你感觉不舒服，所以你去看你友善的家庭医生。他把你放进一个新的电子扫描仪里，对你全身的温度进行28万亿次测量。然后，他保存了所有这些测量数据，并使用先进的统计算法和超级计算机，宣布你的体温是华氏98.6度。我松了一口气!大数据拯救世界。
的潮流
随着大数据浪潮的兴起，咨询师、教授、会议组织者、作家、杂志、博客、软件公司、权威人士、骗子、私募股权公司和计算机硬件制造商都争相加入。很少有一辆随车能吸引如此多的注意力或如此多的乘客。
大数据的基本前提如下:
- 数据越多越好。
- 数据的数量、种类和速度创造了潜在知识和预见性的新来源。
- 有了大数据，所有的问题都能得到解答:“为什么”最终会被揭示给人类，未来也能被准确预测。
大数据是对未来的准确描绘，还是仅仅是遥远沙漠高温下闪烁的海市蜃楼?它是通往终极真理的道路，还是只是夸张的承诺和虚幻的梦想的潮流?
事实上，市场营销和商业问题的解决方案——以及战略机会的识别——往往在于小数据领域，而不是大数据领域。你不需要煮沸海洋来确定它的盐含量。你不需要吃掉整只牛就知道它很硬。
数据的极限
商业数据的优势——实际上，世界上所有的数据都是历史数据，或“跟踪”数据，例如财务数据、销售数据、客户行为数据、天气数据和库存数据。几乎所有的数据都倾向于向后看，就像通过后视镜来引导汽车前进一样。
无论数据是多么当前或即时的(例如，速度)，或者无论数据的数量是多么庞大，向后看的偏见是一个无处不在的限制。我们可能会从这些数据中看到一些趋势，从而对近期的未来有所了解，我们也可能会发现是什么推动了一家公司过去的成功，但大多数历史数据在预测未来方面的价值有限。
你可以信任的数据
我们常常不假思索地认为所有数据都是平等的，但事实并非如此。企业界充斥着数据。它每天24小时从四面八方涌入，数据洪流继续恶化。
事实上，不断增长的数据洪流是问题的一部分。更多的数据往往意味着更多的困惑。哪些数据是正确的?哪些数据是可信的?
以下是对各种类型数据的可信度的看法，从最值得信任到最不值得信任排序。
1.实验数据
经过精心设计和精心控制的实验，由客观的第三方进行，这些第三方是此类实验的专家，得出最值得信赖的数据。采用前后控制和并行控制，以及复杂的统计分析，从信号中分离噪声。
2.调查研究数据
科学研究，由经验丰富的专业人士进行，他们是客观的第三方，产生可靠的数据。通常这些数据在本质上是实验性的。研究设计、规范数据、数学建模、刺激控制、统计控制、历史经验、质量保证标准等，往往会使数据非常精确。噪音往往是最小的。
3.营销组合建模数据
分析数据库的创建、数据的清理和规范化，以及使用多元统计和建模来隔离和中和一些噪声，这些都使营销组合建模数据比实际销售数据更好。
营销组合建模数据中的信号更稳定、更可靠、更可测量。这种类型的数据可以帮助公司了解哪些变量在推动他们的业务(是媒体广告，还是销售人员数量，还是价格差异?)，但通常需要多年的数据才能从营销组合模型中获得最大价值。
4.媒体组合建模数据
这与市场营销组合模型是相同的概念，只是应用于不同的变量集。同样的一般规则适用。通过分析数据库、数据清理、建模和统计，可以将数据中的噪声降至最低，从而隔离各种介质的影响。同样，如果与对照实验相结合，数据和分析就更能说明问题。
5.销售数据
销售数据很好，但对实际销售的衡量并不完美。但销售并不是衡量广告效果、最佳媒体支出、产品质量、服务生产率、竞争活动等的可靠和有效的指标。
销售数据到目前为止是可信的。经济、竞争活动、天气、通货膨胀、假期周期、新闻事件、政治事件、库存和分配的偏差、价格波动等都会产生错误的回声和扭曲的错觉。销售数据并不能很好地衡量因果关系。销售可以很好地衡量发生了什么，但不能衡量为什么会发生，或者是什么力量导致了它的发生。
