“这是最好的时代，这是最坏的时代。”一百年前狄更斯说过的这句话，似乎在互联网时代的今天依然有极大的现实意义。

尤其是在移动互联网时代，我们出行可以在手机上网约车，吃饭可以在手机上叫外卖，看书可以在手机上下载阅读软件，哪怕单身没对象，也可以花不到一分钟的时间，下载个相亲软件，不到半天就能认识一打异性。

名人明星信息泄露换汤不换药

任何事情发展得过了，都是物极必反，互联网便捷的背后却藏着令人忧心的现实。无论是刚刚过去的希拉里的邮件门，亦或是朴槿惠的闺蜜干政，甚至是更远一点的卡戴珊因为在网上炫耀钻戒，而遭遇盗贼偷窃。

这些事情，人类历史上一定发生过很多次，因为事情的本质无非就是政客丑闻曝光、有钱人露富被盗贼盯上。历史虽然是重复的，但手段往往是翻新的。互联网普及以来，政治名人和明星隐私的暴露大都是乘着互联网的“东风”。

跟全世界网民联系最多的两大互联网公司谷歌和Facebook，都曾因为泄露用户数据惹上过官司。

以谷歌为例，这家全世界很多有志青年都想加入的工作目的地，早在2004年就因为Gmail被指扫描用户信息而遭到起诉。

而后来在谷歌不断扩大规模的过程中，谷歌一直都是法庭上的常见客。

曾经，谷歌给用户带带来了很大的便利，我们免费使用它的地图、网盘，然而这真的是免费的吗？

一方面谷歌是真的想给大众提供有用便捷的科技，另一方面谷歌要靠这些“免费”来吸引用户透露更多的资料信息，最终谷歌可以用更高的价格进行贩卖。

当然，并不是只有谷歌一家公司在这样做，国内外很多互联网公司都是这样做的。

我们的信息全天候24小时在泄露

Facebook这家全球最大的社群网络，毫无疑问他的成功就是因为用户们在Facebook上前所未有地“分享”着自己，大到支持哪个总统，小到今天早餐吃了啥。而今年的美国大选，候选人在拉选票时，就充分运用了这一点，来寻找支持自己的选民，从而“精准”地投广告。

从国外的谷歌和Facebook，到国内的互联网巨头们，很难说我们的信息不曾被他们搜集。

笔者前几天在某旅游网站搜索了北京到南阳的机票，当时看了看并没有下单，而后连续两天，打开浏览器页面，都有关于“北京到南阳机票”的促销信息。

相信大家可能也遇到类似经历，比如，在网店浏览了雪地靴，接下来的几天可能都会有雪地靴的弹框出来。

有时还会收到垃圾邮件、垃圾信息，尽管手机可以设置拦截，可是信息有时还是会储存在手机里。笔者每天最少会收到2条，最多10余条左右的垃圾信息，不是电商购物信息，就是运营商和银行发来的促销信息。

笔者曾经因为求职注册了某招聘网站，后来在都入职新工作一个月后，依然能收到至少3家招聘公司的群发招聘信息，按照短信提示回复“T”都没有用，后来不得不拉黑。那这些招聘公司从哪里知道信息呢？答案不言而喻。

这些年有学者提出生活安宁权，就是作为自然人，有维持安稳宁静的私人生活状态，并排除他人不法侵扰的具体人格权。这么一想，生活中几乎很多人的生活安宁权都或多或少被侵犯过。

总体来讲，大数据时代，网民最容易被侵犯的就是隐私权和生活安宁权。而以隐私权被侵犯占据数量最多。

“大数据”是云计算之后的又一科技热点。

何谓大数据？这个概念太过于模糊，但它早已渗入我们的生活，成为了互联网应用革命的新趋势，对于“大数据”，目前还没有比较准确的定义，但是一般认为“大数据”就是指无法用现有的软件工具提取、存储、搜索、共享、分析和处理的海量的、复杂的数据集合。

1.大数据从哪里来

例如在旅行的时候，相信很多用户都跟我有一样困惑，那就是去哪里玩。这个时候我们会选择搜索功能，大数据的优势就在这里展现出来了，每个人想去的地方肯定不一样，系统推荐的地点也是不尽相同。

那么系统是如何得到我们的个人信息来进行分析推送呢？必然是大数据的整合，我们在注册各类APP的时候，会简单输入一些个人信息，比如说性别、年龄等，这样范围就缩小了很多，用户平时浏览的产品，系统都会有记录。

2.大数据时代的隐私问题

当前是人工智能和大数据时代，我们无法拒绝个人信息被搜集，但前提应以个人敏感信息的无害传播为原则。我们必须关注个人信息如何被搜集的，以及收集过程和程度是否符合法律的规定。

所以应用产品用户界面设计要求与隐私和个人信息保护的要求之间需要进一步调和。一方面应用产品设计人员希望用户界面更为简洁直观，另一方面隐私和个人信息保护的重要原则包括“通知同意原则”和“用户参与原则“，这要求应用产品在收集，使用、转移或删除用户个人信息时均应通知用户并取得用户同意。

2.大数据的黑暗

我们看到了大数据为用户带来的便捷，从医疗到购物、从资讯到出行……大数据已经渗透在人类移动互联生活的每一处细节，成为了互联网应用革命的新趋势。但是你知道吗，这些数据掌握在企业手里会怎么样，用户是否还有隐私，这是一个问题，更可怕的是各种算法，去预测是不是会患心脏病?或你是否会犯罪等，还有暗网的存在让我们的环境缺少一点安全感。

大数据时代，让百姓轻松了解身边事，还是有很多便利的，但同时也会不可避免的带来很多问题，还是希望互联网能引领更多正能量吧。

我处于数据时代的人，对未来有强烈的危机感，身处互联网时代，世界已经加速了人类发展的进程。

在这个时代，工作将被程序取代、知识获取门槛越来越低、折旧速度越来越快、高端技术或技能被模块化、简单化，每个人都有面临失业的可能，连医生、律师都在内，现在的科技，有些手术不需要医生，我相信不久的将来，随着科技的进一步发展，医生只需要操作科技机器就行了，多数面临下岗失业。

现在的科技，区块链可以搞定律师行业，通过区块链技术，已经不需要律师了，铁证如山，甚至未来的法院都将在互联网上决策，区块链决定一个人的生死，更公平，更透明，没有了暗箱操作。

有人会问，什么是大数据时代？

我来告诉你，利用相关算法对海量数据的存储、处理与分析，从海量数据中发现价值，服务于生产和生活。

大数据无处不在，社会各行各业都可以找到大数据的印记，在金融，餐饮，电信，体育，娱乐等领域都可以感受到大数据对各行各业的影响。

每天早上起来想一下，这么多数据我能用来干什么，这些价值在哪里可以找到，能不能找到一个别人以前都没有做过的事情。你的想法和思路，是最重要的资产。

将来，大数据即将应用到各个行业。

你准备好了吗？

一提到大数据和数据分析，人们首先想到的是腾讯，Facebook等互联网公司，或者是亚马逊，淘宝等电子商务公司。的确，相对传统的线下企业，互联网企业在数据的生成和采集方面高度自动化，因而数据挖掘成本较低，数据价值更容易体现。而线下企业掌握的消费者行为数据量少且零散，难以进行定量的分析。

