先來看一個例子，

世界上最大的線上影片租恁服務商Netflix，幾乎比所有人都清楚大家喜歡看什麼。

Netflix在美國有2700萬訂閱使用者，在全世界則有3300萬，它比誰都清楚大家喜歡看什麼樣的電影和電視。有研究表明每天的高峰時段網路下載量都是出自Netflix的流媒體服務，去年人們在網上看流媒體影片的時間比看實體DVD的時間還多。每天使用者在Netflix上產生3000萬多個行為，比如你暫停、回放或者快進時都會產生一個行為，Netflix的訂閱使用者每天還會給出400萬個評分，還會有300萬次搜尋請求，詢問劇集播放時間和裝置。

後來他們用本公司掌握的海量資料庫分析觀眾群體喜愛的電視劇元素，並據此投拍了《紙牌屋》，大獲成功。這就是大資料環境下精準營銷的經典案例。

在大資料環境下,企業可以發現過去不知道的 50%營 銷費用被浪費在哪裡,藉助先進的資料庫技術、網際網路技術、數學統計技術對使用者進行行為分析和目標定位,進行和使用者長期的個性化溝通,使營銷達到可度量、可調控等精準要求,使企業擺脫網路推廣、傳統廣告溝通的高成本 束縛,降低營銷成本,提高營銷效果 。

下面來說缺點，

由於各方都渴求使用者資料資源，而資料資源有相對集中，難以取得，因此使用者資料倒賣現象時有發生。有使用者資料方面專家稱,使用者資料一般都是批次售賣,包括網際網路公司內部人員偷著倒賣或駭客攻擊網站後到“黑市”上進行交易等。

這跟網路個人資訊保護機制不足也有關係。馬雲在第一屆網際網路大會上表示:“今天你以為你的 隱私沒人知道,其實人家都知道,只是人家想不想知道。” 網路使用者的安全保護要滯後於資訊科技的開發。如何對使用者資訊進行加密保護，提高個人網路資訊保安立法進度，成為大家關心的問題。

傳統的市場研究比如路邊調研這些看起來是落後了的，但實際上大資料在某些方面無法完成市場研究的工作，比如人的態度、情感獲取。大資料偏向的是觀察法，透過資料找到規律，但是呈現規律的原因可能光靠解讀大資料還不能解決，未來在AI、深度學習的加入會更好解決。

大資料無法真正解決預測性，比如一條廣告播出前很難預判使用者是否想看。就是因為沒有掌握使用者的標籤，即便有了標籤，也有可能猜測不到他的下一個需求點。