大学生有多少钱算有钱（大学生靠什么赚钱）

俗话说物以类聚人以群分，我们周围平时接触的都是跟你有类似经历和互动关系的人，时间长了，你就会陷入一种错觉：自己周围人的情况都差不多。当我们根据身边的情况去推测整个社会时，就会出现大的认知偏差。

这里问你两个问题，看你的直觉跟现实世界差距到底有多大。

第一个问题是，你觉得现在社会上大学生的比例有多少，街上随便扒拉100个人出来，大学生有20个、50个还是80个？

第二个问题是，你觉得自己的收入在全国范围内，是处于哪个层级？前10%、中等、还是拖后腿？

首先我们看下大学生比例的问题。

这些年大学扩招，有大学学历的年轻人越来越多，招聘会上你拿着本科的学历，都不好意思大声回答。关于大学生遍地都是不是有那么个段子么：一觉醒来，突然发现，往街上随便扔块砖，都可以砸倒一个大学生。

但是，在我们身边真的有那么多大学生吗？

大数据来帮你算一算。

我国在1949年有一次高考，毕业2.1万人。1978年开始重新有高校毕业生统计数据，到2019年共经历了43次高考，根据每年的高考录取人数来算，共录取1.13亿人次。

国家统计局2019年统计年鉴中记载2018年底国内总人口13.95亿，按照去年的人口自然增长率千分之3.81计算，刚好人数超过14亿。

这样算下来大学生在总人口中占比8.07%，每100个人中有8个大学生，不到十分之一的比率。作为大学生的你是否有种小确幸呢？

这个数字跟我们的直觉偏差很大。究其原因，主要是跟我们的认知习惯有关。

再让我们看下钱袋子。

除了大学生数量不断增多外，我们拿到手里的钱也在不断增加。很多80后，小时候记忆最深的就是村里邻居谁家是万元户。那个年代，家里有1万元，就很有钱了。

现在再没人提万元户这个词了，因为我们都开始羡慕那些资产百万千万的真正的有钱人了。

平时看资讯，也不断受到暴击伤害：街边卖茶叶蛋的大妈已经轻松月入过万了，送快递的小哥勤快的能拿到3万多，隔壁办公室的小王去年买的房子，1年时间涨了30万！

回头看下自己四位数的工资单，顿时感觉好失落，觉得自己再一次拖了全国人民的后腿。

但是，我们的社会真的已经到了如此富有的地步了吗？

让我们用大数据来算算，我们到底是，多有钱？

国家统计局在2019年2月28日发布的《中华人民共和国2018年国民经济和社会发展统计公报》显示，2018年全国居民人均可支配收入28228元。这个数看着不小，折算到每月的话也就是2352元。我们姑且把这个算作月工资到手2500元吧。这样算很多人感觉被平均了。

再来看在全国人口中收入最高的20%里面，人均可支配收入为64934元。也就是说月工资超过5411元的人，可以排在全国人口的前10%了。怎么样，意不意外，惊不惊喜。

所以说，有时候光凭感觉是靠不住的，我们需要数据，数据越多，对事物的真相还原的越真实越清晰。

从搜索引擎上，能看到对大数据的定义：大数据指的是无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，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。

英国的两名作家，维克托·迈尔-舍恩伯格和肯尼斯·库克耶编写的《大数据时代》一书中，更是直接把大数据定义为：不用抽样调查等随机分析方法，而采用所有数据进行分析处理，还原事物真相的方法。它的特点就是大量、高速、多样、低价值密度、和真实性。

现在大数据已经成为一门新兴学科，它的主体是统计学和计算机科学。网络上也是充斥着各类大数据分析培训班的广告，仿佛一夜之间，大数据成为了我们认识世界的主流方式。要说大数据凭借计算机的超强运算能力，的确能够在人力和脑力达不到的层面做的更多、更快、更好。

