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。
这是培训第一个模块的最后一课我们要探讨的话题。
挑战一 Define
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
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？
以下是三个思考方向——
01
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。
极速洞察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。
扫码关注 了解更多
