大数据和小数据各有所长，而且刚好能形成能力上的互补。
1. 大数据让小数据变大
大数据的优势在于数据量大，可以提供大量的用户样本。基于研究目的，筛选出符合需求的用户，实现精准的用户定向。
有了大数据，再也不用担心样本量不够，回复率太低，最关键的是，成本可以得到有效的压缩。
这是大数据与小数据结合的第一步，如果最终目的是要实现大小数据协同，那么就有必要针对线上平台的用户进行调研，这样能保证用户线上大数据和调研小数据的一致性。
2. 大数据让小数据变小
大数据的作用不仅限于找到用户，其作用还在于初识用户。
传统调研在开始之前，都会先选定调研的城市，还有调研配额，比如：男女比例、用户年龄比例等等，以保证研究的结果具有普适性，避免调研结果出现偏差。不过不管是城市还是配额，一般都是研究人员拍脑袋定的，比如男女各半，一线二线各5个城市。
因此我们可以先通过大数据了解一下平台用户的地域及年龄分布，然后再分层抽样进行调研。
除此以外，从前面可口可乐的教训中，我们知道了调研在方向上可能存在的误导性。那么，大数据正好也能弥补这一点，在调研之前，可以先通过大数据对用户进行初步的分析，了解用户的行为偏好。
比如：可以通过用户决策树了解用户在浏览或购买时最关注的产品属性排序，如果用户最关注可乐口味的话，我们再针对口味进行调研。所以，除了能让小数据量级变大以外，大数据还可以让小数据的研究范围变小，瞄准正确的方向，聚焦于探寻大数据结果出现的原因。
3. 小数据让大数据变小
调研的优势在于更深入、更细致，因此调研小数据可以让大数据的研究颗粒度变得更小。
大数据对于用户的研究可能仅限于部分数据维度，而且这些数据维度一般比较粗，譬如：用户的性别、年龄、可能从事的职业、购买力、内容偏好等等，而调研所研究的范围可以更小更细，更深入地辅助大数据了解用户。
而且，小数据聚焦于用户个体，我们可以通过深访了解用户的生活场景、特征偏好，这有利于我们直观地描绘出这个人的形象。
对于听众而言，加上用户自身的描述能更加清晰直观，且比数字更富有感染力，这也算是利用“可得性偏见”的一种报告演示技巧。此外，大数据中的用户标签多是通过算法模型判断得出的，不能保证100%的准确性，而调研所获取的小数据基本都是真实的。因此，小数据还能对大数据的标签进行反向验证，使得标签的误差变得更小。
4. 小数据让大数据变大
在上述三种情况下，大小数据都是各司其职，分步协作，先由大数据进行初步分析，再由小数据负责补充研究，似乎都没有实现真正的“合体”。
那么如何才能由小数据最终落回到大数据，形成闭环，实现真正的“合体”呢？
下面为大家提供一个思考方向：
市面上有很多负责品牌调研的公司，他们主要的工作就是研究品牌的价值、品牌形象和品牌健康度等等，那么，通过调研获取的用户对于品牌形象的认知，是否可以应用到大数据中呢？
针对服饰而言，我们可以收集各个品牌的品牌形象词，于是我们可以建立起一套品牌形象词词库，之后我们对词进行归类编码或是通过因子分析进行降维处理，从而得到了n个词，比如：小资情调、成熟稳重、青春活力等等。
接着，我们再把这n个词作为标签打到各个品牌上，比如A品牌的标签有四个，分别是：小资情调、成熟稳重、青春活力、简约有设计感；B品牌可能有三个标签，分别是青春活力、酷炫有型、色彩缤纷，各个品牌标签都是并列关系，不分先后。
以此方法，每个品牌都有了自己的标签，那么通过用户与各个品牌的交互行为，我们可以建立一套算法将品牌标签打到用户身上。这样，我们便可以知道用户对于服饰的品牌风格偏好。
当用户有了标签之后，我们可以反过来再把用户的标签打到品牌身上，这样一来，我们可以识别出各个品牌下，不同形象词标签的重要性，同时还可能会有新的形象词标签被打到品牌上。
此外，我们还可以通过对某个产品的用户标签进行计算，从而将用户的标签打到每一个产品上，实现标签的细化。
大数据时代的到来，并不意味着小数据时代的结束，大数据与小数据是对立的，但终将也是统一的。
对于小数据而言，大数据带来的是一场革命，是一次否定之否定的曲折式上升机会，唯有借其真气，才能冲开任督。对于大数据而言，小数据提供的是内力的积淀，吸其精华，方能九天揽月。
END