不过，随着互联网用户增速放缓，以及用户使用时长基本被挖掘殆尽，人口红利的逐渐消失使得线上流量增长将进入瓶颈期。总体来看，互联网流量已由增量变为存量。加之线上数据已基本被国内互联网巨头垄断，形成了封闭的流量黑洞，对于后来者，线上流量的东风已经不好借了。

反观线下数据市场，俨然还是一片未被完全开拓的蓝海。随着智能终端和WiFi探针，人脸识别，红外探测等新技术的普及，主营线下业务的企业也可以获得比过去丰富很多的用户行为数据。这促使越来越多企业开始重视线下业务中的数据采集和分析，并促成了对线下数据的崭新应用。

国外的ShopperTrak公司就曾帮助它的零售企业客户进行用户进入店铺路径的监测。这家企业的其中一间店铺共有四个门。原来店长认为客户从每个门进出是随机的，平均的。而通过加装了用户监测系统，他们发现用户从某两个门进的比较多， 而从另外两个门出去的比较多。因此，他们根据用户进店的流量重新调整了货品摆放，并且在用户出去比较多的门前增加了结帐出口，从而提升了购买转化率，也优化了客户购物体验。另外，通过对“高峰时段“的分析，店铺可以合理安排分配店内员工工作时间，或者在不同店面之间进行员工调配，从而大大提升运营效率。

“有很多零售商通过购买访客流量监控的设备和服务， 已经能把用户转化率从低于10% 提高到50%以上。 如果结合POS数据，有的零售点甚至能够做到接近100%的用户转化率。”

随着人脸识别技术的发展，通过3D传感器、摄像头等设备进行客户行为分析，优化客户体验的解决方案也日趋成熟。例如喜力啤酒已经开始采用Shopperception三维购物传感器追踪顾客与货架上的商品的互动情况，包括触碰、拿取、放回等动作，并生成一个商品的热力图，洞察顾客与不同商品是如何产生互动的，从而分析不同包装或摆放位置对顾客购买欲的影响。商场甚至能通过灯光将“超广告”图形文字投射到顾客眼前的货架上，在顾客接触产品的瞬间与其产生营销互动。

结合人脸识别技术，肯德基在北京开了一间体验店，顾客到店拍照即可刷脸吃饭。点餐机器根据人脸识别，判断用户的年龄、性别、心情等，为其推送定制鼓励语和个性化套餐。机器还可通过其面部特征，快速识别出他是否为老顾客。当老顾客再次到店消费时，机器可调取其过往消费记录，给出推荐套餐。这套系统除了给顾客新鲜的点餐体验以外，更重要的是能收集到真实的第一手人群属性数据，并将消费记录，消费场景与真实的人连接起来，从而构建有血有肉的用户画像。

除了利用头像识别技术进行线下数据采集，借助WiFi探针技术，我们也可以收集到非常有价值的数据，采集成本也更低。通过探测收集移动设备的mac地址（可看做每位客户的唯一识别ID），店家可以记录用户到访店铺的驻留时长，到访频次，到访周期等等。通过这些数据不仅可以实现客流统计，还可以掌握用户的到店行为习惯。客流洞察结合销售数据，也能够让商家们探知“总体销售机会”，揭示出店铺内有多少客流转化成了购买者。

如果将WiFi探针线下收集到的mac数据作为匹配码，去与第三方数据库的线上数据进行打通，则得以获得更精准全面的客户画像。这样可以帮助品牌定位自己品牌顾客的人群特征，分析他们的风格偏好、消费层次、购物习惯等等，以便指导新产品开发甚至是品牌决策。反过来，收集到的顾客到店数据也可以是广告投放或促销活动效果的真实反馈，进一步验证目标人群是否真的被营销活动吸引到店，为调整下一轮营销策略提供参考。

森泰莱客服电话铃响。　　客服：森泰莱。您好! 请问有什么需要吗?　　顾客：你好! 我想要一套……　　客服：先生，请问您的会员号?　　顾客：168***。　　客服：陈先生，您好!您的别墅是在天府三街9号。您家电话是26***，您公司电话是46***，您的手机是139***。请问您用哪一个电话付费?　　顾客：你为什么知道我所有电话?　　客服：陈先生，因为我们有联机CRM系统。　　顾客：我想要一套3.6米的休闲沙发…　　客服：陈先生，3.6米的休闲沙发不适合您。　　顾客：为什么?　　客服：根据您的别墅装修记录，你的客厅有60平米，放一套1+2+3的别墅沙发比较合适和搭配。　　顾客：那你有什么可以推荐的?　　客服：建议选择地中海风格别墅型那款，健康环保(进口植绒面料的，不含VOC有毒有害气体的)。　　顾客：你怎么知道我会喜欢?　　客服：从你的装修方案上可以知道，你的整体装修风格偏向地中海风格，搭配地中海风格沙发是做好的。　　顾客：好。那我还要一套超软的软床。　　客服：陈先生，不好意思!太软的软床不适合你! 顾客：为什么? 客服：据你在华西医院的检查报告，你腰椎间盘突出，建议你用森泰莱新系列硬床，你想休息的时候，床的硬板，对你的腰有好处。怎样?

顾客：多少钱?　　客服：88888元。　　顾客：能刷卡吗?　　客服：陈先生，对不起。请付现款。　　顾客：你们不能刷卡?　　客服：可以。但是您的信用卡已经刷爆，您还欠银行4807元。　　顾客：那我去提款。　　客服：陈先生，根据您的记录，您已经超过今日提款限额。　　顾客：算了，你们直接把家具送到我家吧，我家有现金。你们多久会送到?　　客服：大约3个小时。如果您方便，欢迎到我们公司再来看看。　　顾客：为什么?　　客服：根据我们CRM定位系统车辆行驶跟踪显示，您登记的车号为川A—123456的奔驰400，目前正在新都货运大道右侧行驶，离我店只有550米。　　顾客:好吧!　　客服：陈先生，需要我们为你准备一束鲜花吗?顾客：为什么?客服：根据我们CRM通讯系统分析，今天您与一位女性通话频率高、时间长，今天是2.14，应该是您的情人。　　顾客：……　　客服：您最好现在不要回家，否则您就不方便出来了。　　顾客：为什么?　　客服：根据我们定位系统，您的爱人大约30分钟后到家。　　顾客：我为什么要出来?　　客服：您已在汇峰酒店定了今晚的房间?　　顾客：晕倒…………　　总结：“沙发哥认为每个人在大数据的面前，都是透明的。未来人人都得守规则，因为在大数据面前这才是正路，否则你没路可走。

2012年以后，大数据（big data）一词越来越多地被提及，人们用它来描述和定义信息爆炸时代产生的海量数据，并命名与之相关的技术发展与创新。哈佛大学社会学教授加里·金说“这是一场革命，庞大的数据资源使得各个领域开始了量化进程，无论学术界、商界还是政府，所有领域都将开始这种进程。”本文总结一下：利用海量数据和先进的数据挖掘技术，研究客户行为特征，进行精准营销。

