在做用户研究时，大数据+小数据=？

在大数据时代，大数据能够描绘出所有用户的清晰轮廓，但是小数据依然有着自己的优势。那么，在调研时能将两者结合起来，会产生怎样的效果呢？

在崇尚大数据的时代，调研所代表的小数据研究似乎正被逐渐替代，曾经拿着用户调研报告以为洞悉了一切的人们，慢慢认识到用户所答并非所想，而少数用户的声音也很容易引出错误的方向。

幸好有了大数据，让我们的视野更宽广，我们构想着一切可能，希望能用大数据描绘出所有用户的清晰轮廓，那么事实又是怎样？传统调研真的一无是处了么？如果能将大数据和调研结合起来，又能碰撞出怎样的火花？

千人千面、个性化推荐、用户行为偏好、用户生命周期跟踪、购物预测、精准广告，暂且不提大数据在其他领域的应用，仅仅就用户的研究而言，大数据可谓所向披靡，只要用户在平台上有足够多的动作，就会产生足够多的数据，这些数据碎片通过各种拼凑组合，就能描绘出用户各个维度的画像，从而能够支持到更多的应用。

以个性化推荐为例，早期的豆瓣基于协同过滤的算法，通过用户看过的电影数据，为其推荐相似的电影（商品协同过滤），或者基于用户多维度特征的相似性，为其推荐相似用户看过的其他电影（用户协同过滤）。

随着机器学习技术的成熟，数据处理能力的发展，推荐系统也在不断迭代，比如像今日头条，可以基于内容的切词、内容标签、图片及视频流编码、用户实时浏览行为等成千上万种数据项作为特征，以庞大的用户数据作为训练样本，建立超大规模的模型，从而实现更精准的推荐。

大数据的量级越来越大，似乎藏着挖不尽的宝藏，只要数据维度足够丰富，数据处理能力够强，机器学习的技术足够完善，未来大数据的应用就会更加广泛和成熟。

尤瓦尔·赫拉利在《今日简史》中预测：2050年我们将迎来数据霸权的时代，无论是医疗领域、娱乐行业还是汽车领域，到处都是人工智能的身影，算法可以预测一切，算法可以自己迭代，算法可以替代我们进行决策。

尤瓦尔·赫拉利的预测并非没有道理，人工智能在逐渐黑盒化，机器在自主学习，我们却不知道它做出决策的原因，因此当机器把一个结果摊在你面前时，你是否会本能地怀疑。

于是，我们开始纠结另一个概念，叫“可解释性”，无论是基于大数据统计，还是基于机器学习算法，我们得到的都是一个结果，就算用户行为路径，也只是用户的行为结果，通过大数据似乎无法解释用户的心理决策过程。

大数据仿佛是一个高维度的生物，机器学习是人类尝试运用其超能力的手段，站在大数据的视角来看，能解决你们的问题不就可以了。为什么还需要我来解释，就算把我的能力投射到低维空间，你们也仍然无法理解，而人们内心世界，恕我无能为力，我暂时也不能理解。

大数据擅长的是理性分析，而人类的决策过程中往往掺杂着直觉与感性，所以当涉及到用户深层的感知与动机时，大数据便显得有些捉襟见肘。目前，大数据的应对方法是通过贴标签将用户进行标识，但仅有行为标签还远远不够，如何提取出感性标签是一直困扰着大数据的难题。

说起调研失败的案例，最有名的要数可口可乐当年的口味测试。

20世纪70年代，受百事可乐的冲击，一直位于霸主地位的可口可乐感到了极大的威胁，于是在十多个城市展开了消费者调研，调研的目的主要是了解消费者对于口味的感知，比如“如果可口可乐口味更甜一些，你是否会喜欢”，“如果可口可乐有新口味，你是否会尝试”等等。

调研的结果一致证明，消费者愿意尝试更柔和，味道更甜的可口可乐，于是，决策层果断进行了口味更改，推出了全新的可口可乐。新口味上市前，可口可乐还进行了一轮盲测，盲测结果同样显示，消费者更喜欢新口味的可口可乐。

这一调研结果提升了决策层的信心，新口味可口可乐全面上市，广告铺天盖地而来。然而，结果却大失所望，消费者在尝试完新口味之后，不但没有继续购买，反而愤怒地向可口可乐公司寄来投诉信，声称“放弃原配方是放弃了美国精神”。

最后，可口可乐公司不得不再次恢复沿用了100年的传统配方，而这一次巨大的新品投入最终换来的却是一场乌龙。