半个世纪前，麦卡锡、明斯基等一众科学家们提出了“人工智能”的理念；30 年前，约翰·盖奇首次提出了类似“云计算”的理念；10年前，“大数据”的概念应运而生；现在，由人工智能(AI)、大数据(Big Data)、云计算(Cloud Computing)组成的ABC已经成为了众口传唱的科技热点...
前端时间明星发微博吐槽携程杀熟，引发网友热论：同样的出发地点和目的地，新老用户的展现价格天差地别。
此前《科技日报》报道了一位网友的经历：这位网友经常通过某旅行服务网站订一个出差常住的酒店，价格长年在380元到400元左右，偶然一次他通过前台了解到该酒店淡季的价格实际在300元上下。他用朋友的账号查询后发现果然是300元，但用自己的账号去查，还是380元。
这些所谓大数据杀熟的案例第一次让我等平民近距离感受到大数据并不是束之高阁，它的实际存在能切实影响每个人的生活。
利用大数据来分析/洞察用户，以此实现利润最大化早已是互联网的常态。Google、Facebook、微博、微信、今日头条、百度的广告甚至内容业务都是建立在用户产生的数据之上。在这些科技大佬面前，每个人是无数标签的集合：你喜欢看什么、买什么、有多大的消费能力……
覆巢之下，焉有完卵。在互联网技术发展和迭代前所未有之快的今天，客户不缺数据，可能数据多得不知道怎么分析，数据→信息→结论/insight的需求不变，那么市场研究在大数据浪潮下会受到什么样的冲击，机遇与危机在何处
挑战一 Define 媒体/广告监测
关于媒体和广告监测的挑战之处在于在中国获取信息的渠道太多了，中国网络环境之复杂从下面的网络广告生态链图谱上管中窥豹，可见一斑。
从广告主到媒体，中间有媒体代理、创意代理、第三方广告监测、DMP数据管理平台、广告交易方平台、需方平台、供应方平台、移动广告联盟、市场研究公司……等机构扮演不同角色。作为研究员的我们也需要对其中涉及的一些概念熟稔于心，比如DSP/SSP/DMP是什么意思...
挑战二 Deploy 渠道检测
从生产者到消费者，国内电商之繁荣错杂也是绝无仅有：垂直性、综合性、跨境...各种电商也让数据源变得繁复。
当然大数据肯定不止列举的“广告 电商”这两类，如果让你将生活中充斥的各种数据进行分类，你会怎样分？
可以按照以下三种分类方法：
01
POE
POE
Paid：付费的数据源，比如广告、软文、PR...
Owned：自己拥有的数据，比如官网、公众号、店铺...
Earned：额外赚取的，比如舆情、消费者自发的病毒营销...
02
3S：搜索信息（不只是搜索引擎）、社交媒体、电商
03
按载体来看，由左往右的进阶恰也符合马斯洛需求理论。
综合以上考虑，数据挖掘这门科学是大数据、微时代下的新兴产物：它结合了数据仓库、统计学、数据可视化、机器化学习、数据可视化、云计算等学科知识…
大数据的价值不在于“大”，而在于可以看到微观信息。企业的数字营销创新必须建立在对大数据的解构（结构性/非结构性）与深度理解的基础上进行结构性存储、科学性分类、灵活性共享，通过对真实用户的“微”关系链和知识图谱进行标签化用户、智能化建模、机器化学习，帮助营销人员提供可视化分析、场景化应用，从而实现与用户 “无时无刻、无所不在”的互动。
回到市场研究行业本身，我们一直强调客户要insight这个需求不变，甚至延伸至预测性(predictive)和前瞻性(foresights)。因此我们必须与时并进，提升数据多元化和自动化能力，才能给企业提供更快更好的决策依据，完全依赖访问数据获取洞察的做法开始变得不足。
总结一下大数据影响下消费者洞察的新变化：
- 打通数据、打破信息孤岛，讲出一个完整的故事
- 加强（大数据和AI）技术支持
- 实时、自动化、可视化
- 加大对新的技术和调研平台的投入
- 灵活应用新的研究方法
说到这，其实从应对大数据和数字网络对行业冲击的角度讲，传统的研究公司在历史数据的承接和可比性上有其历史包袱，转型的成本较大、动力不足；反而是新型公司没有这种历史包袱，也更有探索前沿技术的兴致与能力。
PowerCX风铃系统认为态度性的研究和品牌形象、广告偏好、用户体验等偏感知的课题需要与事实/行为性的结果结合分析，才能真正产生可执行的洞察解决方案，这就是我们一直在追求的大小数据结合的智能洞察。
,
