1707566969
1707566970
数字化的力量在于，可以将群体中的公民或者消费者单体化，然后有目的地去影响他们。从这种意义上说，奥巴马是第一任数字化总统。他改变了民主的运作方式。他所引发的革命由三部分组成：首先，奥巴马将其选民单体化；然后，他持续不断地从选民那里得到反馈；最后他让选民的私人交流为其所用。
1707566971
1707566972
目前，竞选策略专家通常只会粗略地划分选民群体：市郊的女性白种人选民、年龄在30—49岁之间的男性选民、有工作的单亲选民。自从约翰·肯尼迪总统将选民如此划分之后，就产生了一种“可说服值”的概念，但这一概念在实际中被解读得相当随意。人们只询问很少一部分选民，以此推断大部分剩余选民的信息。抽样与预测，这就是现代的方法。
1707566973
1707566974
这种方法就好像在放大一张以低像素拍摄的照片。将照片从10个像素扩大到1 000个像素，这时人们得到的不是新的细节性信息，而只是模糊一片。原本只是用来显示一个人的一个像素现在要显示1 000个人，对于这1 000个人来说等于把某种基本的相似性强加给了他们。这种做法并不是很现实，却是我们曾经拥有的最好的方法。
1707566975
1707566976
随着时间的推移，选民群体的分类越来越细致。开始的时候只有一种分类：工人、中产阶层和上层。据20世纪80年代在德国发展而来并被广泛使用的“希奴斯目标群体分类学”[1]，按照生活环境的差异可以将选民划分成从保守的创建者到演员中的精英等十大类。美国的数据巨头BlueKai正在将3亿美国人分成30 000个不同的类别，以此有针对性地投放广告。
1707566977
1707566978
瓦格纳的团队将这种新的可能性带入政治领域。他们放弃了继续将目前的选民群体进一步分类，最终到达个体层面的做法，即首先选定“市郊的女性白种人选民”，然后从那里向下计算直达个体。这与原有的方法是一致的，即专业术语中所讲的“自上而下”：首先确定分类群体，然后再到个体。利用这种方法，人们从来都没有得到过精确的图像，因为起点群体本身就只是一种统计学上的抽象假定概念。
1707566979
1707566980
瓦格纳采取的是相反的方法：自下而上。在数据来源上，他没有首先搜集群体数据然后整合个体数据，而是直接利用单体数据进行计算，群体数据不在其考虑范围之内。如果人们对个体的特征有足够的了解，群体的平均值就无关紧要了。
1707566981
1707566982
这种单体化的结果恰恰是整个竞选运动的机敏性所在，这种机敏灵活让竞选对手彻底迷惑了。罗姆尼的一位助手事后抱怨说：“奥巴马竞选团队的工作能够覆盖那些我们甚至都不知道他们存在的选民。”而另外一个助手谈及奥巴马“令人捉摸不定的战略”时，气语中流露出来的几乎全是惊讶。奥巴马团队将对选民的解析转化为选战行动的灵活性。
1707566983
1707566984
比如，奥巴马的电视广告就更有目标针对性，也因此比对手更有效果。这位民主党人的竞选广告常常出现在夜间，并且会出现在广告插播率较低的电视节目中，因为这些广告对于选民尤其有针对性，而且特别容易让选民接收到。奥巴马的团队也曾把竞选广告插播到诸如《混乱分子》或者《行尸走肉》一类粗俗的、政治家避之不及的电视连续剧中。
1707566985
1707566986
假如奥巴马没有将他的政治信息高度解析的话，那么所有这一切可能都是没有用的。为此奥巴马利用了谷歌、脸谱网以及其他高科技企业数年来广泛使用的一项技术——所谓的A/B测试：随机挑选出一些用户，向他们展示不同版本的同一网页，然后检测这些用户会在哪一个页面上停留更长时间、购买更多东西或者捐助更多钱。谷歌公司每年要进行数千次这样的测试。一项经典的此类测试是在搜索引擎页面中寻找真正的蓝色，而被选中的搜索引擎页面上有40种不同的色彩。
1707566987
1707566988
奥巴马的竞选团队不停地测试其官方竞选网页上的每一项内容，并据此将其改造成史上经过最透彻研究的筹款网页：每一种颜色、每一张图片以及每一句话都会经过上百次的测试。比如哪一种呼吁能够带来更多的捐款：是“请您现在报名吧！”，还是“加入我们吧！”，或者是“来了解更多吧！”？答案是：“来了解更多吧！”这句呼吁会比“请您现在报名吧！”多带来18.6%的捐款。为什么会这样呢？恐怕没人知道。但是无所谓，哪一条起作用，哪一条就是成功的。
1707566989
1707566990
竞选专家对自己的误判感到特别的震惊。他们曾经几乎一致地认为，一段奥巴马演讲的视频会比一张图片带来更多的点击量。而他们后来却了解到，即使是最差的照片都获得了30.3%的点击率。
1707566991
1707566992
