從小場景、小需求到小數據。
從小場景、小需求到小數據。
近幾年，大數據一直是各大科技、商業演講者中的寵兒，但是從去年年底羅振宇的跨年演講，到上週結束的吳聲“新物種爆炸”商業方法大會中，都不約而同的提到了一個名詞：小趨勢。而支撐這些小趨勢的，是那些代表個體的小數據。
小數據是什麼？在人人都在高歌大數據時代能做到“千人千面”的背景下，小數據能為商業做些什麼？
大海中的一粒沙
小數據，最早指的是圍繞個體的個性化行為或喜好數據：你聽的音樂、看的電影、喜歡的顏色、去了哪些地方，在某個櫃檯前停留的程度……可以說你的一舉一動、全部都會被收集和利用分析，最終形成一個富有你個人色彩的數據系統。
如果把它同“大數據”放在一起講的話，簡單來說，小數據之於大數據就相當於在海量問卷調查中的抽樣調查。國務院發展研究中心研究員李廣乾在今年年初名為《小數據的大價值》的演講中，給小數據下的定義是：描述並管理大數據的數據屬性的數據。
千人千面的最後一環
將二者放在一起比較的話，大數據重群體，小數據重個體；大數據重趨勢，小數據重決策；大數據重數據的相關性，小數據重數據的因果性。
舉個例子，現在產品的背後，都會有推薦或是“猜你喜歡”的功能，它之所以能摸出你的大致喜好，離不開標籤推薦機制和用戶過濾機制。
從小場景、小需求到小數據。
近幾年，大數據一直是各大科技、商業演講者中的寵兒，但是從去年年底羅振宇的跨年演講，到上週結束的吳聲“新物種爆炸”商業方法大會中，都不約而同的提到了一個名詞：小趨勢。而支撐這些小趨勢的，是那些代表個體的小數據。
小數據是什麼？在人人都在高歌大數據時代能做到“千人千面”的背景下，小數據能為商業做些什麼？
大海中的一粒沙
小數據，最早指的是圍繞個體的個性化行為或喜好數據：你聽的音樂、看的電影、喜歡的顏色、去了哪些地方，在某個櫃檯前停留的程度……可以說你的一舉一動、全部都會被收集和利用分析，最終形成一個富有你個人色彩的數據系統。
如果把它同“大數據”放在一起講的話，簡單來說，小數據之於大數據就相當於在海量問卷調查中的抽樣調查。國務院發展研究中心研究員李廣乾在今年年初名為《小數據的大價值》的演講中，給小數據下的定義是：描述並管理大數據的數據屬性的數據。
千人千面的最後一環
將二者放在一起比較的話，大數據重群體，小數據重個體；大數據重趨勢，小數據重決策；大數據重數據的相關性，小數據重數據的因果性。
舉個例子，現在產品的背後，都會有推薦或是“猜你喜歡”的功能，它之所以能摸出你的大致喜好，離不開標籤推薦機制和用戶過濾機制。
圖片來自網易雲音樂用戶界面
用戶過濾機制是指產品在初期的大量用戶積累中，通過對已有的大數據分析對不同用戶進行劃分，通過你對產品的使用行為，來評測你和其他用戶的相似度，並作出推薦。一句話說明就是：和你相似的人，還喜歡以下內容。
標籤機制就更簡單了，產品經理會對產品分類並打上標籤：遊戲、美妝、二次元、軍事……等等，一個內容可能會涵蓋三到四個標籤，當用戶點擊內容後，用戶行為也會被打上標籤，後臺會通過標籤將二者進行關聯。
但是用戶在做出選擇的時候，除了依賴於平時的喜好，還會被意料之外的因素影響。小數據的存在，就是捕捉並分析這些“意料之外”。
“不得已而為之？”
除了幫助完成千人千面的最後一環，擁抱小數據，也是年輕數字商業在面對大環境下必然要做的選擇之一。
