البيانات الكثيفة مقابل البيانات الضخمة

تتمثل إحدى التحديات التي تواجه الشركات في عالم ما بعد COVID-19 في حقيقة أن سلوك المستهلك لن يعود إلى معايير ما قبل الوباء. سيشتري المستهلكون المزيد من السلع والخدمات عبر الإنترنت ، وستعمل أعداد متزايدة من الناس عن بُعد فقط لذكر بعض التغييرات الرئيسية. مع بدء الشركات في التنقل في عالم ما بعد COVID-19 حيث تبدأ الاقتصادات في إعادة الانفتاح ببطء ، سيكون استخدام أدوات تحليل البيانات مفيدًا للغاية في مساعدتها على التكيف مع هذه الاتجاهات الجديدة. ستكون أدوات تحليل البيانات مفيدة بشكل خاص لاكتشاف أنماط الشراء الجديدة وتقديم تجربة شخصية أكبر للعملاء ، بالإضافة إلى فهم أفضل لسلوك المستهلكين الجديد.

ومع ذلك ، لا تزال العديد من الشركات تتعامل مع عقبات أمام مشاريع البيانات الضخمة الناجحة. عبر الصناعات ، هناك طريق كبير لاعتماد مبادرات البيانات الضخمة. زاد الإنفاق ، وتتوقع الغالبية العظمى من الشركات التي تستخدم البيانات الضخمة عائدًا على الاستثمار. ومع ذلك ، لا تزال الشركات تشير إلى الافتقار إلى الرؤية في العمليات والمعلومات كنقطة ضعف أساسية تتعلق بالبيانات الضخمة. يمكن أن يكون نمذجة شرائح العملاء بدقة أمرًا مستحيلًا بالنسبة للشركات التي لا تفهم لماذا وكيف ومتى يقرر عملاؤها إجراء عمليات شراء على سبيل المثال.

لمعالجة نقطة الألم هذه ، قد تحتاج الشركات إلى التفكير في بديل للبيانات الضخمة ، أي البيانات الكثيفة ، من المفيد تحديد كلا المصطلحين ، البيانات الضخمة مقابل البيانات الكثيفة.

البيانات الكبيرة هي بيانات غير منظمة كبيرة ومعقدة ، محددة بـ 3 فولت ؛ الصوت، باستخدام البيانات الضخمة ، سيتعين عليك معالجة كميات كبيرة من البيانات غير المهيكلة منخفضة الكثافة. يمكن أن تكون هذه بيانات ذات قيمة غير معروفة ، مثل إجراءات Facebook أو موجز بيانات Twitter أو تدفق النقرات على صفحة ويب أو تطبيق جوال أو جهاز مزود بأجهزة استشعار. بالنسبة لبعض المؤسسات ، قد يكون هذا عشرات تيرابايت من البيانات. بالنسبة للآخرين ، قد يكون مئات البيتابايت. سرعة: هو المعدل السريع الذي يتم به تلقي البيانات والعمل على أساسها. تشكيلة يشير إلى العديد من أنواع البيانات المتوفرة. تتطلب أنواع البيانات غير المهيكلة وشبه المهيكلة ، مثل النص والصوت والفيديو ، معالجة إضافية مسبقة لاشتقاق المعنى ودعم البيانات الوصفية.

بيانات مفصّلة يدور حول مجموعة معقدة من مناهج البحث الأولية والثانوية ، بما في ذلك الاستطلاعات والاستبيانات ومجموعات التركيز والمقابلات والمجلات ومقاطع الفيديو وما إلى ذلك. إنها نتيجة التعاون بين علماء البيانات وعلماء الأنثروبولوجيا الذين يعملون معًا لفهم كميات كبيرة من البيانات. معًا ، يقومون بتحليل البيانات ، والبحث عن المعلومات النوعية مثل الرؤى والتفضيلات والدوافع وأسباب السلوكيات. البيانات الكثيفة في جوهرها هي بيانات نوعية (مثل الملاحظات والمشاعر وردود الفعل) التي توفر نظرة ثاقبة للحياة العاطفية اليومية للمستهلكين. نظرًا لأن البيانات الكثيفة تهدف إلى الكشف عن مشاعر الناس وقصصهم ونماذج العالم الذي يعيشون فيه ، فقد يكون من الصعب تحديدها.

مقارنة البيانات الضخمة والبيانات المفصلة

• البيانات الضخمة كمية ، في حين أن البيانات الكثيفة نوعية.
• تنتج البيانات الضخمة الكثير من المعلومات التي تحتاج إلى شيء أكثر لسد و / أو الكشف عن الفجوات المعرفية. تكشف البيانات الكثيفة المعنى الكامن وراء تصور البيانات الضخمة وتحليلها.
• تكشف البيانات الضخمة عن رؤى مع نطاق معين من نقاط البيانات ، بينما تكشف البيانات الكثيفة السياق الاجتماعي والصلات بين نقاط البيانات.
• توفر البيانات الضخمة أرقامًا ؛ البيانات الكثيفة تقدم قصصًا.
• تعتمد البيانات الضخمة على الذكاء الاصطناعي / التعلم الآلي ؛ تعتمد البيانات الكثيفة على التعلم البشري.

يمكن أن تكون البيانات الكثيفة أداة تميز من الدرجة الأولى ، حيث تساعد الشركات في الكشف عن أنواع الرؤى التي يأملون في الحصول عليها في بعض الأحيان من البيانات الضخمة وحدها. يمكن أن يساعد الشركات على النظر إلى الصورة الكبيرة ووضع كل القصص المختلفة معًا ، مع احتضان الاختلافات بين كل وسيط واستخدامها لاستخراج موضوعات وتناقضات مثيرة للاهتمام. بدون توازن ، فإن الخطر في عالم البيانات الضخمة هو أن المؤسسات والأفراد يبدأون في اتخاذ القرارات وتحسين الأداء للمقاييس - المقاييس المشتقة من الخوارزميات ، وفي عملية التحسين بأكملها ، يتم تجاهل الأشخاص والقصص والتجارب الفعلية.

