在大数据时代，我们不仅拥有了更多更全的数据，而且对数据本身的理解也发生了革命性的变化，这一变化颠覆了千百年来人类的思维惯例，对人类的认知和与世界交流的方式提出了全新的挑战。
　　允许不精确
　　过去100多年里，统计学家一般是采用抽样分析，用少量数据说明问题。因为那时还不具备采集、储存和处理海量数据的手段，是“小数据”时代。对“小数据”而言，最基本、最重要的要求就是减少错误，保证质量。因为收集的信息量比较少，一点细微的错误就有可能影响整个结果的准确性。
　　然而到了大数据时代，随着数据量的大幅增加，一些错误的数据也会混进数据库，这是无法避免的，如果我们还要求所有数据都没有瑕疵，这就行不通了。假设你要测量一个葡萄园的温度，如果整个葡萄园只有一个温度测量仪，那你就必须确保这个测试仪是精确的而且能够一直工作。但是，如果每棵葡萄树就有一个测量仪，我们就没办法保证每个测量数字都是精确的，有些测试的数据可能会是错误的。不过没关系，众多的读数合起来就可以提供一个更加准确的结果，不但能抵消掉错误数据造成的影响，还能提供更多的额外价值。
　　其实，在日常生活中，我们已经意识到了这种差别。例如，一个小商店要把收银台里的每分钱都数清楚，但是我们不会、也不可能用“分”这个单位去精确计算国民生产总值。在这个大数据时代，追求精确度已经变得不可行，甚至不受欢迎了。数据纷繁多样，优劣掺杂，分布在全球多个服务器上，面对这种情况，适当忽略微观层面上的精确度，会让我们在宏观层面拥有更好的洞察力。
　　不要问为什么
　　拥有了大数据，我们不再需要对一个现象刨根问底，只要掌握大体的发展方向即可。这不仅表现在精确度上，更表现在对因果关系的理解上。寻找因果关系是人类长久以来的习惯，我们常常喜欢问“事情为什么这样，而不是那样？”以便对症下药。但到了大数据时代，我们只需要寻找事物之间的关系就可以了，追求因果关系耗费太大，用途却不大。如果A和B经常一起发生，我们只需要注意到如果B发生了，就可以预测A也发生了，而不必考虑事情发生的原因。比如，你要经过一条经常堵车的高速公路，我能告诉你这条路什么时候会堵；当你堵在路上时，我会告诉你什么时候会通；但我不会告诉你为什么会这样，因为我也不知道。
　　以全球最大的购书网站亚马逊为例，它们储存了大量读者购书的数据，比如说，客户只关注什么书，关注了多久却没有购买，又购买了什么书，等等。然后通过大数据的分析，为客户推荐新书。亚马逊的这套计算机推荐系统只是梳理出了有趣的相关关系，并不知道背后的原因，却使其销售量大幅上涨。
　　相关关系也许不能准确地告知我们某件事情为何会发生，但是它会提醒我们这件事情正在发生。在许多情况下，这种提醒的帮助已经足够大了。如果电子医疗记录显示橙汁和阿司匹林的特定组合可以治疗癌症，那么能够治疗的原因就没有这种治疗方法本身来得重要。