當5G真正實現商用化落地的那一天，數字企業必然會迎來一個數據量級成倍增長的時代。對於他們來說，攝像頭、智能音箱、車載智能助手為代表的一系列智能終端系統目前已經成為了繼手機之後新的流量爭奪入口。
從小場景、小需求到小數據。
近幾年，大數據一直是各大科技、商業演講者中的寵兒，但是從去年年底羅振宇的跨年演講，到上週結束的吳聲“新物種爆炸”商業方法大會中，都不約而同的提到了一個名詞：小趨勢。而支撐這些小趨勢的，是那些代表個體的小數據。
小數據是什麼？在人人都在高歌大數據時代能做到“千人千面”的背景下，小數據能為商業做些什麼？
大海中的一粒沙
小數據，最早指的是圍繞個體的個性化行為或喜好數據：你聽的音樂、看的電影、喜歡的顏色、去了哪些地方，在某個櫃檯前停留的程度……可以說你的一舉一動、全部都會被收集和利用分析，最終形成一個富有你個人色彩的數據系統。
如果把它同“大數據”放在一起講的話，簡單來說，小數據之於大數據就相當於在海量問卷調查中的抽樣調查。國務院發展研究中心研究員李廣乾在今年年初名為《小數據的大價值》的演講中，給小數據下的定義是：描述並管理大數據的數據屬性的數據。
千人千面的最後一環
將二者放在一起比較的話，大數據重群體，小數據重個體；大數據重趨勢，小數據重決策；大數據重數據的相關性，小數據重數據的因果性。
舉個例子，現在產品的背後，都會有推薦或是“猜你喜歡”的功能，它之所以能摸出你的大致喜好，離不開標籤推薦機制和用戶過濾機制。
圖片來自網易雲音樂用戶界面
用戶過濾機制是指產品在初期的大量用戶積累中，通過對已有的大數據分析對不同用戶進行劃分，通過你對產品的使用行為，來評測你和其他用戶的相似度，並作出推薦。一句話說明就是：和你相似的人，還喜歡以下內容。
標籤機制就更簡單了，產品經理會對產品分類並打上標籤：遊戲、美妝、二次元、軍事……等等，一個內容可能會涵蓋三到四個標籤，當用戶點擊內容後，用戶行為也會被打上標籤，後臺會通過標籤將二者進行關聯。
但是用戶在做出選擇的時候，除了依賴於平時的喜好，還會被意料之外的因素影響。小數據的存在，就是捕捉並分析這些“意料之外”。
“不得已而為之？”
除了幫助完成千人千面的最後一環，擁抱小數據，也是年輕數字商業在面對大環境下必然要做的選擇之一。
當5G真正實現商用化落地的那一天，數字企業必然會迎來一個數據量級成倍增長的時代。對於他們來說，攝像頭、智能音箱、車載智能助手為代表的一系列智能終端系統目前已經成為了繼手機之後新的流量爭奪入口。
圖為拜騰量產車型BYTON M-Byte的內置大屏
同時，摩爾定律的失效，使行業內移動端智能設備的算力水平不分伯仲。想要提高智能終端對數據的處理能力，只能從計算力和數據體量入手。在計算力上，市場提出了能將算力下沉到邊緣數據中心的邊緣計算解決方案。這麼看來，小數據的概念如今又被提及，也是意料之中的事情。
此外，大公司對用戶數據的壟斷和企業之間數據的割裂狀態，以及政府及相關部門對用戶數據信息的保護和用戶日益增長的數據權益意識，都讓數據的獲取難度大大增加。對於中小數字企業來說，必然將會面臨在如何在沒有大量人力標註，和缺少大量數據訓練算法的限制條件下，利用小數據去餵養智能系統生成學習模型、挖掘用戶小需求的雙重挑戰。
這樣看來，數字商業擁抱小數據，頗有些“不得已而為之”的味道，但是在其他領域，小數據卻成了企業主動擁抱的對象。
