微信朋友圈广告真的是大数据推荐的吗？
近日，微信朋友圈信息流广告首批上线，宝马中国、Vivo智能手机和可口可乐的广告出现在每个人的朋友圈信息流里，但是每个人只有一个，所以瞬间全体微信用户被贴上了三个标签：刷出宝马广告的，刷出vivo广告的和刷出可口可乐广告的。
微信的朋友圈广告采用了在Feed信息流中内嵌，与正常的单条朋友圈完全一样，由文字和图片构成，点击之后进入广告的完整H5界面，用户可以点赞或者评论，还能看到自己的好友的点赞和评论，这能够让你看到自己的朋友中谁和自己看到了同样的广告，因此迅速引爆了朋友圈。
微信朋友圈广告的事儿已经过去好几天了，眼看各路大神一波一波的评述事件，马海祥在揣摩数篇大作之后，有几个问题值得探讨一下。
1、拥有了很多的数据就是大数据吗？
微信拥有11亿以上用户，4亿多活跃用户，每天产生的数据量是天文数字，这些自由发布，没有导向的社交软件产生的数据，在这次朋友圈广告中到底用来干嘛了呢？
以这次的广告商在朋友圈里的发布，用几种常见的大数据应用方式，我们来揣测一下：
模式一：使用的是微信用户的海量数据
这个模式使用的是微信用户的海量数据，筛选出与广告商的定位一致的群体，例如用肾的，例如关注奢侈品、名车的，用各种标签条件定义用户，进而推送广告。
模式二：利用微信用户数据勾勒出属性
利用微信各种用户数据勾勒出属性，如用户的收入，年龄，区域，教育水平，所处行业这类基本特征，比对广告商的产品定位人群属性，以属性相近的部分，加上事先做推广测试时候的用户反馈参数，如预告时右上角的是否感兴趣选项，再筛选出来的群体，进而推送目标。
模式三：以用户的偏好为分类条件
当属性不全的时候，就要应用第三种模式，以用户的偏好为分类条件，如曾发布喜欢旅游，喜欢科技产品，喜欢吃喝玩乐等等，就成为了定义条件。
以这些偏好进行排序，筛选出前20最受用户关注的偏好，再以这些偏好跟广告商的客户定位进行比对，以相似度最高的部分为推送人群。
上述三种常见的大数据推荐模式并不涉及到社交属性，其实，如果精准分析能够到用户消费行为和倾向这个层级，马海祥觉得社交属性是可以弱化的，因为后者的实质作用是扩大受众群体而已。
以微信的用户体量，精准分析出几百万甚至上千万的宝马潜在用户应该不是难事，但这次推送并不是一对一推到用户的对话框，而是在朋友圈利用社交属性来进行传播，那还是Feed流广告的路子，并没有将大数据的精准能力应用到位。
因此，微信拥有海量数据不假，但微信是不是在做大数据分析要看在海量数据上做什么，这次推送并不是严格意义上的大数据行为。
2、事件炒作的广告效应
第二个疑问就是：这次的广告效应，几乎是以事件炒作，利用用户的转发而形成的，那么跟大数据有什么关系呢？
产生这个疑问，就是因为这次三家广告商，都投放的是品牌广告，并不是具体产品的宣传，提高的是品牌的认知度（具体可查看马海祥博客《》的相关介绍）。
而在微信的用户体量下，加上“高中低废”的人群分类话题炒作，应该归入事件营销的路子上，没看出来跟大数据应用有什么关联，因为最终消费转化还是靠广告商的自我努力。
有这么多用户数据为什么不利用呢？对此，我们不妨再大胆的假设一下：
（1）、微信对它的11亿多用户并不全了解，否则，它应该把11亿用户里面哪些是真土豪、真?丝找到，相应地推宝马或者可乐，精准跟事件营销又不是冲突的。
（2）、微信从“高质种子用户”开始做设定，隐含的前提是：活跃度高和参与广告互动的用户以及他们的社交脉络跟宝马、vivo和可口可乐的广告受众有相当的重合度，这个设定显然从一开始就准备从事件炒作角度进行，并没有以精准为根本。
