大数据(Big Data)时代下，我们面临海量、高速增长和多样化的信息。那么，我们对于基于随机分析，或者说抽样调查，的统计分析的来对数据进行分析和处理还适用吗？
我认为，大数据时代下，人类对于产生的信息的收集、传播、存储、分析方面面临诸多挑战。而对于统计学来说的最主要的挑战则是信息的收集和分析方面的。
现在，我们已经能够做到对总体进行全方位的收集，已经基本上可以不能用采样这个词来描述我们的收集，我们拥有的是all data，于此带来的新的问题是如何作出个性化的分析与推断。也就是如何解决大量数据种大量特征的提取问题，传统的方法可以解决这些问题，但是我们需要解决问题的高效性，如果解决一个问题需要以年为单位的计算时间，而这个问题的时效性是以分钟或者天为单位的，那么，除了去不断提高我们的计算能力和计算资源，我们还需要去反思，我们能不能以牺牲一部分精确度为代价来快速解决问题？(或者不需要牺牲精确度）。
同时在处理数据的时候，对于数据的采样、清洗的方法，统计学能否提出更好的解决方案？
最后，建立在传统统计分析下的统计学习，依旧在机器学习里发挥着重要的作用。有人说，deeplearning的出现基本打破了统计学习在特征提取上的独霸地位，但是，不可否认的是，deeplearning同时也需要耗费大量的计算资源，如何对采集好的数据进行更合理采样以缩小学习的成本，也是神经网络学派需要面对的，这些，难道不是统计学的未来需要关注的吗？
统计学本身是一门通过数据来发现规律或者说pattern的科学，也就是它的重点是发现pattern,那么，为什么要极力去避免一个又有力的发现爱呢pattern的领域而不去好好研究它的机理呢？