中国领先的IT技术网站
51CTO旗下网站
自动洞察：大数据的下一个重大转折
我坚持认为具有洞察力的应用是帮助企业高效探究大数据的关键，可以提高决策效率和解决重大问题。为了更好的理解和重视我们开发该应用的重要性，有两件事是很重要的，一是了解大数据大体上发生了什么，二是评估我们使用商业智能系统的经验如何促进我们思考这个应用。
作者：来源：| 11:01
为了跟随大数据的发展以及提高我们对信息的使用，我们需要具有洞察力的应用，可以在连接洞察与操作的时候快速且低廉地提取相关性。
我坚持认为具有洞察力的应用是帮助企业高效探究大数据的关键，可以提高决策效率和解决重大问题。为了更好的理解和重视我们开发该应用的重要性，有两件事是很重要的，一是了解大数据大体上发生了什么，二是评估我们使用商业智能系统的经验如何促进我们思考这个应用。
因为我认为具有洞察力的应用是大数据的下一个变化(可以看看最近IBM沃森平台使用的一些应用)，我会发表系列博客进一步探究这个问题。在第一篇博客里，我将通过我的观察展示25年来数据分析是怎样发展的，特别是到了大数据阶段，发展具有洞察力的应用是必须的。第二篇，我会更加详细的描述这些应用，并给出早期的一些例子。第三篇和最后一篇,我会讨论投资者对这些应用的兴趣，还有讲下我最近对相关创新企业的投资。在这些文章中，我作为两家分析应用创新企业的创办人，我将提到我如何将过去30年的工作经验和15年风险投资经验运用到这些企业中。
数据分析25年来的发展
数据量在过去25年一直在增长，用于决策的数据完整性促进了两个步骤的行程，即创建数据仓库和了解数据仓库的容量。
数据仓库及其他特殊变形&企业数据仓库，数据集市等等-，是精选数据的基础。
数据可能来自单独的数据源(如：一个CRM应用的数据库)或者由许多数据源整合而来(如：一个CRM应用的数据库整合，数据库内含有CRM数据库里的每位客户的社交媒体互动)。
数据可能是结构化的(如：描述客户支付金额的数据)，也可能是非结构化的(如：自由文本里客户与工作人员的互动备注)，也可能是半结构化的(如：网络路由器生成的日志文件数据)。被捕捉到的精选数据都是已经自动被清洗干净，被标签和分析好了的，减少了人们的人工思考的时间。
这些年，随着开源软件，云计算和商用服务器硬件的使用，我们减少了数据仓库的费用，也提高了我们管理更多不同高速产生的数据的能力。我们的收支状态已经发生改变，从为数据仓库花费几千万美元，转变为最大的公司并开始盈利，如金融服务组织花旗银行Citibank和大型零售商沃尔玛Walmart，从仓库到中小型企业皆可支付的状态。最近，低成本服务提供商，如亚马逊
Redshift, 谷歌 BigQuery以及微软Auzre，已经将数据仓库转移到云。最终，数据仓库能被大众公司接受。
随着数据仓管的增加，数据报告的发表形式从打印到数字化。
数据完整性的第二步包括通过数据分析，理解数据仓库的内容。在商业环境中，通常是通过报告和相关联的可视化实现数据的完整性，有时也使用更多定制的可视化和机器学习算法，比如人造神经网络。(机器学习不是新的内容，但是大家认为，它从数据仓库出现就一直被使用，作为数据储存和管理的工具。)
随着数据仓库被不同行业的大量企业采用，我们看到了报告形式的转变，它是可以被创造的，媒体可以提供分析学者和决策者报告，或者员工自己准备这些报告。早期(80年代晚期，90年代初期)，商业智能报告是由指定的IT职员负责的，在报告中对数据仓库的必要查询是有相关标准和主题的。这些报告通过电脑用纸保存(如：报告可以被修改，但是只能由那位负责该报告的职员完成)和展示。后来，报告仍然可以保存，同时这些报告可通过指定的报告项目展示在PC上，再后来，Web浏览器可运行在不同的设备上，包括智能手机和平板，所以报告也能在这些设备上展示。这些年来，创建查询和撰写报告的任务已经从IT员工转移到企业用户。但是，当这些查询和相关报告可以更快的生成，更加灵活和广泛的使用时，这些报告的主要使用者-企业分析师-他们仍然在不断的，尝试在报告中得出信息的最简单的模式。更重要是，这些用户在尝试基于这些信息采取相应的操作(图1)。
图1：复杂的数据模型和可视化的一些例子，图片授权自Evangelos Simoudis
随着更多的数据生成，我们已经可以更好更有效的管理它的费用，但是要想对数据进项有效分析，仍然不是件容易的事。
受网络全球广泛使用，以及网络支付的连接，还有如物联网等新领域得出大量我们从未见过的数据的驱使，发现我们的周围充斥着数据。快数据和慢数据，简单数据和复杂数据，以及全部一起出现的前所未有的海量数据。数据量可以有多大?