那么不难看出微信是以社交属性为广告推荐的根本，并没有应用基于内容、协同过滤、规则、效用、知识上的大数据能力，关注的并不是人和物之间的强相关性(例如偏好、购买、意图等)。
从这两个疑问能推导出来的结果，我们发现，这是一次成功的事件炒作，是一次公关事件，是一次传播效应的验证，压根没有大数据什么事儿。
3、真正的大数据推荐到底是什么？
看到以上的结论，可能就有博友问了，那真正的大数据推荐到底是什么呢？
在马海祥看来，从数据库里面找到某个微信用户的所有朋友，这跟大数据没什么关系，大数据的一个重要特征是分析不同来源、不同性质的数据信息。
例如，把微信用户信息和宝马用户信息合在一起分析，这才是典型的大数据应用场景，专业上，这是大数据的多样性属性(Variety)。
而大数据推荐的目的是发现表面上可能不相关、实质上相关的两个实体，这样的隐含关系在小数据范围内都不容易，在大数据的情况下难度可想而知，我们把这个问题拆成几个步骤来说明：
（1）、要解决“什么样数据可以被纳入分析？”
因为数据量太大，把无关的东西纳入进来，不但会增加无谓的计算量，也会产生很多干扰（具体可查看马海祥博客《》的相关介绍）。
因此，去噪(noise reduction)是第一步，以微信这次的朋友圈广告商宝马汽车的例子说明：
如果某个微信用户声称自己昨天买了宝马，但宝马的购车用户列表里没这个人，那么，这个用户该不该被剔除将会影响接下来的步骤。
（2）、定基准数据(benchmarking)
我们要分析两个实体相关与否，关键是看它们的相似度，有的人说，80%的相似就可以了，有的说超过50%就OK，那么该怎么定这个相似度呢？
专家判断是一个方法，统计结果判断是另一个方法，最好的方法是大数据模型能够自我学习去判断这个基准。
（3）、数据降维(dimension reduction)
所谓降维，就是把不需要考虑或者不重要的因素从推荐系统中去掉，从大数据到小数据。
例如：微信用户跟宝马用户之间可能存在很多的相关点(电话号码、城市、年龄、土豪级别、付款记录等)，不是所有的相关点都对推荐有用的。
再比如：富二代18岁就开宝马了，普通人可能要30岁才能开上，因此年龄可能并不是分析的关键。
总之，降维的根本目的是为了计算方便，规避天文数字的数据分析，至于如何降维和降维的算法，以后我会在马海祥博客上为大家再细说的。
（4）、选择合适的推荐算法
上文提到的推荐算法是应用最广的，也各有优缺点，选择哪种算法，要考虑解决怎样的问题、数据量大小、特征选择等因素，也就是要将人事物的背后关联，用数据的方式联系起来（具体可查看马海祥博客《》的相关介绍）。
（5）、大数据推荐在很多情况下要考虑实时推荐的问题
例如，一个新用户进来，你要推给他宝马、vivo还是可口可乐，这个涉及推荐相同的效率以及该用户的信息，大数据框架的设计必须足够完整。
此外，大数据推荐的结果，通常也被称为“大数据预测”，应用场景从足彩到股票，不一而足，能够做好大数据预测的公司，才是真正的大拿。
马海祥博客点评：
大数据下的推荐系统并不简单等同于社交关系的推导，必须是基于更为严格的需求分析和更复杂的系统设计，微信拥有天然的条件(巨量数据、资金、团队等)，但在这次广告推送中，表现出来的大数据应用并不到位，虽然说用了大数据能力，但更像“大数据是个筐，什么都可以往里装”的包装手法，实在是可惜！