Miss Power两年前，还是社会学专业的我最喜欢翘的课叫做”社会统计学”，与其听着传统死板的抽样调查与回归分析，我更喜欢和一个做数据挖掘的数学系同学四处溜达。“数据挖掘（Data mining）是什么？”她跟我举了一个最简单的例子：“沃尔玛通过对超市里人们购买行为的大量数据分析，发现男人们来买啤酒的时候，通常也会买尿布。这样的发现就让超市将尿布和啤酒摆放在一起出售，从而提高利润。”

“严谨的社会学训练”让我几乎在当时就开始思考“为什么？”它面向过去，面向所有已经发生的事实，试图通过信息收集和逻辑假设来说明一个道理：“人类社会中某种事情的发生，是因为A及B因素的作用。”

我意识到，这与《大数据时代》中所提出的”大数据思维“的三个层面正好截然相反：

1、不是因果关系，而是相关性。大数据思维只关注”相关性“，而不再关注因果关系。也就是说，沃尔玛知道尿布和啤酒、手电筒与pop-tarts蛋挞的销量具有正相关性，就足够做出将两个物品摆放在一起销售的决策了。它并不需要去分析原因，因为只要知道这件事情”正在发生“或者”即将发生“，企业就完全能够做出正确的决定。

2、“样本=全部”—不是随即样本，而是全部数据。《大数据时代》也对传统意义上的统计学构成了冲击。在这样一个我们有足够强大的数据搜集和数据处理能力的时代，样本不再是万分之一，而转变成了“样本=全部”，样本，就是万分之一万。传统意义上的统计学的随机抽样方法中有一条极其明智的真理：“采样分析的精确性随着采样随机性的增加而大幅提高，但与样本数量的增加关系不大。”可以说，“样本分析”奠定了绝大多数科学研究的基础。而大数据时代，全数据分析的模式将全面替代“样本分析方式”。

3、不是精确性—而是混杂性。数据量的显著增大也必然会让我们付出一些代价—一些不准确的数据会混入数据库，结果也可能不准确。这就是大数据时代的另一种思维—“不是精确性，而是混杂性”。 对“小数据”而言，最重要的要求就是减少错误。而在大数据的采集里，在技术尚未达到完美无缺之前，混乱是无可避免的。虽然我们得到的信息不再那么准确，但收集到的数量庞大的信息让我们放弃严格精确的选择变的更为划算。