2009年，人类学者Tricia在与外来打工者、街头小贩和网吧等地和低收入者混迹数月之后，给当时她的老板，NOKIA，写了一份详尽的市场报告，告诉NOKIA自己观察并捕捉到的大量市场信号——低收入者已经准备好为更为昂贵的智能手机买单——建议NOKIA投入研发价格适中、面向低收入者的智能手机。

NOKIA总部本来还挺欣赏Tricia的报告，但看到她的样本只有100个的时候就纠结了，最后放弃——和他们成百上千万的样本量相比，Tricia的报告完全微不足道。后面的事情大家显然都知道。

NOKIA的案例问题不在于报告本身，而在于面对有场景、有故事、有标的的小规模数据， 不论数据本身多么说明问题，NOKIA选择相信更抽象的大数据。 在人人都提大数据、乃至迷恋大数据，不提大数据无以为营销、无以为新商业模式的今天，关于厚数据(thick data)的逆向思维或许不仅仅是新意，更是对数据的一个重新定义。

厚数据是由已故人类学者Clifford Geertz最早提出的，Tricia去年开始引用厚数据，指用人类学定性研究法来阐释的数据，旨在揭示感情、故事和意义。Tricia现在是PL Data公司联合创始人，并参加了著名设计公司为期3个月的驻地专家计划。PL Data是一家致力于帮助企业组织在大数据时代进行创新的初创公司。 大数据则是剔除了个性化元素和背景信息的标准化数据，需要庞大的数据支持，以备发现，是定量研究法，厚数据是通过小样本分析找出特定人群的需求;大数据呈现的是数据，厚数据呈现的是故事;前者揭示的是“是什么”，后者展现的是“为什么”。 厚数据的确缺乏广度，但大数据缺乏深度也是不争的事实，两者结合似乎才是数据挖掘的未来之道。

早年采访过一位来自英国的数据挖掘专家，一直记得他为当地超市做的最重要的一个贡献就是，通过大数据发现超市里西班牙食品总是伴随着清洁用品一起被消费，经过实地调查后终于搞明白，当地大量雇佣西班牙女佣，他们再帮主顾家采购清洁用品的时候，顺道总是要给自己采购食品。超市就此调整货架安排逻辑，销量果然大涨。

当然，回顾下大家各自在淘宝的购物经验就会发现，淘宝上最成功的推荐从来不是你买一件衣服，它就为你推荐同款或者同风格其他衣服，你在淘宝上搜索珍珠饰品，接下来的淘宝推荐都是整屏的珍珠饰品，而是在你买验孕棒的时候给你推荐叶酸，买孕妇装的时候，帮你推荐新生儿的内衣、玩具、纸尿布、乃至奶粉等一应产品。因为服装选择个人风格可以多变，但孕产期整个生理过程的场景推荐却是大同小异。

IDEO在一次样本调查中发现，新技术的狂热者，除了传说中的技术爱好者，即“高科技极客男”，实际上可能还有一波俗务缠身的“效率极客女”，这部分用户并非科技追随者，却是效率死忠粉。此后经过严格的大数据调查，他们发现在科技潮人领域内，效率极客女还是一批不小的族群，占到早期使用者14%的份额，这波人和其他极客一样生活中片刻不离移动设备，她们有类似喜好，受超过20个价值驱动因素影响，而且是第一代pad中使用频率最高的。有了这个深入的人群定位和分析之后，后面的研发、推广自然顺理成章。

无论是从定性的厚数据开始还是从定量的大数据开始，所有成功的数据挖掘似乎都在证明一件事， 光有大数据是不够的，大数据给人以洞察，厚数据则给人以灵感，帮助人们找出数据之后的原因，并支持灵感走向现实。

想象下当年的Henry Ford如果也有大数据，他得到的应该和他观察到的相差不大，“如果我问人们需要什么，他们会说要一匹跑得更快的马。”只有加上更人性的调查，才有T型车横空出世，改变人类的出行规则。

大数据的风险在于，人们会倾向于过分依赖从某种算法得到的结果来做决策，只关注到显著相关的部分，而忽略了算法本来就带有一定的主观性。而且数据在标准化过程中，去掉了所有与人性相关的部分，它的确是事实，但也只是部分的事实。

更不论在这个虚拟和现实越来越交融的世界里，长尾的重要性远非昔日可比，因为关注大部分而放弃小部分人的选择并不见得明智。就像交朋友一样，大部分人不需要，至少不追求有成千上万的朋友，你只需要和你脾胃相投的几个朋友;做生意的当然希望有更多客人，但现代商业已经不都是大商超，越来越多商业成为追求特定目标群体的伙伴式营销/商业。

据说，公司在大数据上每投资1美元，带来的回报仅为55美分，而他们最初的期待回报是3.5美元。 不一定都是大数据的错，或许只是我们需要一个更多维的角度去看数据，还有数据所揭示的人本身。那么，厚数据显然是值得一提的一个纬度。