《飘》、《汤姆叔叔的小屋》之类的小说和故事在全社会激起的是强烈的“情感”共鸣，和故事相比，数据没有情节，它仅代表客观事实，数据激发的，更多的是理性思考。
　　作为理性的人类，我们不会仅仅满足于感情的宣泄，而是希望通过数据掌握更多的事实，进行理性思考。
　　在当今时代，不缺乏的是信息。信息消费了什么，这是很明显的：它消费的是信息接受者的注意力。信息越丰富，会导致注意力越匮乏……
　　当今，信息并不匮乏，匮乏的是我们处理信息的能力，我们有限的注意力是组织活动的主要瓶颈。卡内基梅隆大学的赫伯特·西蒙指出，人类的理性是有限的，因此所有的决策都是基于有限理性的结果。他继而提出，如果能利用存储在计算机里的信息——即数据来辅助决策，人类理性的范围将会扩大，决策的质量能提高。
　　在大数据时代，人类社会面临的问题之一是如何更好的利用数据来辅助决策。

　　对小数据而言，基本重要的要求是减少错误，保证质量。因为收集的信息量比较少，所以我们必须确保记下来的数据尽量精确。
　　无论是确定天体的位置还是观测显微镜下物体的大小，为了使结果更加准确，很多科学家都致力于优化测量的工具。在采样的时候，对精确度的要求更苛刻了。因为收集信息的有限意味着细微的错误会被放大，甚至有可能影响整个结果的准确性。
　　然而，在不断涌现的新情况里，允许不精确性的出现已经成为一个新的亮点，而非缺点。因为放松了容错的标准，人们掌握的数据也多了起来，还可以利用这些数据做更多新的事情。这样不是大量数据优于少量数据那么简单了，而是大量数据创造了更好的结果。
　　谷歌的翻译更好并不是因为它拥有一个更好的算法机制，是因为谷歌翻译增加了各种各样的数据。2006年，谷歌发布的上万亿的语料库，是来自于互联网的一些废弃内容。
　　谷歌将其作为“训练集”，可以正确地推算出英语词汇搭配在一起的可能性。谷歌的这个语料库是一个质的突破，使用庞大的数据库使得自然语言处理这一方向取得了飞跃式的发展。
　　同时，我们需要与各种各样的混乱做斗争。混乱，简单的说是随着数据量的增加，错误率也会相应增加。所以，如果采集的数据量增加1000倍的话，其中采集的部分数据可能是错误的，而且随着数据量的增加，错误率可能也会继续增加。
　　在整合来源不同的各类信息的时候，因为他们通常不完全一致，所以也会加大混乱程度。虽然如果我们能够下足够多的功夫，这些错误是可以避免的，但在很多情况下，与致力于避免错误相比，对错误的包容会带给我们更多好处。
　　如果将传统的思维模式——精确性运用于数据化、网络化的21世纪，会错过重要的信息，执迷于精确性是信息缺乏时代的产物。当我们掌握了大量新型数据时，精确性不那么重要了，不因为依赖精确性，我们同样可以掌握事情的发展趋势。
　　大数据不仅让我们不再期待精确性，也让我们无法实现精确性。然而，除了一开始会与我们的直觉相矛盾之外，接受数据的不精确和不完美，我们反而能更好地进行预测，也能更好的理解这个世界。
　　相比依赖于小数据和精确性的时代，大数据因为更强调数据的完整性和混杂性，帮助我们进一步接近事实的真相。“部分”和“确切”的吸引力是可以理解的。但是，当我们的视野局限在我们可以分析和能够确定的数据上时，我们对世界的整体理解可能产生错误和偏差。
　　不仅失去了去尽力收集一切数据的动力，也失去了从各个不同角度来观察事物的权利。所以，局限于狭隘的小数据中，我们可以自豪于对精确性的追求，但是，算我们可以分析的到细节中的细节，也依然会错过事物的全貌。
　　像印象派的画风一样，近看画中的每一笔都感觉是混乱的，但是退后一步你会发现这是一副伟大的作品，因为你退后一步的时候能看出画作的整体思路了。
　　这是大数据时代，思维方式的一个改变，不执着于对精确性的追求，拥抱混乱。另外一个思维方式的转变则是，更加重视相关关系，而不偏执于基于假设基础上对因果关系的追寻。
　　在小数据的世界中，相关关系也是有用的，但在大数据的背景下，相关关系大放异彩。通过应用相关关系，我们可以比以前更容易、更便捷、更清楚地分析事物。
　　相关关系的核心是量化两个数据值之间的数理关系。相关关系强是指一个数据增加时，另一个数据值很有可能也会随之增加。比如谷歌的流感趋势：在一个特定的地理位置，越多的人通过谷歌搜索特定的词条，该地区有更多的人患了流感。
　　相反，相关关系弱意味着当一个数据值增加，另一个数据值几乎不会发生变化。例如，我们可以寻找关于个人的鞋码和幸福的相关关系，但会发现它们几乎扯不上什么关系。
　　相关关系通过识别有用的关联物来帮助我们分析一个现象，而不是通过揭示其内部的运作机制。当然，即使是很强的相关关系也不一定能解释每一种情况，比如两个事物看上去行为相似，但很有可能只是巧合。相关关系没有，只有可能性。