移动互联和大数据剧烈地冲击着经济中的各个领域，以数据采集为基础的市场研究行业更是多次被唱衰。市场研究没有价值了吗?传统的数据采集没有价值了吗?数据采集是市场研究行业价值链的起点，也是所有分析与判别的支撑点，无论是在采集方式方法，还是在数据质量上，一直以来都被聚焦和挑战着。
一、传统数据采集面临的挑战早就开始了，并一直持续着
市场研究行业数据采集面临的挑战并不来源于互联网和大数据，而来源于行业自身。在高端房产越来越普及的时候，入户类的项目就会越来越少，越来越多的楼盘采用门禁系统的管理方法，入户面访受到了挑战。访问员苦苦守着拦截点，但很多消费者从地下车库就“溜”走了。随着神秘顾客这个研究方法的普及和被认知，神秘人一进店就可能被认出。
其实这些问题，一直在“逼”着市场研究行业拿出更有效的获取受访者数据的办法。只是我们没有紧迫感，直到现代技术可以让百度分析大量的搜索数据、淘宝可以分析真实的交易数据、社交媒体上可以看到人们对事务的态度与喜好、手机app可以捕捉人们的行为轨迹的时候，我们开始感受到了强烈的挑战。
当然就不用再说老生常谈的：低价竞争、作弊与质量参差不齐等老问题了。所以，数据采集所面临的问题远不是大数据和新技术带来的，而是一直存在在我们的行业中的。
二、传统的数据仍然能更好地避免“数据歧视”
大数据的海量、高速、丰富性等优势已经被广泛谈及，并得到共识。在大数据热度快速窜升的时候，人们似乎不愿面对它的局限与现阶段的不足，如样本的“自我选择性”和非网群体的话语权弱势等问题。
近期，美国的学者提出大数据中存在的偏见与盲区。作者举了波士顿Street Bump App的例子。该数据来自于用户智能手机下载的Street Bump App，当用户开车路过路面低洼处，则会自动记录数据，省时高效，信息真实。但是从整个波士顿地区来讲，那些智能手机使用率低、App下载率低的社区附近的数据就会缺失或不足。这仍然需要其他方式来补充数据。
在社交网络上，是乐于分享的人分享着自己喜欢分享的内容。如果你需要了解其他人的意见，了解他们没有谈论过的内容，却未必能找到。而传统的抽样研究则利用访问技术，获得了尽可能多方的意见给出整体上的数据。
从研究的方向上来讲，淘宝交易数据可靠性显然高于传统市场调研询问购买行为的数据，主要是这类数据通过传统调研获得的过程未必在购买情景下和最终购买结果，存在一定的主观描述性。而旅游网站上，同样选择了哈利波特外景地线路的人，到底是因为喜欢哈利波特，还是因为喜欢那个地方，还是因为正赶上促销，网络这类结果性的数据并不回答，仅仅是给出了简单的方向或者折射出一类现象，需要真正了解产品和营销的trigger，则需要进行挖掘性调研(无论采用哪种调研方式)。
讲到以上这些问题，并不是为了否定大数据的价值，而只是说明市场研究仍有其价值，传统的数据采集也仍然有其价值。
三、数据采集应强化优势而不是与新数据拼弱势
就行业的发展，特别是数据采集公司的发展，发展方向其实应该更加强化自身数据的优势，而不是与新数据比拼数量和速度。
调研数据的采集其实也可以借助新技术来改善质量。例如，提升识别数据伪装的技术，来脱掉数据可能被包装上的虚假外衣，传统项目中会使用录音、视频、电话、现场复核手段，而现在可以考虑更多的方法或者技术，包括位置识别、手纹声纹识别--在座谈会上会虫的鉴别，使得能够发现参会者的重复参会几率;声纹用在电话访问中受访人员的模拟声音、假声、重复声音等。
另外，发挥我们长期在一线数据采集的经验，辨别数据质量和可用性。例如，特定环境事件对数据的影响与偏差，在北京连续雾霾天进行的访问结果可能健康与空气相关的选项就会高于常态。利用社会心理学知识和焦点团体座谈会的技术，剥离与校正社会化媒体中数据群体极化(group polarization，团体中个人的初始状态会被集体讨论所强化，形成极端的看法)影响。
最后需要逐步探索数据收集差异化带来的转化差异。要做线上和线下对比，找出线上、线下的差距，比如在满意度调查中，5分制和10分制的线上和线下转化过程，线上的这些语言和线下的关系，从一类或者一个行业的差距中去分析、权衡，找到比较好的对比。
国外崇尚小而美的公司，市场研究行业，有专业的抽样公司、招募公司，所以执行公司如果能针对现有的数据采集缺陷，形成细分的专业技术也同样是有竞争优势的。
四、以优质的数据资源成为数据生态中的一份子
未来的数据应该是各种数据资源的融合。因为任何单一数据源都有自身的不足，多数据源之间关联也会产生更强的价值。现在在数据领域的问题已经不是十年前的数据匮乏，而是信息过载。优质信息的提供才是最有价值的。这个世界需要大数据而不是烂数据;需要价值数据而不是垃圾数据。
所以对于执行公司，如何获得丰富高质的数据是可以不断探索的。现在行业中调研吧、pad访问等，运用新的技术、新的模式，提升受访者质量和访问质量的做法都是非常有价值的探索。
市场研究的数据结构化强，信息有深度，是有独特的数据价值的。如果我们可以把自身的数据源做成高质量的数据，并通过研究技术与其他数据源进行整合，则会在未来数据生态中树立自己的地位。