移動互聯和大數據劇烈地沖擊著經濟中的各個領域，以數據采集為基礎的市場研究行業更是多次被唱衰。市場研究沒有價值了嗎？傳統的數據采集沒有價值了嗎？數據采集是市場研究行業價值鏈的起點，也是所有分析與判別的支撐點，無論是在采集方式方法，還是在數據質量上，一直以來都被聚焦和挑戰著。
一、傳統數據采集面臨的挑戰早就開始了，并一直持續著
市場研究行業數據采集面臨的挑戰并不來源于互聯網和大數據，而來源于行業自身。在高端房產越來越普及的時候，入戶類的項目就會越來越少，越來越多的樓盤采用門禁系統的管理方法，入戶面訪受到了挑戰。訪問員苦苦守著攔截點，但很多消費者從地下車庫就“溜”走了。隨著神秘顧客這個研究方法的普及和被認知，神秘人一進店就可能被認出。
其實這些問題，一直在“逼”著市場研究行業拿出更有效的獲取受訪者數據的辦法。只是我們沒有緊迫感，直到現代技術可以讓百度分析大量的搜索數據、淘寶可以分析真實的交易數據、社交媒體上可以看到人們對事務的態度與喜好、手機app可以捕捉人們的行為軌跡的時候，我們開始感受到了強烈的挑戰。
當然就不用再說老生常談的：低價競爭、作弊與質量參差不齊等老問題了。所以，數據采集所面臨的問題遠不是大數據和新技術帶來的，而是一直存在在我們的行業中的。
二、傳統的數據仍然能更好地避免“數據歧視”
大數據的海量、高速、豐富性等優勢已經被廣泛談及，并得到共識。在大數據熱度快速竄升的時候，人們似乎不愿面對它的局限與現階段的不足，如樣本的“自我選擇性”和非網群體的話語權弱勢等問題。
近期，美國的學者提出大數據中存在的偏見與盲區。作者舉了波士頓Street Bump App的例子。該數據來自于用戶智能手機下載的Street Bump App，當用戶開車路過路面低洼處，則會自動記錄數據，省時高效，信息真實。但是從整個波士頓地區來講，那些智能手機使用率低、App下載率低的社區附近的數據就會缺失或不足。這仍然需要其他方式來補充數據。
在社交網絡上，是樂于分享的人分享著自己喜歡分享的內容。如果你需要了解其他人的意見，了解他們沒有談論過的內容，卻未必能找到。而傳統的抽樣研究則利用訪問技術，獲得了盡可能多方的意見給出整體上的數據。
從研究的方向上來講，淘寶交易數據可靠性顯然高于傳統市場調研詢問購買行為的數據，主要是這類數據通過傳統調研獲得的過程未必在購買情景下和最終購買結果，存在一定的主觀描述性。而旅游網站上，同樣選擇了哈利波特外景地線路的人，到底是因為喜歡哈利波特，還是因為喜歡那個地方，還是因為正趕上促銷，網絡這類結果性的數據并不回答，僅僅是給出了簡單的方向或者折射出一類現象，需要真正了解產品和營銷的trigger，則需要進行挖掘性調研（無論采用哪種調研方式）。
講到以上這些問題，并不是為了否定大數據的價值，而只是說明市場研究仍有其價值，傳統的數據采集也仍然有其價值。
三、數據采集應強化優勢而不是與新數據拼弱勢
就行業的發展，特別是數據采集公司的發展，發展方向其實應該更加強化自身數據的優勢，而不是與新數據比拼數量和速度。
調研數據的采集其實也可以借助新技術來改善質量。例如，提升識別數據偽裝的技術，來脫掉數據可能被包裝上的虛假外衣，傳統項目中會使用錄音、視頻、電話、現場復核手段，而現在可以考慮更多的方法或者技術，包括位置識別、手紋聲紋識別－－在座談會上會蟲的鑒別，使得能夠發現參會者的重復參會幾率；聲紋用在電話訪問中受訪人員的模擬聲音、假聲、重復聲音等。
另外，發揮我們長期在一線數據采集的經驗，辨別數據質量和可用性。例如，特定環境事件對數據的影響與偏差，在北京連續霧霾天進行的訪問結果可能健康與空氣相關的選項就會高于常態。利用社會心理學知識和焦點團體座談會的技術，剝離與校正社會化媒體中數據群體極化（group polarization，團體中個人的初始狀態會被集體討論所強化，形成極端的看法）影響。
最后需要逐步探索數據收集差異化帶來的轉化差異。要做線上和線下對比，找出線上、線下的差距，比如在滿意度調查中，5分制和10分制的線上和線下轉化過程，線上的這些語言和線下的關系，從一類或者一個行業的差距中去分析、權衡，找到比較好的對比。
國外崇尚小而美的公司，市場研究行業，有專業的抽樣公司、招募公司，所以執行公司如果能針對現有的數據采集缺陷，形成細分的專業技術也同樣是有競爭優勢的。
四、以優質的數據資源成為數據生態中的一份子
未來的數據應該是各種數據資源的融合。因為任何單一數據源都有自身的不足，多數據源之間關聯也會產生更強的價值?，F在在數據領域的問題已經不是十年前的數據匱乏，而是信息過載。優質信息的提供才是最有價值的。這個世界需要大數據而不是爛數據；需要價值數據而不是垃圾數據。
所以對于執行公司，如何獲得豐富高質的數據是可以不斷探索的?，F在行業中調研吧、pad訪問等，運用新的技術、新的模式，提升受訪者質量和訪問質量的做法都是非常有價值的探索。
