APP推广合作
联系“鸟哥笔记小乔”
大数据会说谎:看穿数据的真相
2021-06-04 17:38:31

作者 | 林壮壮

最近接连温习了几本数据相关的书,作为数学系毕业的学生,虽然毕业多年都无缘从事数据相关的职业,基础的理论知识也基本化整为零,但我对数据一直都蛮感兴趣的,在此也想分享下我的一些看法。


一家公司宣布3003人持有该公司的股份,每人平均持有660股。


乍一看,优秀优秀。


别急着鼓掌,这个令人惊叹的数据背后还有另一信息没有透露:“公司累计200万股股票,其中三大股东的股份占了3/4,而剩下的3000人总共持有的股份只占1/4“。


同样的,之前民间盛传的腾讯人均月薪7.18万,看起来是否也颇为可疑?

首先,这数据精确得让人吃惊;其次,未加说明的平均数都是耍流氓;最后,即便你做了大样本调查,可收入作为敏感信息,免不了参杂虚报和瞒报的情况,可信度也要大打折扣。这种话题作为媒体的噱头听听就好,当真了可是要伤心的。


但事实上,人容易为数据痴迷。


学生的能力不好评估,但考试成绩和学位证书可以佐证,于是家长们争先恐后地帮孩子报了补习班;了解一个陌生人很难,但朋友圈和Facebook提供了一个渠道,于是我们都执着于在网上塑造一个理想人设。

看吧,我们一直置身于大数据的热潮中。


我的大学朋友基本上都在从事大数据计算相关的职业,平常我们闲聊时,或多或少会感叹大数据给我们带来的双刃剑。在充斥数据和算法的年代,究竟是数据为我,还是我为数据?数据是不是就等于我们自己?这个命题太大,我只能随波逐流。

今天主要是想认真探讨下,这么多年来,你我曾经陷入的数据陷阱以及我们能采取的行动。

一、数据会说谎?

大数据是个好工具,尤其到了现在,它早已被放大了光环,给我们带来了诸多便利。你浏览过什么,对什么感兴趣,推荐算法总是能精准地匹配你的口味(或者说,大数据定义了你的口味)。


当然,唱衰大数据的人也不少:“数据只是证实了显而易见的事实。”不少人对此不屑一顾。

然而,我最近看到的几个案例,都不止一次地让我啼笑皆非:数据一次又一次地证明了很多我们想当然的推测跟真实是不相符的。


你可能会认为,在暴力电影放映后的当天,那些有攻击性的年轻人会更易怒,犯罪率铁定会上升。但事实上,有经济学家通过数据分析,在电影结束后到次日的凌晨,犯罪率持续在下降。一方面暴力电影让潜在的暴力人群离开了街头,另一方面由于影院几乎不供应酒类饮品,减少了酒精有关的犯罪活动。


大数据为人我们提供了一个新维度的视角,覆盖面较单一的意会更广,让我们对世界的认知也更立体了。

也正是因为如此,我在看一些调研报告的时候发现,这把双刃剑的另一面,终于还是现出了他的真面目。

1、相关性而非因果性

大数据显示,某地某时段起飞了多少只白天鹅,据此推断天鹅都是白的。


这显然太扯了,但你敢拍着胸脯保证自己没掉过这类圈套吗?


甚至有些时候,如果我们无法证明自己想要证明的东西,下意识地就会展示一些其他东西,并假装他们是一样的。毕竟现在统计数据让人目不暇接,几乎没人会察觉到其中的差别,不是吗?


说到这我也不得不反思,我难道没有过吗?掀开这层遮羞布,坦白说,不少情况下当我试图争取更多的权益和话语权时,不自觉地也使了这样的把戏。

运用“看似相关的数据”作为论据,要么是无心之失,要么就是惯用伎俩。


学生时代当我还对数学建模竞赛上心时,考题要求预测一个数值变化趋势,我当时就默默发现了一个“秘密”,即:给你一组数据,你可以使用任一种范式去找到一个看似好使的指标,但换一组数据,这个指标就失灵了。变量太多,你能试验的样本太少,于是你很容易发现这种假相关性,更别提你想基于这个相关性去推导因果性了。


退一步来说,即便我们通过一个人平常访问网站的内容,监察到他有了犯罪的冲动,那到底是抓他还是不抓他?如果我们不能保证自己是正义的,那么我们也不会在意自己是否邪恶。

有些人很擅长利用现有数据去预估接下来的数据变化,可能是多维度的观察,也可能是有了足够的数据样本。但是,数据会变,我们会变,如果你迷信数据而忽视本质,那么大数据就不能用于预测,只能预测有意会的预测。


