在接下来的内容中，我们将探讨许多用户建模过程中需要考虑的一个重要问题：哪些类型的大数据能够被AI算法用于构建模型，从而提高营销效率？我们将提供一个简单明了的判断标准。

我们讨论了用户需求以及第三方数据的应用。一个常见的问题是：能否利用第三方数据来提升营销效率？例如，是否可以从大量的电话号码列表中找到更精准的目标客户，从而降低电话营销成本？或者能否识别更多精准目标客户，从而降低广告投放成本，提高转化率？

为了回答这个问题，我们需要从不同的角度审视大数据中的数据。首先，我们需要关注大数据中的属性（列/字段/标签）是反映“事实”还是“观点”。比如，“身份证号码”这一属性，如果数据准确无误，就是一个典型的“事实”，从中可以推导出性别、年龄和地区等信息。而“游戏用户”这一标签则属于“观点”，因为其背后的成因可能包括浏览过网游内容或下载过网游APP等行为。然而，这些行为本身是“事实”。

例如，假设有一个属性“下载网游APP”，并记录了下载时间、类别和名称等细节，这些都是“事实”。因此，“观点”通常是基于多个“事实”得出的结论。从这个角度来看，兴趣标签基本上都是“观点”数据。当然，有些情况会更复杂，如“性别”属性。如果性别信息是从身份证号码推导出来的，那么它就是“事实”；但如果性别是通过用户的浏览行为预测出来的，则属于“观点”。我们曾做过一项测试，将公司所有员工的手机设备号信息提交给一家大数据服务商，观察其生成的标签信息。在性别属性方面，多次测试后发现其准确率只有大约50%，几乎相当于随机猜测。

我们的判断标准是：只有基于“事实”的大数据才有可能被用于构建模型以提高营销效率。“事实”的维度越高、更新速度越快、颗粒度越细，其价值也就越大。

那么，为什么“观点”数据不合适呢？主要有两个原因：首先，当前优化算法大多采用高维甚至超高维的数据，而第三方数据往往具有低维度和粗颗粒度的特点。在这种情况下，用低维度的“观点”数据来补充高维度的“事实”数据，实际上并不符合逻辑；其次，“观点”数据是对“事实”数据的抽象和概括，其准确性通常较差，无法满足模型构建的需求。例如，某人可能在8月浏览了一次某A品牌的汽车介绍网页，并且浏览了几十页关于B品牌的汽车内容。在这种情况下，该用户可能会被打上“A”、“B”和“汽车”的标签。但我们可以很容易地发现，这些标签的颗粒度、时效性和准确性都无法得到充分保证。模型构建需要的是底层细节数据，如“观看时间”、“A品牌出现的次数”、“访问A品牌网站的停留时间”、“B品牌出现的次数”以及“访问B品牌网站的停留时间”等。

由此可见，使用一些第三方提供的所谓标签大数据对于模型构建并没有实际价值，因为这些数据大多是“观点”而非“事实”。同样，将人群数据提交给大型平台，由平台利用原始数据进行建模，确实可以提高效率。这是因为大型平台使用的是最底层的细节数据进行建模。

综上所述，为了提高模型效果，我们需要的是细节丰富、实时更新且基于“事实”的数据，而不是笼统且抽象的“观点”数据。这是一个直观且简单的判断标准。