年度回顧不僅騙取你的信任 背後的大數據其實也沒懂你

以下內容來自PConline

「年終總結」這玩意，從讀書到工作，興許都是每個人最頭痛的事情，畢竟並不是每個人都有明確的計劃，能夠在年終總結的時候懷抱著自己的努力成果在文字間揮斥方遒。但如果是有人幫自己做年終總結，看著還是挺爽的。業已深入到生活中每一個角落的APP，無論是用於娛樂的網易雲音樂，還是用於支付和生活事務的支付寶，日常中收集的數據，足夠在年底的時候呈現出一份豐富的年度回顧。

基於乾巴巴的數據，不同領域的APP的年度回顧都有一些共同點：用上走心而不失幽默的話語，搭配符合品牌調性的圖片，整合出一份看完之後可以會心一笑，更是可以放到朋友圈上炫耀的報告。這些基於大數據的報告，以幽默的方式反饋了自己過去一年的行為，既是一種總結，也因為這些APP在數量巨大的用戶群體中的共性，有了可供社交的對比價值。可以說，這是大數據用於宣傳的一種成功途徑。

同樣通過這份大數據能做的，還有支付寶暗搓搓地布局自己的信用支付功能。筆者其實是不太相信某些媒體提到的，「點擊支付寶的年度回顧之前沒看到提示開通支付寶相關服務」這個說法，在各種全家桶流氓軟體有形無形的進攻，使得大家在無論是安裝軟體，還是打開一個授權小程序之前，都會格外留心是否會不經意地被耍了流氓。在「年度回顧」這一具備巨大社交意義的誘惑下，先打開這個功能也顯得微不足道了，大不了再試試看怎樣關掉唄。

單憑對大數據的運用，通過年度回顧的模式，APP完成了又一次的宣傳，甚至是完成了某些自家服務的推廣。大數據抓在開發者的手上，無疑能夠進行一系列的用戶分析，對產品的發展有著一定的指導作用。既然如此，我們不妨換個角度一起來探索一下，這些回顧除了讓我們有所共鳴，自發地分享到社交媒體上之外，這些回顧背後的大數據本身，究竟對我們的用戶體驗產生了怎樣的影響。

有意無意被提起的大數據 其實都干過什麼？

無論是支付寶還是音樂軟體的年度回顧，都有一個共同點：收集用戶的使用數據，並對其進行分析，然後給出一些以感性文字修飾的結論，闡述用戶一年裡的使用軌跡。例如支付寶年度回顧最後一頁的2018年展望，或者是網易雲音樂中某些文段中對於當時聽音樂狀態的形容。

這些結論能夠喚起用戶的情感需求，提升用戶忠誠度，並且完成一些用戶召回行為（例如網易雲音樂會提示「最近似乎把這首歌遺忘了」以召回用戶收聽）之餘，也是完成了軟體的一次推廣，但這離「大數據對用戶體驗產生了怎樣的影響」，展現得仍然還不夠。要討論這個問題，也許在我們常見的娛樂/服務類軟體中找現象了解，會更加合適一些。

以網易雲音樂為代表的網路音樂平台，是一個不錯的討論對象。歷經九十年代和新千年後一系列的偶像巨星之後，現在的音樂圈更是有一種繁花盛放迷人眼的感覺。在生活和工作節奏越來越快的情況下，大多數人都會將選擇音樂的權利逐漸交託給音樂軟體。而這些音樂軟體會根據用戶的收聽習慣，在分析過後向用戶推薦相似類型風格的音樂。

這聽起來是一個不錯的想法：藉助大數據統計和分析，在不同的使用場景中隨機播放符合當下情緒的，聽過的沒聽過的音樂，活躍當時的氣氛。以管窺豹，大數據能夠對我們的日常決策起建議作用，但這樣的推薦是否真的準確的？通過搜索引擎，我們可以發現既有人對網易雲音樂的演算法進行分析（具體分析由於篇幅所限，有興趣的朋友可以自行搜索相關文章），也有用戶對這種推薦服務進行使用評價。

從這兩個角度切入分析，都能夠發現這種推薦演算法的確能夠有明顯的優點：對於口味比較穩定的朋友，在長年累月的使用之後，推薦的內容肯定會更加精準，產生一種知音人的感覺。但缺點也同樣明顯：如果用戶的興趣比較多樣，那麼在早期形成推薦偏好的時候，系統會很容易拿不準口味；而對於興趣單一的用戶，如果偶爾因為一些機會（例如看完電影后對電影OST產生興趣）短時間內頻繁試聽某些音樂，那麼接下來的推薦也會被打亂，影響實際使用。基於同樣演算法基礎所產生的情況，也出現在諸如口碑、點評、美團等生活服務類軟體中。

