方法之四：大数据法
前面所说的抽样调查法，是用样本特征推断总体特征。而大数据法以总体为测度对象。也就是说，在大数据方法下，样本等于总体。
为什么大数据法能够摆脱抽样法的样本制约呢？主要的原因在于全社会互联网平台上流动着海量的公开数据，范围无边，内容浩瀚，目标顾客的总体数据蕴涵于其中，而大数据技术可以将它们分类挖掘出来并按照需要进行分析。
所谓大数据，不能光看其大。图书馆里分类排列的图书哪怕几百万册、上千万册，严格说来都算不上大数据。大数据除了大，还有三个重要特点：第一，形态多样，包括文字、数字、影像、声音等。第二，非结构化，即信息内容未经过整理、未作分类、未作分组，是没有逻辑的宝藏（换一个角度看则是垃圾）。第三，动态发生，即大数据是即时产生的，一直处于流动的状态，因此其数量、形态、内容等都具有不确定性。
运用大数据技术（软件）处理非结构化的动态数据，其原理有点类似于垃圾分拣：先作分类，然后从中挖金。据说印度有一个职业叫做大数据民工，工作内容是从一幅幅影像画面中找出所需的内容，可见人工智能以及数据抓取软件目前还不是万能的。大数据技术与传统统计技术相比，一个重要的优势在于它能处理不知真假、亦真亦假的数据，能从中得出可信、可靠的结论。而传统统计技术只能处理真实数据，需要以真实的数据为前提，这就大大限制了统计技术的应用。因为，问题的关键往往在于不知道数据的真伪。由于大数据技术面对的是海量、无序的信息，因此，它常常能显示不同事物、不同现象之间不明就里的相关关系。所谓不明就里，是指因果关系复杂，难以清晰地说明和描绘。很多相关性可能凭我们已有的知识、经验基础和认知框架，觉得是匪夷所思、不可思议的，但在统计上它们都是成立的。
大数据方法应用到顾客需求分析，基本有三种类型和途径：
一是从企业外部的互联网（移动互联网）信息中心发现目标顾客群的行为特征和需求特征。信息的来源包括微信、微博、博客、贴吧、论坛等。比如某个品牌的辣酱，可以从互联网上的各种议论、评价中，发现顾客关注的焦点问题：是口味？是食材？是包装？还是新的食用方式？再如，某个城市连锁便利店，可以从互联网上大家所晒的各种食物图片以及各种针对食物的观点中，辨识未来会流行什么食品，或者哪类食品将受到欢迎。
二是从企业所掌握的信息中，细致、精准地分析顾客的行为以及背后的心理因素。由于企业自己所掌握的信息非常充分（例如商超企业长期对店面状况进行录像，很多企业有较完备的顾客数据库），因此这种分析具有两个特点：首先，对分析的对象（顾客）可以细分至个体，即每一个人。例如，信用卡服务企业（银行等）可以从用户的刷卡记录——如总额、频次、用途、平均金额、最大（最小）金额、地点、时间、商业形态、还款状况——当中，分析出每一个用户的需求特点和行为偏好。其次，可以选取不同性质、不同形态、不同意义的多个变量，也可以选取变量的多个选项和数值，用于多角度、多层次顾客细分和顾客画像。由于某些变量具有连续性质，因此理论上说，顾客分类和画像的角度、维度可以是无限多的。换句话，分析顾客的颗粒度可以无穷小。未来几乎所有企业都会以社群方式连接顾客，在社群的平台上深化与顾客的关系。由于社群的信息流比较容易获取和汇集，因此运用大数据方法分析顾客需求变得更加可行——或许这正是社群营销模式的意义所在（参见本书第十六章）。
三是从企业内部、外部信息中发现现象之间的相关性；即使在因果关系不清晰的情况下，也可以判断顾客需求的影响因素，发现顾客内在愿望的表现方式，即需求表象。请读者朋友不要轻视表象，做需求分析时，往往最缺的就是鲜活、真实的表象，它们是生成结论的依据。美国的在线影片（视频）运营服务商网飞（Netflix）在决定拍摄电视剧《纸牌屋》之前，曾运用大数据技术分析目标顾客——中年、男性、中产阶层——的需求特点，发现有一个相关性：喜欢凯文·史派西（Kevin Spacy，美国演员）的人，同时喜欢大卫·芬奇（David Fincher，美国导演）。那好，就请大卫·芬奇导演、凯文·史派西主演吧，收视会有一定的保证。当然这种相关性背后的理由基本上还是清楚的（这两个人的艺术风格或许具有一致性），未来我们也许会发现更多风马牛不相及的相关性。在电子商务及线下商超领域，它们是交叉推荐销售的基础和依据。
由于数据是实实在在发生的，以此为基础的顾客需求分析，其意义不言而喻。数据库法的局限性显而易见：第一，大部分行业和企业缺乏完整的顾客数据（收集的难度很大），因此，它的适用面较窄。第二，所有已发生的数据主要说明过去，不能完全代表将来。第三，大数据体现的是顾客在既定选择对象和选择条件下的需求特征；一旦改变了前提，后者往往会随之变化。网飞公司至今也没有拍出第二部《纸牌屋》来。
顺便说一下，基于大数据技术的销售推荐以及精准营销，目前才刚刚起步；随着人工智能的发展，未来将会有长足的进步。但无论如何，智能程度最高的机器人也不能替代人的直觉、人的情感、人的智慧。