随着大数据的发展，科技产业受到深刻影响，收集和解析数据的能力在近年来突飞猛进，其应用范围深入到生活的方方面面。Netflix通过深入分析数据来预测用户口味和偏好，帮助用户做出选择。谷歌分析用户的搜索内容，提供更加个性化的搜索结果，比如提供和天气相关的搜索选项。亚马逊最近申请的专利也与个性化预测相关，名叫“预期送货”(anticipatory shipping)，在用户下单前发出产品，以进一步缩短下单和收获间的时间间隔。
大数据也波及教育产业，一些大学录取办公室称，利用大数据算法，能在录取前预测哪些申请者能取得更好的学习成绩。而在教师方面，两家教育机构表示能通过预测分析，在教师实际授课前评价其能够取得的教育效果。
过去我们在教育上执行了一种过于集中、过于重视数据的方法，好像“Moneyball”中描述的那样，完全依赖对球队成员的数据来组建球队。但这种方式对于教育真的合适么?学生和数据、趋势、程序对象不一样，他们每一个人都是独立的实体，长处、缺点、兴趣各不相同，用同样的程序分析套用在不同人身上并不合适，而是需要有针对性地教育。
在大数据分析的帮助下，应当能帮助学生获得更个性化的指导，这种帮助应该体现在课堂，而让议会或立法委员会陷入无谓的讨论。大数据虽然能对行业走向做出估计，但其目的是筛选、预测、淘汰，这些和教育的需求并不一致——实际上教育产业需要的恰恰相反，我们姑且称其为“小数据”(small data)。用各种复杂的计算方式对年终报告的分析，实际上之于学生个人的学习没有任何实际帮助。相反，工作在第一战线上的教师个人贡献出的“小数据”改变，如应用新技术教育学生，才能对学生的学习产生实际的影响。
回顾近一个世纪的教育发展，美国在一个世纪前采用的教学方式脱胎于工业革命影响下的工厂式管理评价，把学习内容分成不同单元，每个单元后进行所谓的“阶段测试”。这种方式最大的问题，是学生在学习过程中遇到问题时教师无法得到及时反馈。于是产生了一种以期弥补这一不足的方法，成为“掌握性学习”(mastery learning)，在教学过程中不断测评。这种方法在20世纪初开始应用，但实践过程中缺遇到明显的困难：测评反馈需要的时间太多，因此这种方法也没有获得普遍推广。
虽然在实践上遇到了阻力，但“掌握性学习”(也成为“形成性学习”，formative learning)的想法却一直没有被教育学家和哲学家冷落。James Block和Sal Khan都曾提倡过这一概念。Dylan Wiliam在为全国数学教师委员会(National Council of Teachers of Mathematics)发表的一项研究概要中提到：“现有的研究数据表明，在课堂教育中，掌握性学习能帮助学生掌握和教师教授的课业内容。”
但实际上掌握性学习无法有效推广的原因，不是因为耗时长、效率低，而是缺乏实践的客观条件。掌握学习的关键是事实观察并评价学生对知识的理解，并对吃不透的地方及时反复或加强，这正好符合“小数据”的效用。小数据是教师、学生和家长之间缺失的联系环节，实现了反应学生学习情况的实时检查。(关于小数据的简单介绍，可以参考：小数据为主，大数据为仆，这是数据管理的正道)
假设你是六年级的数学老师，班里有30多个学生，一半都对几何关键知识点掌握有不足，而有些参加加强班的学生掌握得很好，已经有了继续学代数的能力，而有些学的不好的需要一对一的辅导。理想的情况，当然是你有足够的时间来一一辅导这些后进生，但你手里还有准备好的授课计划，固定的考试安排，显然再去有针对性地辅导是不太现实的。
教育学家Sal Khan在接受哈佛商业评论采访时表示，“科技发展让这一切成为可能，让教学按照学生的时间、按照学生的学习速度进行，给予实时反馈，把数据提供给教师一方。”
