京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14