“這樣一來，我觀察他的生活場景，有一半信息就沒用了，比如小區(qū)、鄰里關系等。”譚池遺憾地說。
進一步說，比起直接的數據，如何解讀數據背后的意義，才是把大數據用“活”的重頭戲。用戶真正的使用情景，他們的擔憂、開心、困惑與不爽，目前的大數據讀不出來。數據再大也是死的，只有人能激活它。
大數據不知道怎么做
多年前，有一位調研員曾經接過一個項目，對方要求調研某產品在用戶心中是多少分，如果得分在80分以下，整個相關團隊就要被撤銷。“其實，給79分還是80分，有很大區(qū)別嗎？”譚池反問，“不談評分機制，就算根據數據得分，判了一個團隊的生死又怎樣？問題還是在那兒，依然沒有得到解決。”
大數據本身，并不能給出一個既定做法。面對數據運算的結果，之后的步驟可能更加重要。
調研員小迪同時負責1-3個調研項目，一般9點半從公司出發(fā)，去深圳市里與用戶一對一訪談。中午回公司，下午另外一個項目的招募和策劃會議又開始了，當中偶有空隙，他就回到座位寫一些訪談總結。這就是一名調研員每天的工作日常。
每一年，研究中心負責調研的項目數以百計，這些課題并非調研員自己“拍腦袋”想的，大部分來自產品策劃的需求方，比如產品經理，改進一個產品功能時可能會冒出一個問題，希望通過調研來解答。
韓娜說，剛入這一行，自己與產品經理交流時，經常需要磨合。比如一位產品經理很糾結，關于“簽到”有兩種改進方案，究竟95后用戶更喜歡哪一種呢？他不知道。他可能先去找數據師，去調相關的大數據。大數據顯示，95后更熱衷于每天上網“簽到”。但是他們“簽到”究竟是出于什么心理，獲得了什么滿足，數據并不懂。
于是，產品經理接著找韓娜，請她進行用戶研究。結果顯示，95后樂意“簽到”，更多是為了滿足自己的情感需求，尤其是“刷存在感”?？墒侵懒诉@一點后，產品經理依然無法抉擇，究竟哪個方案更好。
時間久了，韓娜漸漸明白，自己做完調研，不能僅僅解答“為什么”，“用戶怎么想”，還要給出“怎么做”的建議。
當然，再細致的調研，最終也不一定能找到產品經理想要的答案。有時候，答案是有了，但考慮到成本營收、缺乏供應商、缺乏可操作性等因素，改進方案依然不了了之。大數據和訪談就都白做了。
另一位調研員馬建說，自己工作最開心的那刻，就是調研的建議被采納，最終體現到產品中。
今天的企業(yè)、政府，乃至整個社會，很容易通過大數據對市場一目了然，但一目了然之后怎么做？漠視它、改正它、還是適應它？
大數據未必懂得價值
羅英、何文是“數據挖掘師”。但這份工作想做得好，單純依靠算數據并不夠，其實還要動用“情商”。
比如，QQ音樂有一個功能叫“猜你喜歡”。根據用戶的數據，軟件會自動推薦一些陌生歌曲，它們往往符合你的音樂品位。這種推薦，顯然是基于大數據平臺。一般我們以為，只要提供一些算法，大數據平臺照此運算就成，但事實沒那么簡單。
首當其沖的是準確率。“猜你喜歡”究竟能猜對多少首歌？不同的數據師，可能會設計不同的算法，有的人效果明顯比較好，他把“年齡”的數據用起來，而另外一個人沒用，就會導致兩者準確率差很大。
究竟需要考慮哪些數據維度，薦歌才會最符合心意呢？沒有標準答案，不同數據師有自己的判斷。同樣的大數據庫，一個運算下來比較準確，一個不準，其中唯一的變化就是人。
第二個問題是，為什么有人能想到“年齡”，而有人卻想不到？憑借的也是個人經驗?；蛘哒f，憑借的是人對事物的理解，考驗的正是數據師的“情商”。
“在我們行內有一個不等式：業(yè)務知識>數據>算法。”羅英解釋，“而業(yè)務知識就是你的理解能力。”用同行的話來說，就是“你的架構是否合理。”
沒什么課題的時候，數據師的常規(guī)工作十分枯燥。
每天上班第一件事，就是低頭看手機。手機上，已經裝有數據展示的平臺，到點就會自動發(fā)布一些基本情況，比如當天登錄用戶數多少，這些已經無需太多人工干預。