今天全世界都在討論一個事，那就是美國大選。是的，川普贏了！
我也很意外，因為前幾天我還看到各種民調(diào)希拉里領先優(yōu)勢明顯，結(jié)局有點出乎意料，說好的預測希拉里成果率80%的呢？
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，對了，還有說好的“成功預測流感”呢？咋就不好使了。
莫非，是美國那邊的數(shù)據(jù)同行們，水準下降了？！
好了，打住，不要偷偷得意了。
盆友圈里，有個數(shù)據(jù)同行盆友發(fā)了這樣一個狀態(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，其實沒有在互聯(lián)網(wǎng)的人是多數(shù)。所以這個時候的大數(shù)據(jù)分析技術(shù)就是個偽命題，無法預測也是合理的。”
一語中的！
很多分析這次美國大選結(jié)果的盆友，很喜歡用的一個句話“農(nóng)村包圍城市”。
就算在一個州里，只有相對發(fā)達的城市對希拉里的支持是比較徹底的，例如佛羅里達州。 所以，確實是印證了“農(nóng)村包圍城市”的說法。
那么，這個現(xiàn)狀對于之前我們說的數(shù)據(jù)預測有什么影響呢？
不可否認，互聯(lián)網(wǎng)在美國的普及率也算是足夠高了，但不得不承認的一個事實是：互聯(lián)網(wǎng)上相對活躍的人群，肯定是經(jīng)濟能力相對較高，整體學識素質(zhì)相對比較高的群體。
從這點來說，基于互聯(lián)網(wǎng)的數(shù)據(jù)去做大選預測，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測中的。
還有一個比較重要的點就是：關(guān)鍵意見領袖(KOL)再加上社交媒體的影響力，使得數(shù)據(jù)預測進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)領袖也都公開支持希拉里，當然還包括很多體育、娛樂明星等為希拉里站臺。
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)絡的病毒式擴散，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)。
就以微信熱點傳播為例，一些微信大號發(fā)表的一些對時事熱點的看法，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袖的影響(不受影響，你會轉(zhuǎn)發(fā)嗎)。
而今天雖然智能手機的普及率已經(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，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)的選舉預測，不可避免的使用了本身成分就不全面的基礎數(shù)據(jù)，哪怕美國同行們用"看似"再精準，再智能的預測算法，結(jié)果一樣是錯的。
這里又回歸到了我們的原始話題，并不是說預測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)領域里開挖掘機的我們，在苦練開挖掘機技術(shù)的時候，不要忽視了前期數(shù)據(jù)收集，以及數(shù)據(jù)預處理的重要性。
很多時候，數(shù)據(jù)源的選取，以及數(shù)據(jù)的預處理過程，將會對你的后續(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。
當然，包括對數(shù)據(jù)源要求更嚴格的預測模型等。
最后，作為數(shù)據(jù)領域的我們，要正確的看待這一次的美國大選數(shù)據(jù)預測事件，一方面要嚴謹對待數(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)挖掘的價值！
文章轉(zhuǎn)載自騰訊論壇