可解釋的AI
隨著AI在我們生活中比重的不斷增加，我們希望AI能做的更多：算法迭代、自主學習，甚至幫助我們做決策。
理想看起來很美好，但是當AI真的通過大數據技術及機器學習算法等技術給出解決方案的時，我們又會陷入到對決策的懷疑中去：我提了問題，AI給我了答案，但它並沒有告訴我推理的過程、為什麼會做出這樣的選擇。這種不可解釋的狀態被稱為“黑箱”。
從小場景、小需求到小數據。
近幾年，大數據一直是各大科技、商業演講者中的寵兒，但是從去年年底羅振宇的跨年演講，到上週結束的吳聲“新物種爆炸”商業方法大會中，都不約而同的提到了一個名詞：小趨勢。而支撐這些小趨勢的，是那些代表個體的小數據。
小數據是什麼？在人人都在高歌大數據時代能做到“千人千面”的背景下，小數據能為商業做些什麼？
大海中的一粒沙
小數據，最早指的是圍繞個體的個性化行為或喜好數據：你聽的音樂、看的電影、喜歡的顏色、去了哪些地方，在某個櫃檯前停留的程度……可以說你的一舉一動、全部都會被收集和利用分析，最終形成一個富有你個人色彩的數據系統。
如果把它同“大數據”放在一起講的話，簡單來說，小數據之於大數據就相當於在海量問卷調查中的抽樣調查。國務院發展研究中心研究員李廣乾在今年年初名為《小數據的大價值》的演講中，給小數據下的定義是：描述並管理大數據的數據屬性的數據。
千人千面的最後一環
將二者放在一起比較的話，大數據重群體，小數據重個體；大數據重趨勢，小數據重決策；大數據重數據的相關性，小數據重數據的因果性。
舉個例子，現在產品的背後，都會有推薦或是“猜你喜歡”的功能，它之所以能摸出你的大致喜好，離不開標籤推薦機制和用戶過濾機制。
圖片來自網易雲音樂用戶界面
用戶過濾機制是指產品在初期的大量用戶積累中，通過對已有的大數據分析對不同用戶進行劃分，通過你對產品的使用行為，來評測你和其他用戶的相似度，並作出推薦。一句話說明就是：和你相似的人，還喜歡以下內容。
標籤機制就更簡單了，產品經理會對產品分類並打上標籤：遊戲、美妝、二次元、軍事……等等，一個內容可能會涵蓋三到四個標籤，當用戶點擊內容後，用戶行為也會被打上標籤，後臺會通過標籤將二者進行關聯。
但是用戶在做出選擇的時候，除了依賴於平時的喜好，還會被意料之外的因素影響。小數據的存在，就是捕捉並分析這些“意料之外”。
“不得已而為之？”
除了幫助完成千人千面的最後一環，擁抱小數據，也是年輕數字商業在面對大環境下必然要做的選擇之一。
當5G真正實現商用化落地的那一天，數字企業必然會迎來一個數據量級成倍增長的時代。對於他們來說，攝像頭、智能音箱、車載智能助手為代表的一系列智能終端系統目前已經成為了繼手機之後新的流量爭奪入口。
圖為拜騰量產車型BYTON M-Byte的內置大屏
同時，摩爾定律的失效，使行業內移動端智能設備的算力水平不分伯仲。想要提高智能終端對數據的處理能力，只能從計算力和數據體量入手。在計算力上，市場提出了能將算力下沉到邊緣數據中心的邊緣計算解決方案。這麼看來，小數據的概念如今又被提及，也是意料之中的事情。
此外，大公司對用戶數據的壟斷和企業之間數據的割裂狀態，以及政府及相關部門對用戶數據信息的保護和用戶日益增長的數據權益意識，都讓數據的獲取難度大大增加。對於中小數字企業來說，必然將會面臨在如何在沒有大量人力標註，和缺少大量數據訓練算法的限制條件下，利用小數據去餵養智能系統生成學習模型、挖掘用戶小需求的雙重挑戰。
