京公网安备 11010802034615号
经营许可证编号:京B2-20210330
有了爱情大数据,你再不会选错人
那爱情跟大数据是什么关系?我今天要讲的是从另外一个视角来看爱情。我的观念是爱情如同其他的一些感情上的行为一样,可以被数字化、数据化、数学化。
爱情和大数据走到一起了,意味着我们能以更多的智能,通过数学的方法,用现在所能得到的数据,以及大量使用的数字媒体来真正得到对爱情的洞察。
这里面的关键词是选择、匹配、预测。
就像我们很多行为可以在线上进行,约会也可以,这就叫在线约会。在线,意味着约会这个体验不再是不被记录的行为,而是被数字化了。
只要上了网,你每个点击、每个浏览、每一次打开网站,你就被记录了,数字化很自然地成为事实。
在数字化的过程中产生了数据,数据是有目的的数字组合,使得我们知道发生了什么事、有什么统计上的行为或者规律可以遵循。
美国差不多有四千多万人在线约会、找朋友、找情人、找今后长期的伴侣。
每一次他们做在线约会浏览时,大约耗时22分钟,一个星期内耗时12个小时,这是平均数。美国每十个人当中有一个人,曾经使用过类似的网站或者移动APP做在线约会规划。
66%的人通过在线软件的应用以后,他们又往前走了一步——确实去约会了,这个约会是真正现实中的行为,不是一个数字行为。
其中又有23%是真正地通过这些应用,找到了自己的配偶或者是长期的伴侣。
但另一方面,它也出现了一些以前没有的问题——信息的可靠性。56%的用户感觉到在网上的个人介绍往往是被夸大的,很大程度上误导了事实,造成了很大的麻烦。
81%的用户说自己曾经在某一项的描述当中撒了谎,其中包括谎报自己的体重,女性尤其爱往低评估;48%谎报了身高,男性在这方面尤其突出;19%谎报年纪,可能男性女性大约相同。
这些问题引起我的深思,这样一个平台上,好像数字、数据都很方便了,但是不是真正为我们服务了呢?如果没有这么多假的信息,利用拥有几千万的网络用户的软件,我们的恋爱、约会是不是能够效率更高一点?
有一个女记者Amy Webb,她也是一个未来学家,她喜欢想象未来是怎么回事。她做了一个尝试,在一个专门给犹太族裔的人群找配偶的网站上试验在线约会。
她在上面反复试验了很多次,但发布常规的信息比如说很懂日文、自己做了几年的记者等,却在找对象方面遇到很多挫折。
Amy就想,既然网站上有这么多数据,我为什么不能做一个数据分析呢?所以她做了两件事。
第一,她重点考虑了她所关心的男性对象的属性。每一次网站说,你可以跟这些人去约会,她就看一下这些人的属性是不是符合她的要求。
符合的她加一分,不符合的减一分。通过这种比较初级的方式,筛掉了很多本来网站推荐她去见一面的人。
第二,她意识到能找到心目中理想的人,并不是意味着那个理想的人也会看中她,这里面有很多竞争——她看中的这个男性,也可能会被很多的女生看中,她们会怎么接近他?
所以她用自己的模型,建立了一个分数,通过这个分数产生了十个假设的男性。
这些男性会留意到什么样的女性,会怎样和她联系约会。通过这些假设,她开始知道在介绍自己的时候,应当注重哪些方面,用什么样的语言能够成功引起注意。
这十个男性可能实际上不存在,但她至少用计分的方法算出,如果能找到类似男性的话,对她相当合适。
果然按照上述方法尝试几次后,她找到了自己最爱的一个男人,然后马上就组成了家庭,有了孩子。
这说明了什么问题?
