電子商務方麵的計算廣告，就是個讓人舉爛了的例子：
1）每一台手機都是媒體端，都對應著獨特的IMEI號和場景信息。
2）用戶平時的搜索、對話……不同應用的使用時間、不同頁麵的停留時間，這些都會被記錄下來。最終形成該IMEI號對應用戶畫像標簽，如（男、青年、已婚、無子、白領、喜歡汽車、IT、理財等）。
3）然後，針對這個用戶，廣告投放端會列出一係列廣告及它們對應的標簽屬性，將每一個廣告都與該用戶的畫像標簽同時輸入到點擊率預測模型中進行模擬計算。
4）得出點擊率最高的一則廣告（也就是你看到這則廣告後，最有可能點進去的廣告），將其投放到媒體端，形成該用戶在最顯眼處看到的廣告。
這玩意就是大數據的應用。
隻要你還要接觸電子產品，大數據中你就有對應的編號和畫像標簽。這是無法擺脫的事情，除非你願意回歸山林，倒退到原始社會呢。
這個大數據有多精確呢？其實大家都親身體驗過。
畢竟，大數據的起步數據量都是P級別（10的15次方），如此多的數據，想要得到準確的預測數據，真的難嗎？WwW.com
所以，池遠也打算通過這樣無恥的行為（搜索記錄、語音等），來為用戶定製一對一的學習路線。
包括題庫、某類題出現的頻率都是私人定製的。
當然，這一切的前提都會告知用戶。若不願意接受這樣的‘私人訂製’，那APP就可以當做一個標簽定向刷題+搜題軟件。
隻要用戶同意，搜索記錄等作為初始參考數據，隨後用戶需要所在教育階段和目標，通過第一套試卷試試水，形成總體數據。
接著，無論是錄入的紙質題數據還是APP上的做題/搜索數據，都會被不斷記錄。
可被分析的數據又包括：用戶的做題量、每道題對應的知識點和難度、做題標準速度差異比、錯誤頻率……每一題做完，都會詢問用戶——自認為的對這道題的掌握情況。
將這些數據錄入模型後，進行分析計算，最終就能在數據庫中形成學生認知水平畫像。
根據這一畫像，就能進行個性化學習推薦。
隻要數據量越多，準確率就越高，推送的習題及輔導就會越來越準確。當然，也會提供用戶主動’提高‘和’降低‘難度的機會。
“加上提醒功能，再引入學校年級實名，進行排名和實質獎勵，提升學習積極性……目前的功能，就想到這吧。”
池遠看著眼前的思維導圖，揉了揉眼睛。
這是一個複雜的工程，看來有他寫的了。
自此，一個名叫《今學否》的工程文件建立了起來。目前進度：文件夾內隻有一張思維導圖。
他將雙手離開鍵盤，滿足地喝了一口茶。
“就先到這吧？至少比那些喊著’在做了在做了‘卻隻是新建了文件夾的強！”
恩，他的文件夾裏至少還有一份思維導圖！