主要观点总结
本文介绍了高考志愿的填报现状，以及一款名为“高考数据通”的新工具。该工具利用数据和AI帮助考生和家长更好地做出决策。作者详细介绍了该工具的背景、功能和使用方法，并讨论了其收费、产品优化和未来的可能性。文中还提到了高考成绩与未来之间的关系，以及如何利用工具更好地规划未来。
关键观点总结
关键观点1: 高考志愿的填报现状
高考志愿的填报是考生人生中的重要决策之一。然而，由于信息的不对称和缺乏有效的数据支持，考生和家长往往难以做出最佳的选择。
关键观点2: 介绍“高考数据通”工具
为了解决这一问题，“高考数据通”应运而生。它利用大数据和AI技术，为考生提供全面的高考志愿填报服务。该工具提供了详细的专业介绍、学校排名、就业前景等数据，并可以根据考生的成绩和兴趣进行智能推荐。
关键观点3: 工具的背景和功能
该工具的背后有一支专业的团队，他们收集了全国各高校的招生数据、就业信息、学科实力等数据，并进行了深入的分析和处理。通过该工具，考生可以方便地查询各个专业的录取情况、就业前景等信息，并根据自己的兴趣和成绩进行智能推荐。
关键观点4: 产品的优化和未来的可能性
产品的优化在继续进行中，未来可能会增加更多的功能和筛选选项。同时，作者也强调了创造过程的快乐，以及将高考数据提供给高考考生的重要性。
关键观点5: 高考成绩与未来的关系
作者提到，高考成绩是未来收入的一个重要因素，但并不是唯一的决定因素。考生还需要注重培养自己的综合素质和能力，以应对未来的挑战。
正文
精心计算的各类数据，考生们不知道怎么用。每个专业都能看到一些数字，但这些数字到底是高是低？如何相互比较、对照？
就像是不懂计算机的消费者进了电脑城，每一个商家都对你进行数据轰炸，有的高分屏、有的独显、有的 cpu 核数多、有的电池耐用……可能还没逛几家店，消费者已然头昏脑涨，脑子里装满了数据但却已经不知如何对比了。
更关键的是，对于考生来说，许多「数据」也并非那么具体，那么有参考价值。
同样是法学，五院四系的法学，和其他学校的法学，面对的当然是完全不同的就业环境。
具体来说，同一个专业，在不同时间、空间，对于不同的经验、学历的求职者来说，就业市场环境也千差万别。那么给考生提供一模一样的平均数又有什么意义呢？
这些缺陷，不只是在我们前两年提供的这款小程序中存在，在目前所有的高考志愿推荐系统中，全部存在。
因此，所有高考志愿推荐填报系统，都只能当做一个官方志愿填报系统的「模拟器」。其中最有参考价值的，大概就是按照去年录取分数线计算今年的可能录取线，然后给出「冲」「稳」「保」之类的选项。而这些数据，考生们在本省的那本《xx省招生与考试》往往已经可以看到。
至于每一个专业到底去向如何，就业怎样？
在纷杂的数据中又应当如何取舍，给予什么数据更大的权重来决定你的报考志愿？
可能就得购买专人服务，由后台的「专家」们，为你详细分析，并给出答案。
每年都有千万考生，才高考完，就在数据的海洋中迷失方向，却又不得不朝着任何一个有亮光的地方奋力游去——不管这个亮光是来自灯塔还是鮟鱇，至少它指明了一条方向，比没有方向强啊！
至于这些「方向」，为了让它的传播更广，给大家的印象更深，专家常常故作惊人语。于是生化环材成了找不到工作的天坑；前几年是香饽饽的金融现在成了臭狗屎；计算机成了可以无脑选择的高薪专业；为了上岸公务员一定要选中文和法学……
这，就是这些年来高考志愿推荐系统的主要商业模式。
让考生获得的数据更具针对性
使用就业数据计算各专业的就业情况，这样的尝试我们已经做过很多年。
用劳动力需求数据，计算了对每一个专业有需求的岗位在 2023 年和 2024 年的变化。
但是，正如我们前面所说的那样，不同专业的市场需求、平均工资数据，对于考生的信息增益并不充分。
计算机专业，大家都说工资高，有人一毕业就有两万三万，到了大厂还能有四万五万。
但对于有意计算机的考生来说，这大几万的工资，真的能轮到他吗？
考生甲录取在 A 校 985 计算机，考生乙录取在 B 校二本计算机，面对的就业市场是一样的吗？