市場研究的數據結構化強，信息有深度，是有獨特的數據價值的。如果我們可以把自身的數據源做成高質量的數據，并通過研究技術與其他數據源進行整合，則會在未來數據生態中樹立自己的地位。
一、傳統數據采集面臨的挑戰早就開始了，并一直持續著
市場研究行業數據采集面臨的挑戰并不來源于互聯網和大數據，而來源于行業自身。在高端房產越來越普及的時候，入戶類的項目就會越來越少，越來越多的樓盤采用門禁系統的管理方法，入戶面訪受到了挑戰。訪問員苦苦守著攔截點，但很多消費者從地下車庫就“溜”走了。隨著神秘顧客這個研究方法的普及和被認知，神秘人一進店就可能被認出。
其實這些問題，一直在“逼”著市場研究行業拿出更有效的獲取受訪者數據的辦法。只是我們沒有緊迫感，直到現代技術可以讓百度分析大量的搜索數據、淘寶可以分析真實的交易數據、社交媒體上可以看到人們對事務的態度與喜好、手機app可以捕捉人們的行為軌跡的時候，我們開始感受到了強烈的挑戰。
當然就不用再說老生常談的：低價競爭、作弊與質量參差不齊等老問題了。所以，數據采集所面臨的問題遠不是大數據和新技術帶來的，而是一直存在在我們的行業中的。
二、傳統的數據仍然能更好地避免“數據歧視”
大數據的海量、高速、豐富性等優勢已經被廣泛談及，并得到共識。在大數據熱度快速竄升的時候，人們似乎不愿面對它的局限與現階段的不足，如樣本的“自我選擇性”和非網群體的話語權弱勢等問題。
近期，美國的學者提出大數據中存在的偏見與盲區。作者舉了波士頓Street Bump App的例子。該數據來自于用戶智能手機下載的Street Bump App，當用戶開車路過路面低洼處，則會自動記錄數據，省時高效，信息真實。但是從整個波士頓地區來講，那些智能手機使用率低、App下載率低的社區附近的數據就會缺失或不足。這仍然需要其他方式來補充數據。
在社交網絡上，是樂于分享的人分享著自己喜歡分享的內容。如果你需要了解其他人的意見，了解他們沒有談論過的內容，卻未必能找到。而傳統的抽樣研究則利用訪問技術，獲得了盡可能多方的意見給出整體上的數據。
從研究的方向上來講，淘寶交易數據可靠性顯然高于傳統市場調研詢問購買行為的數據，主要是這類數據通過傳統調研獲得的過程未必在購買情景下和最終購買結果，存在一定的主觀描述性。而旅游網站上，同樣選擇了哈利波特外景地線路的人，到底是因為喜歡哈利波特，還是因為喜歡那個地方，還是因為正趕上促銷，網絡這類結果性的數據并不回答，僅僅是給出了簡單的方向或者折射出一類現象，需要真正了解產品和營銷的trigger，則需要進行挖掘性調研（無論采用哪種調研方式）。
講到以上這些問題，并不是為了否定大數據的價值，而只是說明市場研究仍有其價值，傳統的數據采集也仍然有其價值。
三、數據采集應強化優勢而不是與新數據拼弱勢
就行業的發展，特別是數據采集公司的發展，發展方向其實應該更加強化自身數據的優勢，而不是與新數據比拼數量和速度。
調研數據的采集其實也可以借助新技術來改善質量。例如，提升識別數據偽裝的技術，來脫掉數據可能被包裝上的虛假外衣，傳統項目中會使用錄音、視頻、電話、現場復核手段，而現在可以考慮更多的方法或者技術，包括位置識別、手紋聲紋識別－－在座談會上會蟲的鑒別，使得能夠發現參會者的重復參會幾率；聲紋用在電話訪問中受訪人員的模擬聲音、假聲、重復聲音等。
另外，發揮我們長期在一線數據采集的經驗，辨別數據質量和可用性。例如，特定環境事件對數據的影響與偏差，在北京連續霧霾天進行的訪問結果可能健康與空氣相關的選項就會高于常態。利用社會心理學知識和焦點團體座談會的技術，剝離與校正社會化媒體中數據群體極化（group polarization，團體中個人的初始狀態會被集體討論所強化，形成極端的看法）影響。
最后需要逐步探索數據收集差異化帶來的轉化差異。要做線上和線下對比，找出線上、線下的差距，比如在滿意度調查中，5分制和10分制的線上和線下轉化過程，線上的這些語言和線下的關系，從一類或者一個行業的差距中去分析、權衡，找到比較好的對比。
國外崇尚小而美的公司，市場研究行業，有專業的抽樣公司、招募公司，所以執行公司如果能針對現有的數據采集缺陷，形成細分的專業技術也同樣是有競爭優勢的。
四、以優質的數據資源成為數據生態中的一份子
未來的數據應該是各種數據資源的融合。因為任何單一數據源都有自身的不足，多數據源之間關聯也會產生更強的價值?，F在在數據領域的問題已經不是十年前的數據匱乏，而是信息過載。優質信息的提供才是最有價值的。這個世界需要大數據而不是爛數據；需要價值數據而不是垃圾數據。
所以對于執行公司，如何獲得豐富高質的數據是可以不斷探索的?，F在行業中調研吧、pad訪問等，運用新的技術、新的模式，提升受訪者質量和訪問質量的做法都是非常有價值的探索。
市場研究的數據結構化強，信息有深度，是有獨特的數據價值的。如果我們可以把自身的數據源做成高質量的數據，并通過研究技術與其他數據源進行整合，則會在未來數據生態中樹立自己的地位。