数据库营销

关于数据库营销，美国全国数据库营销中心是这样定义的：“数据库营销是一个动态的数据库管理系统，该数据库的内容涵盖现有顾客和潜在顾客，并可以随时扩充、更新。就其功能而言，要能实现以下目标：确认最佳目标顾客及潜在顾客，然后与顾客建立起长期的、牢固的、融洽的关系，同时根据数据库建立先期模型，进行针对性营销。”

拉克萨根据数据库营销的产生和演进，把数据库营销的发展过程划分成交易信息、名录管理、数据库分析、接触管理、软件进化、客户关系管理等不同的阶段，所有不同的阶段都可以认为是发展全功能数据库营销策略的一个又一个里程碑。

数据挖掘

通过数据挖掘技术对数据库中的数据进行分析是数据库营销的主要分析技术。数据挖掘的目的就是要在数据庞大的、信息不完全的、有噪声的、表述模糊的、随机的数据中，提取出隐含于其中的、人们不知道的、但又是潜在的、有用的信息和知识。可以说数据挖掘是一个利用现有的各种分析工具，用以在海量数据中发现模型和数据间关系的过程，然后依据这些模型和关系作出预测。数据挖掘能通过预测未来趋势及行为，帮助人们作出前瞻的、基于知识的决策。

CRISP-DM（跨行业数据挖掘标准流程）是世界公认的方法论之一，也较有影响力。在这一流程中DM不再只是数据的组织或者简单的呈现，也不仅仅表现为对数据的分析和统计建模，其强调的则是一个从理解业务需求、寻求解决方案到接受实践检验的完整过程。 CRISP-DM将整个挖掘过程分成了以下六个步骤：商业理解，数据理解，数据准备，建立模型，模型评估，模型发布。

通常来说，把模型的结果转化成一段数据库存储过程的代码，并与数据处理代码进行整合，就可以在数据库存储过程中实现模型自动化处理。而数据分析结果的使用则需要开发相应的展示系统或者在各系统中（BOSS系统、经分系统、大客户管理系统、客服系统等）嵌入相应的模块。

精准营销理论

1999年，美国的莱斯特·伟门提出了精准营销的概念。精准营销被定位为一个营销的学科和理论：是以科学管理为基础，以消费者洞察为手段，恰当而贴切地对市场进行细分，并采取精耕细作式的营销操作方式，将市场做深做透，进而获得预期效益。

通常可以划分成五个阶段：

1. 收集并整理目标客户的相关信息，建立一个客户数据库；

2. 对数据进行分析，加深客户理解，整理出细分客户群体的差异化需求；

3. 为不同的细分客户群体需求设计差异化的产品和服务；

4. 提供满足不同细分客户群体的差异化产品和服务；

5. 通过各种营销活动的反馈，进一步深化对客户本质需求以及客户购买和使用习惯的理解。

具体的内容包括：

（1）客户信息收集与处理

客户数据管理是一个数据准备的过程，是搞好精准营销的基础。好比指挥官为将来绘制战场地图，把战场上所有的地理信息及变化要素等输入电脑一样，市场人员也必须将分散的数据集中到一个数据库中，这些存在于企业内部各系统中的内部数据和企业外部数据（如市场调查、第三方数据等）分类后，以客户ID为主键进行整理、转换后汇集（ETL）到一个集中的数据库中，就有了准确的客户数据，之后市场人员就可以对客户进行全面的研究和分析。

（2）客户细分与定位

客户分群是根据客户的特征相似程度把客户分成若干个群体，群体内部特征非常相似，而在群体之间，特征非常不相似。只有区分出了不同的客户群，企业才有可能对不同客户群展开有效的管理并采取差异化的营销手段，提供满足这个客户群特征要求的产品或服务。在实际操作中，传统的市场细分变量，如人口因素、地理因素、心理因素等由于只能提供较为模糊的客户轮廓，已经很难为精准营销的决策提供可靠的依据。随着公司对信息搜集和分析能力的要求不断提高，许多新的客户分析技术和方法正被运用于各种营销领域，数据挖掘这一统计领域的前沿性技术就被广泛的应用，它能够在海量的、庞杂的、没有规律的客户资料中筛选出对公司有价值的信息。利用数据挖掘的精准细分技术对客户行为模式与客户价值进行准确判断与分析，已经成为今后客户细分领域的主流。

（3）营销战略制定

在得到基于现有数据的不同客户群特征后，市场人员需要结合企业战略、企业能力、市场环境等因素，在不同的客户群体中寻找可能的商业机会，最终为每个群制定个性化的营销战略，每个营销战略都有特定的目标。如获取相似的客户、交叉销售或提升销售，或采取措施防止客户流失等。

（4）营销方案设计

所有的方案注重的都是目标，营销方案也一样。一个好的营销方案必须聚焦到某个目标客户群，然后将营销方案都往目标客户群聚焦。太阳表面的温度在10000度以上，但却连地球上的一张纸也点不着，如果使用一个放大镜，就可以把纸点燃，区别就在于是否聚焦。同样，只有做到聚焦，营销的效率才能够提升到最大。筛选出目标客户群是第一步，企业可以围绕客户战略和当前营销工作重点来确定目标客户群。根据目标客户群营销活动的目标，设计有针对性的营销活动创意（包括产品的组合、渠道的选择等）及定价，并就各方案进行评估，挑选出最佳创意，形成最终营销方案（包括针对性的产品组合方案、产品组合价格方案、渠道方案）。 值得强调的是，客户是不断变化的，亦即客户群是动态的，因此，我们需要灵活动态地观测、定位和理解客户群，才不至于制定一个时过境迁的营销方案。

（5）营销结果反馈

营销活动结束后，应对营销活动执行过程中收集到的各种数据进行综合分析，对营销活动的执行、渠道、产品和广告的有效性进行评估，总结经验和教训，寻找需要改进和优化的关键点，为下一阶段的营销活动打下良好的基础。简言之，评估是营销活动的终点，也是下一轮精准营销活动的起点。

精准营销模式

精准营销模式可以概括为5W营销分析框架，在合适的时机（When），将合适的业务（Which），通过合适的渠道（Where），采取合适的行动（What），营销合适的客户（Who）。在整个过程中贯彻“以客户为中心”的理念，实现营销管理的持续改善。 精准营销模式实施框架，可以将精准营销理解成一个PPT框架，即将以客户为本作为核心价值观，从策略、流程、技术三方面着手，实现精准营销。其中策略指营销策略；流程是包括客户获取、客户培育、客户挽留组成的最佳管理实践流程；技术则是基于用户信息之上的数据分析和数据挖掘。 策略、流程与技术是实现精准营销的三大要素。首先要保证精准营销理念在整个组织中有效贯彻，以保证战略决策者、方案制定者和活动执行者必须充分理解和认可精准营销的理念，并能做到融会贯通，可以制定彰显这一理念的相应的营销策略和方案；其次通过流程穿越、流程改造等方式，在不断的创新和探索中建立起有效的与客户互动的行为模式；最后，不断提升技术水平，充分利用技术。坚实的技术后盾是精准营销理论落实的保障，使之具有可操作性，并在很大程度上推动了营销精准化的进程。

