大数据会说谎：看穿数据的真相

编辑导语：如今在这个大数据时代，我们的日常都被计算在其中，最常见的就是线上购物软件的算法，根据大数据对你进行标签化，推送你可能喜欢的商品；本文作者详细分析了大数据时代的双刃剑，我们一起来看一下。

最近接连温习了几本数据相关的书，作为数学系毕业的学生，虽然毕业多年都无缘从事数据相关的职业，基础的理论知识也基本化整为零，但我对数据一直都蛮感兴趣的，在此也想分享下我的一些看法。

“一家公司宣布3003人持有该公司的股份，每人平均持有660股。”

乍一看，优秀优秀。

别急着鼓掌，这个令人惊叹的数据背后还有另一信息没有透露：“公司累计200万股股票，其中三大股东的股份占了3/4，而剩下的3000人总共持有的股份只占1/4“。

同样的，之前民间盛传的腾讯人均月薪7.18万，看起来是否也颇为可疑？

首先，这数据精确得让人吃惊；其次，未加说明的平均数都是耍流氓；最后，即便你做了大样本调查，可收入作为敏感信息，免不了参杂虚报和瞒报的情况，可信度也要大打折扣——这种话题作为媒体的噱头听听就好，当真了可是要伤心的。

但事实上，人容易为数据痴迷。

学生的能力不好评估，但考试成绩和学位证书可以佐证，于是家长们争先恐后地帮孩子报了补习班；了解一个陌生人很难，但朋友圈和Facebook提供了一个渠道，于是我们都执着于在网上塑造一个理想人设。

看吧，我们一直置身于大数据的热潮中。

我的大学朋友基本上都在从事大数据计算相关的职业，平常我们闲聊时，或多或少会感叹大数据给我们带来的双刃剑。

在充斥数据和算法的年代，究竟是数据为我，还是我为数据？数据是不是就等于我们自己？这个命题太大，我只能随波逐流。

今天主要是想认真探讨下，这么多年来，你我曾经陷入的数据陷阱以及我们能采取的行动。

一、数据会说谎？

大数据是个好工具，尤其到了现在，它早已被放大了光环，给我们带来了诸多便利；你浏览过什么，对什么感兴趣，推荐算法总是能精准地匹配你的口味（或者说，大数据定义了你的口味）。

当然，唱衰大数据的人也不少：“数据只是证实了显而易见的事实。”不少人对此不屑一顾。

然而，我最近看到的几个案例，都不止一次地让我啼笑皆非：数据一次又一次地证明了很多我们想当然的推测跟真实是不相符的。

你可能会认为，在暴力电影放映后的当天，那些有攻击性的年轻人会更易怒，犯罪率铁定会上升；但事实上，有经济学家通过数据分析，在电影结束后到次日的凌晨，犯罪率持续在下降；一方面暴力电影让潜在的暴力人群离开了街头，另一方面由于影院几乎不供应酒类饮品，减少了酒精有关的犯罪活动。

大数据为人我们提供了一个新维度的视角，覆盖面较单一的意会更广，让我们对世界的认知也更立体了。

也正是因为如此，我在看一些调研报告的时候发现，这把双刃剑的另一面，终于还是现出了他的真面目。

1. 相关性而非因果性

大数据显示，某地某时段起飞了多少只白天鹅，据此推断天鹅都是白的。

这显然太扯了，但你敢拍着胸脯保证自己没掉过这类圈套吗？

甚至有些时候，如果我们无法证明自己想要证明的东西，下意识地就会展示一些其他东西，并假装他们是一样的；毕竟现在统计数据让人目不暇接，几乎没人会察觉到其中的差别，不是吗？

说到这我也不得不反思，我难道没有过吗？掀开这层遮羞布，坦白说，不少情况下当我试图争取更多的权益和话语权时，不自觉地也使了这样的把戏。

运用“看似相关的数据”作为论据，要么是无心之失，要么就是惯用伎俩。

学生时代当我还对数学建模竞赛上心时，考题要求预测一个数值变化趋势，我当时就默默发现了一个“秘密”，即/——给你一组数据，你可以使用任一种范式去找到一个看似好使的指标，但换一组数据，这个指标就失灵了；变量太多，你能试验的样本太少，于是你很容易发现这种假相关性，更别提你想基于这个相关性去推导因果性了。

退一步来说，即便我们通过一个人平常访问网站的内容，监察到他有了犯罪的冲动，那到底是抓他还是不抓他？如果我们不能保证自己是正义的，那么我们也不会在意自己是否邪恶。

有些人很擅长利用现有数据去预估接下来的数据变化，可能是多维度的观察，也可能是有了足够的数据样本；但是，数据会变，我们会变，如果你迷信数据而忽视本质，那么大数据就不能用于预测，只能预测有意会的预测。