京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代,谁还需要公知
原本发迹于互联网的“意见领袖”、“公知”与各类“专家”、“学者”一步步走向穷途末路,短短十年不到,从“万众瞩目”沦落到“声名狼藉”的不在少数,更多的是跳两年就销声匿迹了。很多人觉得这是“专家”、“公知”们水平、素质太差造成的,其实,这是一个很大的误解。
现在活跃于网络上的专家学者与公知们,无论从知识面还是见解上,都不比以往任何时代的同类们差多少,不幸的是,他们生活在知识大爆炸的互联网时代,且进入到前所未有的大数据时代。他们没有与时俱进,或者根本没法与时俱进。
我理解的“大数据”时代,就是一切东西都能变成数字,通过机器与云计算,把这些数字变成数据,人们越来越倾向利用所有的数据,而不是一小部分数据来认识世界、预测未来。这一变化,使得传统意义上的“专家”不得不让位给会操作电脑的计算师、统计师与数据分析师。简而言之,传统意义上的“专家”就是通过自己掌握的知识,通过对尽量多案例的收集与分析,总结出普遍规律,从而利用这个普遍规律去解决更多个体案例的问题,指导当下、预测未来。
问题是在大数据时代,人们已经不再依赖对少数案例的分析总结规律,找出因果,科技的发展完全可以通过对大量(甚至全部)的数据收集和分析,得出更准确的结论。例如,你今天病了,咳嗽、发烧、喉咙疼,你去看医生,他根据你的三个症状得出了结论:感冒。
他怎么得出结论的?因为医药书上对有这三个症状的人的跟踪研究显示,百分之九十几的这类人,都是得了感冒。但“大数据”时代有更简单的办法:通过对全球有这三个症状的人的全部统计(在电脑计算如此发达的时代,如果得到医疗部门的支持,可能只需要几个小时吧),不难得出更准确的结论:百分之九十九点XXXX的人是得了感冒,其中百分之0.XXX的人为此而死亡。如果把这个数据进一步分类,更细化且找到他们使用过的药物,你下次感冒了,恐怕就不一定要去挂号、排队看医生吧,不如直接去一个配备了一台载有大数据资料库的药房。
实际上,医学上的“大数据”早就在实行了,记得二十多年前,一位领导人的各项医学数据就是密封后拿到美国去“确诊”的。当时美国有世界上最完整的医疗数据,中国还没有建立起来。有了这样的医学数据,一位患者的所有身体数据只要输入大数据库后,基本上可以百分之百的确诊。可惜这样的医学大数据至今还没有使用在普通患者身上,否则,就不会有误诊,世界上每年估计至少少死上百万患者。
我再举个例子,一位“婚姻咨询专家”(以及古代的“媒婆”)通过自己的经验和观察,大致可以判断出某对男女是否适合生活在一起,某种状况下的夫妻是否可以保持婚姻白头到老,大家都相信Ta的经验和判断,Ta于是就成了婚姻咨询专家了。可是,Ta的经验是从哪里来的?是否全面?有没有比他更靠谱的分析方法?
在大数据时代,有一个更简单有效的办法,足足可让所有的婚姻专家变成“砖家”:通过对全球男女恋人成功率的统计,以及离婚夫妻状态的统计,得出哪些人可以生活在一起,具有哪些特征夫妻大概七年左右就会离婚等等。在大数据时代,如果得到婚姻登记处与民政部门、NGO的协助,这样的数据库并不难建立起来。虽然总有特例,但通过对全球婚姻数据库搜索后得出的结论,恐怕是八九不离十吧?