整体而言，策略、流程和技术组成了电信业精准营销的基本架构，促进了精准营销的驱动者、行动方案和可行性保障三方面的紧密结合。同时坚守以客户为出发点，确保客户在整个精准营销活动中始终处于核心地位。 策略、流程、技术三个方面的能力是精准营销能力的有机组成，三者相辅相成，缺一不可。策略对流程有战略性的指导意义，因为策略条线中的营销策略是建立在最佳管理实践的流程之上的；流程必须建立在技术的基础上，因为数据挖掘与分析模型是客户细分与分析的基础，而后者则贯穿最佳管理实践流程始终；数据挖掘与分析所使用的海量数据则来源于业务系统中沉淀的用户信息。精准营销模式的核心是“以客户为中心”，更加注重“目标客户”，在识别出目标消费者后，聚焦目标客户群，分析目标客户群的需求，然后为这一特定群体推出最适合的细分产品，制定适应目标客户群的价格，通过相应的渠道和传播、促销方式进行产品营销。要达到这一目的，就需要对客户的特征进行具体的分析。

目前移动各种增值业务非常繁多，之前的彩铃业务营销通过捆绑、大面积的促销让用户去选择，虽然带来的增值业务普及率的提升，但沉默用户增多，客户投诉增加。江苏移动通过精准营销找准目标客户，发展彩铃业务，激活沉默用户，发展新彩铃用户，取得了良好的效果。

1.整合各大数据源，建立统一的用户增值业务行为分析视图，为精准营销应用打下基础

增长业务的数据虽然有相应规范进行统一，但是因增值业务更新比较快，数据源尚未覆盖全部业务，离当前的应用需求有一定差距；业务子系统，尤其是小业务系统的数据源缺乏梳理，需进一步加强。从数据出发，以用户为中心，从用户特征角度将运营商可能有的数据归类整理，输出用户特征分析表；对照运营商的数据实际具备情况，对数据的可获得性进行标注。

从营销出发，从进行新业务营销的目标出发，推导对支持信息及源数据的需求，确定数据使用方法，输出营销特征分析表；对照运营商的数据实际具备情况，对必要但暂不可获得的数据提出规划需求。《数据源整合需求报告》中，除了对经分系统现有数据源进行梳理外，还对MISC、彩信、彩铃、WAP、小区短信、短信网关、Enumber邮箱、12580、爱贝通、小额支付平台、USSD、手机杂志、LCS等13个业务平台的数据进行了梳理整合。

建立基于用户人性特点的14类人群细分模型，对增值业务的目标客户进行细分，共分为以下几种类型：

基于用户人性特点将客户细分为低潜力型、超前消费型、虚荣跟风型、精明尝鲜型、盲从型、吝啬型、精打细算型、理性跟从型、中潜力型、精明时尚型、传统保守型、感性跟随型、高潜力型、时尚中高端。基于彩铃用户生命周期将客户细分为，彩铃潜在用户、彩铃新开通用户、彩铃普通用户、彩铃活跃用户、彩铃沉默用户、彩铃流失用户、潜在高概率用户、流失高概率用户。在用户细分的基础上，建立彩铃潜在用户预测模型（模型略）。

2.建立用户新业务行为属性标签，动态触发的精准营销策略

基于用户统一视图，结合实际情况进行用户属性标签构建。对彩铃的目标客户，当订购了其他增值业务和拨打了有彩铃客户的电话时，对其进行触发式的短信推荐，对彩铃沉默用户和流失用户，则采取外呼+营业厅的方式进行主动关怀，最终形成针对目标客户的彩铃业务精准营销模式。

3.营销执行

通过精准平台将客户需求及针对性营销方案推送到一线。比如根据用户历史铃音使用记录总结出铃音偏好，帮助一线人员进行针对性的铃音推荐；根据用户历史获取铃音的渠道总结出用户的渠道偏好等。而且流失概率、影响力指数等分析成果也能在清单中罗列出来。

4.应用效果评估

彩铃沉默用户推活跃度提升活动执行效果。对40000户彩铃沉默、半沉默用户开展付费铃音下载用户数提升，营销成功数为22560，成功率为56.4%；月均彩铃下载用户数KPI指标完成率由91.11%提高到104.02%。

经验总结：在营销中发现该部分用户主要由于不了解铃音下载的方式或或认为铃音设置麻烦造成，因此，在营销推介上对不了解铃音下载方式的用户应重点推介简单便捷的铃音下载方式，对认为设置较麻烦的用户可以推介音乐盒，让用户感受使用彩铃的便捷与乐趣。彩铃已流失用户挽留活动执行效果。对8000户彩铃已流失用户开展外呼挽留，营销成功2772户，成功率为34.65%；月均彩铃付费用户数完成当月计划的130%，完成年度指标125.43%；当月付费用户到达数较上月增长3.6万户 。

目前人员技能差异比较大，成功率最高达32%，最低只有19%，相差13个百分点；拒绝率最低的只有7%，最高的则有24%，相差17个百分点；考虑使用的用户比例较高，成功率提升空间仍比较大。20世纪最具影响力的创新莫过于人类拥有了能处理大量数字化信息的IT技术，为了从大数据集中提取用户可理解和适用的知识，人们研究并发展了数据挖掘技术，它以崭新的方式来总结原始数据。以此为基础的营销工作面临着着精准与保护客户隐私之间平衡的问题，从技术实现方式上通过改进挖掘算法、关联规则等方面来优化数据库。同时在使用数据的时候，也要保护顾客的隐私。

广州四方传媒股份有限公司，为众多客户提供大数据精准营销服务

跟咱们想象一样人工智能是机器，是不是按人的方式在解决问题呢？我认为是不是的，因为人认这个毛狗根本不需要100万富图片啊，那我拿我的孩子举例吧。这个猫和狗基本上他们见过一次，下次就能认出来，但是这会有人跟我抬杠，有人说你孩子是因为他看到猫的时候啊，他这个角度都已经采用了很多次啊。

又有好几十付甚至上百处的图片就形成这个训练样本，我说这个事肯定不是这样，因为我还观察过一个现象，就他们有很多在图画书上平面方式见过一次的动物，比方大象，比方长颈鹿，这个我在现实生活中是见不到的，只在途中。图画书上见过一次，但是那到动物园以后呢，一眼就能认出来，所以人的这个学习模式我觉得还是很奇怪的，跟跟机器，现在我们这种方式是完全不同的。

前面说的内容呢，我希望大家能够理解，就是这一波的人工智能的这个，革命啊，实际上是建立在前两年的，何必给他的账的革命的基础之上。 就是首先有这个杯子对他的认识，就是整个社会整个行业在重视数据的作用，并且开始去大量的收集和加工数据，在这个基础上的用因为，深度学习的这个发展，使得利用大量的数据是建立精细化膜形成为可能啊，这让他们两个结合在一起，才把这个数据的作用发挥出来了。

我今天要给大家的一个fRAMe，就是说你谱在你的行业里，你怎么去利用这个大数据的思维去改造你的行业啊？我讲了三点啊，今天我们就重点展开来讲这三点，低一点的叫做，行为数据，而第二点就是前两家工地三点就自动化应用啊用，这样一个立方。在表示就任何一个产业，任何一个行业，如果你找到了一个类似的应用，它能够把这三点都用起来，那么我非常相信你一定能用，大叔就去改造你原来的行业，改造你原来的产品。