奥巴马的测试团队就这样对所有涉及的信息都做了测试。每一封争取潜在选民的劝捐邮件在发出之前至少会经过18次测试：哪一种称呼、哪一种邮件主题会获得最多的捐赠？分析者就诸如“您愿意与我共进晚餐吗？”或者仅仅一个简单的“哇哦”等不同标题做了不同的试验。长期的测试发现，最有效的邮件主题居然就是直截了当的“嘿”。至少有7 500万美元的额外捐款是由这种持续的测试和不断的信息解析带来的。
1707566993
1707566994
奥巴马竞选的制胜手段极具创造性。竞选开始时奥巴马就极为重视由志愿者组成的一支富有战斗力的团队，这支志愿者团队要和尽可能多的选民交谈。但只有在瓦格纳的程序算法的帮助下，志愿者团队才会知道，与谁的谈话会起作用从而赢得选票。仅仅在俄亥俄州投票开始前的最后4天里，就有21 000名志愿者敲开了89万户选民的家门，与其进行了35万场谈话。最终奥巴马在该州获得了103 481张选票，领先对手。假如没有这支目标更加明确的地面部队，哪里会有这样的成功呢？这些志愿者的智能手机上都配备了应用程序，从这些应用程序中他们可以找到准确的开场白或者谈话结束时的惯用语——虽然是照本宣科，却大有用处。
1707566995
1707566996
奥巴马还利用了选民的朋友圈。对于那些用脸谱网账户在奥巴马竞选网站注册的选民，瓦格纳的程序会计算出选民的哪些朋友是可以被说服的，并且请求这位脸谱网用户与他的朋友谈谈。这次竞选运动是一次辉煌的成功：据数据搜集者统计，接近80%的受访者能够说服他们的朋友支持奥巴马。可以说这是一个足以引起轰动的比例。
1707566997
1707566998
还有一件惊人的事情是：机器会识别那些奥巴马可以充分信任其个人劝说能力的人。这是历史上首次由机器和私人网络联手推动的一次选战。程序算法、选民、社交网络以及政治目标以一种难以被识破的方式相互交织在一起。
1707566999
1707567000
有些人在这种交织中看到了一种非常积极的发展，比如萨沙·伊森伯格就得出结论，认为奥巴马的选战再次将人们重新聚集在一起。虽然奥巴马将选民简化成关键数据与识别码，但也因此考虑到了他们的个性。奥巴马像地方选举的候选人一样对待全美国的选民：针对每个选民、直接、充满尊重。电视和广播等大众传媒似乎将选战变成了一种匿名的、令人疏远的活动，伊森伯格认为数据分析却使人们朝着之前美好的选举时代迈进了一步，那时的候选人与选民私下相识，并且会与选民逐个交谈。这场高科技选举使人们退回到了纯朴的旧时期，而程序算法正带来人与人之间的温情。
1707567001
1707567002
这很美妙，不是吗？
1707567003
1707567004
[1]“希奴斯目标群体分类学”是由市场与社会研究企业Sinus Sociovision发展出来的一种目标群体类型学。“希奴斯类型学”涉及范围除了社会人口统计学（如年龄、性别、教育背景、收入等）、地理学以及与行为相关的分类变量外，还包括生活中的变量。——译者注
1707567005
1707567006
1707567007
1707567008
1707567010
微粒社会：数字化时代的社会模式 微粒化的民主
1707567011
1707567012
计算机程序对选民的筛选与竞选候选人和选民在花园门口的握手并不是一回事，因为在握手的过程中，候选人与选民是面对面的，而且至少在谈话过程中存在一种基本的对称性——假如可以忽略选民的微弱优势的话：选民对候选人的了解可能往往要比候选人对某个选民的了解更多。
1707567013
1707567014
相反，由程序算法分配的关注，依靠的是分析者的计算艺术与选民对此并不知情之间的非对称性，根本就谈不上私人谈话中的势均力敌、相互了解。更确切地说，在微粒化的选战中，根本性的民主平等将受到威胁。
1707567015
1707567016
当18、19世纪的民众开始通过斗争获取普遍的选举权时，他们同时也点燃了要求均权的怒火。在选举中，所有人原则上的平等应当得以体现。法国大革命时期最犀利的作家埃马纽埃尔·约瑟夫·西哀士曾经阐述说，选举权属于他们，只是“因为他们所有人都具有的特征，而非因为那些将他们彼此区分的特征”。这种对所有差异的抽象奠定了选举的本质。所有我们据此为人进行分类排序的标准——金钱、名望、社会地位、教育背景——正在逐渐淡薄，最终，除了平等的人民什么都不会留下。
1707567017
1707567018
但是当人民在选举前已经依据单体化特征被非常细致地分类，而且那些举足轻重的选民也受到了候选人的强力招揽的话，这种平等又该如何体现呢？这样的选举结果难道不就是之前所做分类的一种结果吗？
[
上一页 ]
[ :1.707566969e+09 ]
[
下一页 ]