图表2：展示了生成非结构化数据从2005年到预计2020年的增长情况，图表授权来自互联网数据中心IDC，图表未经许可，不可使用。
在过去10年，数据变得更大，同时企业IT战略的核心实现了&事半功倍&。企业现在面临着数据仓库系统的两个难题。第一，有些系统不能有效管理捕捉到的大数据，导致不能有效使用那些应用。第二，费用高的离谱，对于系统而言可能会成为数据管理的挑战。
关于这些问题，出现了部分解决方案，是由科技巨头公司(如谷歌，雅虎等)开发的数据管理软件，去得到新的数据生成，如Hadoop。一开始，这个软件是运行在商用服务器硬件，它是快速开源的，因此可以帮助一些企业用低廉的成本解决一些大数据的问题。比如像Cloudera,
Hortonworks和一些其他提供开源软件服务的公司已经成为大数据非结构化领域的主要成员。我之所以说只是出现了部分解决方案，是因为，在管理数据的时候，一些系统不具备解决复杂性问题的功能，专属的数据仓库管理系统只有一些企业拥有。这些新的系统擅长建立数据湖，通过低成本选择的方式替代和扩展数据仓库，它是适应大数据环境的设施。
虽然我们提高了有效管理数据费用的能力，但是我们分析数据的能力和费用没有改善。
虽然大众媒体都宣布来自数据的洞察力将是&新石油&(&黄金&)，但是市场研究公司互联网数据中心IDC则预测到了2020年，只有一小部分数据可以被收集和分析。我们需要分析更多捕捉到的数据和提取其中包含的信息。
我们在努力提高分析数据的能力，但是面临数据专业人员的短缺。
为了收集和分析更多的数据，包括报告里面的数据，我们开始通过机器学习和其他基于AI的数据分析技术，来广泛地使用自动信息提取方法。但是这些方法只能由数据科学家使用，这是一种新的职业。虽然我们看到一大批数据科学家的涌现，但是我们需要更多。目前无法做到培养出满足需求数量的数据科学家，以及提供我们生成足够的数据。McKinsey预计到了2018年，美国将将面临人才短缺，大概缺14到19万名掌握深入分析技巧，能够从收集的数据里提取洞察的专业人才。
我们也面领着人才短缺，缺少大概15万名经理人，他们掌握着必要的定量技能，能基于数据科学家的大数据分析结果做出重要的商业决策。
机器学习提升了我们找到数据相关性的能力，恰好节省了决策时间，增加了数据效率。
商业智能作为一个领域已经发展了40年。统计分析和机器学习科技则使用了更久。这段时期，我们已经提高了确认数据集相关性的能力，这恰好减少了用在决策上的时间和增加了数据的效率。比如，公司的财务官需要一个月才能做出财务预测，然而一个自动线上广告平台只需要10毫秒就能决定将他们的数字广告投放给哪一位客户(图3)。还有，当财务官在根据几兆数据做出决策时，线上广告系统已经在利用TB级数据在工作，大部分数据是实时生成的。
图3：图表显示不同行业做出决策的平均时间。图表授权来自Evangelos Simoudis.
