題圖 - 川普大選獲勝

文·blogchong

川普贏了！

今天全世界都在討論一個(gè)事，那就是美國大選。是的，川普贏了！

我也很意外，因?yàn)榍皫滋煳疫€看到的是這個(gè)：

大選預(yù)測(cè)圖

結(jié)局有點(diǎn)出乎意料，說好的預(yù)測(cè)希拉里成果率80%的呢？

那個(gè)網(wǎng)上做大選預(yù)測(cè)的那個(gè)家伙，還有畫這個(gè)好看蛇形預(yù)測(cè)圖的家伙，你給我站出來！我保證不打死你！

預(yù)測(cè) - 大選拔河圖(蛇形圖)

是的，美國那邊的數(shù)據(jù)同行們，被“啪啪”打臉了！

說好的“啤酒與尿布”呢？哦，對(duì)了，還有說好的“成功預(yù)測(cè)流感”呢？咋就不好使了。

莫非，是美國那邊的數(shù)據(jù)同行們，水準(zhǔn)下降了？！

好了，打住，不要偷偷得意了。

盆友圈里，有個(gè)數(shù)據(jù)同行盆友發(fā)了這樣一個(gè)狀態(tài)：“美國大選出乎意料的核心在于數(shù)據(jù)的不完整性。我們以為全世界的人都在互聯(lián)網(wǎng)上，其實(shí)沒有在互聯(lián)網(wǎng)的人是多數(shù)。所以這個(gè)時(shí)候的大數(shù)據(jù)分析技術(shù)就是個(gè)偽命題，無法預(yù)測(cè)也是合理的?！?/p>

一語中的！

很多分析這次美國大選結(jié)果的盆友，很喜歡用的一個(gè)句話“農(nóng)村包圍城市”。

我們來看這張圖，相信已經(jīng)有不少盆友都看過：

美國大選選票分布圖

從地圖上可以看出，支持希拉里的藍(lán)色部分，分布在西部沿海，以及東北部，當(dāng)然其中包括了我們耳熟能詳?shù)募~約，以及加州。這些地方人口相對(duì)比較密集，也是美國經(jīng)濟(jì)比較發(fā)達(dá)的地區(qū)。

就算在一個(gè)州里，只有相對(duì)發(fā)達(dá)的城市對(duì)希拉里的支持是比較徹底的，例如佛羅里達(dá)州：

美國大選佛羅里達(dá)州選票分布

所以，確實(shí)是印證了“農(nóng)村包圍城市”的說法。

那么，這個(gè)現(xiàn)狀對(duì)于之前我們說的數(shù)據(jù)預(yù)測(cè)有什么影響呢？

不可否認(rèn)，互聯(lián)網(wǎng)在美國的普及率也算是足夠高了，但不得不承認(rèn)的一個(gè)事實(shí)是：互聯(lián)網(wǎng)上相對(duì)活躍的人群，肯定是經(jīng)濟(jì)能力相對(duì)較高，整體學(xué)識(shí)素質(zhì)相對(duì)比較高的群體。

從這點(diǎn)來說，基于互聯(lián)網(wǎng)的數(shù)據(jù)去做大選預(yù)測(cè)，本身就存在數(shù)據(jù)樣本的不公平性。

也就印證了，盆友圈中的那句“其實(shí)很多人都不在互聯(lián)網(wǎng)上的”，那部分人群是沒有參與到預(yù)測(cè)中的。

還有一個(gè)比較重要的點(diǎn)就是：關(guān)鍵意見領(lǐng)袖(KOL)再加上社交媒體的影響力，使得數(shù)據(jù)預(yù)測(cè)進(jìn)一步偏離了正確的方向。

我們都知道，現(xiàn)任美國總統(tǒng)奧巴馬公開為希拉里拉選票，而蘋果、Google、臉書等互聯(lián)網(wǎng)領(lǐng)袖也都公開支持希拉里，當(dāng)然還包括很多體育、娛樂明星等為希拉里站臺(tái)。

這些人在互聯(lián)網(wǎng)的公開影響力是不可忽視的，再結(jié)合社交網(wǎng)絡(luò)的病毒式擴(kuò)散，以“精英”階層為主體的互聯(lián)網(wǎng)，于是就這樣被偏向了希拉里。

且不論國外，就算在國內(nèi)。

就以微信熱點(diǎn)傳播為例，一些微信大號(hào)發(fā)表的一些對(duì)時(shí)事熱點(diǎn)的看法，是很容易大面積覆蓋朋友圈的，而作為吃瓜群眾的我們也很容易受到這種意見領(lǐng)袖的影響(不受影響，你會(huì)轉(zhuǎn)發(fā)嗎)。

而今天雖然智能手機(jī)的普及率已經(jīng)算是比較廣了，但是作為經(jīng)常吃瓜群眾的我們，其實(shí)也算是“精英人士”了，我們是無法想象三四線城市的情況的，更何況那些農(nóng)村地帶呢？

你朋友圈中經(jīng)常傳播的熱點(diǎn)，你那些依然拿著諾基亞的七大姑、八大姨聽過嗎？

你造中國農(nóng)村人口有多少嗎？

所以，基于互聯(lián)網(wǎng)數(shù)據(jù)的選舉預(yù)測(cè)，不可避免的使用了本身成分就不全面的基礎(chǔ)數(shù)據(jù)，哪怕美國同行們用"看似"再精準(zhǔn)，再智能的預(yù)測(cè)算法，結(jié)果一樣是錯(cuò)的。

這里又回歸到了我們的原始話題，并不是說預(yù)測(cè)的過程或者說算法存在問題，而是數(shù)據(jù)源存在問題。

這里告訴我們，作為大數(shù)據(jù)領(lǐng)域里開挖掘機(jī)的我們，在苦練開挖掘機(jī)技術(shù)的時(shí)候，不要忽視了前期數(shù)據(jù)收集，以及數(shù)據(jù)預(yù)處理的重要性。

很多時(shí)候，數(shù)據(jù)源的選取，以及數(shù)據(jù)的預(yù)處理過程，將會(huì)對(duì)你的后續(xù)挖掘結(jié)果產(chǎn)生巨大的影響，包括我們經(jīng)常說的推薦。

當(dāng)然，包括對(duì)數(shù)據(jù)源要求更嚴(yán)格的預(yù)測(cè)模型等。

最后，作為數(shù)據(jù)領(lǐng)域的我們，要正確的看待這一次的美國大選數(shù)據(jù)預(yù)測(cè)事件，一方面要嚴(yán)謹(jǐn)對(duì)待數(shù)據(jù)選擇的問題，另一方面也不要就因此而否定數(shù)據(jù)挖掘的價(jià)值！

(全文完)