依靠直觉进行盲目决策，是很多企业领导者容易跌入的坑。如今，大数据为这一风险提供了规避途径，日益受到企业青睐。谷歌内部正用数据进行“即时预报”，比如根据6月份的第2周汽车销售的查询数量，预测出几周后发布的6月汽车销售报告。
　　亚马逊申请了一项包裹运输预测系统的算法专利，它根据消费者的网站停留时间、商品浏览时间、点击及停留的链接和愿望清单等，来预测他的购买情况，从而尽可能减少运输、库存和供应链成本。
　　麻省理工斯隆管理学院教授安德鲁？麦卡菲（Andrew McAfee）甚至建议，人类应该尽量减少对经验判断的依赖，更多地依靠数据驱动型硬性算法的结果。他认为，大量研究表明，在“混乱、复杂、真实”的环境中做出判断时，基于数据的算法比专家更有可能做出正确的预测。
　　这股迷信浪潮近年来愈演愈烈，忠实的追随者前仆后继，同时也有一群激愤的反对者逐渐出现。
　　之前，“大数据之父”舍恩伯格就曾表示，“如果对大数据解读得过度，实际上就是滥用数据”。Thinkers50奖得主、管理学者马丁？林斯特龙（Martin Lindstrom）也提出：“目前我们面临的问题是，商业世界已经完全被大数据给蒙蔽了。”
　　谷歌对流感趋势的分析就是一个典型事例。
　　谷歌依据自己的搜索结果，推测11%的美国人都患了流感。然而事实证明，庞大的搜索量很大程度上受到社交媒体造势的影响，谷歌高估了2013年年初的流感趋势。美国东北大学的大卫？拉泽（David Lazer）领导的研究团队指出：“谷歌的方法是在5000万个搜索词中，找到适合的1152个数据点。”而在此过程中，与“流感”相匹配、但实际上与此无关的搜索词出现概率“相当高”。
　　学界将数据预测失败主要归纳于两个方面的原因——
　　1.对历史数据的过度信赖
　　所有预测的好坏，都取决于管理者所运用的历史数据。然而现实中，创新性业务或新产品是没有先例可循的。历史数据即使有，也不可靠——手机品牌商虽然拥有手机购买和使用体验等方面的大量历史数据，但手机的类别已经今非昔比。
　　2.管理者总是怎么方便怎么选
　　对于一些很重要、但不方便采集的数据，人们常常会选择性忽视。很多专家学者认为，如果金融机构将采集的范围扩大，也许可以避免2008年金融危机的发生。
　　此外，企业的大数据研究，已经成为一场军备竞赛。Facebook花了将近4年时间，才建立了一个超过30人的数据团队，而维持该平台的常规运行需要超过100名数据分析专家，LinkedIn公司建立起自己的大数据部门用了整整6年时间。这显然不是每一个普通公司都可以承担的。
　　这样看來，数据可以很好地预测一些事情，比如去某地度假是否会下雨、鸟类是否会以预定的途径迁徙。然而我们却很难准确预测出股价走势、有多少人会买一款新型汽车、鼓励健康饮食是否能达到理想的效果。
　　本书提出了一个新观点。它认为数据本身没有错，数据预测的两极化效果，主要在于简单系统和复杂系统的区别：“简单系统，是用一个模型就可以把握所有或大部分变化的系统……而复杂系统内部，则有许多以非线性方式相互作用的因素。”
　　因此，企业必须将大数据拉下神坛，不能依靠它来应对不确定性，而应该采取灵活而广泛的战略——即便有一部分规划可能会失败，而另一部分则有可能成功。管理者需要确定，大数据在哪些情况下有效，而在哪些情况存疑，并将精力投身于灵活战略的建设中来。