世界已经进入“大数据时代”，大数据正以难以想象的速度带来新一轮信息化革命，大数据充斥着现代社会的各个领域，影响甚至改变着我们的生活。大数据与信息分析存在着天然的联系，大数据产生价值的实质性环节就是信息分析。大数据环境下信息分析发生了重大变革，大数据分析与传统信息分析的差异突出体现在分析对象、分析模式、分析工具、分析结果等方面。

（1）分析对象变革：从随机样本到全体数据。

大数据分析对象与传统信息分析对象虽然都是数据，但大数据分析的是全体数据而不是随机样本。这在规模和结构上均发生了巨大的变化。

从规模上看，过去受到信息记录、存储、分析工具的限制，我们只能收集少量样本数据进行信息分析，准确分析大量数据是一种挑战；如今信息技术水平已经有了很大的提升，我们可以处理的数据量大大增加。传统信息分析的数据量是以MB、GB为基本处理单位，而大数据分析的数据量则是PB、EB、ZB级，有学者将二者的区别形象地类比为“池塘捕鱼”和“大海捕鱼”。^[9]

从结构上看，传统信息分析的数据种类单一，一般是单纯的由文字、图像、声音、视频等组成的二维数据，并且以结构化数据为主。大数据分析则数据种类繁多，一般由文字、声音、视频、多媒体、流媒体等组成，多是自动化或半自动化生成，包含着结构化、半结构化以及非结构化的数据，并且半结构化和非结构化数据占据越来越大的比例。

（2）分析模式变革：从“先假设，后关系”到“先数据，后关联”。

传统信息分析一般遵循的是“先假设，后关系”的分析模式，先假设某种关系存在，然后根据假设针对性地分析数据并计算变量之间的相关关系。大数据环境下，数据量巨大，变量数目往往数不胜数，“先假设，后关系”的分析模式难以适用，而是采取“先数据，后关联”的分析模式，挖掘和发现大数据中隐含的关联、规则和规律。

传统信息分析的数据量小且变量数目少，大部分的相关关系分析在于寻求线性关系，人们往往会构造回归方程探求现象之间的因果关系，解决“为什么”的问题。随着数据量的增加，相关关系也变得更加复杂，经过大数据分析，我们能够发现数据的非线性关系，通过对事物相关关系的挖掘与发现，解决“是什么”的问题。相关关系分析在很多情况下可以取代因果关系，即使不能取代，也能指导因果关系的研究，如果我们不满足于知道“是什么”，就会在此方向指引下继续研究因果关系，找出背后的“为什么”。(www.daowen.com)

（3）分析工具变革：从数学模型到数据挖掘。

传统信息分析是“池塘捕鱼”，一种或少数几种渔网基本就可以应对，也就是所谓的“One Size Fits All”。大数据分析则是“大海捕鱼”，不可能存在一种渔网能够捕获所有的鱼类，也就是说“No Size Fits All”。^[10]大数据分析对工具的要求更高，工具的种类也更多。

传统信息分析只需要对有限的样本数据进行定量和定性分析，主要分析工具是数学模型和逻辑思维，选择合适的信息分析方法对样本进行处理是传统信息分析的关键。而大数据分析面对的是海量的数据，分析工具以数据挖掘为主，选择合适的数据和挖掘算法是大数据分析的关键。^[11]

（4）分析结果变革：从追求精确到拥抱混杂。

传统信息分析希望尽可能用有限的样本数据全面准确地反映总体，分析数据的有限意味着细微的错误会被放大，甚至影响整个结果的准确性，这就要求所分析的数据精确，减少错误，保证质量。大数据分析让我们使用所有可获取的数据变成现实，但数据量的大幅增加也可能会导致一些错误的数据混杂进来，造成结果的不精确。在大数据环境下，我们应该接受纷繁芜杂的各类数据，放宽容错的标准，不应一味追求数据的精确性，以免因小失大。数据库设计专家帕特·赫兰德（Pat Helland）认为，处理大数据会不可避免地导致部分信息的缺失，但能快速得到想要的结果弥补了这个缺陷，他的观点是：“如果你有足够多的数据，那么‘足够好’真的足够好。”^[12]

当我们在进行大数据分析时，不再需要担心某个数据点对整个分析的不利影响，不需要花费高昂的代价消除所有的不确定性，而是接受这些纷繁的数据并从中受益，从追求精准转变到拥抱混杂。