深度学习在大数据库分析方面的优势越来越明显，它可以从中摸索出规律并得出洞见。不难想象有一天，企业能够广泛整合各种数据库，以更高的水准和更强的分析能力来识别消费者需求，并利用所得信息进行精准的市场营销。
　　深度学习和普通数据分析究竟有何不同？它是实现了质的飞跃，还只是稍有改进？为了比较两者的作用，作者研究了一个与信用卡市场相关的大型数据库，探寻多层次深度学习模型是否可以比传统模型更准确地预测人们对信用卡的选择。

　　该数据库源自大型信用卡网络供应商NerdWallet，其中包括点击流、人口统计和广告曝光等相关信息。作者利用这个数据库比较了三种顾客选择信用卡的模型。第一种是简单线性回归模型，第二种是简单的深度学习模型，第三种是简单深度学习模型的加强版。
　　根据分析，两种基于深度学习的模型都能够比传统方法更准确地预测用户对于信用卡的选择。然而，改进并没有预期的那么大：简单线性回归模型的准确率为70.5%，简单深度学习模型的预测准确率稍高一些，为71.7%，复杂深度学习模型的预测准确率为73%。
　　既然深度学习对选择预测的改进有限，市场营销部门是否还有必要投资该技术并开发其关键能力？作者认为，和传统的数据分析相比，深度学习带来的预测准确率的小幅提升，在多数情况下不大可能产生足够丰厚的回报，因此不值得大举投资。在试水之前，企业不但要考虑可能的收益，还要考虑执行的风险和成本。
　　深度学习的主要缺点在于很难确定哪些变量能对消费者的选择产生更大的影响。是信用卡旅行奖励还是低利率？由于变量是通过众多影响选择的潜在层进行处理的，因此很难衡量其中某一个变量的影响。营销经理的直觉判断很难与模型结果相关联，這将使深度学习的实施变得困难。
　　当然，还有其他因素需要考虑。获取深度学习技术需要成本，实施该技术也需要相关人员，同时还可能导致额外数据成本。除此之外，即使使用当今的快速计算机，深度学习模型也需要大量的计算资源，并且可能需要较长的运行时间。大多数情况下，除非预测准确性的小幅提升能够大大降低成本或增加收益，否则用深度学习取代传统数据分析缺乏充足的理由。
　　尽管如此，作者仍然认为，某些情况下深度学习前景光明。与传统的线性回归模型相比，深度学习在分析包括图像和非数值数据在内的“丰富”数据库方面具有显著优势。这些丰富数据涵盖了用户生成的所有信息（例如亚马逊评论、Instagram帖子、脸书帖子以及公司网站上的评论），其潜在价值是巨大的。
　　深度学习特别适合识别异质和非结构化数据中的模式。例如，有一种基于深度学习的模型可以帮助汽车设计师预测消费者对绘图板上的汽车原型有何反应，同时也可产生新产品创意。另一个案例中，研究人员根据客户的新闻消费行为创建了一个模型，以预测他们将来阅读新闻的习惯。最近，企业已经开始使用深度学习来分析消费者在社交媒体上发布的品牌服装图片，同时预测哪些商品的客户退货率最高，哪些优惠券产生的利润最大。
　　随着基于深度学习的新算法和更丰富的数据库的出现，深度学习有望提供更好的结果。