
大数据分析:女神为什么嫁得更差
就像查理·芒格所说的,所有科学几乎都可以相互解释,比如物理学可以解释政治事件,生物学可以解释经济领域的问题。当然,用经济学工具解释经济现象会比生物学效率更高,这也正是经济学存在的意义所在。
作为一个研究理财问题的写作者,我相信用理财学原理可以解释人生中的很多问题。理财可以把那些难以量化的指标放在一个可比的坐标下,让人们面对一些摸不着头脑的问题的时候,思路更加清晰一点。
总的来说投资理财要解决的问题有点像一个系统集成商要解决的问题。—当然,这也许是我的一种偏执,正所谓,手里拿着锤,看谁都像钉。
比如,婚姻问题就是一个很有意义的理财范畴的话题。我以前在一个理财杂志工作的时候,就发现婚姻对很多人的理财观几乎有着里程碑一样的意义,而且婚姻的确也对人们的个人财富产生了巨大的影响。
我最近发现了一个很有趣的现象,那就是一些很不错的年轻人,这些人用庸俗的标准来衡量他们异性配偶的“条件”是否很棒—在这,就先不讨论同性恋问题了。—但是,他们往往结婚很晚,而且最后的婚姻对他们的个人财富影响—这种个人财富影响不只是物质上的,也包括我们以前说过的个人社会财富—也不如想象中那么理想。
一个和我年龄差不多的朋友就是这样一种人。他需要找个女人结婚,但是当他遇到个女士,他对那个女士的看法总是:感觉不是很满意,但有总比没有好的那种程度—相信我,有的配偶真的还不如没有—他希望两个人的交往顺理成章地发展下去,但那个女士也有自己的想法,希望他对自己更加“用心”一点,其实也就是需要他付出更多的成本,不管是物质上的还是精力上的。
这个朋友比较苦恼,我明白他的意思,他因为成本付出有限被拒绝而苦恼,又觉得眼前这个女人不值得他花大成本去追求。这种矛盾的心情让他结婚很晚,而且即使结婚了,我也怀疑他婚姻的幸福程度。
这位朋友的求偶心态,安个最合适的名字应该叫“恋爱成本吝啬”。这种成本吝啬除了因为这个人自视比较高之外,从行为学上也可以找到共同的原因。麻省理工学院的丹·艾瑞里和申吉英教授曾经做过考查人们对选择权态度的实验,实验结果表明,保留选择的可能性是人类的一种偏好。
艾瑞里他们做的实验是这样的:他们设计了一个程序,这个程序会在电脑屏幕上出现3个不同颜色的方框,实验参与者用鼠标点击这三个方框会得到不同额度美元的奖励,每个参与者有权点击鼠标100次。而这三个方框所代表的奖励区间是不同的,参加实验者会被告知实验的目的是看哪个人得到的奖励最多。实验还有一个附加的规则,如果某个方框连续12次未被点击,它就会在屏幕上永久消失。参加实验的都是麻省理工学院好胜的年轻学生,即使参加点击那些方框最终的奖励不多,但他们都想成为一个神秘实验的胜利者。其实每个参与者通过几次连续点击就能找到某个方框所在的奖励区间大于其他两个方框,但是当他们看到未被点击的框越来越小,快要消失的时候,他们中的大多数人还是禁不住把一次点击的机会浪费在那个低得分的方框上。后来艾瑞里把三个方框的奖励额度差距拉大了一些,结果还是如此。
如果恋爱可以像投资那样平均把成本同时投入到不同的项目中去,我相信很多人会这么去做的。但是这里有个问题,那就是一夫一妻制已经成为一种被社会普遍认同的行为规范,同时和几个异性发生恋爱关系会使这个成本吝啬者获得很低的社会评价,有的甚至发生法律纠纷。这明显让那些成本吝啬者得不偿失,所以,这些家伙被迫把成本按照时间顺序平均分配。
这种选择其实有点像香港赛马会上的那些最后孤注一掷的赛马赌徒。其实不论是在香港还是英国,都有过这样的统计,比如一次赛马会有12场比赛,总是最后一场下注的额度比前边几场都大。造成这种大尾巴的原因就是这些赌徒中有很多成本吝啬者。大尾巴赌徒的心理账户虽然已经做出决定要把当天带来的所有钱全花到这次赛马会上,但是他们总是不能决定到底对哪匹马下大注,随着时间的推移决定在最后一次下注中孤注一掷。当然这些人的赌赛马成绩平均来说,就像那些恋爱成本吝啬者一样,也是比较差的。
不管是恋爱成本吝啬还是大尾巴赌徒,他们在选择时都遇到了一个难题:如何按照时间来平均分配成本。按时间来分配成本的取舍难度要大于投资中的平均分配成本,这是因为多元投资平均分配成本,对投资者的精力分散是比较有限的,而且投资收益是一种线性累加,也就是说一个投资者的总收益要看他在多项投资上的投资总收益;而按照时间来分配成本的人,由于他们无法预测未来,所以他们为保留多种选择而付出的成本绝大多数都成了沉没成本,这大大稀释了他们的最后的投资收益。被迫选择在最后一次下注中下大注,也完全是非理性的瞎蒙,对于赌赛马和恋爱都是一样的。
另一方面,恋爱成本吝啬者比大尾巴赌徒还存在一个劣势,那就是恋爱成本吝啬者的“资产”基本是在贬值的,而大尾巴赌徒兜里的钱不会在短短的一次赛马会上因通货膨胀贬值。恋爱成本吝啬者的所谓资产贬值的意思就是,随着年龄的增长,他们对异性的平均吸引力是在降低的。这有点像那些公司的固定资产折旧那样,在开始的时候这种折旧是不太容易发现的,而过一段时间,你会发现这种资产的确不那么值钱了。女性魅力的最高点,这是个非常难以测量的数值,而且因人而异差别很大,有的人在一个尖点上会坚持很久,比如范冰冰。但是也有的人只是昙花一现,即使是和自己相比,她们的最棒的时刻也只是那么一两年。毁掉这种魅力尖点的原因有很多,比如衰老、社会活动能力下降以及由于活得比较拧巴而造成的怪癖和坏脾气。如果你觉得我的这种表达还不够鲜活,其实可以看一下那个美剧《欲望都市》看看那些曾经的女神是怎样的,只是这个社会对她们的态度没有剧中那么友善。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10