在某些应用领域，简单的确认数据集之间的关联性就足以做出决策。这其中又有一些领域可以实现高回报，这通常会让他们决定是否需要数据科学家或者其他特定专业人才，从现有数据中提取信息。计算机安全威胁检测和信用卡盗刷侦测领域就是其中两个。在这些领域里，作出决策的时间非常短，&错误&决策的成本(通常是保密的)，但是至少一开始不是很高。而减少处理环节就跟安全侵入一样是诈骗行为(如：信用卡持卡人遇到了麻烦，那么系统管理者就应该要进行网络取证)。但是，在一个已经建立好的行为模式里发现异常现象失败，造成的成本可能更高。
为了跟随大数据的发展以及提高我们对数据的使用，我们需要能够快速且廉价的提取相关性的应用，将洞察与操作联系起来。
预计将短缺大量掌握定量技能的数据科学家和商业用户，我们渴望能继续探究大量已经收集和管理起来的数据,我们会开发更好的分析应用，能生成洞察力和联系操作。这些应用，我称它们为具有洞察力的应用，远不止从数据里提取相关性那么简单。
就数据的完整性方面我们已经取得了不错的成绩。一方面我们减少了管理大数据的费用，另一方面，我们提高了分析和提取关键信息的能力。但是，大数据的增长量太大了，以至于没办法跟得上大数据快速灵活的查询和报告。通过使用具有洞察力的应用，能低成本且快速地创造具有操作性的洞察。我将会在下一篇报道中更深入的探讨这个问题。
作者简介： Evangelos
Simoudis是富有经验的风险投资专家以及全球企业的高级顾问。他的投资事业开始于15年前，先后在安佰深集团和Trident
Capital。如今，Evangelos主要是投资初期和成长期阶段的企业，这些企业主要是来自数据和分析领域，提供软件即服务的应用(Saas应用)，具有流动性。他是企业创新，大数据，云计算以及数字市场平台公认的思想领导者，他也是这些方面的积极发言人和贡献者。【编辑推荐】【责任编辑： TEL：（010）】
大家都在看猜你喜欢
头条头条头条头条头条
24H热文一周话题本月最赞
讲师：5人学习过
讲师：1人学习过
讲师：4人学习过
精选博文论坛热帖下载排行
在开始学习WAN资料时，我经常面对资料深度不够或者为电气工程师编写的书。另外，在看了几本书，并且对Internet进行了研究以后，我觉得应当...
订阅51CTO邮刊拒绝访问 |
| 百度云加速
请打开cookies.
此网站 () 的管理员禁止了您的访问。原因是您的访问包含了非浏览器特征(396621fcd40143c5-ua98).
重新安装浏览器，或使用别的浏览器DT财经黄磊：大数据告诉你，这样洞察消费者
4月24日，在“2017新网商营销大会”上，第一财经新媒体科技有限公司总经理黄磊，分享了他对于大数据时代下的消费者洞察和运营。
在黄磊看来，每一个消费者形象是多元且鲜活的，人们原来对于消费者的价格假设、人群感知、区域判断等已经不再奏效，而找到洞察消费者的最好工具就是：大数据。通过众多案例的分享，黄磊揭示如何通过大数据有效地挖掘出数据价值，判断行业趋势，做运营决策，最终作出一个固定态的判断。
以下为黄磊演讲内容，经《天下网商》整理：
消费者的多元形象
用数据去看，今天的这个主题是洞察。洞察是更好地了解、更好地观察。以前一个消费者到在座各位店铺购物时，我们统一回一句“亲”，但是，每一个消费者都是鲜活的、多元的，是需要洞察的。
第一，我们对价格假设，是否还奏效？
这份报告来自于汽车儿童安全座椅研究报告。在儿童安全座椅细分品类中出货价格区间，我们总会认为消费者会选择价格低廉的商品，然后再一层层涨高，但是消费者在这一单品上的消费偏好，与我们对于消费者价格模型并不奏效。
第二，我们对人群的感知，是否还可靠？
这是一张女性消费者2014年和2015年不同人群变化的趋势，数据显示了这样一个细节：女性消费人群主力基本上所有的箭头都是从左指向右，意味着绝对人数在增长，但是大部分指标显示已经到了一个瓶颈状态，整个电商渗透率高，所以增速在下降。
