大資料”是一個熱議話題，從許多成功的例子當中，我們似乎可以肯定大資料的力量。然而，如果想在大資料時代獲得成功，需要新處理模式才能具有更強的決策力、洞察發現力和流程最佳化能力的海量、高增長率和多樣化的資訊資產。那麼，是不是有了這些能力，就能透過大資料獲得成功？其實不然，因為大資料也許並不是我們看到的那麼神奇。

不要過分迷信大資料

　　看了上面的分析，或許你會認為大資料分析真是無所不能。但是，我們不能過分迷信大資料，於是接下來的問題就產生了。

　　1、大資料分析和傳統統計學方法有什麼樣的關係？

　　大資料所遵從的是：以大量資料，甚至所有資料為基礎，然後用演算法去計算分析，從而更精準的找到各個因素之間的相關關係，以發現數據之間的規律。

　　那我們看看傳統的統計學方法，統計分析學解決的就是如何透過選取少量的樣本，透過對樣本的分析，然後推斷整體的趨勢和規律。所以，用的是機率。一般會規定在90%、95%或98%的置信度（精確度）下最大程度推斷總體。如果目的明確，樣本選取得當，操作科學，那麼不需要大量資料就能分析出規律，從而推斷出總體的規律，並且可以發現不同因素之間的因果關係。

　　所以，從這個角度來說，大資料分析最終得到的結果很可能跟傳統統計學方法分析的結果類似，只不過把原來的小樣本變成了大樣本分析。雖然大資料分析理論上是更精準，也可以彌補傳統誤差的缺陷，但準確度未必像我們想象的那樣提高非常多，也不一定能發現更多新規律。

1、如果是這樣的話，我們不禁要問，要怎樣使大資料變得更神奇？

　　在傳統的統計學分析當中，我們要結合實際的環境和背景來解讀資料和分析資料，我們並不把資料當成唯一的和萬能的指引，比如在對市場情況分析進行分析時，我們就是如此。所以，這裡面就存在人根據經驗和實際情況進行資料分析的過程，而人參與分析的能力是很重要的。

　　 2、什麼樣的事情是大資料做不到的，而傳統的調查分析方法卻可以做到？

　　大資料營銷的前提是大資料分析，而大資料分析是基於演算法的，是計算機固化的模式。也就是說，原來由人對資料分析的那部分工作，現在我們把它約定到演算法裡了。並且，大資料精準營銷是對使用者產生的網路瀏覽資料、分享資料、搜尋資料等等行為資訊進行分析，從而對人群或事物進行分類，並由此推測人的偏好、興趣等。

自然不是，計算器的確“聰明”但它不是萬能的，它可以對行為分類，但卻不能真正探測到人的心理和真實需求。

那麼，對於人的真實心理和需求的探測，我們如何做到？

這時候，傳統的市場調查和分析方法是不可取代的。比如，深度訪談法，比如焦點小組訪談法，投射法等等。這些方法都可以在最大程度上，從心理學的角度去分析和發現，人真正的慾望和本質需求。所以，今天很多大的廣告公司、營銷公司，他們仍然採用這樣傳統的方法去了解表面資料背後的故事和原因。而這些故事和原因，是演算法目前沒辦法做到的，必須由人來完成。人和人的交流才能探測人的內心。

　　從這個角度來說，大資料並不是萬能的，也不能被一味神話，我們必須清晰的認識到它的實質，它能用來幹什麼，不能用來幹什麼。我們可以這樣理解：人對資料的計算和分析工作如今可能會被機器替代，但是，人的另一部分工作（探測人內心的能力）沒辦法被演算法替代。

　　大資料分析或大資料營銷面臨的真正挑戰是什麼？

　　1、資料冗餘問題，有沒有必要用這麼多資料？　資料來源問題，資料質量有無保障，是否是真正所需？

　　大資料分析一直被人稱頌的優點就是：海量資料的運用。但是，資料是不是越多越好？如何篩選這些資料？如何找到有價值和有用的資料？資料的龐大和冗餘會對大資料分析造成什麼樣的影響？

　　對於大資料而言，巨量的資料來源是分析準確性的根本保證。但是，資料量大到一定程度後也面臨著很大問題：想要保證準確度就變的困難了。這樣就難以保障分析結果的準確性了。大資料分析和預測失敗的例子也有很多。比如，最典型和著名的一個便是谷歌預測流感趨勢失敗的案例。

　　報道稱，谷歌是基於搜尋引擎資料進行的分析，其分析結果與美國疾病防控中心的監測資料相差近兩倍。儘管谷歌不斷調整演算法，但仍不能保證結果的準確性。這就說明一個重要問題：資料來源問題。谷歌是基於搜尋引擎上的搜尋詞來分析的，許多搜尋詞都是無效的，沒有任何意義的，所以它們不能真的代表流感趨勢，但它們同樣被計算在內。這就造成了結果的嚴重偏差。

　　所以，你弄到的這些資料，如何保障它們的確是你所需的？的確是重要的？如果資料來源出現了嚴重偏差，那麼你的分析再精準，那麼也是徒勞。比如，你花費了大量精力去搜集網際網路使用者產生的日常分享資訊，你對他們的所有資訊都進行分析，結果預測出幾種消費趨勢。但是，這些分享資訊中有大量冗餘資訊，資料精準度很差，許多都是跟消費沒有關係的，那麼這種分析結果很可能就是不準確的。你按照這種結果進行下一步營銷戰略當然可能是失敗的。

　　 2、大佬平臺的遊戲，普通企業難掌握大量資料；難檢驗可信性

　　各大網際網路公司平臺掌握著使用者資源，使用者產生的資訊當然也被聚集在各平臺內。但是，各家公司或平臺的資料並不會完全向公眾開放。我們只能透過某些工具抓取到網路上散落的資訊，但不能準確掌握完整的有實際價值和意義的後臺資料和資訊。

　　而這些海量資訊，對於像谷歌這樣的大網際網路公司來說，就是寶藏。大資料或許只是這些大佬平臺的遊戲，普通企業比較難參與進來。

　　並且，這些平臺之間並不互通和開放，他們分析出來的資料結果得不到第三方的驗證和檢驗，我們就無法知道他們大資料分析結果的有效性和可信性。當然，他們將這些資料分析使用者自身產品開發和自身發展上還是很有價值的。所以，普通人或普通企業對於大資料的渴望或許是奢望。將來網際網路大平臺公司或許會售賣大資料分析的服務，這很有可能。並且，未來，個人資料管理領域的創新和創業將會增加，應用也會增多。

　　另外，目前大資料分析的演算法還沒有標準，也沒有公認和統一有效的工具。

　　所以，從以上這些方面看，大資料分析和大資料營銷還有很長的路要走。我們需要正確、理性地看待大資料。

作為網際網路金融的一種模式，P2P行業如何發展一直是輿論的焦點。其中最被大家推崇的一種觀點是P2P的發展必須結合大資料，無論監管、媒體、還是我們從業者，都達成了共識，許多公司為之努力並且做了嘗試。但事實上，P2P不能迷信大資料，大資料並不是萬能的，與其執著於用大資料做風控，不如用來做營銷。

大資料對商人，管理者有幫助，對個人用處一般，而且個人主要體現在，如果你希望有人對你關注的多，比如病患，其他我看基本就是干涉隱私了。現在人們驚訝的是他資料採集的過程。如果真的利用這些資料做出點什麼的時候，這能呵呵了，人要活著隨機性越來越小，那還有什麼意思。