馬雲曾經分享過這樣一個結論：在中國，浙江女性的胸最小。這個結論是如何得出來的呢？就是通過阿里巴巴的大數據，發現淘寶銷售的胸罩中，賣到浙江去的胸罩平均尺寸最小。
大數據對於我們的意義絕不只是可以獲得一些信息，在理解它的過程中，我們還可以改變自己的思維方式。
大數據思維關注的是相關性，而非因果關係，意即它強調的是人與人、人與事物、事物與事物之間的相互關係。
十年前的一個夏天，科學家們在研究游泳溺水事件時，發現了一個有趣的現象：冰淇淋銷量的増長和溺水而死的人的増長趨勢完全一致，也就是説隨着冰淇淋銷量的増長，溺水而死的人在直線上升。
這一現象告訴我們，隨着天氣變熱，吃冰淇淋的人増多，游泳的人也増多，淹死的人自然就増多。在這裏，冰淇淋銷量和溺水人數之間存在的只是相關性，而非因果關係。
利用大數據提升實用思維包含以下四個要點：
第一點：傳統的因果思維是有問題的。
這個世界是複雜的，而且正在受到越來越多的因素的干擾，變得越來越複雜，所以很多時候對許多現象我們並不能準確地找到原因。倘若一定要強行尋找原因，那麼結果必定適得其反。
就像期貨投資思維強調的一樣，這世界上本沒有因果，只是我們把事情想成了因果關係。
第二點：注重相關性，才是更有效率的思維方式。
作為全世界最大的連鎖超市，沃爾瑪的數據分析師發現，當把啤酒和嬰兒紙尿褲擺放在一起時，會大幅提高二者的銷量。
為什麼會這樣呢？是因為帶孩子的爸爸變多了嗎？還是因為人們在買啤酒的時候有點愧疚，希望展現一下自己有責任心的一 面？
沒人知道。原因並不重要。
沃爾瑪在發現了這一相關性後，迅速調整貨架佈局，將這兩種貨物擺在一起，結果既提高了銷量，又便利了顧客。
為此很多顧客讚歎：“沃爾瑪居然知道我心裏在想什麼。實際上，沃爾瑪並不知道顧客在想什麼，也從不曾研究過造成這一現象的原因，但這沒關係，因為它並不妨礙沃爾瑪做出正確的決策，做出快速反應。
第三點：相關性需要全樣本。
樣本就是我們做觀察和調研的時候抽取的一部分數據，它對於做決策具有很重要的作用。在大數據當中，正是樣本規模的改變，導致了決策思維的改變。
隨着互聯網和計算機技術的發展，大數據和全樣本變得可能了，我們當然沒有理由不去利用這種便利。
第四點：面對全樣本，需要我們有理解抽象數據的能力。
作為全面跟蹤中文圖書市場零售數據的平台，“開卷”已經存在了十幾年。它為出版業提供不同渠道和不同時間的數據。不過當時圖書行業對於數據的利用主要用於書籍上市後，在數據平台上監測銷售的好壞，這決定着是否趕緊加印，以避免市場上斷貨。
為什麼數據沒有得到充分的利用，沒有參與到製作流程裏來呢？就是因為當年相當多編輯不清楚如何解讀這些數據，缺乏理解抽象數據的能力。
還有一個特別有意思的事實，很多經濟類、計算機類的書賣得比較好，一方面固然是由於讀者羣剛需較大，另一個重要的原因還在於人們出於提升理解數據的能力需要。
同樣的大數據，在看不懂的人眼中，就是一堆亂碼，但是在有抽象數據能力的人眼中，就有了週期，有了規律，還藴藏着讀者的需求。原因就在於這些人具有宏觀性、系統性的思維。
“讀客”是另外一個靠數據成功的例子。2017年，讀客圖書估值超20億，在業界號稱“單品之王”，其創始人華杉、華楠兩兄弟均是做戰略諮詢出身。
千萬不要認為有了全樣本就足矣，你一定要同時具備理解數據的能力。因為小樣本的本質是訓練人的感覺，大樣本的本質是訓練方法、訓練思維方式。而要建立抽象數據的思維能力， 是需要練習的。
鑑於數據分析能力比較抽象，一個人練習極易走進死衚衕，所以一定要與他人交流，互相矯正。
下面這個小練習不妨一試：下載一個“國務院” App，找一個小夥伴，利用每天睡覺前五分鐘的時間，看一個小的數據總結，比如去年的房地產數據、保險業數據、統計局數據等，以此培養自己的數據分析能力。次日再抽出十分鐘，與小夥伴互相討論。
舍恩伯格在《大數據時代》一書中提出：大數據具有模糊性，可以不追求精確。
數據越精確，需要的數據量就越大，但數據的收集成本也越大，我們最終追求的是以最高效率達到可靠結論，所以如果能做到精確，當然可以，但最重要的是要權衡這樣做的成本和收益。
奧地利數據科學家舍恩伯格，在《大數據時代》一書中説，大數據開啓了一次重大的時代轉型，人們不再認為數據是靜止的陳舊的，而是成為一種戰略資產，一項可以創造新的經濟價值的投入。