首先，在我们了解的众多数据中，有一些概念是客观存在的，其数据本身也是客观有效地能够展示客观事实，比如我们了解的统一度量衡下的长度与重量等概念；但有些数据从概念本身就是由人类主观意愿创造的，比起衡量客观事实，它们更接近于一种价值判断，例如BMI、IQ、GDP等，是否IBM指标就决定了一个人的健康程度？IQ就能代表一个人行为处事的能力？GDP就代表了国民经济的发达程度？
当然不是这样，这样的前提是我们将数据作为了唯一准确的衡量指标，然而，数据的存在就是我们在衡量这件事的时候，抛去了所有不能用数字来衡量的因素，这注定是存在片面性的 。桑内·布劳在书中距离了曾经在军队中进行的智商测试，最后测试的结论是黑人的智力要低于白人，这在如今看来当然是一个令人哗然的结论，但在并不善于处理数据的时代，这个结论却曾经引起了轩然大波，甚至要引发国际政治问题 。
其实很明显的事实是，对数据的统计标准与统计方式等等因素都会影响数据的准确定，同时对于统计结果的分析方式也会影响结论的构成，在《数据是如何误导了我们》里，桑内列举了许多相关的案例，并对其中存在固有思维的问题进行了一一分析列举，在对数据案例的实践过程中论证了自己的观点 。
除此之外，还有一个重要的数据GDP，GDP指国内生产总值，其数据基础是一个国家（或地区）所有常住单位在一定时期内生产活动的最终成果 。如今，GDP已经成为国民经济核算的核心指标，也是衡量一个国家或地区经济状况和发展水平的重要指标 。但谁有会知道最早提出GDP概念的经济学家西蒙·库兹涅茨并不赞成GDP就衡量了经济繁荣情况，因为这其中有太多非国民经济的直接因素参与其中，而且另外一些能够代表经济繁荣程度的非数据指标被排除在外，这些都导致了数据所代表的定义并非同我们想象的一样 。
有时候并不是数据出错了，而是我们分析理解数据的方式出现了问题，所以数据才会将我们带到一个未知之地 。有时，一个数据的分量太大，也会影响我们对它的认识，就如同古德哈特定律所说：如果一项指标一旦变成了目标，它将不再是个好指标 。这些都会改变数据本身的客观性 。
尤其是在大数据时代，我们更要理性地面对纷繁复杂的分析数据，这些数据一定会改变我们对事情的决策，但它们并不一定就是那个正确答案，读完这本书，更应该认识到在众多数据背后，我们仍旧通过自己的感受生活的普通人，有时候能用语言描述的部分在我们的生活中更加重要 。
《数据如何误导了我们》读后感(三)：《数据如何误导了我们》：擦亮眼睛，正视身边那些耸人听闻的数据