首先，大數(shù)據(jù)將徹底改變經(jīng)濟學使用數(shù)據(jù)的實時性。大數(shù)據(jù)收集的都是實時數(shù)據(jù)，現(xiàn)在很多企業(yè)都在利用實時數(shù)據(jù)，奇怪的是經(jīng)濟學研究卻主要使用匯總數(shù)據(jù)，很少使用實時數(shù)據(jù)。匯總數(shù)據(jù)一般最精準的就是當天的數(shù)據(jù)，比如匯率，而像通脹數(shù)據(jù)則是當月的。

　　其次，大數(shù)據(jù)將使經(jīng)濟學可調用的數(shù)據(jù)集規(guī)模極度擴大。經(jīng)濟學研究調用的一般是成千上萬個時間點（一般最小的時間點是天）的數(shù)據(jù)，相對于大數(shù)據(jù)而言，這樣的研究樣本是很小的，所以經(jīng)濟學研究對研究者的統(tǒng)計學功力依賴很大。然而大數(shù)據(jù)可以調用數(shù)百萬、數(shù)千萬甚至是更多的數(shù)據(jù)，因此研究者的統(tǒng)計學功力就顯得沒那么重要。

　　第三，大數(shù)據(jù)可以同時觀察多個變量之間的互動。經(jīng)濟學常用的數(shù)據(jù)分析方法是時間序列分析，一般只能研究兩個變量之間的互動，比如狹義貨幣是如何影響通脹的。

　　第四，大數(shù)據(jù)結構更少，但層次更多。比如在零售領域，傳統(tǒng)經(jīng)濟學的數(shù)據(jù)收集呈矩形，有N個觀察時間點和K個變量，一般K遠遠小于N。而大數(shù)據(jù)記載的只是一系列消費行為，其數(shù)據(jù)并非矩形，也沒有更復雜的結構，你可以用統(tǒng)計學方法把這些數(shù)據(jù)構造成無限多個矩形數(shù)據(jù)集。

　　最后，大數(shù)據(jù)將徹底改變經(jīng)濟學對數(shù)據(jù)記錄之間關系的看法。傳統(tǒng)經(jīng)濟學認為每一個記錄的數(shù)據(jù)都是獨立的，或者可以集結成面板數(shù)據(jù)，歸根結底也就是時間序列的衍生物。但大數(shù)據(jù)卻非如此，比如社交網(wǎng)絡上人與人之間的互動數(shù)據(jù)是高度復雜的，傳統(tǒng)的經(jīng)濟學模型無法揭示社交網(wǎng)絡上人與人之間的互動關系，必須使用大數(shù)據(jù)的方法。

　　企業(yè)運用大數(shù)據(jù)的場景主要是記錄運營過程和結果，并構建涵蓋范圍廣泛的預測類算法。比如Amazon和Netflix應用預測模型為客戶推薦影視劇和書籍。預算類算法的可使用范圍遠遠超越了電子商務。比如在醫(yī)療保險領域，保險公司通過將病人的付費情況和治療效果數(shù)據(jù)導入預算類算法，可以計算其“風險系數(shù)”，然后通過風險系數(shù)來調整保費標準，而在大數(shù)據(jù)技術之前，“風險系數(shù)”是由病人的病史和相應的統(tǒng)計學分析方法來確定的。其實，大數(shù)據(jù)若應用到政府領域，也可以極大地改變經(jīng)濟政策分析和經(jīng)濟學研究。

　　首先，大數(shù)據(jù)會極大地釋放出政府公共事務管理數(shù)據(jù)的潛在威力。通過管理稅收系統(tǒng)、社保系統(tǒng)以及法規(guī)條例，政府積累了海量的顆粒狀數(shù)據(jù)。公共管理數(shù)據(jù)在很大程度上沒有被充分利用，主要原因是政府有關部門缺乏大數(shù)據(jù)硬件、軟件和人才基礎，另外這些數(shù)據(jù)也沒有通過開放的端口給私營數(shù)據(jù)供應商使用，而且各地方政府的數(shù)據(jù)收集標準不一，難以統(tǒng)一維護和管理。在這方面，許多歐洲國家走在世界前列，其中央政府將各級地方政府的教育、醫(yī)保等數(shù)據(jù)整合成了針對全國人口的大數(shù)據(jù)庫。

　　公共管理數(shù)據(jù)的潛力非常巨大，這些數(shù)據(jù)涵蓋不同個人、企業(yè)和機構相當長期的各類行為和狀況，一般是面板結構的，數(shù)據(jù)質量也很高。而且由于這些數(shù)據(jù)集的涵蓋面是普遍的，其可以和其它涵蓋面更具選擇性的數(shù)據(jù)集搭配使用。

　　如果政府向私營數(shù)據(jù)供應商有限開放這些公共管理數(shù)據(jù)的應用端口，對經(jīng)濟政策分析和經(jīng)濟學研究無疑將產生巨大推動。