重申一遍,大数据只能提供相关性,而非因果性。具有纯粹因果关系的事情很少,因为现在事物间的联系变得越来越复杂,影响因素有很多。真正的数据是工具,而非结论或原因。

2、数据太“薄”

人们总会错误地认为无论样本数量多么少,都能反映种族的特征。


我在读达莱尔·哈夫的《统计数据会说谎》时,书中提到一个经典的医疗实验:


一个地区的450名儿童注射了小儿麻痹症疫苗,另有680名儿童作为对照没有接受注射。不久之后,该地区出现了传染病。注射过疫苗的儿童中没有一个患上小儿麻痹症。


看到这,你可能要给出小儿麻痹疫苗的有效性的结论了。


但,这个实验还有后续。事实上,对照组中也没有儿童患病!


纵观小儿麻痹症的发病率,本来就比较低,这么大规模的群体中只可能出现两例患病者。因此,从一开始这个实验就注定毫无意义。如果想获得任何有意义的结论,实验组需要用比这个群体多15~20倍的儿童做样本。


事实上,我们现在看到的很多市场调研报告,里面不乏通过小样本去给出均值结论的例子,比如我前两天看的90后消费人群分析:


“84%的90后有理财习惯“;

“34%的90后已购房“;

“60%以上的90后将消费贷用于基本生活和休闲“……


然后我翻了下数据来源,样本是5000人,挺多的是不是?而90后据最新数据研究已有3.62亿……


只有试验的样本数目足够庞大,平均数定律才是一个有用的描述或猜测。

二、看穿数据的真相

如果说前文展现的是目前普遍存在的数据行骗手段,那么接下来我们一起来试着看下如何去看穿数据的真相,避免被一些似是而非的东西所迷惑。毕竟“骗子”都已经熟练掌握了这些诡计,老实人又怎能不学点防御之术呢?

《统计数据会说谎》里给我提供了一个很好的思路,下次当我们接触到一些数据时,不妨提出4个问题试试:

1、是谁这么说,他怎么知道?

这个结论怎么来的?找到有意识和无意识的偏差。


比如你在机场分发消费问卷调查,那你可能就犯了选择误差,因为坐飞机的人相对而言比一般人更富裕些,消费水平自然会高一些。


又或者,你发现某个屋子里人均身高偏高,然后打开门一看,姚明坐那呢。你选择的样本里有过高或过低的数据,样本不平均,就会出现这类错误。


当然还有一种可能,你为了使自己拿到有利的结论,选对自己有利的数据,改变衡量的标准,再使用不恰当的测算方式。比如明明是中位数更能说明问题,却使用了均值来计算,最后再用“平均数”来掩盖事实真相。

这些你能想到的伎俩,别人当然也能。

2、漏掉了什么?

在我们阅读分析报告时,大多数情况下我们无法得知样本中包含了多少案例。能看到的就是一张张绘制完美的图表,配上铿锵有力的结论,看起来多么令人信服。


然而,如果缺乏可信的测算方式,比如概率误差、标准误差的检验,那么可信度就要大打折扣了。


尤其要留心那些未加说明的平均数,因为无论在什么时候,均值和中位数都有着本质的差别。


一份报告曾指出“过去25年内因癌症死亡的人数大幅增长”,很吓人对不对?


但我们都知道,以前那些“原因不明”的病症现在都被确诊为癌症,这是其一;此外尸体解剖更加频繁,诊断也就更为确切;现在人均寿命延长,因此更多人会活到容易患癌症的年龄。最后,报告给出的数据应该是死亡总人数而非死亡率——毕竟现在的人口总数比以前要多。

3、偷换概念了吗?

搞乱因果关系,拿词义做文章,都是偷换概念的方式。


早在前几年,人们普遍认为女博士的婚育年龄普遍较学历较低的女性会更大,女博士里的剩女比例也更高。后来“剩女”一词被人诟病后,现在被冠以“单身贵族”的头衔,听起来似乎还蛮前卫的?


这算是很明显的偷换概念了,本质上想传达的观点并没有变化。而更多时候,在更为专业的领域,遇到偷换概念的场合,你我可能并不能一眼识别。

4、这是否合乎情理?

那么,究竟要怎样做才能不被毫无意义的结论愚弄?你总不能指望每个人都成为统计学家,亲自分析数据吧?


反其道而行,你要去捕捉没有被透露的数据,留心这部分的数据,就能看穿这种别有用心的手段。


此外,截止到目前为止的趋势或许是事实,但未来的趋势不过是我们的猜测。你不能拿现有的趋势直接去臆测未来的趋势,毕竟所有的事情不会一成不变。


比如说现在有个新闻是这么报道的:在大雾天气的一周内,某地区的死亡人数猛增至2800人……


仔细想下,这一周内死亡率比平时高这么多难道不是例外吗?所有的事情都处在变化之中。往下看,随后几周情况如何?死亡率降至平均水平以下,是否意味着大雾中死去的人本来就已不久于人世?


