其次,大數據涉及的維度比較多,多數情況只能研究和解決相關性問題,而不是因果性問題。例如在大數據應用的較廣的個性化推薦、互聯網廣告領域,業界經常會利用機器學習演算法構建各種「黑盒」模型,目標是為消費者推薦他可能購買的商品,或者展示給消費者他可能感興趣的廣告,但很少有模型能揭示出其內在的機制和原理。
而小數據研究就能精確衡量某些因素對消費者行為的影響,無論是學界還是業界,都可以通過實驗室、問卷、A/B組等研究方法解釋消費者的偏好和選擇,小數據的研究和應用更具備可解釋性。
這個問題需要因行業而定,因企業而定,具體問題具體分析。我們看到有些行業在大數據應用上走得很快,例如金融行業利用大數據解決徵信問題、輔助反欺詐業務;廣告行業利用大數據做精準廣告投放、消費者觸達;零售快消行業利用大數據做用戶畫像、標籤體系等。而另一些行業則發展得慢一些,如建材、環保等行業。
另一方面,一般來說規模大、數據多的企業在大數據使用方面比較得心應手,而規模小、數據少的企業在這方面的投入要少一些。很多企業在看到大數據給其他企業、行業帶來很高的價值時,都會急於想要引入這一流行的技術方案,而沒有做充分的研究和論證。