三、 大数据 营销究竟会给企业和用户带来什么价值？
讨论完上面的问题之后，我们是否应该诚恳对待 大数据 精准营销这件事？那么 大数据 营销究竟对于企业和用户两方面来说，都有什么样的价值？
1、对于企业的价值
让我们先看一个国外案例：
我们都知道美剧《纸牌屋》，提到《纸牌屋》的成功，最大的功劳便是 大数据 分析。因此，《纸牌屋》几乎成了 大数据 营销的经典案例，也是美国Netflix公司基于用户信息挖掘来决定内容生产的成功尝试。
Netflix的订阅用户达到了3000万左右，而大多数用户的观影都与精准推荐系统有关。Netflix会定时收集并分析用户观看电影或电视剧的行为，比如根据用户对电影的评分、用户的分享行为、用户的观影记录等信息去分析用户的收看习惯，从而推断用户喜欢什么样的影视剧，喜欢什么样的风格，喜欢什么样的导演和演员。在此基础上利用 算法 对用户感兴趣的视频进行推荐排序，直到用户找到最喜欢的影视剧。《纸牌屋》的导演和主演就是Netflix挖掘用户信息后的预测出来的。
那我们再看一个国内案例：
我们都知道阿里巴巴和新浪微博合作的事情，阿里巴巴斥资5.86亿入股新浪微博。除了网络上各大媒体分析的，认为阿里巴巴希望打造生态圈、强化流量入口、挑战腾讯等等原因之外，还有一个重要原因或许就是 大数据 营销的战略。
如今各大 互联网 大佬都在跑马圈地，圈住用户，谁能圈住用户，让用户在其平台上活跃，谁就掌握了用户的大量信息（包括显在的前台信息和隐藏的后台信息）。新浪微博在中国有几亿用户，这个量十分庞大，但如果新浪不能把这些用户产生的信息合理的利用，那么这些资源就是巨大的浪费。我们再看阿里巴巴，中国最大电商平台，它有产品，但是却没有完整的用户日常生活行为信息，只有购买信息，但这些购买信息不足以了解人群特点和喜好。所以，只有跟新浪微博合作，掌握大量用户的行为信息，从而对其分类，找到不同人群甚至不同个体的喜好、偏好、兴趣、爱好、习惯、传播习惯、分享路径等等，那么就能实现精准营销，甚至还可以通过不同用户的信息传播规律，而制定产品的最佳品牌传播途径。这是一座巨大的金矿。
新浪微博和阿里巴巴合作后，微博上出现了一些产品推荐信息，同时新浪微博已经推出支付功能。可以想象：未来你在微博上看到相关推荐的产品，恰好是你喜欢的产品，那么你就可以直接在微博上实现支付和购买。从而新浪微博和阿里巴巴各取所需，共享收益。当然，这是我个人的观察和分析，不过阿里巴巴的 大数据 战略也很明显了。
2、对于用户的价值
上述两个例子说的都是 大数据 带给企业的价值，那么， 大数据 营销对于用户来说，到底有没有价值？用户是否十分反感精准营销？让我们再来看看一个新的调查数据：
中国传媒大学国家广告研究院刚刚发布一份《2014中美移动 互联网 发展报告》，这份调查报告对比了中美两国用户移动 互联网 的使用习惯，以及移动用户对于移动广告的态度。
调查显示，最可能得到智能终端用户回应的广告内容为：（1）与用户要购买物品相关的广告（2）与要购买物品相关的优惠券（3）搞笑的广告（4）与用户最喜爱品牌相关的广告（5）与用户在线上访问过网站或使用过的应用相关的广告（6）与最近线上购物相关的广告（7）与用户所在场所相关的广告（8）与最近收听、收看的广播/电视相关的广告。（占比>=20%）
从这些数据我们可以看出，在8个结果中，有6个都是跟 大数据 精准营销扯上关系的。比如，与用户要购买物品相关的广告，更能引起用户的回应或互动。如何理解？ 大数据 营销的前提就是计算并推测用户的真实需求，看用户需要购买什么相关产品，然后给用户直接推送用户想要的、喜欢的，做到了精准到达。那么用户呢？用户乐意对这样的推动广告或产品做出回应，因为这些广告少了对用户的打扰，并且让用户费劲心思对对比或货比三家后才购买的决策过程降低，节省了时间，让用户直接找到内心真正所需的产品或服务。
所以，这样的结果就表明， 大数据 精准营销并不是完全都会让用户反感，而是看你猜透用户心思的程度。因此，如果你推送的内容和用户想要购买的物品相关，与用户最喜爱的品牌相关等等。那么这种精准挖掘并不会受到用户的反感，反而会给用户带来便利。
四、不要过分迷信 大数据 ； 大数据 的实质究竟是什么？
看了上面的分析，或许你会认为 大数据 分析真是无所不能。但是，我们不能过分迷信 大数据 ，于是接下来的问题就产生了。
1、 大数据 分析和传统统计学方法有什么样的关系？
大数据 所遵从的是：以大量数据，甚至所有数据为基础，然后用 算法 去计算分析，从而更精准的找到各个因素之间的相关关系（不是因果关系），以发现数据之间的规律。
那我们看看传统的统计学方法，统计分析学解决的就是如何通过选取少量的样本，通过对样本的分析，然后推断整体的趋势和规律。所以，用的是概率。一般会规定在90%、95%或98%的置信度（精确度）下最大程度推断总体。如果目的明确，样本选取得当，操作科学，那么不需要大量数据就能分析出规律，从而推断出总体的规律，并且可以发现不同因素之间的因果关系。比如，抽样方法确定后，就可以确定样本数量，如果抽样得当，那么样本的数量跟总体的数量之间没有太多直接关系。
举个不恰当的例子以供理解：假设选取1000个样本，推断的规律是A，选取2000个样本，同样呈现出A规律，选取3000也差不多这样。那么，我们实际上科学选取1000多个样本就可以达到目的了。所以，传统的抽样和统计方法，在最大程度上解决了成本问题，虽然会有误差，但仍可以发现的显在规律。
所以，从这个角度来说， 大数据 分析最终得到的结果很可能跟传统统计学方法分析的结果类似，只不过把原来的小样本变成了大样本分析。虽然 大数据 分析理论上是更精准，也可以弥补传统误差的缺陷，但准确度未必像我们想象的那样提高非常多（因为 大数据 分析会严重受到数据源的影响）。另外，也不一定能发现更多新规律。如果是这样的话，我们不禁要问， 大数据 究竟是为什么而存在？