看吧,这个数据的确让人印象深刻,但由于没有其他数据可以对比,所以这个数据也变得没什么意义。

三、数据是把双刃剑

写这篇文有点杀敌一万自损八千的感觉,前文提到的数据陷阱,无论是假相关性、乱因果性,还是拿着薄数据去佐证对自己有利的观点,这些我曾经陷入的圈套,同样也在某些时刻成为了我“行骗“的工具。


究竟要怎么去用数据呢?我已许久没系统性地做过数据挖掘和统计分析,但我相信大数据广阔的应用前景,也在大数据给出的相关性规律里获益匪浅。我也在反思,在数据至上的时代,我是不是过少地发现它的局限性,过分地依赖它给的结论。


至于那些拿大数据用以评判个人、组织乃至社会,特别是关乎人性抉择、生杀进退的大事,我们是否又能接受这些冰冷的数据浇灭人情的热度?


一起拭目以待吧。

-END-

林壮壮
分享到朋友圈
收藏
收藏
评分

综合评分:

我的评分
Xinstall 15天会员特权
Xinstall是专业的数据分析服务商,帮企业追踪渠道安装来源、裂变拉新统计、广告流量指导等,广泛应用于广告效果统计、APP地推与CPS/CPA归属统计等方面。
20羽毛
立即兑换
超级nice便签砖
超级超级超级奈斯!
1000羽毛
立即兑换
一书一课30天会员体验卡
领30天VIP会员,110+门职场大课,250+本精读好书免费学!助你提升职场力!
20羽毛
立即兑换
林壮壮
林壮壮
发表文章28
写着玩儿。
确认要消耗 0羽毛购买
大数据会说谎:看穿数据的真相吗?
考虑一下
很遗憾,羽毛不足
我知道了

我们致力于提供一个高质量内容的交流平台。为落实国家互联网信息办公室“依法管网、依法办网、依法上网”的要求,为完善跟帖评论自律管理,为了保护用户创造的内容、维护开放、真实、专业的平台氛围,我们团队将依据本公约中的条款对注册用户和发布在本平台的内容进行管理。平台鼓励用户创作、发布优质内容,同时也将采取必要措施管理违法、侵权或有其他不良影响的网络信息。


一、根据《网络信息内容生态治理规定》《中华人民共和国未成年人保护法》等法律法规,对以下违法、不良信息或存在危害的行为进行处理。
1. 违反法律法规的信息,主要表现为:
    1)反对宪法所确定的基本原则;
    2)危害国家安全,泄露国家秘密,颠覆国家政权,破坏国家统一,损害国家荣誉和利益;
    3)侮辱、滥用英烈形象,歪曲、丑化、亵渎、否定英雄烈士事迹和精神,以侮辱、诽谤或者其他方式侵害英雄烈士的姓名、肖像、名誉、荣誉;
    4)宣扬恐怖主义、极端主义或者煽动实施恐怖活动、极端主义活动;
    5)煽动民族仇恨、民族歧视,破坏民族团结;
    6)破坏国家宗教政策,宣扬邪教和封建迷信;
    7)散布谣言,扰乱社会秩序,破坏社会稳定;
    8)宣扬淫秽、色情、赌博、暴力、凶杀、恐怖或者教唆犯罪;
    9)煽动非法集会、结社、游行、示威、聚众扰乱社会秩序;
    10)侮辱或者诽谤他人,侵害他人名誉、隐私和其他合法权益;
    11)通过网络以文字、图片、音视频等形式,对未成年人实施侮辱、诽谤、威胁或者恶意损害未成年人形象进行网络欺凌的;
    12)危害未成年人身心健康的;
    13)含有法律、行政法规禁止的其他内容;


2. 不友善:不尊重用户及其所贡献内容的信息或行为。主要表现为:
    1)轻蔑:贬低、轻视他人及其劳动成果;
    2)诽谤:捏造、散布虚假事实,损害他人名誉;
    3)嘲讽:以比喻、夸张、侮辱性的手法对他人或其行为进行揭露或描述,以此来激怒他人;
    4)挑衅:以不友好的方式激怒他人,意图使对方对自己的言论作出回应,蓄意制造事端;
    5)羞辱:贬低他人的能力、行为、生理或身份特征,让对方难堪;
    6)谩骂:以不文明的语言对他人进行负面评价;
    7)歧视:煽动人群歧视、地域歧视等,针对他人的民族、种族、宗教、性取向、性别、年龄、地域、生理特征等身份或者归类的攻击;
    8)威胁:许诺以不良的后果来迫使他人服从自己的意志;