什么是行为数据什么时候交易数据？很多人对这个概念是不清楚的。我举个例子，比方说大家最熟悉的电信行业，我看了有的朋友问的电信行业的问题，你在考虑电信行业的大数据应用的时候，先要分清楚电信行业哪些是交易数据，哪些是行为数据，电信行业的交易数据也是跟业务相关的是哪些呢？存这个，充值，话费清单，通话记录，这些东西都是叫衣服。

没有的话，这个业务开展不了的可是电信的，除了交易数据以外，他还拥有大量的行为数据，比方说流淌在他的管道里的，这个用户上网的日志，变化的通话内容，短信的内容啊，我们先不去说这短信内容和电话内容能不能用，先从概念上讲，这就是叫做行为数据，嗯，行为数据再过。去在电信所有的业务里呢，你是不记得啊，电信有时候boss系统由精神系统，但是没有去用他的行为数据。

所以我个人倒是觉得银行业去，谈大数据的浪潮啊，可能，这可落地的点要少一点啊，银行业的交易数据，行为数据包括什么？比方说有人用你的爱当着他，打开一些网页的浏览是吧？还有呢比方说到你的，银行的网点去排队。哪里有好的，他没办业务，把号扔了就走了，这没有产生交易，但是有一个行为这种行为数据，这些数据呢，也有一些价值，当然得最早去，利用和收集行为数据的行业都是互联网行业，为什么呢？

互联网行业有一台是数字化的媒体，比方一个网站，由于他运维的需求啊，他就自然的把这个记下来了，爸爸竟然说我啥了，后来到了本世纪，可能是00年到05年之间的打开，发现这数据记载着，那个总是要想办法从里面挖掘一些价值出来，以互联网和互联网的公司，产品都免费了是吧？免费怎么挣钱呢？还是想各种办法，后来就发现在这个数据里啊，是有价值的。这是要去催生了大家对行为数据的加工和使用。

那为什么要区分交易数据和行为数据呢？是性的要求特别特别高，比方说银行的存取款，那么有人存了一分钱，你也不能把他丢了，他的利息有一分钱你也给他寄，对了，一笔都不能错，啊，这是由他的这个交易的特点，觉得有契约决定的，当时的行为数据就无所谓了，比方说我互联网的日志，而假设这个网站的日志，我能用它来分析用户的行为上的日志我丢掉1%，其实对业务都没有什么影响。

也就说它对数据加工的一致性要求是很低的，啊，还有另外一个特点，交易数据的量其实不是很大，啊，有人说银行的数量打印后，身上一点儿都不大，嗯，我举一个对比的例子你就知道了，假设的互联网的行为数据啊，就拿我们广告来说，互联网的。广告里有一种产品的需求方平台还是对接在广告交易所上，去买流量的，能在中国这个市场里这个这个需求方平台每天要处理多少次的广告请求呢？

成规模的这种公司，当然我说的还不是说巨头就是创业公司里程规模的，大概每天要处理110次以上的广告请求，这个110你算一算全。中国的银行的交易价在一起，离这个110还差的老远了，啊，所以说并非他，其实看银行的这个数据量，谈不上什么病的。发源那大概的就是从0506年前后吧，还是谷歌，他做的这三驾马车的系统就是所谓的这个gxg6盒，并推广。

我们不就因为我们不是说谈这些产品和技术的讲座，嗯，我们说说谷歌当时的思路啊，他有一个词儿用得非常好，他说他用的是可忙。商品级的硬件去解决海量的数据存储和计算的问题，海量存储数据存储和计算，一定是个分布式的结构啊，所以就做这个建材，这样的结果就特别适合于，加工和存储大量的数据，但是呢，不太保证严格的一致性的数据可能丢一点，哦，这样有什么好处呢？今天作者就先说到这里吧。

本文作者程越强、孙茗珅、韦韬

1 引言

在大数据的时代,越来越多的服务和产品是围绕用户数据(隐私)建立的。这样虽然带来了个性化的服务,提高了服务质量和精度,但是在数据收集、使用以及公布的过程中,用户隐私不可避免的暴露在外。历史上就有很多公开的数据暴露了用户隐私的案例,比如 AOL 和 Netflix 隐私泄露事件。

我们的第一篇文章 [6] 主要回顾了几种典型的保护隐私的方法和不足:k-anonymity(k-匿名化),l-persity(l-多样化),t-closeness,并简单介绍了 ε-differential privacy(差分隐私)。这篇文章,我们着重讲解 ε-differentialprivacy(差分隐私) 的背景和典型应用。文章从第二章开始,主要讲解差分隐私的定义和典型架构,典型的噪音添加方法,中心化差分隐私和本地化差分隐私的区别,以及合成定理。接下来,文章在第三章主要讲解本地化差分隐私的方法和在工业界的应用。其中重点讲解 Google 的 RAPPOR 差分隐私系统 [11] 和苹果的差分隐私系统 [9]。

2 差分隐私背景介绍

差分隐私的概念最早由 Cynthia Dwork 等人在 2006 年提出。区别以往的 ad-hoc 隐私保护方案(比如 k-anonymity,l-persity,t-closeness)，差分隐私的主要贡献就是提供了个人隐私泄露的数学的定义。差分隐私的主要目的就是提供最大化 utility 的查询结果的同时还保证个人隐私的泄露不超过预先设定的 ε。

差分隐私分为中心化差分隐私和本地化差分隐私。两种差分隐私都可以保障单一用户的 ε-差分要求,但应用的场景略有不同。

2.1 中心化和本地化差分隐私

图 1: (中心化)差分隐私处理流程框架。数据收集者从用户那里收集数据,供数据分析者使用。

中心化差分隐私. 概况来讲,差分隐私就是保证一个统计数据库的查询结果不会受到任何单一用户的隐私数据的影响。因此,攻击者就无法推测任何单一用户的数据。通常模型里面会考虑两个相邻的数据库(neighboringdatabases)D 和 D′,其中只有一个用户的数据不同(增加或者删减一个记录)。ε-差分隐私(ε-DP)的定义如下:

Definition 2.1. ε-Differefial Privacy (ε-DP) A randomized function Agives ε-differential privacy iff for any two neighboring databases D and D′and for any output O of A,

这里的随机函数 A 是运行在服务器上面的,本地用户不需要运行任何差分隐私算法。ε 可以看做是隐私预算,它用来量化一个用户隐私泄露的风险。ε 的值越大,隐私泄露的风险就越大,反之,ε 越小,隐私泄露的风险就越小。在现实中,个人用户的隐私还会有随着查询的次数增加的风险。这个问题就是所谓的组合定理 [3, 8]。

一个典型的差分隐私的架构由三部分组成(见图2):(1)数据源,一般为拥有数据的个人用户;(2)数据收集者,一般为大型组织或公司;和(3)数据分析者,包含任何对数据有兴趣的个体和组织。这样的差分隐私又称作中心化差分隐私。

图 2: 本地化差分隐私的处理流程框架。区别于中心化差分隐私需要可信的数据收集者,本地化差分隐私不需要可信的数据收集者。

本地化差分隐私. 与中心化差分隐私对应的就是本地化差分隐私。ε-本地化差分隐私(ε-LDP)的定义如下:

Definition 2.2. ε-Local Differefial Privacy (ε-LDP) A randomizedfunction A gives ε-differential privacy iff for any two inputs x and x′ and forany output y of A,

