Oficer FBI Jody Weise wpadł w 2010 r. na dość skuteczny pomysł przeciwdziałania przestępczości w Chicago. Polegał on na szczegółowym poznaniu miejsc i czasu dokonywania najcięższych przestępstw. Sporządzone przy użyciu wielkich zbiorów danych statystycznych i za pomocą zaawansowanego oprogramowania komputerowego mapy zagrożeń przestępczością (ang. predictive analytics) doprowadziły do zwiększenia liczby i intensywności pracy patroli w miejscach najbardziej niebezpiecznych. W efekcie liczba zabójstw spadła w ciągu roku o ok. 5 proc. Jednocześnie jednak pojawił się problem przypominający późniejszą sprawę Ferguson – statystyki policyjne wskazywały na największe zagrożenie ciężkimi przestępstwami zaledwie na 10 proc. powierzchni Chicago, i to w tej części aglomeracji, w której dominowali mieszkańcy ciemnoskórzy oraz pochodzenia latynoskiego.
Predyktywne statystyki kierowały więc wzmożone patrole policji znacznie częściej do tych właśnie okolic. Powstała wyraźna etniczna nierównowaga w liczbie policyjnych akcji prewencyjnych. Część kolorowej ludności Chicago poczuła się dyskryminowana uciążliwymi działaniami policji, których – w jej rozumieniu – doświadczała wyłącznie z powodu przynależności do określonej społeczności i zamieszkiwania w konkretnej dzielnicy. W protestach tych ludzi dominowało przekonanie, że statystyczna prawidłowość odnosząca się do zbiorowości, w której żyją, nie musi dotyczyć każdej indywidualnej osoby do niej należącej.
Każdy ma swój zbiór
W epoce big data każdy staje się obiektem coraz większej liczby różnych klasyfikacji, a następnie jednym z elementów różnych zbiorów i podzbiorów.