這樣看來，數字商業擁抱小數據，頗有些“不得已而為之”的味道，但是在其他領域，小數據卻成了企業主動擁抱的對象。
可解釋的AI
隨著AI在我們生活中比重的不斷增加，我們希望AI能做的更多：算法迭代、自主學習，甚至幫助我們做決策。
理想看起來很美好，但是當AI真的通過大數據技術及機器學習算法等技術給出解決方案的時，我們又會陷入到對決策的懷疑中去：我提了問題，AI給我了答案，但它並沒有告訴我推理的過程、為什麼會做出這樣的選擇。這種不可解釋的狀態被稱為“黑箱”。
我們在上文提到，AI藉助的大數據技術，主要是分析數據之間的相關性，但是我們要求AI的行為可解釋，就一定要明白在決策過程中數據之間的因果關係。只憑借大數據技術來解釋AI推理過程，就是以相關性去證明因果關係，是很難辦到的。但是對於更貼近個體的小數據來說，可以幫助算法提取感性標籤，瞭解大數據的分析過程，幫助解釋AI的行為。
個性化品牌需求
和上面幾個領域不同的是，在品牌營銷領域，小數據的價值一直備受重視。在大數據技術出現之前，品牌營銷就會通過問卷調查來了解行業內對品牌的喜好趨勢，並通過抽樣調查來挖掘隱藏的個性化用戶需求，藉此改變營銷策略。同時，通過對一小部分客戶數據進行分析，營銷公司可以建立一個精準的BI體系，打造個性化服務。
大數據+小數據
從小場景到小數據，數字化企業對需求的挖掘越來越細，但並不代表大數據時代的終結。
對於數字企業，尤其是新型的數字企業來說，在產品搭建初期，仍然需要藉助大數據來了解行業趨勢和人們對同類型產品的整體看法，在獲取了這些信息之後，企業可採取用小數據驗證的方法，來不斷優化自身產品及服務。這種大數據+小數據的解決方案，才可能是未來數字商業進化的關鍵。
從小場景、小需求到小數據。
近幾年，大數據一直是各大科技、商業演講者中的寵兒，但是從去年年底羅振宇的跨年演講，到上週結束的吳聲“新物種爆炸”商業方法大會中，都不約而同的提到了一個名詞：小趨勢。而支撐這些小趨勢的，是那些代表個體的小數據。
小數據是什麼？在人人都在高歌大數據時代能做到“千人千面”的背景下，小數據能為商業做些什麼？
大海中的一粒沙
小數據，最早指的是圍繞個體的個性化行為或喜好數據：你聽的音樂、看的電影、喜歡的顏色、去了哪些地方，在某個櫃檯前停留的程度……可以說你的一舉一動、全部都會被收集和利用分析，最終形成一個富有你個人色彩的數據系統。
如果把它同“大數據”放在一起講的話，簡單來說，小數據之於大數據就相當於在海量問卷調查中的抽樣調查。國務院發展研究中心研究員李廣乾在今年年初名為《小數據的大價值》的演講中，給小數據下的定義是：描述並管理大數據的數據屬性的數據。
千人千面的最後一環
將二者放在一起比較的話，大數據重群體，小數據重個體；大數據重趨勢，小數據重決策；大數據重數據的相關性，小數據重數據的因果性。
舉個例子，現在產品的背後，都會有推薦或是“猜你喜歡”的功能，它之所以能摸出你的大致喜好，離不開標籤推薦機制和用戶過濾機制。
圖片來自網易雲音樂用戶界面
用戶過濾機制是指產品在初期的大量用戶積累中，通過對已有的大數據分析對不同用戶進行劃分，通過你對產品的使用行為，來評測你和其他用戶的相似度，並作出推薦。一句話說明就是：和你相似的人，還喜歡以下內容。