这里的随机函数 A 是单独运行在每一个用户本地,中央数据库不需要运行任何差分隐私算法。本地化差分隐私没有数据库 D 和相邻数据库 D′的概念。因此需要特定的噪音算法来应对 ε-LDP 的要求(算法见2.2章节)。

2.2 典型算法

概况来讲,差分隐私的主要方法就是扰动(perturbation)和采样(sampling)。对于扰动方案,就是对输入数据 (input),中间数据 (intermediate)或者输出数据 (output) 进行扰动,加入噪音(见图3),使其满足 ε-差分隐私。对于输入数据扰动的典型方案就是随机响应(Randomized Response),对于输出数据扰动的典型方案就是拉普拉斯算法(Laplace algorithm)。中间数据可以看做前面一个子阶段的输出,也可以看做是后面子阶段的输入,因此可以灵活选择输入或者输出扰动的算法。

图 3: 扰动方法加入噪音的三种位置:1)输入数据 (input),2)中间数据(intermediate),和 3)输出数据 (output)。

对于采样方法,典型的算法分为两步。假设查询函数为 f。

1. 把数据分成k份,对每份数据运行查询函数f,得到查询结果f(d1),f(d2),...,f(dk)。

2. 对查询结果应用任何一个满足 ε-差分隐私的算法(例如拉普拉斯算法或随机响应),得到最后结果。

这样做的好处就是最后 ε-差分隐私的算法运行在一个较小的数据集 f (d1 ), f (d2 ), . . . , f (dk )上面,可以提高差分隐私的运行效率。详细资料可以参考文章 [7]。

2.2.1 拉普拉斯算法

拉普拉斯算法(Laplace algorithm)是最典型的中心化差分隐私算法。简单来说,拉普拉斯算法(如图4) 就是在真实答案(比如 f(D))的基础上加上符合拉普拉斯分布的噪音。噪音 η 的取值公式为:

其中 GS_f 的是函数 f 的 GS(global sensitivity)。GS_f 取值为:

对于拉普拉斯算法,他的 mean 为 0,variance 是 2 (GS_f)2。variance 越小,说明处理之后的数据集的 utility 越高。但是,从 variance 的公式我们可以得知 variance 和 ε 成反比,也就是说 ε 和 utility 成反比。因此,单纯的追求隐私保护或高 utility 都会损坏另外一方。在实际需求中,我们需要寻找一个平衡点。

拉普拉斯算法只能处理连续型数据。对于非连续型数据,比如性别、种族等,拉普拉斯会输出无效的数据。对于这样的非连续型数据,我们需要借助于指数算法(Exponential algorithm)。这里就不详细描述了,可以阅读[3]了解细节。

2.2.2 随机响应算法

随机响应算法(Randomized Response)是最典型的本地化差分隐私算法。最早于 1965 年被 Warner 提出,用于对隐私保护。随机响应技术主要包括两个步骤:扰动性统计和校正。为帮助理解扰动性统计,我们考虑存在一枚非均匀的硬币,其正面向上的概率为 p,反面向上的概率为 q,且 p+q = 1。规则是若正面向上则回答真实答案,反面向上则回答相反的答案。利用上述扰动方法对 n 个用户进行是否换艾滋病统计,在抛 n 次硬币之后,可以得到艾滋病患者人数为 m,没有得病的人为 n m。其中我们假设真实的患病人数比例为 r,我们可以得到扰动后的统计概率:

上述统计比例并非真实比例的无偏估计,因此需要对统计结果进行校正。N表示统计得到的艾滋病人数估计值:

根据总人数 n,回答“是”的人数 m 和扰动概率 p,即可得到真实患病人数的统计值。为保证其满足 ε- 本地化差分隐私,根据定义,隐私预算 ε 为:

上面公式是适用于只有两种选择情况下的 ε-LDP。如果选择种类有 d种,这时候,我们就需要扩展上面的随机响应算法,得到一个更普遍使用的随即响应算法,记为 Generalized Randomized Response (GRR)。对于GRR算法,同样需要两个步骤:扰动性统计 (π) 和校正 (Γ)。针对用户的输入/采样数据为 v 在数据集 D,本地运行扰动统计算法 πGRR(v),得到:

算法运行得到 y,并把结果发送给服务器。这里 πGRR(·) 满足 ε LDP 。服务器端运行 ΓGRR(v),得到:

其中 I_v = |{j|v = y^j}|,也就是服务器上面获得的采样数,和前面例子中的m相当。这样获得的 ΓGRR() 是公正的,其 variance 大小为:

2.2.3 符合差分隐私的 k-anonymity

通常大家认为 k-anonymity 算法是无法满足 ε-差分隐私需求的。这个认知在文章 [5] 里面被证明是正确的。有趣的是,对 k-anonymity 算法进行一些改进,就可以使其符合 ε-差分隐私。具体操作步骤如下:

1. β-采样(β-sampling)。对数据集里面的每一个 tuple 进行采样,使得每个 tuple 都有 β 大小的概率被选中。

2. 对采样后的数据,进行数据无关的泛化(data-independent generalization)。比如每 k 个相邻年龄进行合并,使其满足 k-anonymity。整个算法过程不考虑年龄分布,也就是所谓的数据无关。因此会有些年龄段合并之后,可能无法满足 k-anonymity 的要求。

3. 对第二步产生的结果进行筛选,把不满足 k-anonymity 要求的数据从最终结果中剔除出去。这样,剩下的数据既满足 k-anonymity 又满足ε-差分隐私。

整个过程的证明过程可以参考文章 [5]。

2.3 中心化和本地化差分隐私比较

2.3.1 可信与不可信的数据收集者

中心化差分隐私中一个重要的假设是可信第三方数据收集者。每个用户将自己的真实数据记录发送给可信的数据收集者。数据收集者会主动保护收集的数据,并使用差分隐私算法向数据分析者提供查询服务。本地化差分隐私中第三方数据收集者不需要可信。每个用户按照差分隐私算法在本地对数据进行处理,然后把处理之后的数据上传给数据收集者。收据收集者无法看到原始数据,因此不需要数据收集者可信。数据收集者接收查询请求,并直接进行响应,无需在进行中心化的差分隐私。

2.3.2 噪音机制

为保证算法满足 ε-差分隐私,中心化差分隐私和本地化差分隐私都需要噪声机制。中心化差分隐私的典型噪音机制是:拉普拉斯噪音机制 [3] 和指数噪音机制 [3]。其中拉普拉斯噪音机制用来处理连续型数据,而指数噪音机制针对离散型数据。上述两种噪声机制均与查询函数的全局敏感性密切相关,而全局敏感性则是定义在 D 和 D’ 之上,使得攻击者无法根据统计结果推测任何一个个体的数据。在本地化差分隐私中, 每个用户将自己的数据进行扰动后上传,而任意两个用户之间并不知晓其他人的数据记录。也就是说这个时候的统计数据库 D 就只有用户自己的记录。也就是说本地化差分隐私中不存在全局敏感性的概念,因此拉普拉斯噪音机制和指数噪音机制对本地化差分隐私并不适用。本地化差分隐私主要采用随机响应技术 [3] 来保护隐私。