从恋爱没有经过数字媒体,到有了数字媒体产生了数据,再到通过Amy的尝试,大家可以看到:数据可以帮助你把感情的事情理性化,从数字里看到一些自己可努力的方向,大量减少自己要搜寻的工作,使得爱情在有限时间、有限资源的情况下得到最好实现。
说到资源、选择、匹配,它能让一般的爱情有更多更广泛的内涵。
第一、 爱情可以被数字化、数据化,今天我们还可以把它数学化。
第二、 爱情大数据的作用已经被意识到了,大家都在开展这方面的应用。
应用到什么程度了呢?因为今天有很好的传感器、很多的摄影机、造像、信息处理、图象处理技术,一个男性说,我要找有范冰冰脸的女性,那他就可以发现很多有类似容貌的女性,而不是像以前那样,只能用模糊的数据描述这是女的、现在多大年纪。
第三、 爱情本身是一个选择匹配和预测的人类行为。
这种行为不止于谈情说爱,还能用在比如招聘、求学等选择领域,公司在找你,你也在找公司;你要选一个适合自己的最好大学,大学也在选你……
双向选择的过程几乎到处都有,我们对爱情大数据的研究,也不会仅限于对爱情的研究,对所有这些双向现象都要研究。
我的创业公司正在把基本的数字、数据和数学能力糅合,形成有力的产品,帮助大家对爱情产生更多深刻的认识,也是从数据能力上解答一个几千年、几万年的人类婚恋难题。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
一、问题:为什么 ID 会"断号" 很多刚接触 MySQL 的同学都会有一个困惑:表里的主键 ID 是自增的,删了中间几行数据之后,ID 变 ...
2026-10-22一、问题场景:为什么会重复 JOIN 同一个子查询 在写复杂 SQL 时,经常遇到这种需求:同一张表或同一个聚合子查询,要和主表关联 ...
2026-10-22人力资源专员是HR体系的执行入口。招聘信息发布、简历初筛、面试安排、考勤汇总、入离职手续、劳动合同与档案管理,大多由这个岗 ...
2026-10-22人力资源经理问“必学技巧”,真正要解决的不是知识清单不够长,而是时间有限、业务催得紧,学完却用不上。更有效的路径是:先用 ...
2026-10-22内容营销岗位的核心任务,不是“把文案写得更漂亮”,而是围绕目标受众,用持续的内容供给影响认知、推动转化并沉淀复购。它至少 ...
2026-10-22理财经理培训课程很多,难的是判断“先学什么、后学什么、学完能做什么”。与其按课程名称罗列,不如先看岗位任务:客户分层与维 ...
2026-10-22理财经理的知识结构,可以先用一句话概括:合规与产品知识决定“不出错”,客户经营与资产配置决定“够不够专业”,市场研判与数 ...
2026-10-22经济学背景做数据分析,优势不在工具,而在问题意识:供需如何相互作用、成本与收益如何权衡、变量之间是相关还是因果。真正的缺 ...
2026-10-22需要,但要把“需要”理解准确。经济学本身就在处理数据:GDP、物价、就业、企业营收、问卷调研,都是经济分析的原料。真正的区 ...
2026-10-22经济学分析能力不是单一技能,它至少由三层构成:把现实问题转成可检验假设的理论框架能力、用数据与统计方法验证假设的工具能力 ...
2026-10-22金融分析师的知识提升,先补的不是更多模型,而是让结论可复核的底层能力。按任务顺序,大致是四层:财务与业务理解、指标口径管 ...
2026-10-22金融分析师的“通用技能”,指换到不同机构、不同行业组仍用得上的底层能力,而非某家公司内部系统的操作经验。按任务拆,日常要 ...
2026-10-22先给结论:数据分析证书不是金融分析师的准入条件,招聘方也不会因为一张证书就直接判断你能做分析。要不要考,取决于你当前任务 ...
2026-10-22金融分析师的核心技能,不是“会看K线”或“会讲宏观”,而是能把一家公司、一个行业或一类资产,转化为可核查的数据判断与书面 ...
2026-10-22产品经理的知识提升,不是把需求文档、原型、SQL、数据分析、项目管理都学一遍,而是先对准目标岗位的真实任务,找出自己最缺的 ...
2026-10-22产品专员提升工作知识,最有效的方式不是先囤课程,而是围绕日常交付的四件事来补:需求调研与优先级判断、原型与PRD表达、竞品 ...
2026-10-22产品运营专员提升个人能力,常见误区是先把Excel、SQL、Python列成一张学习清单,然后从第一个工具开始学。更有效的做法是先回答 ...
2026-10-22产品运营的能力提升,最怕从“课程目录”出发:今天学增长模型,明天背SQL语法,学完却说不清自己负责的功能为什么激活率低。更 ...
2026-10-22产品经理的技能和影响力不是两条分开的赛道。技能决定你能不能把问题分析清楚、把方案设计对;影响力决定你的判断能否被团队接受 ...
2026-10-22产品经理要学的数据分析能力,不是“会写SQL”或“会用BI工具”这么简单。更准确地说,是围绕需求评估、功能迭代、指标监控、实 ...
2026-10-22