有关大数据通常观点是：给我一个聪明的数学家、技术工具和大量数据，我可以毫不费力地创造营业务意义。但是，这种一种危险：很多被认为有业务意义的假设前提都是不确定的（逻辑前提都是错的，第一性根本不存在），而且在大数据分析中经常将相关性与因果关系混淆的，这种大数据方法受到了各个领域专家的广泛批评。
厚数据是使用定性研究方法，通过人类学研究方法揭示人们的情感、故事和世界模型的数据。这是难以量化的粘性物质。它以小样本的形式出现在我们面前，作为回报，我们获得了令人难以置信的意义和故事深度。
厚数据与大数据相反：
- 大数据是大规模的定量数据，涉及围绕捕获、存储和分析的新技术。为了使大数据可分析，它必须使用规范化、标准化、定义、聚类、剥离数据集的上下文、意义和故事的所有过程。
- 厚数据可以将大数据从使其可用过程中带来的上下文丢失中拯救出来。
但是，多年来，太多的决策者委托进行了太多厚数据的定性研究，却不知道他们这种有意方式如何决定结果。
厚数据强调故事这个概念，但是：
故事（ stories）与轶事（anecdotes）之间有很大的不同。轶事是随意收集的故事，随意分享。故事是基于研究上下文背景下，有意收集数据并系统地采样、共享、汇报和分析，从而产生见解（学术界分析）。伟大的洞察力激发设计、战略和创新。
但是这种有意行为本身可能会使结果产生认知偏差，尤其是在提出问题的人被视为具有权威的情况下，尽管他们尽了最大努力，但情况可能如此。
因此，关键问题在于轶事数据，这些我们随便分享的数据，最有可能代表我们的想法和行动的基础。
人们通常主张用厚数据来补充大数据，但是现在必须使用富数据将两者联系起来，这样大数据更有可能在更高的容量下获得意义。
富数据的另一个关键方面 是人们有权解释他们自己的轶事材料；它没有委托给算法或人类学家。这里流行的另一个短语是 认知正义：允许人们发表自己的声音，不仅作为故事或轶事的被动贡献者，而且作为他们自己解释的积极代理人。
所有三种类型的数据都需要在需要时纠缠在一起，才能为有效的决策创造意义和支持。