第三：我们对区域的判断，是否取决于走多远？
这是一份来自于第一财经商业数据中心跨境消费的报告。对于保健品消费偏好和对于母婴品消费偏好，呈现了非常清晰的地域划分：北方人更喜欢养生，更在意自己这一代人的健康，但南方人群更注重下一代的培养，母婴品消费很大。
第四，从娱乐到社交到转化成交，消费者身份变迁的链路如何？
去年非常有名的IP剧《微微一笑很倾城》，一个IP网红剧对于广告植入能够带动销量。具体来看：第一阶段，在这部IP剧播出之前，已经开始在社交媒体上做预热了，但是剧集还没有播出，于是，它的植入品牌销量是没有变化的；第二阶段，随着剧集的播出，社交媒体、视频平台呈现了非常强烈的互动，植入的淘系品牌开始快速获得出货的效果；第三阶段，播出后，随着社交平台和视频平台的回归与正常状态，但是整个平台所带来的效果会长期持续。任何一个概况下都需要数据更为精细化的研磨，因为毕竟每个人都需要精细化运营。
再举一个人群，很多人觉得对于一个高端美妆品牌，大学生不能作为营销对象，因为他们的转化率太低。然而，事实并非如此，今天他的购买力和他未来购买潜力之间，必须用数据来做桥梁。
大数据的方法论
对于消费者，今天要找一个固定态的判断，最好的办法是找到一个洞察消费者的有效工具，这个工具就是：数据。
大数据并不一定要求数据的量非常大，它的关键在于挖掘数据的价值并呈现出来，帮助我们更好地看待整个市场的数据，看待品牌的数据，看待你的竞争对手、同业的商家以及消费者的数据。这也是大数据洞察的价值所在。
第一，产品。大数据可以帮助改善一个店铺产品的指标。
第二，渠道。商家在规划自己渠道时，包括线上线下、淘内淘外，通过大数据洞察可以选择更好的渠道。
第三，价格。不是简单的成本收益计算，因为成本收益是你营销最后的结果，定价策略才更加重要。
第四，营销。你选择什么样的广告投放？
第五，品牌。你选择什么样的品牌，你的品牌画像是什么，你品牌使命感、解读语是什么？数据可以帮助你。
预测率稳定在70%以上？
上面的是方法论，以具体案例来说。
第一个案例，美妆行业的面膜。近几年，面膜是非常热的一个品类，面膜涌现了很多概念。2014年、2015年，分析团队用整个消费偏好的数据，看看之后三年的面膜趋势。
当把所有面膜品类概念嵌入这个表格当中，便区分出四种可能：第一种可能是高价值概念，在这个象限中落下来的单品成长迅速，未来趋势非常好，是氨基酸、蜂蜜、针剂、玻尿酸。而活性炭、蜗牛等等的面膜呈渗透率下降趋势，而且人数绝对规模在下降，特别是颓势概念。
当我们用红框圈出年的市场趋势，果然是快速增长的，红色落在了玻尿酸、蜂蜜、氨基酸。基于2014和15年的判断，高价格概念和颓势概念这两个概念的命中率是100%。考虑到中间不稳定的概念，这四个整体预测率是72%。
在行业中做判断时，当面对陌生人群时，你的预测率能稳定在70%以上吗？这就是今天数据给我们一个非常稳定的预测工具。
当每一个店铺运营自己商品的时候，真正的先行指标应该是人，哪怕这个人从来没有进入过你的店铺，哪怕这个人从来没有在你所在的行业消费，而这些人偏好被极早洞察到，这对于整个规划非常有价值。
每一个品牌策略和路径都是不同的，需要从整个消费者的消费行为，分析不同的逻辑所在。TOP10品牌从2013年占有整个市场过半，到现在占有整个市场的四成。这证明整个市场成熟度在提升，这样概括准确吗？
把三类数据做交叉，又得出不同的概念。第一，看面膜概念的分类；第二，看整个品牌的头部、腰部、尾部商家，整个品牌的分布；第三，看消费者在这样两个指标下的选择。所以，对于针剂这个品牌来讲，TOP品牌可以快速进入针剂市场；对于氨基酸品类，腰部商家非常适合。
