Big data(大数据)就如同很多被过度炒作的趋势，当很多公司真的把「Big data」应用到公司运作时，就会发现真实情况与媒体(中枪)说的完全不一样。也许我们很了解如何收集数据，可是将数据分析出有用的资讯，协助你作出正确的决定又是另一回事。Big data 跟 Big knowledge 中间隔了一道河，难以跨越，一大堆看不懂的数据中只有少少的洞见。应用 Big data，绝对不是「收集数据、执行程式分析数据、汇出结果」这三句话说得那么轻松。

Kholsa Ventures 的投资伙伴 Keith Rabois(曾经投资多家 Big data 公司例如 Parstream)直言，要把这些数据转化成有用的资讯，需要专业的数据分析师来进行复杂的分析，但额外聘请一位分析师并非新创企业可以负担。

对于那些有财力的公司，有些则希望分析师可以建构程式或演算法来协助处理数据，可是这又是另一个额外的全职工作了，本来已经在分析数据的分析师根本没时间再做这件事。最终即使真的建构了这套工具，也不一定能对复杂的问题提出直接的答案。想要完全依靠 Big data 来决定公司决策，目前来说并不实际。

大数据分析是先知吗?

在许多方面，大数据当然也能准确预测结果，例如飞机与水源系统，透过数据分析可以了解零件何时会损坏，作出提早更换。不过一旦牵涉到「人」，就会产生许多不确定的因子。棒球界其实早就在使用 Big data 来计算球员的表现，该演算法名为 Sabermetrics，用来协助分析每一位球员最适合的位置是那一个。他们还制作出一套名为 WAR 的统计方法，计算球员受伤时，球队换上后备队员后会损失多少。尽管这些计算方式非常精密，能够了解每位球员的投球准确率，但它无法计算出球员的抗压性、对棒球的热情，以及队长跟队员之间的关系等等。

同样的例子，假如公司的人力资源部门使用 Big data 来计算员工学历得分，但一些无形的技能例如人际沟通技巧等等难以被计算，这些误差足以让一间公司在招聘员工时找错了人。人为因素，依然是影响统计的最大变数。

将判断留给人

IBM 推出了一款医疗用途的智慧诊断平台 IBM Watson，可以根据病人的身体情况提供医生治疗上的建议与用药。这个平台并非要取代医生，也不会代替医生诊断疾病为何，而仅仅是作为医生的助手，协助忙碌的医生专注在他的专业上，而不用花时间在每天重覆的杂务。最终也最重要的判断，依然是留给医生决定。把 Big data 运用在直接给出答案的事情上，复杂的判断则留给人类，这才是应用 Big data 的最佳办法。

Data Divination: Big Data Strategies 的作者 Pam Baker 认为未来的资讯将爆炸性成长，也许很快我们的脑袋便无法跟上资讯产生的速度，而不得不依靠机器来替我们做决定。不过在目前的世界，Pam Baker 承认，数据仅能针对部分问题提供直接的答案，大部分时候(特别是当人为因素牵涉其中时)，统计结果依然充满了不确定性。其实早就有句老话「尽信书不如无书」，这些名言的智慧依然适用在现今世界。