我們在生活或工作中會碰到以下情景：公司的女神安娜一直喜歡吃哈根達斯冰激凌，幾乎每天要買一杯，但某一天，她卻拿著一個DQ冰雪皇后品嘗得津津有味;公司屌絲程序員李甲上班早，加班多，完成任務代碼質量高，公司團建活動也積極參與，連續多個季度是公司的優秀員工，突然某一天，態度堅決提出離職，說要回家支教。

我讓從事大數據服務的朋友來預測和解釋，朋友講，如果按大數據基本算法推測，女神安娜是不會吃DQ的，因為她的行為數據已經表明，她會繼續吃哈根達斯;同樣，行為大數據分析得出，程序猿李甲很快會晉升為研發經理或總監，而無法預測某天他要回鄉支教。那么問題來了，基于受眾行為大數據建立應用模型能取代實時的心理反饋數據嗎?兩者如何結合?

事實上，做數據有兩個概念：一個是大數據，一個是快數據。比如，我們雙11在天貓或京東上購物，我們在這些網站的所有行為：瀏覽網頁、對比商品、下訂單、付款、評價商品等等，構成了一幅大數據畫面，而所有天貓上的用戶的大數據畫面即組成了大數據組合。天貓可以根據大數據組合分析哪個省的女神罩杯大，預測哪些商品會暢銷;也可以根據一個人的行為軌跡大數據建立模型來預測她可能對什么商品感興趣，進行廣告的定向投放。當這個用戶不去點擊這樣的廣告或者這個用戶離開天貓，一個月后才再次上天貓時，我們無法從行為大數據去找到相關性或者原因。這個時候，快數據出現了，對于未點擊廣告或者離開天貓一個月才來的用戶，商家一般通過問卷反饋表的方式，收集用戶當時的想法，基于這個問卷反饋表的數據，他們即可以實時知曉用戶心理反饋，并采取對應措施。

問卷能幫助反饋用戶心理，打造“快數據”效果。如全球500強公司強生用問卷的方式收集員工想法，并結合員工的日常表現進行評估打分;初創公司V電影用問卷表的方式收集制作人的需求，快速的進行產品迭代;樂視TV用表單進行售后服務意見的收集和管理;小米公司通過快數據進行智能硬件試用…

為什么快數據能在很多場景上得到應用?不論是大數據還是快數據，其實我們在應用和解讀時，都不能離開對“人性”的理解，對于“人性”的理解，才是我們建立數據解讀模型的關鍵。而恰恰在這一點，實時反饋互動的快數據更加能在數據中體現對“人性”的理解。

大數據和快數據可以非常好地形成互補關系，相互映射，相得益彰。比如，在美國，當你訪問著名購物網站亞馬遜時，一方面它基于你的瀏覽行為大數據推薦圖書;一方面在你離開網站時會給你一份3-5個題目的反饋表，了解你的心理活動;兩者結合起來，第二天你可能就會收到它的小禮品郵件或者促銷郵件。據前亞馬遜數據科學家分析，這樣的大數據和快數據互動模型的建立，讓亞馬遜的滿意度提高了1.5個百分點。

快數據會不會成為繼大數據后的一個新熱點?事實上，企業、傳媒機構、政府、高校等社會組織是最大的客戶。這些用戶對于大數據有需求，同樣對于基于實時反饋互動的快數據需求非常旺盛。在美國，基于問卷調查的快數據公司Surveymonky估值已經超過20億美元;另一家快數據公司Qualtrics也剛以超過10億美金的估值完成新一輪融資。

D1Net評論：

如今，大數據對我們生活的影響是非常巨大的，然而，隨著快數據的興起和深入應用，大數據顯得并不是那么“神機妙算”，從目前來看，大數據與快數據的結合已是大勢所趨。未來，快數據，大數據，如何發展，會水乳交融嗎?讓我們拭目以待。