2.4 合成定理

当我们了解了基础操作的隐私情况,差分隐私的合成定理(CompositionTheorem)[4] 可以帮助我们理解和计算一个复杂的算法的隐私。查询次数的上限 (Bound on the Number of Queries). 为了保证一定的 utility,对于一个统计数据库的查询总会或多或少的泄露一定程度的个人隐私。因此,这里存在着一个理论上的查询次数上限。根据 Dinur NissimResult 现实,一个拥有 n 条记录的数据库,在服务 n × log(n)2 查询之后,就可以被重建出来,即使每次查询的结果都有高达 O(√n) 的噪音。

顺序组合 (Sequential Composition). 考虑 M1, M2, ..., Mk 是在统计数据库 D 跑的不同的差分隐私算法,而且 Mi 满足 εi 差分隐私,这样在顺序执行这些算法之后,总的隐私泄露仍然满足 ε-差分隐私。这个差分隐私大小为所有算法差分隐私的总和 ε = ε1 + ε2 + ··· + εk。

并行组合 (Parallel Composition). 考虑差分隐私算法 M1, M2, ..., Mk分布跑在在相邻的统计数据库 D1,D2,...,Dk 上面,而且 Mi 满足 εi 差分隐私,这样在并发执行这些算法之后,总的隐私泄露仍然满足 ε-差分隐私。这个差分隐私大小为所有算法差分隐私中最大的 ε = max{ε1, ε2, . . . , εk}。

后续处理 (Postprocessing). 如果 Mi 满足 ε-差分隐私,其在统计数据库 D 的输出结果记为 Mi(D)。其他任意差分隐私算法 Mj 对于 Mi 的输出Mj(Mi(D)) 同样满足 ε-差分隐私。

3 差分隐私的典型应用

这章主要讲解差分隐私在工业界的应用:(1)Google 的 RAPPOR,和(2)Apple 的差分隐私。

3.1 RAPPOR 差分隐私系统

单值频数统计是指每个用户只发送一个变量取值的情形, 用户将数据发送给数据收集者后, 数据收集者根据已有的或统计得到候选值列表, 统计其中每一个候选值的频数并进行发布。

RAPPOR 方法是 Google 提出的一个通用的差分隐私方法。该方法可以采集用户的数据并保证 ε 的差分隐私。RAPPOR 可以统计连续型数据(比如年龄),也可以统计非连续型数据(比如国家)。假设总共有 n 个用户,第i个用户Ui 对应某个敏感取值xi ∈X,且|X|=k,现在希望统计取值xi(1 ≤ i ≤ k) 的频数。

图 5: RAPPOR 应用实例。真实的值经过 bloom lter,PRR 和 IRR 之后,汇报给服务器。最后的数据(256bits)中有 145bits 为 1。

3.1.1 RAPPOR 算法

RAPPOR 算法需要以下几个参数运行。用户可以根据需要调节这几个参数:

k 为 bloom filter 产生的数据大小。图5的例子中 k=256。 h 为 hash 函数的个数。图5的例子中 h = 4。 f 决定 PRR 中每一个 bit 翻转的概率。图5的例子中 f = 0.5。

p决定IRR中bit为1的翻转概率。图5的例子中p=0.75。

q决定IRR中bit为0的翻转概率。图5的例子中q=0.5。

当确定参数之后,RAPPOR 算法输入要收集的真实数据 v(图 5中 v是 68),并执行以下四个步骤。

1.布隆过滤。对用户的真实数据 v,运行 h 个 hash 函数 H = {H1,H2,...,Hh},每个 hash 函数输入一个 k 长的数组 [k] = {0, 1, . . . , k1}.。整合所有输入,得到一个 k 长的数组 B。

2.永久性随机响应(Permanent Randomized Response,or PRR)。对生成的数组 B 的每一个 bit i (0 ≤ i < k),进行随机翻转,生成新的数组 Bi′。翻转概率公式如下所示...

都说大数据时代已经来临，那么什么是大数据？互联网时代下的大数据又有哪些应用？在这种大环境之下，我们又能做些什么？

一、大数据简介？

对于“大数据”（Big data）研究机构Gartner给出了定义，“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据（Big Data）又称为巨量资料，但它的主要作用并不是收集资料、数据，而是对数据进行分析、挖掘及处理。

二、大数据的基本特征？

大数据有3V特点，即Volume（大量）、Velocity（高速）、Variety（多样）。具体来说：

（1）大数据的规模性（大量），即大数据具有相当的规模，其数据量非常巨大。数据的数量级别可划分为B、KB、MB、GB、TB、PB、EB、ZB等，而数据的数量级别为PB级别的才能称得上为大数据。而在2011年，全球就已经产生了1.8ZB的数据总量。

（2）大数据的多类型性（多样），即大数据的数据类型呈现多样性，数据类型繁多，不仅包括结构化数据，还包括非结构化数据和半结构化数据；其中结构化数据即音频、图片、文本、视频、网络日志、地理位置信息等等。因为这样才能保证数据结果的可靠以及价值。

（3）大数据处理的快速性（高速），即处理大数据的速度越来越快，处理时要求具有时效性。

在数据量如此庞大的情况下，却依然拥有极高的处理速度，这是大数据的一大特点。

随着科技的发展，大数据的特点已经不止是3V了，陆续有人提出了更多的特点，但是这些都离不开3V的基本特征。

说了这么多理论，那么大数据到底有什么实际的应用呢？

三、大数据的应用？

大数据的应用遍及各个领域，实在是太广了，播妞简单给大家举个栗子

最简单的例子就是你常用的网购APP的推荐商品，都是根据你日常的购买习惯、消费情况以及你最近或者是之前购买过的东西，进行推荐的。这里包含了，数据的采集及分析，这个只是简单的应用例子。

新浪微博是大数据时代典型的产物，微博颠覆了传统意义上普通信息媒介的传播方式，它具有传播速度快，传播范围广的特点，能在短时间形成飓风的传播效应，进而形成广泛的影响力。

以大数据作为机器学习的训练集，从而训练出拥有一定决策能力的人工智能。典型的代表案例就是谷歌的AlphaGo, 通过大量围棋棋局的学习，最终拥有了打败围棋世界冠军的能力。

现在的生活中，可谓到处都是大数据！

四、大数据时代什么最贵？

十年前，葛大爷曾说过，“21世纪什么最贵?”—“人才”，深以为然。而当大数据到临的时候，企业将会缺少这方面的采集收集分析方面的人才。那大数据的人才到底有多“贵”，又有哪些行业是可以从事的呢？下面一张图告诉你

来源：金融蛮族

前段时间，美国国家统计局发布了一组关于世界各国劳动参与率的数据，中国赫然位列世界第一，劳动总量世界第一，劳动参与率世界第一。

所谓劳动总量，就是所有工作的人的工作时间的总和，所谓劳动参与率，就是参加工作的人占全体人口的百分比。

世界各国劳动参与率，圆的面积代表劳动总量，中国排名第一；横轴代表劳动参与率，中国达到76%，一样是世界第一。

中国人的劳动参与率达到76%，也就是说，只有24%的人在家里无所事事，这些人里面还包括老人孩子和学生。

相比之下，美国只有65%，日本只有58%，只有巴西勉强能够和中国pk，70%，那个天天叫嚣着要超越中国，成为亚洲第一大国的印度，劳动参与率居然奇葩性的低到55%，差不多一半的国民选择待在家里，不出来工作。

