数据分析所发现的数据背后的信息价值并不一定完全正确，需要数据分析人员带点怀疑精神，根据实际去验证数据分析的可靠性，因为数据分析不具有感情和语境分析功能。

1）数据分析无法分析出人与人之间的感情相关度：对于社交媒体的分析，人与人之间并不是纯数据的关系，人与人的社交关系依靠的是感情。人与人的社交往往掺杂着感情因素。数据分析是测量社交网络中的“数据量”而非“感情和语境的分析”。现实中的人们依据反映彼此的情绪状态，根据感情判断，擅长侦测出不合作的行为，擅长用情绪为事物赋予价值。数据分析人员可以测量出你在88%的时间里与3名同事的社交互动情况，但是他们不可能捕捉到你心底对于那些很多年才见一次面的儿时玩伴的感情。因此，在社交关系的决策分析中，不要完全相信自动化数据分析得出的结果。

2）数据分析无法分析出数据信息所处的语境背景：语言只有在一定的语境下才有意义，正如这句话“不买”，如果一个生气的人说出来“不买”的语调很高，可以推断此人很不满意，但脱离语境的分析会让我们无法把握客户当前的状态。人们的决策不是离散的事件，某个事件是在时间序列和背景之中的。人脑已经变得善于处理语境下的现实，交织了多重原因和多重背景的事件。数据分析则不懂得语境下的情况分析判断，也不懂得思维的浮现过程。即便是一篇普普通通的文章，数据分析也无法解释其中心思想。(www.daowen.com)

3）数据分析也会制造出更大的“垃圾信息”：随着大数据时代的出现，海量数据帮助我们掌握的数据越来越多，有时可以发现统计上显著的相关关系也就越来越多。在这些相关关系中，有很多都是没有实际意义的，在真正解决问题时很可能将人“误入歧途”，这种欺骗性会随着数据的增多而呈指数级地增长。对应“垃圾信息”我们要警惕。大数据时代的特征之一就是“有价值信息的重大发现”的数量被数据扩张带来的噪声所淹没。

带着怀疑精神解读数据分析所呈现给我们的信息，才能让数据分析出的报告更可信，从而可以让我们少被信息误导。数据分析的结果看似客观、公正，但其价值选择贯穿了从构建到解读的全过程。大数据分析并不是万能的。