6.眼球追踪数据
随着测量设备和软件的稳步改进，人眼指向的方向可以在高质量的设备控制的环境中精确地确定，误差小于1度。因此，您可以生成有用的诊断信息，以帮助理解为什么一个包、网站或广告无法引起注意或未能注册某些消息或图像。
7.生物计量或生理测量
皮肤电反应、瞳孔扩张、心率、脑电图(脑电波)测量、面部情绪识别等都是非常有趣和令人兴奋的，它们可能有一天会打开进入人类灵魂的门户，但目前这些测量在很大程度上是猜测和未经证实的。这些方法中有一些非常适合追踪唤醒，但是如果不引入调查或定性研究，就没有确切的方法知道唤醒是积极的还是消极的。
8.社区或咨询小组数据
许多大公司已经购买了一些系统，这些系统允许它们频繁地与一小群目标消费者进行交谈并反复调查。公司里不同的人每天或每周都会对这个群体进行调查。如果不考虑到结果的质量，每次调查或测量的成本相对较低。这样的社区不是真正具有代表性的，不是随机选择的，也很少得到验证。随着时间的推移，条件反射和学习的风险削弱了社区的代表性，假设它在一开始就存在。
9.社交媒体数据
社交媒体数据在美国企业界非常受欢迎。这些数据相对便宜，通常是大量的，而且是实时的(每天、每小时)。许多新的软件工具和系统使数据分析相对容易。
社交媒体数据作为一种早期预警系统，最有价值的可能是某些事情出现了问题、竞争活动或意外偏差。然而，社交媒体数据必须始终以怀疑和怀疑的态度看待，原因如下:
- 许多产品类别和品牌几乎从未在社交媒体上被提及，这使得样本规模太小，无法保证数据的可靠性。
- 社交媒体评论受到新闻周期、特殊事件、媒体广告、促销、宣传、电影、竞技活动、电视节目等因素的影响(即数据中存在大量噪声)。
- 社交媒体数据容易被操纵。你可能认为你在跟踪数据中的一个重要趋势，但后来才知道这是一个欺骗竞争对手的聪明伎俩。越来越多的企业和其他组织都在努力创建社交媒体内容和管理社交媒体评论，因此数据的研究价值正在迅速下降。
- 由于社交媒体评论是通过Web抓取来识别和收集的，我们几乎从不知道评论背后的确切来源、背景、刺激或历史。这些未知因素确实使解释变得有风险。这就是为什么社交媒体数据必须以战战兢兢的精神和偏见的眼光来看待。
小的数据
如果企业决策者依赖小数据世界中久经考验的工具和系统，而不是大数据的幻想，他们往往会得到更好的服务。抽样理论认为，如果样本是随机的，人们就可以通过与很少的人交谈来衡量整个群体的行为或情绪。
1500人的样本足以预测谁将赢得总统选举。一般来说，200-300名受访者的样本就足以预测整个人群对一种新产品或服务的喜爱程度。以200名用户为样本，在家中对一款新的花生酱进行为期一周的测试，可以准确判断该产品是否最佳，以及推出后的市场份额。
这些都是Little Data的例子。调查研究相对便宜，但非常准确，因为专业的研究人员知道来源、刺激、背景和历史，并有可靠的测量仪器、规范的数据、质量保证和控制。
营销研究可以设计为前瞻性和预测性，而不是向后看。有经验的研究人员可以创造不同的未来，并衡量不同未来愿景的相对吸引力。这些研究人员可以根据调查研究，在较窄的公差范围内预测新产品的销量。他们可以通过产品测试来优化新产品的配方。他们可以在新广告播出前很久就准确地预测其效果。他们可以以惊人的精度测量一个行业或类别的规模和组成，仅仅基于科学的抽样和调查。
所有这些研究都是基于Little Data。这些数据来源于随机抽样、精心控制的实验和/或科学调查。已知样本和采样误差;刺激是已知的;问题是已知的;理解上下文;答案的意义是众所周知的。
尽管市场宣传和大师级人物吹捧大数据，但“小数据”往往为企业的合理决策提供了更准确的依据。