归根到底，让考生根据整个专业的各类平均数来选择专业，就像根据人均 GDP 来选择去哪个城市生活一样，不能说完全没道理，但是道理比较有限，对个人的指导作用更加要打一个折扣。
有没有一种方法可以算出每一个城市，每一个学校，每一个专业的学生的工资呢？
有的。
CCSS 数据——中国大学生学习与发展追踪研究调查，包括了 37172 名大学生的来源省份、高考科类、高考成绩、大学院校与专业，以及其就业第一份工作的工资情况。
使用这项数据，我们研究了一个问题：
对于同样一个专业来说，不同高考成绩的学生和他们毕业后的工资有什么区别？
我们按照生源地和科类进行分组，对每一个考生计算高考成绩的百分位和工资百分位。
比如你所在省这个科类的有 10 万名考生，你处在 23456 名，那么你的成绩百分位就是 23.456% 。
这 10 万名考生分赴全国各地，最后毕业后有 5 万名选择工作并拿到工资，你在这些人当中处在 12345 名，那么你的工资百分位就是 12345 ÷ 50000 = 24.69%。
对于所有毕业后拿到工资的考生考生，我们抽取其中所有成绩百分位大于等于 23% 且小于 24% 的考生，计算这些考生毕业后的工资百分位的平均值，就算出了 23% 百分位考生对应的工资平均百分位。
这样我们对每一个成绩百分位的学生，都可以得到一个平均的工资百分位。将他们画成散点图，如下图所示：
上图可以看到，高考成绩百分位在 23% 的考生，其毕业后所处工资在这些考生中位育 40.24% 的水平。
最为关键的是，成绩百分位，和毕业后的工资百分位，是高度线性相关的，成绩每高一个百分位，平均工资肯定也会高一些——虽然可能不会高出 1 个百分位。
这里就有一个挺有趣的现象。去向 985 的同学，差不多占比所有高考考生的 2% ，但是这批同学当然不会人人都拿到前 2% 的平均工资。如果计算他们的平均值，将这个平均值放在所有人里计算，会比 63% 左右的同学高，在 37% 左右的水平。
最低百分位成绩的学生，也并不是人人都会拿到所有应届生中最低的工资，这些考生的平均工资处在 63% 左右水平，比 37% 的同学高。
这种现象很好理解。对于那些高考成绩最高的 1% 学生来说，他们当然有很多人能拿到前 1% 的工资，但还有拿前 10% 的工资的，还有 30% 的，还有比中位数工资更低的。这些学生的工资全部放在一起求平均，其百分位，就只有 37% 左右了。
高考成绩越高，平均来说的工资一定越高，但并不是成绩排名前进 1% 工资排名也会前进1%，而是大概只有 0.26% 左右的转化率。
这个转化率在不同的专业也有很大差异，下面三张图列出了文史哲、经管和理工的成绩百分位与工资百分位散点图。
可以看到，三类学科的成绩百分位-工资百分位都是相关的。
但是理工类工资-成绩相关性，要大于经管，又要大于文史哲，呈现在以上图表中，就是成绩百分位到工资百分位的斜率更陡。
对于理工科学生来说，高考成绩每增加一分，毕业后的工资的增加幅度要比经管学生大一些，要比文史哲学生要大得多。
但是对于经管来说，在最高的几个百分位中，工资又会有非常大的提升，体现了极强的「头部效应」。
通过这个计算，我们就得到了一个完整的映射表——
在某省、某科类，高考处在 x% 百分位的学生，最后能拿到的工资平均水平大概是 y% 百分位。
使用每一个学校，每一个专业的招生学生，我们就能算出每一所学校，每一个专业在所在城市的百分位。
比如对于北京来说，清华北大的经济学大类学生，在北京的经济学大类本科毕业生中处在 1% 的水平。
对外经济贸易大学的经济学大类学生，处在 31% 左右的水平。
北京林业大学经济学专业毕业生，就处在 52% 左右的水平。
北京物资学院，就在 93% 左右的水平了。
这样，我们就算出了每一个大学，每一个专业的毕业生在当地的成绩百分位，通过 CCSS 数据算出的各专业映射表，就能得到他们在毕业后会处在工资的哪一个百分位。