在移動互聯網逐漸深入到大眾生活的當下，從使用反饋中得到的大批量用戶數據必然受到廠商的重視。不僅在國內，放眼全球範圍，亞馬遜AWS、Rackspace、Azure等雲數據服務的興起，更是早在2016年就讓數據量出現了大規模增長。數據量增長的趨勢在2017年持續，在2018必然會有更加出色的發揮。也許商用領域中，大數據已經開始發揮作用；但細化到用戶層面，大數據仍然未讓人感受到存在感。

與其說對大數據的整理不力，倒不如說是對數據的應用，仍然是處於簡單的標籤化套用，沒有具體考慮用戶在不同場合中因生理和心理所產生的，和日常記載大數據推導出的，有別的需求。

數據是死的 能夠被用起來的數據才是活的

即使我們能夠從各種媒體報道中看到來自不同領域的廠商在宣揚大數據能夠對用戶的日常操作造成多大的影響，但就現在的用戶體驗來說，改變用戶體驗的更多是軟硬體產品背後，開發人員在UE（User Experience，用戶體驗）上的分析和運用，反作用於用戶產品上的成果。當然，這也能夠算是廠商在大數據方面的應用，但這並不是我們想要看到的智能化成果。

說到這裡，筆者想起前段時間看微博，某位曾經的科技行業業內人士在點評一個TED上關於智能無人機操控文章的點評。這位大佬說「真實世界裡的AI進程其實十分可控和初期探索。」在筆者看來，這句話的確很適合形容現在的大數據業界。我們希望軟體能夠更聰明，是聰明在它們在得知我們的數據之後，能夠自動作出更適合我們的判斷，但從上文我們可以知道，無論是聽歌娛樂還是吃飯購物，現在的大數據分析利用，還是AI進程，遠未達到這樣的高度。

那麼，在擁有大數據這樣的寶庫的前提下，要打開這個缺口，需要有哪些活性呢？就近年的智能化概念來看，也許神經網路會是打開這個寶庫的鑰匙。單說「神經網路」，可能很多朋友一時間都沒法反應過來。但如果說接連挑下一系列圍棋世界高手，完成這個壯舉之後非但沒有停步，還想要嘗試更多領域的「AlphaGo」，相信在科技媒體甚至是其他媒體的渲染下，足夠讓人感受到未來人工智慧的出色之處。

和當年的「深藍」比起來，AlphaGo之所以能夠接連戰勝世界頂級圍棋手的原因，是基於深度學習的神經網路DeepMind。在Deepmind公司員工上傳的《Playing Atari with Deep Reinforcement Learning》文章中，我們可以發現，神經網路對比普通的機器人學習，可以通過學習過程來計算最高期望分數。確切地說，在定義了網路的結構之後，剩下唯一會變化的就只有一件事：連接之間的強弱程度。學習過程就是調整這些方式地權重，從而使得通過這個網路的訓練樣例獲得好的反饋。

對比漫無目的的大數據篩選運用，神經網路顯然更有「人性」，並且這份人性還在不斷自我進化中，讓AlphaGo變得更像一個「人」。早在2016年年底，Google DeepMind便在《自然》雜誌上宣布，他們開發了一種名為「DNC」（可微分神經計算機）新型神經網路。這個 AI 系統擁有「短期記憶」，可處理複雜的、結構化的數據。它能理解人類編造的故事，從家譜中理清人物關係，還能看懂倫敦的地鐵圖。擬人化程度越來越高的神經網路，不僅能夠在大數據處理中提高效率，並且還能夠讓它更懂我們的需求。

隨著移動互聯網的不斷鋪開和深入到生活中，智能手機上搭載的程序總是要在各種方面收集用戶的數據信息。在信息量越來越大的前提下，單靠簡單的程序分析類比，甚至是人工整理採樣分析，逐漸會跟不上人類作出判斷的需求。如何將仍然在襁褓中的神經網路和大數據聯合起來，讓產品變得更聰明，是廠商下一步應該思考的情況。未來將來，雖然遠了點，但仍然是值得我們期待的。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！