轻小鲜肉、喜欢朋克风穿搭的年轻女孩。并且会给她推送更多相关内容。

这样的推送虽然没错，却只是一种偏见。

其实，杨妹子也喜欢中国风绘画，喜欢绿色的头饰，喜欢吃东北菜，但数据却并不知道。

数据并非全知全能，对于自己没有收集到的信息，也无从得知。

尤其在针对性的推送中，更会形成一种偏见螺旋。

系统不断给杨妹子推送火锅、朋克、小鲜肉，杨妹子也确实喜欢看这些，持续观看、点赞、评论、购买。

数据记录在案，就更会不断加大相关推荐。

最终形成一个循环：

但对一个人来说，再喜欢的东西，看的太久了，偶尔也会有腻的时候。可系统仍然乐此不疲的推送这几种内容。

因为足够的数据证实，她感兴趣。即使偶然一两次没有观看，在整体数据中，这一两次不观看的行为，也依然无法抵抗之前频繁观看的偏好。

除非她真的歇斯底里，一连点了几十次“不要再推荐类似内容”。但一般人也不会如此做，毕竟推荐的东西，也都是自己平日里感兴趣的，还担心以后会看不到。

而在这种偏见循环中，已经确定偏好的内容推送越多，其他内容能跟用户见面的机会就越少。所以数据补全自己偏见的机会也就变得更少。

在向杨妹子推送火锅、朋克、小鲜肉的同时，偶然有一条热门视频也推送到了她眼前，是关于中国风彩绘的。

但这条视频的主角，说话娘娘腔，恰好是杨妹子无法接受的类型，直接划了过去。数据就恰好失去了一次，得知她喜好中国风彩绘的机会。

下次再有这样的机会，不知道又是几月后、几年后了。

大数据，还不够大

所有这些问题，归根结底，是大数据还不够大。

受限于技术、成本、隐私原因，获取数据的方式还不够多，不够精确。

如果数据捕获量够大，不只限于一个平台，甚至不只限于虚拟世界，能够看到更多细节。数据就有更高的机会，真正认识一个用户，而不是产生偏见螺旋。

如果数据获取手段足够细致，所有数据获取设备都足够精确，也就不会出现无法还车的问题。

如果大数据的探测手段足够高级，那不可预知的天气，也总有一天能够判断到一丝不差。

但受限于技术，大数据暂时还无法一眼看到事物的全貌。只能通过管中窥豹的方式，用几亿个角度观测出的视野碎片，拼凑出一只豹子的画像。

受限于成本，大数据无法获得充足的数据。或许几亿个视野碎片能拼出一只豹子的画像，但成本只允许获取几万个碎片，拼出的豹子自然也似是而非。

受限于隐私，大数据无法获得一些关键性数据。那几万个碎片中，还缺乏豹子某些关键部位的碎片。

最终结果就是，大数据所拼凑出来的豹子画像，虽然有了豹子的雏形，但离真实的豹子还差很远。

矛盾的隐私

技术、成本的局限，随着时代发展，总有解决的一天。

就像天圆地方的传统观念，终有一天会在天文卫星的见证下被颠覆。

但大数据未来的发展之路，必然还会和我们的隐私需求，出现更激烈的碰撞。

尤其是我们的真实需求，甚至连自己都很难说清——多数人对大数据的态度，欲拒还迎。

在需要大数据预测的时候，我们要求大数据保持精准。

在不需要大数据预测的时候，我们又担心对隐私泄露。