再看美妆品类购物栏组合的情况，2014年护肤品类和美妆品类，只有一条路径：眉笔、眉粉、眉膏。到了2015年，关联度会快速扩充，从护肤品牌指向彩妆品牌路径，有美容工具、眼线、口红。再到2016年，你在选择店铺商品强势的单品和要进入的领域时，你会看到哪些是关联的，哪些是最容易加购的。
研究了美妆领域的整个消费人群的分布后，到底哪个人群在快速增长呢？通过潜力人群研究发现，18-22岁的用户，增速排名第一，美妆行业17年的主力人群。这对于渠道店铺来讲，定位是做成很多的品牌、货品分发的店铺，在制定自己店铺策略时，可在品牌上可以稍微挪一些资源。
再举一个一场聚划算的活动案例。参聚商品及实际售出商品价格分布差距较大，如湿巾，活动商品主要集中在60元以下低价位段，但是实际成交占比最大在180-250元之间，聚划算用户消费特征之一是囤货，所以适当的组合营销更能带动销售。
最后，以男装案例为例。4月短袖T恤销售将大幅增长，提前了解重点发力区域加大投放，这样的一条短信或者战略推送才不是骚扰，这样的服务在数据帮助下才有可能带来实际的转化。
（来源：天下网商）
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
今日搜狐热点9572人阅读
Hadoop（60）
大数据是物理世界在网络世界的映射，是一场人类空前的网络画像运动。网络世界与物理世界不是孤立的，网络世界是物理世界层次的反映。数据是无缝连接网络世界与物理世界的DNA。发现数据DNA、重组数据DNA是人类不断认识、探索、实践大数据的持续过程。
图1 大数据发展路径
陈新河把网络画像分为行为画像、健康画像、企业信用画像、个人信用画像、静态产品画像、旋转设备画像、社会画像和经济画像等八类，并通过实践案例进行了阐释。
未来，人生的每个历程无时无刻不由数据驱动。
图2 数据驱动人生
未来，设备全生命周期也将由数据驱动。
图3 数据驱动汽车全生命周期（海略咨询）
刘译璟博士首先从百分点推荐引擎开始，深入探讨了四大引擎。
场景引擎：个性化的核心，判断用户处于哪个购物环节，有什么样的购物目标；
规则引擎：业务的核心，结合用户、场景、算法输出数据和业务KPI，决定为用户推荐哪些内容；
算法引擎：计算用户之间的相似度、商品之间的相似度、用户对商品的评分、用户分群、热门排行……
展示引擎：将推荐内容以最佳的展示方式呈现在用户面前。
推荐引擎的核心是将购物流程数据化，而其前提是将用户数据化。如何将用户数据化呢？就是用户画像。
刘译璟博士用几个生活中画像的例子生动地阐释了什么是用户画像。
用户画像的目标、方式、组织、标准和验证等几个特点。
他认为用户侧写可能更加准确的描述“用户画像”这个词，因为我们是通过有限的信息来描述一个人，而非通过全息相机照相的模式来描述一个人。
从技术角度来看，人在网络空间是一个比特流，人们认识人的方式发生重大改变，由物理空间的“相面”转变为网络空间比特流解析，更重要的是教会机器按照人类交给他的规则从这些比特流进行自动识别。能够从千万计的用户中找出金融诈骗者、恐怖分子等。
如何实现这一过程？这就需要一种类似成像技术中的像素来对人的特征进行刻画，这就是画像中的标签。
大数据用户画像其实就是对现实用户做的一个数学模型，在整个数学模型中，其核心是，怎么描述业务知识体系，而这个业务知识体系就是本体论，本体论很复杂，我们找到了一个特别朴素的实现，就是标签。建好模型以后，要在业务的实践中去检验，并且不断完善，不断丰富这个模型，来达到利用比特流对人越来越精确的理解。用户画像不是一个数学游戏，不是一个技术问题，实际上是一个业务问题。因为最核心的是你去如何理解用户，了解你的用户。它是技术与业务最佳的结合点，也是一个现实跟数据的最佳实践。
李海峰分享了百分点在用户画像方面的实践和案例。