一位留学中国的老外在知乎上吐槽中国人的“勤奋”：“可怕的76%的劳动参与率，你们中国人就不需要休息的吗？”

看看我们身边，好像真正彻底休息的中国人还真不多，但凡手脚能动，脑袋有光的中国人，都是非常不屑于坐吃山空的。

前段时间，我妈出去打工了，即使她退休了，但还是出去打工了。我问她：“您都这么大年纪，还折腾什么呀，安心养老不行吗？”我妈：“这么大年纪怎么了，只要能动，我就不闲着。”后来我爸跟我说：“人总得劳动，不然就显得没用了。”

《欢乐颂》2里面，五个女孩，关关和曲筱绡是最有资格啃老的，却都出来打拼了。年轻职场人士中最流行的一句话就是：“比你优秀的人，比你还努力。你还有什么资格不努力。”

诺贝尔经济学奖获得者科斯在《变革中国》中感叹道：“中国人的勤奋，令世界惊叹和汗颜，甚至有一点恐惧。”

图片来源：《欢乐颂》

这么勤奋的结果就是，中国人在劳动力资源上，完全碾压全世界，尤其是人口数和中国差不多的印度。

世界各国劳动力资源排行，中国排行第一

其实，中国的人口数和印度的人口数差不多，但中国的劳动力是印度的1.7倍。中国人口是美国的4.2倍，但劳动力是美国的5倍。你看，中国的劳动力资源，比中国人口在世界上牛多了。

印度人老是嚣张地说，我们的人口也很多啊，凭什么经济完全被中国吊打？看看数据就能明白，人口优势没有转化为劳动力优势，人口多就是累赘。

但中国人民就不一样了，很多家庭是一家老小齐上阵，个个干活，个个挣钱，齐奔小康。这么牛的国民，岂是你说赶超就赶超的。

图片来源：《我11》

76%的劳动参与率，中国人的确很勤奋，那究竟是中国男人很勤奋，还是中国女人很勤奋呢？

再来看一组数据。

此表是世界各国男性女性劳动参与率，深色方形代表男性，浅色圆形代表女性。中国男性的劳动参与率一路领先，达到90%，和巴西、菲律宾、印度等国齐名；中国女性的劳动参与率近70%，一骑绝尘，世界第一。

看到了吧。先说中国男人，中国男人的确很勤奋，养家意识非常强，劳动参与率高达90%，遥遥领先于其它国家，只有巴西、菲律宾、印度等贫穷国家的男人才能比！

再看中国女人，真是惊叹啊，近70%的劳动参与率，太恐怖了。你要知道，法国男人的劳动参与率才62%啊，这就是说，中国女人比法国男人还勤奋，养家意识还要强。

相比之下，印度男人虽然很勤奋，很顾家，劳动参与率达到90%，但印度女人没有啊，印度女人的劳动参与率才28%，让中国甩下印度雄霸亚洲的人是谁？是中国女人啊！

当中国男人和巴西男人实力相当时，让中国甩下巴西，雄霸发展中国家老大的人是谁？是中国女人啊！

如果说中国男人把中国拉到了世界优秀行列，那么让中国变得卓越而以超速度发展的则是中国女人。中国女人实在强悍得不止一点点。

图片来源：《推拿》

从年龄层上来看，真正撑起中国经济大半边天的，其实不是中国男人，是那些25-55岁之间，当老婆、当妈、当媳妇还要出去工作，和这个世界厮杀的中国女人们。

世界各国各年龄层的劳动参与率，中国达到惊人的90%，位列世界第一

25岁到55岁这个年龄阶段的劳动力，无疑是最优质的劳动力了，年轻、有活力、有野心、有想法，这个年龄段，中国人的劳动参与率高达90%，一骑绝尘，世界第一。

更重要的是，这个阶段的女性，不仅仅是职场人士，不仅仅要挣钱养家，不仅仅要和同事、老板、下属、客户等等社会上形形色色的人相处好，还要养好孩子，教育好孩子。《北平无战事》里面，燕京大学经济学教授梁经伦慨叹：

“中国女人苦啊！”

图片来源：《杜拉拉升职记》

和中国男人相比，中国女人的确也算不上很辛苦，但是和其它国家的女人相比，中国女人简直就是女汉子，澳大利亚新西兰的女性劳动参与率才60%，法国女人的劳动参与率才50%，美国女人的劳动参与率才58%，她们享受着发达国家的高福利，生了孩子，奶粉钱政府出，学费生活费政府出，尤其是澳大利亚和加拿大，连孩子的保姆费，课外辅导费一并政府出了，家庭基本上不需要承担额外的教育费用。

并且，西方国家个人意识很强，婆婆基本不干涉儿子家的事情，也不会出现三代同堂这种现象，年轻女人在家里有绝对的掌控力，很是自由。

这么一比较，你该知道中国女人有多么不容易了吧，你该知道为什么我说中国女人撑起的，绝对不止半边天了吧。

强悍的中国女人在承担生儿育女重任的同时，早出晚归，摸爬滚打，在工厂、在学校、在企业、甚至是在工地，在任何有男人出现的地方，承担丝毫不逊于男人的责任，她们尽力维系一个家庭尽可能好的生活，她们把到手的绝大部分钱花在了孩子和家庭上，她们和中国男人一道，成就了举世闻名的中国崛起。

肖恩慈说得好：“中国女人们环顾四周，她们是最自由、最自强、最独立、最出色、最具有奋斗心、最辛苦的女人，她们比任何国家的女人都应该拥有更多尊重和掌声。”

胡润富豪榜2017年的时候发布过一份全球各国白手起家女富豪排行榜，12个国家88名女富豪上榜，中国女性占了56个席位，位列第一，占比64%，前十大白手起家女富豪，有六位是中国女性，前三甲都是中国女性。

图片来源：《杜拉拉升职记》

《环球时报》曾经在全球范围内调查，为什么中国女性如此强悍，得出的结论是：

第一、中国女性对独立有非常强的渴望

越来越大的生存压力，让中国女人已经无法安于男人外出挣钱，自己呆家带娃的状态：“我要有自己的孩子和老公，也要有自己的诗和远方。”

中国女性的独立意识越来越强，而且都明白，经济独立是一切独立的基础，所有中国绝大部分的女性，都有自己的工作和收入。

第二、情商高

“中国女人似乎天生就是处理各种复杂关系的能手。”

职场女性、妈妈、妻子、媳妇，要和社会上形形色色的人打交道，要学会和儿子老公相处，最重要的，要学会和婆婆相处，这是最考验人情商的。“在中国这种家庭本位的社群中，中国女人其实是两代人之间最关键的一环，她们必须训练出这样的高情商，才足以应付这个世界。”

第三、受教育程度好

相比于印度巴西的女性，中国女性的受教育程度普遍很高，尤其是今天，大多数中国女性都接受过系统的教育，很多女性进入大学课堂接受高等教育，当然，这不是最重要的，虽然中国女性在受教育程度上比她们优秀，但中国女性比她们还更加勤奋。

所以，男人们，对你老婆好一点，对你女儿好一点，对你母亲好一点，她们远比其它任何一个国家的女性，都要自强，要独立、要勤奋，要有奋斗心！