如此大范围的对数据的收集、统计与归类,在历史上任何时代都是不可思议的。当时没有可以完成云计算的电脑,全部人类加在一起,也无法完成现在计算机可以独立完成的计算,所以在历史上,我们需要熟悉普遍规律、懂得逻辑、精通因果关系经验丰富的专家们为我们排忧解难。
可到了“大数据”时代,这些“专家”如果意识不到时代不同了,就往往容易沦为“砖家”。这并非他们做得不够好,而是对数据的利用,对各种数据的计算方式都发生了革命性的变化。
“公知”与“意见领袖”同样遭到时代带来的困境。我举个自己的例子,我走过一百多个国家,还在多个国家定居过,如果是在古代,我去写游记之类的,即便不是徐霞客,也能混个马可波罗当当吧?即便在当今,恐怕也没几个年轻人有我这样的经历。
但实际上,我根本不敢写游记,因为我写任何一个地方,都有至少几百个中国网友去过(且比我观察得更仔细),更不用说那个地方的居民还能在几个小时之内看到我的“游记”,在我的字里行间进行检查与百般挑剔。如果马可波罗与徐霞客活在今天,他们的文字会立马淹没在大数据里。
“意见领袖”在互联网兴起的前几年与博客、微博刚刚出现的时候可以做到呼风唤雨,盛极一时,主要是因为他们比较聪明,能够抓住这些新科技的特点,新瓶装旧酒,加上网民与大众一时还没回过神来。过了几年回头看,你就会发现,有几个“意见领袖”在过去十年里真正推出一条真正属于他们的意见?包括那些段子有笑话,有几条不是从人类已有的幽默笑话中改头换面山寨过来的?
我以前说过,我的任何一篇,如果没有一个新的观点或者一两句独特的句子与语录,我是不会下笔的,可现在呢?我可不敢说了,垂手可得的海量信息,任何人都只不过是沧海一粟而已。每次演讲,我讲到得意之处,就常常提醒自己坐在下面正在玩手机的孩子们,他们可随时会百度甚至谷歌我刚才的“名言”,从而有可能发现我其实是从人家的名言改编而来的。
对于网上活跃的“专家”,意见领袖与公知来说,成也互联网、败也互联网。互联网刚刚出现时,几乎成了名利场,最早从一篇博文可以一夜出名、扭动一下屁股可以粉丝上百万、讲几个段子就变成思想者,到后来甚至一条微博就可以让你立马被几百万人记住名字,这一切都让鲁迅、胡适那些写了一辈子的文人墨客羡慕嫉妒恨。
当然,好景不长。当网民都回过神来,当科技进一步发展,当“大数据”的威力逐渐发挥出来之后,一夜成名的互联网又变得可以在一天之内把任何一个不知天高地厚的家伙抛到九霄云外的地步。
在信息如此多样与日渐公开的时代,那些还靠所在单位的光环和几本书本知识以及两本可疑的文凭来充当“专家”的学者们,转眼之间就成了“砖家”,遭人嘲笑;那些平时放松学习、停止获得新知识却还总想指点江山的“意见领袖”注定会被抛弃;而那些还幻想这是一个传统媒体时代的知识份子们,则会让“公知”越来越成为负面的词汇。
“意见领袖”、“公知”与各类“专家”只不过是“大数据”时代的第一批“受害者”而已,“大数据”时代对政治、经济与社会的影响还远没有展开。总体来说,“大数据”就是大公开、大透明、大民主的时代,只要“数据”不是掌握在少数人手里(或政府手里),迟早会发挥我们想象不到的威力。从这个意义上说,那些宣称要启蒙民众、引领社会的“意见领袖”、“公知”与各类“专家”难道不应该为自己的“失败”而高兴?“大数据”有可能完成千百代知识分子与专家们想做而无法做成的事。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24在CDA(Certified Data Analyst)数据分析师的日常业务分析与统计建模工作中,多组数据差异对比是高频且核心的分析场景。比如验 ...
2026-03-24日常用Excel做数据管理、台账维护、报表整理时,添加备注列是高频操作——用来标注异常、说明业务背景、记录处理进度、补充关键 ...
2026-03-23作为业内主流的自助式数据可视化工具,Tableau凭借拖拽式操作、强大的数据联动能力、灵活的仪表板搭建,成为数据分析师、业务人 ...
2026-03-23在CDA(Certified Data Analyst)数据分析师的日常工作与认证考核中,分类变量的关联分析是高频核心场景。用户性别是否影响商品 ...
2026-03-23在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16