資料分析學（data analytics）和「大數據」（Big Data）給予了人們徹底顛覆「行銷」的期盼。
大多數公司都從許多管道蒐集到大量的數據：包括：財務數據、行動數據、交易數據、顧客研究數據、行為數據、社群媒體數據等等。在新的分析技術、電腦運算能力倍增，以及線上資源即刻可得的推波助瀾下，更是催生出許多功能強大的工具，帶來了永久性的改變。
這些分析工具及技術的力量之大，已經使得分析學的應用範圍大大地延伸，不僅有助於開啟新的機會和策略，也開創了過往從來無法想像的可能性。
不過，分析「大數據」這件事，卻被講得太過簡單了。實際上，運用大數據還是一項亂無章法、非常勞力密集的工作。
借用兩個真正在做這項工作的人所說的話：關於大數據的部分言過其實的宣傳，給我們帶來了麻煩，因為這形成了一個錯誤的期待，彷彿大數據有多麼簡單似的。
因此，我們可以開始務實地看待大數據，是時候該終止這些經常聽到的迷思了。
大數據迷思 1：大數據很大
大數據一點都不「大」（big），而是很多元（diverse）。 「大」頗有誤導之嫌。
我們所談論的其實是各式各樣來源的大量「數據點」（data point；一個資料集裡的一個可供辨識的要素，泛指一則資訊或一項事實），即時地、高頻率地在更新。它的性質非常細碎，可能是個人的交易數據：像是某張信用卡在某個加油站，被用來支付特定一筆油錢。
換言之，大數據實際上是巨量、海量的非常細小的數據。它不是一批有如土石流般傾瀉而下的數據；而是一場沙塵暴。在沙漠裡，陣陣強風所掀起的無數砂粒，可能會讓你眼盲、讓你失去方向感。
有鑑於此，想要在沙塵暴中看清楚，我們還需要破除哪些迷思？
大數據迷思 2：你必須立刻採用
生命中，大多數重要且有價值的事物，都是困難的，大數據的分析也不例外。想要解決這個難題，只能一小步一小步來，並且從非常清楚具體的目標著手。
在你動手囤積數據之前，請謹慎地思考你到底想要拿這些資訊做什麼？
大數據迷思 3：數據愈精細愈好
數據愈是即時、愈精細，總是愈好？不，一點也不。一場足球賽只看前四分之一，並無法預測整場比賽的結果。即時取得的資訊很可能因為為時尚早，而無法據以採取行動。有時候，你必須把時間拉長、把鏡頭拉得更遠，才能看得見全景，掌握事物的全貌。
大數據裡充斥著大量的雜訊（white noise）。隨著解析度愈高，好比說每分鐘而非每星期的數據，或是一個城鎮的規模而非一個州的數據，噪音占整體訊號的比例就會增加。
不要混淆了精準度（precision）和正確性（accuracy），兩者的差異有必要被釐清。大數據如果是在原始、四散的形式時，是有可能會誤導人心的；它需要集結到一個適當的程度，才能排除掉雜訊。
大數據迷思 4：大數據是好數據
「大量的數據」和「大量的好數據」是有差別的。
劣質數據裡有很多錯誤、很多遺漏的數據，是會造成誤解的。照片和影片可能會被標記錯誤，而青少年所寫的亂無章法的訊息，難道就足以反映出正面或負面的情緒？有時候，我們需要一個聰明的模型來釐清這一切。
為了正確解讀資料的意義，你必須丟棄某些資料。想要正確分析大數據，首要任務之一就是：你必須釐清，你打算將什麼樣的資料納入你的分析中，又必須丟棄哪些資料。
大數據迷思 5：大數據意味著「分析師」將變得異常重要
經常有人說，大數據將會帶來分析師（analyst）這項職業的興起，他們將成為「資訊時代的新寵兒」。不過，這種主張「資料分析團隊」（analytics team）即將崛起的說法，其實是被過度誇大了，因為資料增生速度的大幅提升意味著，人們現在根本就沒有時間去「向分析團隊做簡報」。
我們需要的是擁有更快速的工具，能夠因應數據新增的速度、數量和精細度。
理想狀況下，一小群專精的分析師，懂得善用科技的力量，讓企業或行銷人員能夠自行完成更多的資料分析、情境模擬和決策輔助。我們預估，資料分析部門（Analytics Department）將會消失，自助服務（self-service）將日益普及。資料科學家（Data Scientist）占據優勢地位的時代不會永久存在，因為數據實在是太多了！
大數據迷思 6：大數據能夠給你具體的答案
模稜兩可是大數據的主要特色。多重的數據來源（例如，交易、潛在顧客開發和媒體）可能會引導你偏離了證據所指的方向。不同的數據，如果未能正確地分析，確實可能會得出相互衝突的證據。你要選擇相信哪些數據？
大數據需要人去做判斷，去調停和解決看似彼此衝突的證據，而那正是技術高超的分析師可以施展長才之處。
你擁有的數據愈多，你就愈有可能遇到有待解析的矛盾和模糊。大數據沒有那麼萬能、強大；事實上恰恰相反。更多的數據可以給你更多的證據，卻不會讓你更貼近真相，除非你能夠靈活運用有經驗的人腦判斷，去調和這些相互衝突的證據。
資料分析學的未來就是：結合、權衡和判斷多重的資訊來源和不同的分析。
大數據迷思 7：大數據是一顆「神奇 8 號球」
（編按：神奇 8 號球指的是 Magic 8-Ball 這款玩具，外型就像撞球台上的 8 號球，使用者可以提出問題，搖晃球體後，會浮現出答案。可以用來占卜、尋求建議。）
嗯，這麼說也沒錯，但是你必須用非常正確的方式來問問題。這有點像是當一個精靈給了你 3 個願望，你得非常謹慎地措詞。
在應用資料分析學的時候，如果不夠精準或是事先沒有形成細緻的假設，反而會讓你誤入歧途，並且給出一個不正確的答案。手上握著「大數據」這個水晶球時，你要非常小心地發問。
大數據迷思 8：大數據可以建立自學的演算法
從行銷的觀點來看，參照「無架構、未管理的數據」（rogue data）所得出的錯誤推論，點出了自動化模型的局限：例如，從直接回應電視廣告（direct response TV ad；在廣告中直接號召觀眾撥打電話、傳真或寫信，以獲得產品樣本、目錄或直接購物）來預估客服中心的來電話量，結果勢必會產生誤差。
同理，從美式足球超級杯（Super Bowl）賽事周末所取得的「無架構數據」，也很有可能會扭曲一套自動更新的演算法。
演算法如果以正確的方式加以設定，確實可以發揮強大的功能，但是這其中總是需要人腦的介入。行動電話業者已經做出了良好的示範，將非行銷數據（non-marketing data）用於行銷用途：他們知道你的朋友有哪些人；他們可以猜測你的年紀；他們知道你出沒在城鎮的哪些地帶；他們知道你瀏覽過哪些網站；他們也知道你正在使用、還有在哪裡使用哪些 app（手機應用軟體）。
保險公司也可以使用無線遙測技術（telemetrics；針對相隔一定距離的對象進行檢測，並將結果傳送到接收地點）來取得數據，並用於行銷，而非只是承辦承銷保險。
基本上，釐清這些迷思的本意，是想排除以下的盲目信念：擁有數據，就可以確保企業成功。
真相是，大數據本質上就是一項工具，無異於電腦或智慧型手機，是一項很棒、能夠改變遊戲規則的工具，但是這項工具只有在交由懂得正確指令和座標的人使用時，才能發揮這樣的作用。