2009年，人類學者Tricia在與外來打工者、街頭小販和網吧等地和低收入者混跡數月之后，給當時她的老板，NOKIA，寫了一份詳盡的市場報告，告訴NOKIA自己觀察并捕捉到的大量市場信號——低收入者已經準備好為更為昂貴的智能手機買單——建議NOKIA投入研發價格適中、面向低收入者的智能手機。

NOKIA總部本來還挺欣賞Tricia的報告，但看到她的樣本只有100個的時候就糾結了，最后放棄——和他們成百上千萬的樣本量相比，Tricia的報告完全微不足道。后面的事情大家顯然都知道。

NOKIA的案例問題不在于報告本身，而在于面對有場景、有故事、有標的的小規模數據， 不論數據本身多么說明問題，NOKIA選擇相信更抽象的大數據。 在人人都提大數據、乃至迷戀大數據，不提大數據無以為營銷、無以為新商業模式的今天，關于厚數據(thick data)的逆向思維或許不僅僅是新意，更是對數據的一個重新定義。

厚數據是由已故人類學者Clifford Geertz最早提出的，Tricia去年開始引用厚數據，指用人類學定性研究法來闡釋的數據，旨在揭示感情、故事和意義。Tricia現在是PL Data公司聯合創始人，并參加了著名設計公司為期3個月的駐地專家計劃。PL Data是一家致力于幫助企業組織在大數據時代進行創新的初創公司。 大數據則是剔除了個性化元素和背景信息的標準化數據，需要龐大的數據支持，以備發現，是定量研究法，厚數據是通過小樣本分析找出特定人群的需求;大數據呈現的是數據，厚數據呈現的是故事;前者揭示的是“是什么”，后者展現的是“為什么”。 厚數據的確缺乏廣度，但大數據缺乏深度也是不爭的事實，兩者結合似乎才是數據挖掘的未來之道。

早年采訪過一位來自英國的數據挖掘專家，一直記得他為當地超市做的最重要的一個貢獻就是，通過大數據發現超市里西班牙食品總是伴隨著清潔用品一起被消費，經過實地調查后終于搞明白，當地大量雇傭西班牙女傭，他們再幫主顧家采購清潔用品的時候，順道總是要給自己采購食品。超市就此調整貨架安排邏輯，銷量果然大漲。

當然，回顧下大家各自在淘寶的購物經驗就會發現，淘寶上最成功的推薦從來不是你買一件衣服，它就為你推薦同款或者同風格其他衣服，你在淘寶上搜索珍珠飾品，接下來的淘寶推薦都是整屏的珍珠飾品，而是在你買驗孕棒的時候給你推薦葉酸，買孕婦裝的時候，幫你推薦新生兒的內衣、玩具、紙尿布、乃至奶粉等一應產品。因為服裝選擇個人風格可以多變，但孕產期整個生理過程的場景推薦卻是大同小異。

IDEO在一次樣本調查中發現，新技術的狂熱者，除了傳說中的技術愛好者，即“高科技極客男”，實際上可能還有一波俗務纏身的“效率極客女”，這部分用戶并非科技追隨者，卻是效率死忠粉。此后經過嚴格的大數據調查，他們發現在科技潮人領域內，效率極客女還是一批不小的族群，占到早期使用者14%的份額，這波人和其他極客一樣生活中片刻不離移動設備，她們有類似喜好，受超過20個價值驅動因素影響，而且是第一代pad中使用頻率最高的。有了這個深入的人群定位和分析之后，后面的研發、推廣自然順理成章。

無論是從定性的厚數據開始還是從定量的大數據開始，所有成功的數據挖掘似乎都在證明一件事， 光有大數據是不夠的，大數據給人以洞察，厚數據則給人以靈感，幫助人們找出數據之后的原因，并支持靈感走向現實。

想象下當年的Henry Ford如果也有大數據，他得到的應該和他觀察到的相差不大，“如果我問人們需要什么，他們會說要一匹跑得更快的馬。”只有加上更人性的調查，才有T型車橫空出世，改變人類的出行規則。

大數據的風險在于，人們會傾向于過分依賴從某種算法得到的結果來做決策，只關注到顯著相關的部分，而忽略了算法本來就帶有一定的主觀性。而且數據在標準化過程中，去掉了所有與人性相關的部分，它的確是事實，但也只是部分的事實。

更不論在這個虛擬和現實越來越交融的世界里，長尾的重要性遠非昔日可比，因為關注大部分而放棄小部分人的選擇并不見得明智。就像交朋友一樣，大部分人不需要，至少不追求有成千上萬的朋友，你只需要和你脾胃相投的幾個朋友;做生意的當然希望有更多客人，但現代商業已經不都是大商超，越來越多商業成為追求特定目標群體的伙伴式營銷/商業。

據說，公司在大數據上每投資1美元，帶來的回報僅為55美分，而他們最初的期待回報是3.5美元。 不一定都是大數據的錯，或許只是我們需要一個更多維的角度去看數據，還有數據所揭示的人本身。那么，厚數據顯然是值得一提的一個緯度。