إذا كانت شركات التكنولوجيا الكبيرة في وادي السيليكون تريد حقًا "فهم العالم" ، فإنها تحتاج إلى التقاط كميات (البيانات الضخمة) وخصائصها (البيانات الكثيفة). لسوء الحظ ، يتطلب جمع هذا الأخير بدلاً من مجرد "رؤية العالم من خلال Google Glass" (أو في حالة Facebook ، الواقع الافتراضي) ، فإنهم يتركون أجهزة الكمبيوتر وراءهم ويختبرون العالم بشكل مباشر. هناك سببان رئيسيان وراء ذلك:

• لفهم الناس ، عليك أن تفهم سياقهم
• معظم "العالم" خلفية المعرفة

بدلاً من السعي لفهمنا بناءً على ما نفعله كما في حالة البيانات الضخمة ، تسعى البيانات الكثيفة إلى فهمنا من حيث كيفية ارتباطنا بالعديد من العوالم المختلفة التي نعيش فيها.

فقط من خلال فهم عوالمنا يمكن لأي شخص أن يفهم حقًا "العالم" ككل ، وهو بالضبط ما تقول شركات مثل Google و Facebook أنها تريد القيام به. لكي "تفهم العالم" ، تحتاج إلى التقاط كميات (البيانات الضخمة) وخصائصها (البيانات الكثيفة).

في الواقع ، تخاطر الشركات التي تعتمد كثيرًا على الأرقام والرسوم البيانية والحقائق الخاصة بالبيانات الضخمة بعزل نفسها عن الواقع الغني والنوعي لحياة عملائها اليومية. يمكن أن يفقدوا القدرة على تخيل واستشعار كيف يمكن أن يتطور العالم - وأعمالهم التجارية الخاصة. من خلال الاستعانة بمصادر خارجية لتفكيرنا في البيانات الضخمة ، تبدأ قدرتنا على فهم العالم من خلال المراقبة الدقيقة في التلاشي ، تمامًا كما تفتقد الإحساس والملمس لمدينة جديدة من خلال التنقل فيها فقط بمساعدة نظام تحديد المواقع العالمي (GPS).

تعمل الشركات والمديرين التنفيذيين الناجحين على فهم السياق العاطفي وحتى العميق الذي يواجه فيه الأشخاص منتجهم أو خدمتهم ، وهم قادرون على التكيف عندما تتغير الظروف. إنهم قادرون على استخدام ما نحب أن نسميه البيانات الكثيفة التي تضم العنصر البشري للبيانات الضخمة.

إحدى التقنيات الواعدة التي يمكن أن تقدم لنا أفضل ما في العالمين (البيانات الضخمة والبيانات الكثيفة) هي الحوسبة العاطفية.

الحوسبة العاطفية هي دراسة وتطوير الأنظمة والأجهزة التي يمكنها التعرف على التأثيرات البشرية وتفسيرها ومعالجتها ومحاكاتها. إنه مجال متعدد التخصصات يشمل علوم الكمبيوتر وعلم النفس والعلوم المعرفية. في حين أن أصول المجال يمكن إرجاعها إلى الاستفسارات الفلسفية المبكرة في العاطفة ("التأثير" ، في الأساس ، مرادف لـ "العاطفة.") ، نشأ الفرع الأكثر حداثة لعلوم الكمبيوتر مع ورقة روزاليند بيكارد عام 1995 حول الحوسبة العاطفية. الدافع وراء البحث هو القدرة على المحاكاة التقمص العاطفي. يجب أن تفسر الآلة الحالة العاطفية للإنسان وتكييف سلوكها معها ، مما يعطي استجابة مناسبة لتلك المشاعر.

سيؤدي استخدام خوارزميات الحوسبة العاطفية في جمع البيانات ومعالجتها إلى جعل البيانات أكثر إنسانية وإظهار جانبي البيانات: الكمية والنوعية.

احمد بانافع، مؤلف الكتب:

إنترنت الأشياء الآمن والذكي (IoT) باستخدام Blockchain و AI

تكنولوجيا وتطبيقات Blockchain

اقرأ المزيد من المقالات على: موقع البروفيسور بانافع

مراجع حسابات

https://www.linkedin.com/pulse/8-key-tech-trends-post-covid-19-world-ahmed-banafa/

https://www.bdex.com/thick-data-why-marketers-must-understand-why-people-behave-the-way-they-do/

https://www.usertesting.com/blog/thick-data-vs-big-data

https://www.oracle.com/in/big-data/what-is-big-data/

https://www.cognizant.com/us/en/glossary/thick-data

http://www.brandwatch.com/2014/04/what-is-thick-data-and-why-should-you-use-it/

http://ethnographymatters.net/2013/05/13/big-data-needs-thick-data/

http://www.wired.com/2014/04/your-big-data-is-worthless-if-you-dont-bring-it-into-the-real-world/

http://www.big-dataforum.com/238/big-data-how-about-%E2%80%9Cthick-data%E2%80%9D-%E2%80%94-or-did-we-just-create-another-haystack

http://blog.marketresearch.com/thick-data-and-market-research-understanding-your-customers

http://www.wired.com/2013/03/clive-thompson-2104/

شارك هذا المنشور عبر: المصدر: https://semiwiki.com/general/304678-thick-data-vs-big-data/