这种结合已经改变了政府的行为，政府正在收集数据、匹配数据集并开发自己的预测工具。它当然也改变了 Nesta 自己的研究工作，更多地使用数据、分析和可视化——例如威尔士的Arloesiadur 项目，它开创了绘制经济创新的新方法。
同样的力量也推动了实验主义的转变——在现实中而不是在纸上测试想法。像亚马逊这样的公司对任何新服务都进行 A/B 测试。芬兰、加拿大、英国和阿联酋的政府也在朝这个方向发展。我们自己的创新增长实验室 现在汇集了十几个国家，使用 RCT 来找出真正推动创新和创业的因素——并推动经济学变得更加实证化、更加自我批评，而不仅仅是从假设中得出结论。他们让我们更接近卡尔波普尔的愿景，即“反复试验的方法，发明可以实际测试的假设……”
更多数据和更多的态度
在复杂环境中进行预测非常困难，但它有利于改进模型，有利于学习。正如 Philip Tetlock 和其他人所表明的那样，明确的预测可能会让专家们显得不那么令人信服。但它的优点是，尝试预测，然后分析为什么它们没有实现，是一种提高真正学习的极好手段。此外，更明确的短期、中期和长期预测——然后从实际情况中分享学习——有助于加速洞察力。
试想一下，英国脱欧公投后令人惊讶的经济结果、上次选举令人惊讶的政治结果或新一代社交媒体令人惊讶的社会影响，我们可以学到多少东西。
当然，地位往往会阻碍这种学习——而杰出的社会科 自雇数据 学家通常更愿意忽略自己的错误。但一个不接受这种错误的文化会相当健康。凯恩斯的评论是，当事实发生变化时，他就会改变自己的观点，这句话经常被引用。但很少有人效仿。
数据、实验和预测的革命以及观察、分析和预测工具的传播带来了各种各样的挑战。如何确保可重复性；如何确保有足够的数据开放；如何获取正确的数据，因为许多最重要的事实没有被记录下来；如何不忽视遗留的事实；如何避免算法反映过去行为的偏见。
但我认为，它所面临的最深刻的挑战将是如何确保开发正确的概念和理论，以理解数据并引导理论和信息的相互作用。
机器学习的兴起将表明我们多么需要更好的理论制定
事实上，矛盾的是，这是目前许多社会科学的薄弱环节——过于关注影响会挤占这一环节，并让人害怕投机和想象——而大量的数据可能会使情况变得更糟。例如，我们需要更好的理论来解释大部分经济体如何在没有知识产权的情况下运作；需要更好的理论来解释位置问题；需要更好的理论来解释持久不平等现象；需要更好的理论来解释不寻常的风险，以及需要更好的理论来解释社会和经济系统如何为可能更频繁发生的百年一遇或千年一遇的事件做好准备。