大資料和小資料各有所長，而且剛好能形成能力上的互補。

1。 大資料讓小資料變大

大資料的優勢在於資料量大，可以提供大量的使用者樣本。基於研究目的，篩選出符合需求的使用者，實現精準的使用者定向。

有了大資料，再也不用擔心樣本量不夠，回覆率太低，最關鍵的是，成本可以得到有效的壓縮。

這是大資料與小資料結合的第一步，如果最終目的是要實現大小資料協同，那麼就有必要針對線上平臺的使用者進行調研，這樣能保證使用者線上大資料和調研小資料的一致性。

2。 大資料讓小資料變小

大資料的作用不僅限於找到使用者，其作用還在於初識使用者。

傳統調研在開始之前，都會先選定調研的城市，還有調研配額，比如：男女比例、使用者年齡比例等等，以保證研究的結果具有普適性，避免調研結果出現偏差。不過不管是城市還是配額，一般都是研究人員拍腦袋定的，比如男女各半，一線二線各5個城市。

因此我們可以先透過大資料瞭解一下平臺使用者的地域及年齡分佈，然後再分層抽樣進行調研。

除此以外，從前面可口可樂的教訓中，我們知道了調研在方向上可能存在的誤導性。那麼，大資料正好也能彌補這一點，在調研之前，可以先透過大資料對使用者進行初步的分析，瞭解使用者的行為偏好。

比如：可以透過使用者決策樹瞭解使用者在瀏覽或購買時最關注的產品屬性排序，如果使用者最關注可樂口味的話，我們再針對口味進行調研。所以，除了能讓小資料量級變大以外，大資料還可以讓小資料的研究範圍變小，瞄準正確的方向，聚焦於探尋大資料結果出現的原因。

3。 小資料讓大資料變小

調研的優勢在於更深入、更細緻，因此調研小資料可以讓大資料的研究顆粒度變得更小。

大資料對於使用者的研究可能僅限於部分資料維度，而且這些資料維度一般比較粗，譬如：使用者的性別、年齡、可能從事的職業、購買力、內容偏好等等，而調研所研究的範圍可以更小更細，更深入地輔助大資料瞭解使用者。

而且，小資料聚焦於使用者個體，我們可以透過深訪瞭解使用者的生活場景、特徵偏好，這有利於我們直觀地描繪出這個人的形象。

對於聽眾而言，加上使用者自身的描述能更加清晰直觀，且比數字更富有感染力，這也算是利用“可得性偏見”的一種報告演示技巧。此外，大資料中的使用者標籤多是透過演算法模型判斷得出的，不能保證100%的準確性，而調研所獲取的小資料基本都是真實的。因此，小資料還能對大資料的標籤進行反向驗證，使得標籤的誤差變得更小。

4。 小資料讓大資料變大

在上述三種情況下，大小資料都是各司其職，分步協作，先由大資料進行初步分析，再由小資料負責補充研究，似乎都沒有實現真正的“合體”。

那麼如何才能由小資料最終落回到大資料，形成閉環，實現真正的“合體”呢？

下面為大家提供一個思考方向：

市面上有很多負責品牌調研的公司，他們主要的工作就是研究品牌的價值、品牌形象和品牌健康度等等，那麼，透過調研獲取的使用者對於品牌形象的認知，是否可以應用到大資料中呢？

針對服飾而言，我們可以收集各個品牌的品牌形象詞，於是我們可以建立起一套品牌形象詞詞庫，之後我們對詞進行歸類編碼或是透過因子分析進行降維處理，從而得到了n個詞，比如：小資情調、成熟穩重、青春活力等等。

接著，我們再把這n個詞作為標籤打到各個品牌上，比如A品牌的標籤有四個，分別是：小資情調、成熟穩重、青春活力、簡約有設計感；B品牌可能有三個標籤，分別是青春活力、酷炫有型、色彩繽紛，各個品牌標籤都是並列關係，不分先後。

以此方法，每個品牌都有了自己的標籤，那麼透過使用者與各個品牌的互動行為，我們可以建立一套演算法將品牌標籤打到使用者身上。這樣，我們便可以知道使用者對於服飾的品牌風格偏好。

當用戶有了標籤之後，我們可以反過來再把使用者的標籤打到品牌身上，這樣一來，我們可以識別出各個品牌下，不同形象詞標籤的重要性，同時還可能會有新的形象詞標籤被打到品牌上。

此外，我們還可以透過對某個產品的使用者標籤進行計算，從而將使用者的標籤打到每一個產品上，實現標籤的細化。

大資料時代的到來，並不意味著小資料時代的結束，大資料與小資料是對立的，但終將也是統一的。

對於小資料而言，大資料帶來的是一場革命，是一次否定之否定的曲折式上升機會，唯有借其真氣，才能衝開任督。對於大資料而言，小資料提供的是內力的積澱，吸其精華，方能九天攬月。

END

調研工廠丨https：//survey。work