　　比如經(jīng)濟學家Thomas Piketty和Emmanuel Saez利用美國國稅局的數(shù)據(jù)構建了美國最富家庭占全國收入比例的歷史數(shù)據(jù)集。他們的相關研究成果對奧巴馬以來的決策者產生了極大的影響，美國最富家庭所占全國收入比例和所占全國納稅總額比率的嚴重不對稱以及日益失衡成為了決策者和立法者探討稅收政策改革的一個話題焦點。

　　另外一個例子是：經(jīng)濟學家John Wennberg與其同事調用了長達數(shù)十年的美國醫(yī)保（Medicare）數(shù)據(jù)，發(fā)現(xiàn)人均醫(yī)保支出數(shù)據(jù)中有相當大一部分數(shù)據(jù)差異（variation）無法用健康狀況、保費價格來解釋，而且和體檢結果數(shù)據(jù)也沒有明顯相關性。Wennberg領銜的這項研究證實了美國原有醫(yī)保系統(tǒng)的嚴重效率缺失，其研究成果在推進奧巴馬醫(yī)改法案的進程中備受關注。

　　其次，大數(shù)據(jù)可以改變政府測算經(jīng)濟活動的方式。政府在經(jīng)濟活動的測算方面扮演著極其重要的角色，比如通貨膨脹率、失業(yè)率和GDP等等的測算都是由政府主導的。一般而言，政府都是通過調研的方式來測算經(jīng)濟活動的。比如國家統(tǒng)計局會派出調研員去商店手動收集成千上萬商品的價格，然后將這些數(shù)據(jù)匯總成不同的通脹指數(shù)——CPI就是其中之一。然而大數(shù)據(jù)技術可以更大規(guī)模地收集物價數(shù)據(jù)，甚至可以做到實時收集。

　　比如，由麻省理工學院斯隆商學院教授Alberto Cavallo和Roberto Rigobon發(fā)起的10億物價項目（BPP），通過成百上千個電商網(wǎng)站和手機應用的端口可以收集數(shù)以10萬計商品的實時價格數(shù)據(jù)，從而可以實時發(fā)布通脹數(shù)據(jù)，而不是像國家統(tǒng)計局那樣每個月發(fā)布一次。

　　再次，大數(shù)據(jù)在企業(yè)部門的一個巨大作用就是使企業(yè)的議題探討和決策過程更大程度上得到大數(shù)據(jù)分析的支持，并且有些公司還在用大數(shù)據(jù)進行廣泛的運營實驗，相比之下，公共部門在這些方面進展十分遲緩。

　　政府收集了大量的公共事務管理數(shù)據(jù)，這些數(shù)據(jù)對經(jīng)濟政策分析和經(jīng)濟學研究助益極大，但利用效率卻極低。

　　比如，醫(yī)保部門有過去幾十年的每一筆醫(yī)保索賠記錄，稍加整理就可以得出無數(shù)個人的病史數(shù)據(jù)集，通過大數(shù)據(jù)挖掘和預測類算法，可以得出關于不同治療方案和過程的非常詳細的成本效益分析，從而使醫(yī)保支出的效益大大提高。以此類推，政府部門完全可以用大數(shù)據(jù)技術對醫(yī)保和稅收等涉及財政收支的政策法規(guī)改革調整進行一定范圍的精準實驗，再根據(jù)效果去調整相關政策法規(guī)。

　　未來，經(jīng)濟學家將更多地使用上面所描述的大數(shù)據(jù)挖掘技術，經(jīng)濟學數(shù)據(jù)分析被時間序列壟斷的局面也將被打破，預測類算法將取代變量之間的因果分析，機器學習將取代統(tǒng)計模型。

　　政府公共事務管理數(shù)據(jù)的應用端口將更趨開放，其數(shù)據(jù)衍生產品前景遠大，許多重要的經(jīng)濟指標將可以做到實時發(fā)布，公共部門的議題探討和決策過程將更多地獲取大數(shù)據(jù)的支持。根據(jù)Statista的數(shù)據(jù)，經(jīng)濟咨詢服務（經(jīng)濟咨詢公司）在美國的市場規(guī)模已超過300億美元（近2000億元人民幣），這并不包括銀行、投行和公共機構內部的經(jīng)濟分析部門，一旦包括起來，其市場規(guī)模將更大。經(jīng)濟咨詢服務未來在中國也應該成為一個千億元級別的產業(yè)，大數(shù)據(jù)技術將使該行業(yè)發(fā)生根本性的技術革命，愿景不可估量。

　　未來，政府公共事務管理數(shù)據(jù)的應用端口將更趨開放，其數(shù)據(jù)衍生產品前景遠大，許多重要的經(jīng)濟指標將實時發(fā)布，公共部門的議題探討和決策過程將更多地獲取大數(shù)據(jù)的支持。