依靠直覺進行盲目決策，是很多企業領導者容易跌入的坑。如今，大數據為這一風險提供了規避途徑，日益受到企業青睞。

谷歌內部正用數據進行“即時預報”，比如根據6月份的第2周汽車銷售的查詢數量，預測出幾周后發布的6月汽車銷售報告。

美國運通公司正通過分析數據監控查找違規者。如果有人在美國運通卡上存入大額賬款，再在佛羅里達州注冊一個轉寄地址，他很可能在利用該州不嚴格的破產法鉆空子。

亞馬遜則申請了一項包裹運輸預測系統的算法專利，它根據消費者的網站停留時間、商品瀏覽時間、點擊及停留的鏈接和愿望清單等，來預測他的購買情況，從而盡可能減少運輸、庫存和供應鏈成本。

英國網絡服務公司沙贊（Shazam），讓200個國家的4億用戶，使用自家產品查找歌曲、電視節目和廣告，從而建立了一個巨大的用戶偏好數據庫，沙贊聲稱，自己能夠準確預測哪些群體 / 藝術家 /曲目會取得成功。

麻省理工斯隆管理學院教授安德魯。麥卡菲（Andrew McAfee）甚至建議，人類應該盡量減少對經驗判斷的依賴，更多地依靠數據驅動型硬性算法的結果。他認為，大量研究表明，在“混亂、復雜、真實”的環境中做出判斷時，基于數據的算法比專家更有可能做出正確的預測。

反對的聲音：過度預測是場騙局

這股迷信浪潮近年來越刮越烈，忠實的追隨者前仆后繼，同時也有一群激憤的反對者逐漸出現。

之前，“大數據之父”舍恩伯格在接受界面新聞記者采訪時，就曾表示，“如果對大數據解讀得過度，實際上就是濫用數據”。Thinkers50獎得主、管理學者馬丁？林斯特龍（Martin Lindstrom）也提出：“目前我們面臨的問題是，商業世界已經完全被大數據給蒙蔽了。”

谷歌對流感趨勢的分析就是一個典型事例。

谷歌依據自己的搜索結果，推測11%的美國人都患了流感。然而事實證明，龐大的搜索量很大程度上受到社交媒體造勢的影響，谷歌高估了2013年年初的流感趨勢。美國東北大學的大衛。拉澤（David Lazer）領導的研究團隊指出：“谷歌的方法是在5000萬個搜索詞中，找到適合的1152個數據點。”而在此過程中，與“流感”相匹配、但實際上與此無關的搜索詞出現概率“相當高”。

過分迷戀數據，也會影響公司前程。

Zynga公司的聯合創始人馬克。平卡斯（Mark Pincus），在公司創立之初就搭建了一套完整的數據分析系統。管理層習慣不做決策，他們只按用戶反饋意見作出反應。比如，游戲中的草地到底是設為紅色還是綠色，直接依據用戶喜好拍板。這種討好策略的確讓Zynga 在草創時期獲益良多，其最熱門的一款游戲《Farm Ville》曾創下月活躍用戶8300萬的紀錄。但時間一長，Zynga公司的新游戲產品只能同質化迭代，公司上下關注游戲商業模式創新者日益減少。隨著對手不斷推出創新型游戲，Zynga也在市值蒸發逾100億美元后，逐漸淡出主流游戲公司陣營。

學界將數據預測失敗主要歸納于兩個方面的原因——

1.對歷史數據的過度信賴

所有預測的好壞，都取決于管理者所運用的歷史數據。然而現實中，創新性業務或新產品是沒有先例可循的。歷史數據即使有，也不可靠——手機品牌商雖然擁有手機購買和使用體驗等方面的大量歷史數據，但手機的類別已經今非昔比。

2.管理者總是怎么方便怎么選

對于一些很重要、但不方便采集的數據，人們常常會選擇性忽視。很多專家學者認為，如果金融機構將采集的范圍擴大，也許可以避免2008年金融危機的發生。

此外，企業的大數據研究，云服務器租用，已經成為一場軍備競賽。Facebook花了將近四年時間，域名購買 directadmin購買，才建立了一個超過30人的數據團隊，而維持該平臺的常規運行需要超過100名數據分析專家，LinkedIn公司建立起自己的大數據部門用了整整六年時間。這顯然不是每一個普通公司都可以承擔的。

數據只能預測簡單事務，復雜決策別指望它

這樣看來，數據可以很好地預測一些事情，比如去某地度假是否會下雨，鳥類是否會以預定的途徑遷徙，然而我們卻很難準確預測出股價走勢、有多少人會買一款新型汽車、鼓勵健康飲食是否能達到理想的效果。

《讀懂你的客戶：基于大數據的消費者戰略》一書提出了一個新觀點。它認為數據本身沒有錯，數據預測的兩極化效果，主要在于簡單系統和復雜系統的區別：

“簡單系統，是用一個模型就可以把握所有或大部分變化的系統……而復雜系統內部，則有許多以非線性方式相互作用的因素。”