如今我们可以轻松地从云端雾端，或者某些静态设备(static device)收集数据，但是这些数据无法量化客户体验时的情感。大型企业利用无处不在的信息感知移动设备(information-sensing mobile devices)、软件日志(software logs)、摄像头、麦克风、射频识别(RFID)读取器以及其他的科技手段来尽可能地对所有数据加以利用。然而，我们有如此之多的设备来记录各类数据，却在情感数据的搜集上存在一个黑洞。企业们需要着手制定计划来填补这一虚空。

当大数据分析者和专家们在讨论用户体验和参与度的衡量标准时，92%的人甚至都不会用到“情感”这一词语。而情感的价值在于，它能提供必要的情景，通常还能帮助我们对用户的行为、回忆以及目的进行更好的预测。

在 “情感罗盘”缺失的情况下，对大数据的客观分析能够非常精确地定义一次互动或经历。但只有在情感数据中，我们才能找到“某人是否会记住这次经历?”这类问题的答案。情感数据能促使人们将事实和感知，以及那次经历的可能蕴意融合在一起。情感数据的黑洞正是通过这种方式来影响查全率的预测性建模(predictive modeling for recall)。

我们的研究显示，医生们记住特定的病人，并不是因为他使用了某种疗法或者获得了何种成功，而是因为病人的表现或治疗结果让他有所感觉和触动。如何判断医生是否有记住某位病人?最有效的方法或许就是看那名医生对病人的记忆中掺杂了多少情感。

大卫·盖勒特(David Gelernter)是耶鲁大学一位备受尊重的计算机科学教授。他在他的书中精心构造了以下原理。

“当一位医学专家记住一名病人，他并不只是记住一串文字。他记住的是一次经验，其中包含着繁若星辰且互相关联的感知。当然他也会记住某些词语——一个名字、一次诊断，又或者别的东西。但他还记住了病人的长相、声音、他们相见时的感觉(自信，迷惑?)……显然，这些未被记录下来的感知包含着庞大的信息量。人们可以回忆过往的经历，体会其中储存的感知。但是(在进行大数据分析时)，我们只是将‘记忆’简化为单纯的文字，将其迅速归类、评估、归类、评估，结果遗漏了大量的信息。一幅‘会当凌绝顶，一览众山小’的壮丽景象，就这样变成了一张模糊的黑白小照片。

此外，模拟的回忆过程——即把案例从数据库中调出——和真实的回忆过程之间是有很大差别的。对人类而言，一段经历意味着一系列连贯的感觉，这些感觉被打包保存在仓库中以便日后回味。而回忆过程是相反的：一系列的连贯感觉被从仓库里取出并再现——即将那些储藏起来了的感觉重新经历一遍。打个比方，人们记在脑海中的经历比磁带记录下的经历更加生动，虽然最初的一些细节可能会变得模糊，甚至完全缺失，但大体上，回忆者仍能体会到最初的经历。换句话说，对人类而言，回忆并不只是对过往经历进行检索，而是重新体验一次最初的经历。”

要填补大数据中的这一黑洞，捕捉情感数据并将其与更加传统的数据合为一体，唯一的方法就是制定获取情感数据的相关计划，细心设计数据收集过程。只有先确立这一目标，才能了解用户的情感与心声，完整地描绘出他们的体验。