他首先以自己为例分享了画像样例。基于他这个人可以知道他所在的城市是在北京，男性，公司在百分点，喜欢的品类是男鞋、运动鞋，喜欢的品牌有耐克、阿迪达斯等等。每一个标签都有一个权重值。可以看到，耐克的权重值比阿迪达斯更高一些。
这幅图是通过云图的方式对百分点创始人/董事长兼CEO苏萌进行的特征画像。
百分点的画像标签体系包括：人口属性、上网特征、营销特征、内容偏好、兴趣偏好等。
以手机商品属性为例，包括品牌、品类、型号、上市时间、价格、颜色、网络、操作系统、分辨率、屏幕尺寸等等。
标签管理体系具有如下特性。
有多种标识方式对用户进行识别，这就像社会生活中的身份证号码一样，只不过换成了网络空间的手机号、Cookie、IMEI、Email、微博、微信账号等，在处理过程中，这些信息都是加密的，机器知道但人不知道。
百分点用户画像逻辑架构如下图所示，通过对电商、社区、移动应用、微博、微信等多种类别的数据源进行采集，然后对用户进行画像，最终在个性化推荐、用户洞察、精准营销等方面进行应用。百分点的数据源多且庞大，服务的客户超过了1500多家，覆盖行业超过了40多个。举例来说，一个网民，他在访问一个电商A，同时又访问了一个电商B，这两个电商本身的知识体系是不一样的。比如说这个用户他访问一双鞋，他在电商A上的品类可能是鞋-男鞋-运动鞋，在网站B上可能是运动-户外-男鞋，品类描述可能是不一样的。所以百分点打造了这么一个系统，叫商品画像系统。通过这个系统，所有的标签就有了一个标签规划，之后就可以去构建这个用户在全网的用户画像标签。用户画像只是一个起点，而不是一个结束。基于此，还可以打造一系列的服务，比如精准营销、个性化推荐等。
下图是用户画像的技术架构图。我们可以看到总共分为五层：第一是数据源；第二层是数据采集服务，百分点有一堆数据采集服务，包括我们的数据探头，能够对用户的行为进行一个实时采集；第三层是数据预处理，主要是结构化；第四层是商品画像，这一块都是我们的用户画像服务。我们可以看到用户画像是分两大块，实时处理更偏重于预测用户画像的需求，离线处理更偏重于用户的长期偏好；第五是统一的数据接口，还有就是集群，上面可以接入各种各样的应用。
下图是用户标签产出流程示例。
用户在互联网上的行为主要分为电商类、社交类和媒体类。每种行为差异很大，电商类行为包括浏览、搜索、添加购物车、收藏、支付等，而社交类则是点赞、转发、评论等。
接着下一步需要对页面标签进行抽取，在做这件事情之前需要训练模型，首先准备训练数据，通过标注和规则生成，再就是对于序列集做一个序列化处理。首先会得到一个弱模型，最终得到一个强模型，然后把自己的参数都保留下来。这个时候我们会加一个决策，如果说效果不太好的话，我们会进行下一轮的优化。当这个模型设置之后，我们就可以去做预测了。我们的预测总共分为四大块，包括输入、输入预处理、预测和产出。也就是说用户这个标签已经有了，这个标签对用户的信誉度是1还是0？这个时候就到了用户行为建模。用户行为建模的背后思想主要可以认为有两大块，成本越高行为权重越高，下单就比浏览更高一些，时间越近的行为权重越高，比如我今天看了一个手机，一定比我一周前看了一次电脑权重要高一些。我们可以按场景去分，首先是产生需求，再就是决策，然后是结束，百分点基于业务考虑，实行标签权重积累的机制。
这是我们的客户某航空公司的案例，项目目的是挖掘高价值旅客，希望通过分析旅客出行偏好优化运力资源。最终百分点帮他构建了5个标签大类，75个标签小类，数万个小标签，以下是当时的一些效果截图。