那么大数据究竟在哪些领域能够大展拳脚呢？我们梳理了目前大数据应用的几种场景，主要包括以下4个方面。

第一个应用你绝对想不到。机器的语音识别问题是大数据解决的。

这里不得不提不提到一个人，康奈尔大学信息论专家贾里尼克。他在IBM工作期间，凭借信息论的专业知识，解决了语音识别的世界难题。具体过程大概是这个样子的：在他之前的科学家，对于解决语音识别问题，是从人类自身理解语言的角度出发，打算让电脑学会构词、语法，从而理解语义。这种思路对于电脑来说，实现起来太困难，导致语音识别准确率一直很低。

贾里尼克采用信息论的思维方式来对待语音识别，通过采用语言-编码-解码-语言的模型，把语音识别变成信息的匹配，而在这方面，电脑是有巨大优势的。在数据驱动下，电脑很快就通过模式训练和自我迭代实现了语音识别功能，将识别准确率从70%提升到95%以上。要知道人类普遍的语音识别准确度也才90%。这是一个跳出原来框架，别出心裁解决问题的典型例子，现在流行的说法叫做跨行打劫。

第二个应用是利用大数据，提供精准服务。

大数据提取的样本越多，针对目标人群的用户画像越准确，理解用户的需求就越容易实现。这里有必要简单介绍下今日头条的推荐机制，正是因为善用数据，才让今日头条从成立之初就一路高歌猛进，短短几年就成为自媒体领域的佼佼者。

今日头条的推荐机制分为冷启动和热启动。冷启动指的是在自媒体刚发布的时候，机器会分析标题里的关键词，并把文章推荐给它筛选出来的可能会对该内容感兴趣的一部分读者，看这第一批观众的反馈。如果点击率、阅读完成度、评论、点赞等数据都很好，那么就开始进行热启动推荐，分批次推荐给目标用户，每一批推荐的多少都取决于上一次推荐的效果。对于优秀的文章，这样就会形成一种正向反馈，使推荐量和阅读量都维持在高水平。

而用户每一次点击和观看时长都会被记录在后台，形成头条的用户数据库，你看的越多，头条就越了解你的习惯和偏好，推荐给你的内容会更符合你的口味和习惯。

类似的精准服务，也早已被各大科技公司所采用。淘宝首页的千人千面，就是淘宝根据大数据推算出来的结果，在每个人的淘宝首页显示的货品都是经过筛选和定制的。

第三个应用是大数据能够辅助决策，并提供指导

AB测试是一种用于提升产品转化率、优化获客成本的数据决策方法，常被用在app页面测试、网页设计优化上。简单讲，就是设计两个版本内容，在同一时间，分别给两组人看，并记录每组对所看到版本的反应，通过收集和分析这些数据，来确定最终投放哪个版本更好。

比如自媒体平台的双标题，平台也是在目标用户里随机选择了两组人，进行各自展示，看观众对哪种标题更感兴趣，从而在接下来的推荐中重点推荐此类标题。

产品广告在规模投放之前，先小规模做下AB测试，看受众对哪种广告更感兴趣，哪种广告更能激发受众的购买行为，进而选择效果好的方案进行大范围投放，都能取得更好的广告效果。

第四个应用是大数据可以帮助我们发现规律。

我们拿美国的FDA来举例子。美国药监局是目前世界上最严格的医药管理体系，医药公司开发一种新药，从投入开始到通过FDA审核，需要投入5-10亿美元，平均周期是10年。而最近美国一些药品上市速度却在加快。究其原因，是很多医药公司开始在以前通过审批的药物上下了很大功夫，通过大数据研究这些已经应用在人体上的药物的其他治疗作用甚至副作用。美国每个被批准上市的新药的平均研发成本是5-20亿美元,平均周期超过10年。

如果从已经审批上市的药物的治疗数据中，分析和寻找那些无心插柳的副作用，也许能大幅度缩短药物的研发周期和开发成本。因为已获批的药物的毒性检测之类的

临床试验都是经过验证合格的，能省去不少工作。

原来用于治疗痉挛和运动紊乱的肉毒杆菌毒素，在临床上发现消除皱纹的效果比化妆品和整容术都要好，用于治疗心血管疾病的药物枸橼酸西地那非，后来因其副作用换了个名字而世人皆知，那就是伟哥。看来男人们更应该好好感谢大数据。