對大資料正規化的批評有兩種形式，一種質疑方法本身的含義，另一種質疑目前完成的方式。這種批評的一個方法是關鍵資料研究領域。

“一個關鍵的問題是我們對導致大資料的典型網路特徵出現的潛在經驗微觀過程知之甚少。 Snijders，Matzat和Reips在他們的批評中指出，對數學性質的假設往往是非常強烈的，而這些假設可能根本不能反映微觀過程中真正發生的事情。馬克格雷厄姆對克里斯安德森的斷言提出了廣泛的批評，他認為大資料會拼出理論的終結點：特別關注大資料必須始終在其社會，經濟和政治背景下進行背景化的觀點。即使公司投入八位數和九位數來從供應商和客戶的資訊流中獲取洞察力，但不到40％的員工擁有足夠成熟的流程和技能來完成這一任務。為了克服這種洞察力不足，大資料無論多麼全面或分析得好，都必須輔以“大判斷”。

與此大致相同，有人指出，基於大資料分析的決策不可避免地要“像過去那樣被世界所瞭解，或者至少像現在一樣”。透過大量有關過去經驗的資料，如果未來與過去類似，演算法可以預測未來的發展。如果未來變化的系統動力學（如果它不是一個靜止的過程），過去可以說一點關於未來。為了在不斷變化的環境中進行預測，有必要全面瞭解系統動態，這需要理論。作為對這一批評的迴應，Alemany Oliver和Vayre建議使用“誘人推理作為研究過程的第一步，以便為消費者的數字痕跡帶來背景並使新理論浮現”。此外，已經提出以大資料結合了計算機模擬，諸如接近基於代理的模型和複雜系統。基於代理的模型透過基於一系列相互依賴的演算法的計算機模擬，越來越好地預測即使未知的未來情景的社會複雜性的結果。最後，使用多變數方法探測資料的潛在結構，例如因子分析和聚類分析，已被證明是有用的分析方法，遠遠超出了通常用於較小資料集的雙變數方法（交叉表）。

大資料在落地應用的過程中，潛在的問題涉及到資料洩露問題，而資料洩露不僅可能會侵犯個人的隱私，甚至會洩露企業的核心技術，所以如果大資料不能解決資料洩露問題，大資料技術未來的發展將會受到很大的制約，而大資料作為人工智慧的基礎，大資料發展速度減緩也會在一定程度上影響人工智慧技術的發展。

除了資料洩露之外，大資料技術如果在使用的過程中，沒有邊界的限制，很有可能會對大資料的使用者形成一個“認知壁壘”，這對於使用者來說，也是一個潛在的風險。所以，在大資料的落地應用過程中，應該讓大資料使用者更多地瞭解大資料技術的細節，讓大資料的參與者共同推動大資料的合理發展。