我的研究团队从 10 年前就一直在研究如何从大数据中发现价值，那时还没有“大数据”这个词。我们的这个构想领先了世界七八年。
看到这里的读者，可能会觉得这项研究很顺利地得出了结果，但实际上，在该研究过程中，我们遇到了接二连三的困难。不过，我们的研究并非无用功。应该说，该研究有作为先行研究的意义。在困难中吸取教训，改变做法，并为此开发技术，研究适用的方法——经过这一系列努力，我们在此介绍的成果才开始显现。
在这 10 年的研究中，我们总结出了运用大数据时的 3 项原则。实际上，我们因为做了违背这些原则的事情而大吃苦头，后来我们遵循了这些原则，研究就步入了正轨。
“通过大数据获取利益的 3 项原则”如下所示[3]。
第 1 项原则 明确应该提高的业绩（Outcome）
第 2 项原则 广泛收集与提高业绩相关的人财物数据
第 3 项原则 不依靠假说，让计算机从数据中倒推出提高业绩的对策
在前面提到的商店的事例中，一开始我们就有意识地遵循了这 3 项原则。我们先介绍一下最重要却一直做不到的第 3 项原则。
简单来说，第 3 项原则就是让计算机制定假说。之所以做不到这点，是因为对于数据分析，人们普遍认为是由人类制定假说，然后用计算机和数据来验证该假说。
制定假说并验证，是解决问题的正确步骤。但是，当问题中存在大数据，就不应该由人制定假说。只有由计算机制定假说，才能体现出大数据的价值。我们必须舍弃人类制定假说这个固有观念。
前面也说过好多次，人类根本无法理解大数据的全貌。别说全貌，就连其概要人类都无法掌握——这就是大数据的特征。在这种情况下，人类必定会无视大数据的价值，依靠经验和直觉制定假说。对于存在各种大数据的问题，由计算机制定假说的时代到来了。
应该由人来制定假说，这一想法给人施加了很大的压力。如果有人被分配到有大数据的项目中，并试图做些什么，就会相应地产生一些费用。而想要使用大数据的当事人，通常没有审批费用的权限。于是，当事人必须向有审批权限的公司领导进行说明。然而，很多情况下，没有假说根本通过不了审批。因此当事人会希望将上述 3 项原则普及给公司的高层，推进正确的探讨。
当然这无可厚非，毕竟以往还没有第 3 项原则需要的学习型机器。不过现在，学习型机器 H 的出现改变了这个状况。
第 1 项原则和第 2 项原则论述的是应用第 3 项原则的前提。第 1 项原则是明确应该提高的业绩（Outcome）。对企业来说，业绩尤为重要，直接关系到财务收益。
也许你认为第 1 项原则是理所当然会做到的，但实际上做不到的情况居多。更准确的说法是，一直以来，我们因为做不到这一点而大吃苦头。在大数据的事例中，人们往往会认为，既然有这么多的数据，能不能想办法用上它们呢？很多时候，人们以这样的想法为契机开始利用大数据，而这种想法单纯地作为一个契机也的确是可以的。
但是，如果我们无法推定应该提高的业绩，这种想法就会失败。因为不能推定，就无法制定工作目标。这个道理看似谁都明白，却谁都做不到，着实出人意料。之所以会这样，是因为我们在开始观察数据，并且实现了部分数据的可视化后，就会感觉很新鲜。这意想不到的趣味性也使得顾客兴趣盎然。因此，仅仅是实现了数据的可视化，就会让顾客误以为数据是有价值的。但是，冷静地想一想，不与财务收益挂钩的东西，是没有最终价值的——这就是第 1 项原则想要告诉我们的问题。
假设我们遵守了第 1 项原则，但要遵守第 2 项原则更是难上加难。很多情况下我们会想，仅靠自己轻松得到的数据是不是就能做些什么，而不会想要广泛地收集与业绩相关的数据。
具体来说，这里有两大关卡。首先，我们往往认为，使用别人的数据时，必须要有明确的理由。而且，考虑到既然用了别人的数据，对方就会期待相应的成果，我们往往会将索要的数据限定在可以用理论说明的最低限度。这就是阻碍我们遵守第 2 项原则的关卡。这样一想，必然会认为要想得到别人的数据，必须先设定假说（结果就偏离了第 3 项原则）。但是，我们明明不知道数据中潜藏着什么，却不懂装懂地说出自己的假说和得出成果的概率，以此来索取数据——这种做法并不可行。我们希望能够正大光明地公开说出：“关于假说，就让计算机根据数据来制定吧。”
再者，人、财、物等信息全都和业绩相关，很多时候，在信息系统积累的数据中，关于物和财的数据有很多，而关于人的数据却严重匮乏。如果无视这个事实并贸然推进，结局只能是无功而返。
与人相关的数据之所以重要，是因为顾客和员工的行为会大大影响业绩。
营利活动由 4 层构造组成。首先，第 1 层是应该提高的财务层，财务直接反映业绩。第 2 层是需求层。所谓需求，指的是顾客需求和购买行为，因为付款的主体是顾客，所以需求自然会大大影响第 1 层的财务。第 3 层是业务层。回应顾客需求的是业务，业务的成功与否自然会影响需求。第 4 层是设备和投资层。对设备和人才的中长期投资决定了业务的生产力、规模和质量。基础设施的准备和人才培养等就属于这一层。
人、财、物要素贯穿于这 4 层构造，尤其是在第 2 层的需求和第 3 层的业务中，人的行为有着决定性的影响。因此，我们必须针对需求和业务中有关人的信息进行深入的分析。然而，很多情况下我们都没有进行这种分析。
现在已经有很多方法可以获取有关人类的数据。人类行为数据的测量和解析是一项有偿服务（日立高新技术集团在提供这项服务，服务名称为“人类大数据云”），虽然多少要花些费用，但是必要的数据还是要获取的。在数据不足的情况下就开始分析会浪费宝贵的人力和时间，因此获取到人类数据之后再分析反而更划算。利用这些方式收集有关人、财、物的数据至关重要。