標籤機制就更簡單了，產品經理會對產品分類並打上標籤：遊戲、美妝、二次元、軍事……等等，一個內容可能會涵蓋三到四個標籤，當用戶點擊內容後，用戶行為也會被打上標籤，後臺會通過標籤將二者進行關聯。
但是用戶在做出選擇的時候，除了依賴於平時的喜好，還會被意料之外的因素影響。小數據的存在，就是捕捉並分析這些“意料之外”。
“不得已而為之？”
除了幫助完成千人千面的最後一環，擁抱小數據，也是年輕數字商業在面對大環境下必然要做的選擇之一。
當5G真正實現商用化落地的那一天，數字企業必然會迎來一個數據量級成倍增長的時代。對於他們來說，攝像頭、智能音箱、車載智能助手為代表的一系列智能終端系統目前已經成為了繼手機之後新的流量爭奪入口。
圖為拜騰量產車型BYTON M-Byte的內置大屏
同時，摩爾定律的失效，使行業內移動端智能設備的算力水平不分伯仲。想要提高智能終端對數據的處理能力，只能從計算力和數據體量入手。在計算力上，市場提出了能將算力下沉到邊緣數據中心的邊緣計算解決方案。這麼看來，小數據的概念如今又被提及，也是意料之中的事情。
此外，大公司對用戶數據的壟斷和企業之間數據的割裂狀態，以及政府及相關部門對用戶數據信息的保護和用戶日益增長的數據權益意識，都讓數據的獲取難度大大增加。對於中小數字企業來說，必然將會面臨在如何在沒有大量人力標註，和缺少大量數據訓練算法的限制條件下，利用小數據去餵養智能系統生成學習模型、挖掘用戶小需求的雙重挑戰。
這樣看來，數字商業擁抱小數據，頗有些“不得已而為之”的味道，但是在其他領域，小數據卻成了企業主動擁抱的對象。
可解釋的AI
隨著AI在我們生活中比重的不斷增加，我們希望AI能做的更多：算法迭代、自主學習，甚至幫助我們做決策。
理想看起來很美好，但是當AI真的通過大數據技術及機器學習算法等技術給出解決方案的時，我們又會陷入到對決策的懷疑中去：我提了問題，AI給我了答案，但它並沒有告訴我推理的過程、為什麼會做出這樣的選擇。這種不可解釋的狀態被稱為“黑箱”。
我們在上文提到，AI藉助的大數據技術，主要是分析數據之間的相關性，但是我們要求AI的行為可解釋，就一定要明白在決策過程中數據之間的因果關係。只憑借大數據技術來解釋AI推理過程，就是以相關性去證明因果關係，是很難辦到的。但是對於更貼近個體的小數據來說，可以幫助算法提取感性標籤，瞭解大數據的分析過程，幫助解釋AI的行為。
個性化品牌需求
和上面幾個領域不同的是，在品牌營銷領域，小數據的價值一直備受重視。在大數據技術出現之前，品牌營銷就會通過問卷調查來了解行業內對品牌的喜好趨勢，並通過抽樣調查來挖掘隱藏的個性化用戶需求，藉此改變營銷策略。同時，通過對一小部分客戶數據進行分析，營銷公司可以建立一個精準的BI體系，打造個性化服務。
大數據+小數據
從小場景到小數據，數字化企業對需求的挖掘越來越細，但並不代表大數據時代的終結。
對於數字企業，尤其是新型的數字企業來說，在產品搭建初期，仍然需要藉助大數據來了解行業趨勢和人們對同類型產品的整體看法，在獲取了這些信息之後，企業可採取用小數據驗證的方法，來不斷優化自身產品及服務。這種大數據+小數據的解決方案，才可能是未來數字商業進化的關鍵。
本文主題：
科技創新 | 小數據