科夏瓦杰的另一个建议是，在电子病历中设置更多标准化的域。这样电脑就会知道到哪里去找特定的信息，从而减少出错率。当然，实际操作起来并没有这么简单，因为很多病人同时身患好几种疾病。因此，一个标准的表格必须拥有足够的灵活性，把这些复杂情况全部考虑进去。
但是出于诊疗的需要，医生有时需要在病历上记下一些自由行文的东西，这些内容肯定不是一个小格子能装得下的。比如一个患者为什么会摔倒，如果不是受伤导致的，那么原因就非常重要。但是在没有上下文的条件下，软件对于自由行文的理解只能用撞大运来形容。筛选数据的时候，如果人们用关键词搜索的话可能会做得更好些，但这样也难免会漏掉很多有关的记录。
当然，在有些案例中，有些看起来不干净的数并不是真的不干净。博思艾伦咨询公司副总裁沙利文举例说，有一次他的团队为一家豪华连锁酒店分析顾客的人口统计数据，突然发现，数据显示一个富有的中东国家的青少年群体是这家酒店的常客。
沙利文回忆道：“有一大群17岁的青少年在世界各地都住这家酒店，我们以为：‘这肯定不是真的。’”
但做了一些挖掘工作后，他们发现这个信息其实是正确的。这家酒店有大量的青少年顾客，甚至连酒店自己也没有意识到，而且酒店也没有针对这部分顾客做过任何促销和宣传。所有22岁以下的顾客都被这家公司的电脑自动列入“低收入”群体，酒店的高管们也从来没有考虑过这些孩子的腰包有多鼓。
沙利文说：“我认为如果没有离群值的话，构建模型会更难。”
即便有时数据明显不干净，它有时依然能派上大用场。比如上文提到的谷歌（Google）的拼写纠正技术。它可以自动识别拼写错误的单词，然后提供替代拼写。这个工具之所以有这样神奇的功用，是因为谷歌在过去几年中已经收集了几亿甚至几十亿个拼写错误的词条。因此不干净的数据也可以变废为宝。
最终，从大数据中获得结论的是人而不是机器。电脑虽然可以整理几百万份文件，但它并不能真的解读它。数据净化就是为了方便人们从数据中获取结论而反复试错的过程。尽管大数据已被奉为能提高商业利润、能造福全人类的神器，但它也是个很让人头痛的东西。
沙利文指出：“失败的概念在数据科学中完全是另一回事。如果我们每天不失败10次或12次来试错，它们就不会给出正确的结果。”