刚才讲的都是百分点已经做的事情，但是百分点做得还远远不够。接下来可能会在四大方面深入思考和实践：一是不同的场景，也就是说用户在家里和在办公环境下代表的偏好是不一样的；二是用户心理学特征，比如当一个用户看一件女装的时候，她这个时候是无聊去逛还是有目的的逛，反映在标签权重上是不一样的；三是让用户主动反馈反感点，我们强调了许多，一般都是在强调用户喜欢什么，但是用户不喜欢什么，我们做得还不够，我们应该让用户主动告诉我们他不喜欢什么，比如他不喜欢吃葱，他不喜欢吃羊肉串，这样我们预测的时候会准得多；四是用户的兴趣转移快速捕获，一开始我们使用的是一个半衰期的，而且按频率细分，我们是否可以按人去分？比如按访次去分？比如针对品类手机这个标签，对于手机发烧友，可能过了一年他依然会对手机比较感兴趣，但是对于像我这种，只有想购买的时候才去看，可能我两天不看，就表示这个兴趣已经衰减为零了。
文章出处：/archives/337393.html
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：230387次
积分：3065
积分：3065
排名：第11493名
原创：81篇
转载：75篇
评论：28条
(1)(1)(5)(3)(1)(9)(7)(4)(6)(1)(6)(2)(1)(2)(9)(1)(2)(7)(3)(1)(3)(1)(1)(3)(1)(2)(4)(3)(2)(12)(12)(2)(1)(4)(8)(2)(2)(1)(1)(3)(1)(6)(1)(1)(1)(3)(3)大数据告诉你，抑郁症到底有多大隐患
近日明星“乔任梁”去世的消息传得沸沸扬扬，致微博近乎瘫痪，网传乔任梁或死于重度抑郁症。人们在惋惜一个28岁的年轻生命时，也请不要忽视抑郁症带来的近乎毁灭性的灾难。一起跟随看看抑郁症背后到底有多大的隐患！
2015年，失事德翼飞机的副驾驶卢比茨引发全球关注。和乔任梁相似的是他也年仅28岁，曾患严重抑郁，被怀疑有自杀倾向，那一场可怕的空难后来被猜测可能正是他蓄意坠机酿成的。
2015年《北上广不相信眼泪》、《那样芬芳》的执行导演李晓因抑郁症在家自尽离世，终年42岁，追求极致完美的他患有抑郁症竟长达20年！
日到5月8日短短十天的时间，杭州《都市快报》副总编辑徐行、新华社安徽分社副社长、总编辑宋斌等4位媒体人因抑郁选择用自杀这种极端的手段来终结自己的生命。在承受着高强度工作压力的同时，心理压力也成为难以承受之重。
早前还有大家熟知的张国荣、陈琳、射雕英雄传中最经典的“黄蓉”翁美玲、奥斯卡影帝罗宾·威廉姆斯，除去这些陨落的名人不谈，前不久亲手结束了自己四个儿女生命后自杀的年轻妈妈、坠楼身亡的清华大学研究生洪乾坤也都是饱受着巨大的精神压力！
生命的离去应该让我们警醒。在当今社会，除了个人因素外，外在的压力和周围人的误解往往都会导致或加重抑郁症患者的病情。
世卫组织数据显示,全球每年因抑郁症自杀死亡人数至少100万人，而中国抑郁症患者人数已经高达9000万，抑郁症患者的自杀率是普通人的36倍，作为全球第四大疾病，抑郁症如今让全球3.4亿人饱受痛苦，这一数字还有逐年上升的趋势，并开始出现患者低龄化的现象，在大学校园里屡有发生。抑郁症将成为21世纪人类的主要杀手。
有专家曾指出，得抑郁症的人，其实有很多都是很认真负责的人，是各行各业的骨干精英，倒下的话不仅影响家庭，也对社会造成很大损失。诚然，这个社会如果给他们多一些包容和理解，或许可以避免很多悲剧。
与加强教育、完善医疗相比，治疗抑郁症更重要的是创造和谐的社会环境。社会竞争压力大，人际信任，彼此之间的包容和互相支持不如以前。而社会上对抑郁症等精神疾病又存在歧视和偏见，很多患者不敢让人知道自己患病，一直带着“伤痕”扛着重担前行，加剧病情。即使治愈，再回归社会生活也容易复发，究其根本，仍是缺少和谐的社会关系，缺少人与人直接纯粹的关爱！
　　大数据观察微信公众号：shuju_net
最新大数据资讯，行业动态！
企业征信查询平台
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。}