京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据不应成为作恶的工具
牛津大学互联网学院教授维克托·迈尔-舍恩伯格曾以《大数据时代》《删除》两本看似“自相矛盾”的著作炸响了大数据的深潭,前者着重挖掘大数据的价值,而后者则指出在记忆不可磨灭状态下大数据对我们的生活造成的困扰,两书呈现了大数据的两面性。然而,在现实应用中,前者在商业及金融领域的潜在价值被不断挖掘,而《删除》中那些啼笑皆非的案例,总是被人们选择性遗忘,在大数据的裹挟下,我们正在进入被操控的“黑箱社会”。
美国马里兰大学教授弗兰克·帕斯奎尔所著的《黑箱社会:控制金钱和信息的数据法则》,分析了在互联网时代,各类数据收集挖掘企业是如何仔细检索、审视我们的生活和习惯,设置我们的生活议程,控制我们的视野范围,甚至左右社会的政治走向。帕斯奎尔可谓是向社会不公现象宣战的斗士,他曾在美国众议院的司法委员会上叫板谷歌、微软、雅虎,与他们的法律总顾问对峙。在书中,作者再燃愤怒之火,剑指这些掌握信息技术大权的互联网大鳄如何操控我们的生活,设置不平等的规则,将他人的命运甚至是整个经济社会的未来操纵于掌心。
所谓“黑箱社会”,是指在我们看不到的角落,有潜在的法则在暗暗起效,被黑色幕布遮掩之处,恰是人们的隐私、权益被暴露、利用、加工贩卖的狂欢之所。现代社会,人们已经无法查清自己被“贩卖”的次数,从第一次接到“神机妙算”的电话,到手机被各种借贷、炒房信息轰炸,再到自己被各种购物网站服务得“无微不至”,其实我们已经在大数据的牵引下,成为信息时代的透明人,是无数利益机构“精准营销”、“策略营销”的对象。
假如仅仅是商业上的“超服务”,尚在可接受的范围之类,但假如我们在互联网中留下的所有蛛丝马迹都被过度解读,无限联想,对于我们来说则可能是一场灾难。比如,A君在网上购买了一些糖尿病辅助食品,则被有心的大数据运营公司记录为“糖尿病患者”,而后他在求职过程中屡屡受挫,他始终不清楚导致他被拒的原因是他“被糖尿病”了。大数据带来的误解令我们百口莫辩,甚至年少轻狂时在网上偶发的言论都被当成“呈堂证供”。
大数据技术在给人们带来便捷的同时,也渗透进了人们生活的所有公共和私人空间,在人们完全不知情的情况下,我们的行为、特征、语言,被一遍遍计算、算计,它给我们贴上各种各样的标签,影响我们的日常生活,我们却鲜有申诉的权利。没有人能完全明了在数据的黑箱里究竟装了哪些运算法则,没有人能够在智能计算中“独善其身”。
技术秘密是大型互联网企业的万用挡箭牌,即使是在立法机构的一次次调整中,互联网企业也总能在现实的变通中,完美规避法律,毕竟没有哪个政府部门会在互联网时代拥有比企业更灵敏的嗅觉和快速的反应能力。
以书中所示的英国“Foundem”垂直搜索引擎公司来说,作为搜索领域的新生儿,简直是被谷歌玩弄于股掌之间,只要谷歌对其作出搜索降级的“处分决定”,它就难以在用户搜索关键词“价格对比”时出现在靠前的页面中,这对于一家互联网企业而言无异于灭顶之灾。只要谷歌稍动手脚,一家风光一时的企业就会在互联网中石沉大海,而谷歌想捧红哪家企业,也只要将其置顶,这家企业就会拥有源源不断的点击率。当公众质疑其搜索结果的公正性时,谷歌总会有相当多的理由以及技术秘密用以搪塞用户,只要谷歌不掀开自己的“技术黑箱”没有人知道里面究竟装的是规则与秩序,还是权利与利益。在流量为王的时代,谷歌仿若商业世界的帝王。当然,拥有这种权利的互联网企业,绝不仅谷歌一家,脸谱网、推特这些大型互联网企业在各自的领域亦有着相似的能量。
在美国的政治竞争中,互联网企业也会扮演重要的角色,它们甚至可以决定人们对这位候选人的认知度和整体印象,还可以设置话题议程,左右舆论风向,其强大的排序能力已经远远超出了其技术所应伸出的触角。一个被大型企业垄断的世界同独裁统治的世界一样是可怕的,一股缺乏有效制衡的“超力量”必然会不断地制造社会的“暗箱”,将规则与公平关进笼子里,而放出来的则是金钱与权利的欲望之火。
认清政府、大型企业之间的利益关系,更有助于我们看到很多社会问题的成因。就如同华尔街的贪婪并不能一味从金融大鳄身上找问题一样,其背后错综复杂的利益格局,信用评级机构、金融监管者及立法者之间相互缠绕的关系,才是问题的症结所在。在本书中,作者也用相当篇幅介绍了在金融领域“大数据”作恶的案例,其背后同样是人对数据的误用与滥用。
在《删除》中,维克托·迈尔-舍恩伯格曾就针对大数据带来的诸多社会病提出了以“删除”为核心,包括数字化节制、保护信息隐私权、打造良性的信息生态在内的六大对策。在《黑箱社会》中,作者继续进行了一些思路及方法上的探讨,虽在深度及广度上有所进步,可两位作者同样陷入了从揭露问题到提出希望式的书写。理论上正确的方法需要更多与现实短兵相接的能力,美好希望在现实中总会遭遇种种挫折尴尬。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19