3. 发布垃圾广告信息:以推广曝光为目的,发布影响用户体验、扰乱本网站秩序的内容,或进行相关行为。主要表现为:
    1)多次发布包含售卖产品、提供服务、宣传推广内容的垃圾广告。包括但不限于以下几种形式:
    2)单个帐号多次发布包含垃圾广告的内容;
    3)多个广告帐号互相配合发布、传播包含垃圾广告的内容;
    4)多次发布包含欺骗性外链的内容,如未注明的淘宝客链接、跳转网站等,诱骗用户点击链接
    5)发布大量包含推广链接、产品、品牌等内容获取搜索引擎中的不正当曝光;
    6)购买或出售帐号之间虚假地互动,发布干扰网站秩序的推广内容及相关交易。
    7)发布包含欺骗性的恶意营销内容,如通过伪造经历、冒充他人等方式进行恶意营销;
    8)使用特殊符号、图片等方式规避垃圾广告内容审核的广告内容。


4. 色情低俗信息,主要表现为:
    1)包含自己或他人性经验的细节描述或露骨的感受描述;
    2)涉及色情段子、两性笑话的低俗内容;
    3)配图、头图中包含庸俗或挑逗性图片的内容;
    4)带有性暗示、性挑逗等易使人产生性联想;
    5)展现血腥、惊悚、残忍等致人身心不适;
    6)炒作绯闻、丑闻、劣迹等;
    7)宣扬低俗、庸俗、媚俗内容。


5. 不实信息,主要表现为:
    1)可能存在事实性错误或者造谣等内容;
    2)存在事实夸大、伪造虚假经历等误导他人的内容;
    3)伪造身份、冒充他人,通过头像、用户名等个人信息暗示自己具有特定身份,或与特定机构或个人存在关联。


6. 传播封建迷信,主要表现为:
    1)找人算命、测字、占卜、解梦、化解厄运、使用迷信方式治病;
    2)求推荐算命看相大师;
    3)针对具体风水等问题进行求助或咨询;
    4)问自己或他人的八字、六爻、星盘、手相、面相、五行缺失,包括通过占卜方法问婚姻、前程、运势,东西宠物丢了能不能找回、取名改名等;


7. 文章标题党,主要表现为:
    1)以各种夸张、猎奇、不合常理的表现手法等行为来诱导用户;
    2)内容与标题之间存在严重不实或者原意扭曲;
    3)使用夸张标题,内容与标题严重不符的。


8.「饭圈」乱象行为,主要表现为:
    1)诱导未成年人应援集资、高额消费、投票打榜
    2)粉丝互撕谩骂、拉踩引战、造谣攻击、人肉搜索、侵犯隐私
    3)鼓动「饭圈」粉丝攀比炫富、奢靡享乐等行为
    4)以号召粉丝、雇用网络水军、「养号」形式刷量控评等行为
    5)通过「蹭热点」、制造话题等形式干扰舆论,影响传播秩序


9. 其他危害行为或内容,主要表现为:
    1)可能引发未成年人模仿不安全行为和违反社会公德行为、诱导未成年人不良嗜好影响未成年人身心健康的;
    2)不当评述自然灾害、重大事故等灾难的;
    3)美化、粉饰侵略战争行为的;
    4)法律、行政法规禁止,或可能对网络生态造成不良影响的其他内容。


二、违规处罚
本网站通过主动发现和接受用户举报两种方式收集违规行为信息。所有有意的降低内容质量、伤害平台氛围及欺凌未成年人或危害未成年人身心健康的行为都是不能容忍的。
当一个用户发布违规内容时,本网站将依据相关用户违规情节严重程度,对帐号进行禁言 1 天、7 天、15 天直至永久禁言或封停账号的处罚。当涉及欺凌未成年人、危害未成年人身心健康、通过作弊手段注册、使用帐号,或者滥用多个帐号发布违规内容时,本网站将加重处罚。


三、申诉
随着平台管理经验的不断丰富,本网站出于维护本网站氛围和秩序的目的,将不断完善本公约。
如果本网站用户对本网站基于本公约规定做出的处理有异议,可以通过「建议反馈」功能向本网站进行反馈。
(规则的最终解释权归属本网站所有)

我知道了
恭喜你~答对了
+5羽毛
下一次认真读哦
成功推荐给其他人
+ 10羽毛
评论成功且进入审核!审核通过后,您将获得10羽毛的奖励。分享本文章给好友阅读最高再得15羽毛~
(羽毛可至 "羽毛精选" 兑换礼品)
好友微信扫一扫
复制链接