也是说，不是亚马逊推荐的每本书都是顾客想买的书。但是，如果相关关系强，一个相关链接成功的概率是很高的。我们理解世界不再需要建立在假设的基础上，这个假设是针对现象建立的有关其生产机制和内在机理的假设。
　　因此，我们也不需要建立这样一个假设，关于哪些词条可以表示流感在何时何地传播；我们不需要了解航空公司怎样给机票定价；我们不需要知道沃尔玛的顾客的烹饪喜好。取而代之的是，我们可以对打数据进行相关关系分析，从而知道哪些检索词条是能显示流感的传播的，飞机票的价格是否会飞涨，哪些食物是飓风期间待在家里的人想吃的。
　　我们用数据驱动的关于大数据的相关关系分析法，取代了基于假想的易出错的方法。大数据的相关关系分析法更准确、更快，而且不易受偏见的影响。建立在相关关系分析法基础上的预测是大数据的核心。这种预测发生的频率非常高，以至于我们经常忽略了它的创新性。当然，它的应用会越来越多。
　　在社会环境下寻找关联物只是大数据分析法采取的一种方式。同样有用的一种方式是，通过找出新种类数据之间的相互联系来解决日常需要。比方说，一种称为预测分析法的方法被广泛的应用于商业领域，它可以预测实践的发生。
　　比如车的某个零部件出故障。因为一个东西要出故障，不会是瞬间的，而是慢慢地出问题的。通过收集所有的数据，我们可以预先捕捉到事物要出故障的信号，比方说发动机的嗡嗡声、引擎过热都说明它们可能要出故障了。
　　系统把这些异常情况与正常情况进行对比，会知道什么地方出了毛病。通过尽早的发现异常，系统可以提醒我们在故障之前更换零件或者修复问题。通过找出一个关联物并监控它，我们能预测未来。
　　在小数据时代，相关关系分析和因果分析都不容易，都耗资巨大，都要从建立假设开始。然后我们会进行实验——这个假设要么被证实要么被推翻。但由于两者都始于假设，这些分析都有受偏见影响的可能，而且极易导致错误。
　　与此同时，用来做相关关系分析的数据很难得到，收集这些数据时也耗资巨大。现今，可用的数据如此之多，也不存在这些难题了。
　　通过找出可能相关的事物，我们可以在此基础上进行进一步的因果关系分析，如果存在因果关系的话，我们再进一步找出原因。
　　这种便捷的机制通过严格的实验降低了因果分析的成本。我们也可以从相互联系中找到一些重要的变量，这些变量可以用到验证因果关系的实验中去。相关关系很有用，不仅仅是因为它能为我们提供新的视角，而且提供的视角都很清晰。
　　在小数据时代，我们会假想世界是怎么运作的，然后通过收集和分析数据来验证这种假想。在不久的将来，我们会在大数据的指导下探索世界，不再受限于各种假想。我们的研究始于数据，也因为数据我们发现了以前不曾发现的联系。
　　总之，除了纠结于数据的准确性、正确性和严格度之外，我们也应该容许一些不精确的存在。数据不可能是完全正确或完全错误的，当数据的规模以数量级增加时，这些混乱也算不上问题了。
　　事实上，它可能是有好处的，因为它可能提供一些我们无法想到的细节。又因为我们用更快更便宜的方式找到数据的相关性，并且效果往往更好，而不必努力去寻找因果关系。
　　当然，在某些情况下，我们依然要静心做因果关系研究和试验。但是，在日常很多情况下，我们知道“是什么”够了，而不必非要弄清楚“为什么”。