
数据分析:人类正在变成七秒鱼还是三秒男
如果存在上帝或者三体人的话,他们会不会也怀着类似的视角看现在的人类?他们会不会觉得人类也是七秒鱼或者快进快出的三秒男?
让我产生这个想法的是最近接连不断的热点事件,它们都一夜之间刷屏而又快速衰落:血友病吧、百度魏某、口腔科主任被砍死、人大雷某……在上一个事件还没有水落石出的时候,人类也带着昂扬的情绪奔向了下一个事件,好像“前任”不存在而成为路人,真是“把每一次都当成初恋般投入”。而且不仅仅是庸俗大众的社交网络如此健忘,连号称聚集了世界上最聪明人类的股市也变得疲劳,经历如此公共信任危机的百度,股市对其的反应也是不温不火,远不如早些年公关危机引发的大跌。(下图列举了百度在今年内遭遇的几次重大公共危机以及其后一两年内股价的下跌幅度)
于是迸发出念头:对大众的记忆力及专注力做一次定量研究。
考虑到大部分人都不会对基础方法论感兴趣,只能简述之。有兴趣或者有异议的,欢迎私信。
研究方法。利用百度指数,观测某热点事件从兴起到衰落的过程:从发生到高潮所需的时间(蹿红期),以及半衰期、80%衰期和90%衰期(从峰值衰落到x%所需的时间)。以及将两者的总和作为热点事件的持续期。
研究对象。选取从2009-2015年间的三大类型事件,国内十大灾难、十大安全事故以及十大食品安全事件。以这三大类事件作为研究对象的主要理由如下:可比性和稳定性强,政府每年会持续发布相关报告及排行榜;容易避开黑天鹅(比如:天涯或水木的那种全民爆款可以吵架数周,今天男主发文,明天女主反击,然后男二号女二号悉数登场,然后亲友团跟进)
(注:许多评论在谈非市场原因干扰了百度指数的发展。其实这个因素在设计之初就有考虑,因此选择的事件,都是权威政府机构在年末评出的本年度十大事件。另外,如果单看无法掩饰的十大自然灾害,其实趋势也是雷同的。)所研究的热点大致图形及关键指标如下图。
先说结论:热点事件的蹿红期及衰落期都在急速下降;某种意义上,说明大众的专注力或记忆力进一步降低。换成人话就是:热点,来得更快去得也更快;大家都在成为快进快出的三秒男,不要再嘲笑只有七秒记忆的鱼类了。
再说猜想:技术的发展让热点更容易到达全民,同时也将大众的专注力进一步碎片化,上一个热点会容易被下一个热点迅速掩盖,所谓“长江后浪推前浪,前浪被埋在沙滩上”。
下图是热点事件持续时间的平均值及中位值变化图(2009-2015年)。很明显,热点事件的持续时间逐年缩短。站在今天,热点事件从发生到衰减到峰值的10%,只需要不到7天。难怪互联网大佬对于各种恶性事件,轻易摆出“Who cares!”的傲慢态度。
注1:持续时间,从发生到峰值再到衰减到峰值x%并稳定在x%以下整个过程所需的时间注2:为了避免黑天鹅时间的影响,采用平均值和中位值
同时有趣的是,跌幅最大的时间段是在2010-2012年,而这恰好是智能手机大幅普及的时间段,而智能手机以及其衍生的移动互联网生态最能提高信息的传播速度。同时在这段时间,3G/4G用户也大幅攀升,在基础架构和流量上也为信息的快速传播做好了充分的准备。
下图是热点事件蹿红时间的平均值及中位值变化图(2009-2015年)。均值从接近4天已经减少到不到2天,下降幅度最大的时间段仍然是2010-2012年,这个数据更容易让人相信:科技及设备的进步,让大家获取热点的速度加快,而导致热点蹿红的速度也在加快。
下图是热点事件衰减x%的衰减时间的平均值及中位值变化图(2009-2015年)。总体趋势仍然是下降。站在今天,热点事件从火焰到海水(峰值的10%),很可能只需要4天左右。
注1:衰减时间,从峰值到衰减到峰值x%并稳定在x%以下整个过程所需的时间
下图是热点事件的峰值次日留存图(2009-2015年),其中次日留存=峰值次日百度指数/峰值百度指数x100%。这个指标更能反映大众瞬时对于热点事件的衰减度。从曲线的变化趋势来看,它也是在不断下降的。站在今天,对于再大的热点,峰值的第二天,关注度就能衰减到峰值的45%左右。
至于以上各指标的标准方差(SD)及相对标准方差(RSD),计算结果并没有显示太多的规律及趋势,就不赘述了。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09