當一個時代浪潮洶涌而來時，能夠堅持理性看待和分析問題的精神是難能可貴的。

維克托·邁爾·舍恩伯格教授在《大數據時代》中提出，在大數據時代，我們處理數據的理念要完成三大轉變：要全體不要抽樣，要效率不要絕對精確，要相關不要因果。大數據的力量如此耀眼，但我們必須避免被它的光芒誘惑，并善于發現它固有的瑕疵。

情況一：忽視小數據

19世紀60年代，日本人非常重視中國石油行業的發展。在中國官方對外播發的宣傳中國工人階級偉大精神的文章和照片中，日本信息專家逐漸摸清了中國大慶油田的具體方位、規模及產量。從而設計出適合中國大慶油田的采油設備，做好了充分的奪標準備，最終獲得巨額訂單，使西方石油大國目瞪口呆。小數據仍然會在一個相當長的時期內發揮重要作用。但小數據通常是弱信號，出現的頻次低，往往被決策制定者們忽略。

情況二：誤用大數據

如果我們問理發師，我們的頭發是不是應該修剪一下，可能他甚至會讓我們換個造型，無論抽查多少理發師樣本，結果都是這樣。我國企業正在摒棄以往“閉門造車”的管理模式，主動引導消費者群體參與其業務流程管理中的各項活動，并根據互動反饋完成產品優化創新。同樣的，企業面向顧客的問卷調查中，顧客的意見我們是不是就該全盤接受呢？在經濟生活中，人本質上還是自利的，他人的理性并不能成為我們的理性。很多調查結果的產生可能只是利益相關者希望通過企業這方面的改變獲得更大的利益。

情況三：因果倒置

許多喜歡健身的人會選擇游泳作為他們的塑身方式，理由很簡單：游泳運動員的體形都是那么勻稱協調。而事實的情況是，由于運動員們具有那樣的身材體形，他們才會游出常人無法取得的成績。另外，報刊上經常會有文章證明，良好的員工激勵會創造更高的企業利潤。果真如此嗎？是不是因為員工所在的公司經營得好，才使得員工積極性更高呢？對數據間的因果關系不是必須首先厘清的。

情況四：錯誤因果

一位企業地區負責人，他將員工中最不積極的3%送進一個激勵培訓班，想以此來促進企業員工的積極性，下次調查時果然這些人中的一大半都不在最差的3%中了。可是，是激勵班效果突出呢，還是僅僅因為原先那3%發揮失常績效不高而現在恢復正常了呢？不論企業的利潤、高層的領導能力還是員工的績效水平，都不是常量，而是一個波動的過程，在低谷處即使沒有外力作用也會回歸均值。企業不能盲目地為提高的一點點績效而欣喜，因為背后可能是不相關的成本付出和毫無意義的員工勞動。

情況五：看不到的因果

當海量的數據被企業所收集，當大數據的思想被應用到實踐中去，一個尖銳的問題擺在我們眼前，如何看出數據的相關關系呢？很多數據不會以一種正相關或者負相關的簡單方式存在。這時我們仍然需要運用“經驗—猜想—驗證”這一總結因果關系的經典流程。雖然這一時代“數據為王”，但人的價值就在于其基于對企業現象深刻理解所提煉出的關鍵要素。

當一個時代浪潮洶涌而來時，能夠堅持理性看待和分析問題的精神是難能可貴的。