大数据的核心是预测，大数据不是要教机器人像人一样思考，相反，它是把数学算法运用到海量数据上来预测事情发生的可能性。

预测病毒

2009年出现了一种新的流感病毒，甲型H1N1流感在短短几周内迅速传播，在研发出对抗这种新型病毒的疫苗之前，公共卫生专家能做的只是减慢它的传播速度，但要做到这一点，必须先知道流感出现在哪里。

美国，和其他国家一样，医生发现流感病毒病例时感知疾控中心，但由于人们可能患病多日实在受不了才会去医院，信息传达回疾控中心也需要时间，疾控中心每周只进行一次数据汇总，通告新流感病例往往回延迟一两周，信息滞后两周对于一种飞速传播的疾病，后果将是致命的，导致公共卫生机构在疫情爆发的关键时期无所适从。

谷歌通过观察人们在网上的搜索记录来完成预测，流感的传播具体到特定的地区和州，他们关注特定检索词条的使用频率与流感在时间和哦那关键上的传播之间的联系，总共处理了4.5亿个不同的数学模型，发现了45条检索词条的组合，用于一个特定的数学模型后，预测与官方数据的相关性高达97%，和疾控中心一样，他们也能判断出流感从哪里传播出来，而且判断非常及时，不会像疾控中心那样在流感爆发两周后才可以做到。

谷歌的方法甚至不需要分发口腔试纸和联系医生，它是建立在大数据基础上的，通过海量的数据分析，获得巨大价值的产品和服务，或者深刻的洞见。

向“已经死亡”客户收回贷款

谷歌前任首席信息官创立的公司ZestFinance验证了“宽容错误回给我们带来更多价值”的观点，这家公司帮助决策者判断是否应该向某些拥有不良信用记录的人提供小额短期贷款。传统的信用评分机制关注少量突出的事件，比如一次还款的延迟。而通过分析大量不那么突出的事件，让贷款拖欠率比行业平均水平要低三分之一。

基本没有一个人的信息是齐备的，总有大量的数据缺失，ZestFinance公司创建的记录客户信息的矩阵充满了数据的空洞，但是在这些支离破碎的数据中如鱼得水，例如，又10%的客户属性显示“已经死亡”，但仍可以从他们身上收回贷款。

这些服务是传统方法和工具不可能做到的，因为那些方法和工具处理不了这么大规模的数据。

怀孕预测

美国折扣和零售商塔吉特Target通过对一个人的购物方式的大数据分析，预测一个女性是否怀孕，首先查看签署婴儿礼物登记簿的女性的消费记录，妇女会在怀孕第三个月的时候买很多无香乳液，几个月后，会买一些营养品，公司最终找出了20多种关联物，可以给顾客进行“怀孕趋势”评分，这样就能够在孕期的每个阶段给客户送相应的优惠券。

一天，一个男人冲进了塔吉特的商店，气愤地说：“我女儿是高中生，你们给她邮寄婴儿服和婴儿床的优惠券，你们是在鼓励她怀孕吗？”几天后，经理打电话向男人致歉时，他说：“我跟女儿谈过了，她的预产期是8月份，我完全没有意识到这个事情的发生。”

参考书目《大数据时代》（维克托迈尔-舍恩伯格）