Tykke data vs. Big Data - Plato AiStream V2.1

Genudgivet af Platon

Abonnenter: 0

Tykke data vs. Big Data

En af de udfordringer, som virksomheder står over for i post-COVID-19-verdenen, er det faktum, at forbrugeradfærd ikke vil gå tilbage til præ-pandemiske normer. Forbrugerne vil købe flere varer og tjenester online, og et stigende antal mennesker vil arbejde eksternt for blot at nævne nogle få store ændringer. Efterhånden som virksomheder begynder at navigere i post-COVID-19-verdenen, mens økonomier langsomt begynder at genåbne, vil brugen af dataanalyseværktøjer være ekstremt værdifuld for at hjælpe dem med at tilpasse sig disse nye tendenser. Dataanalyseværktøjer vil være særligt nyttige til at opdage nye købsmønstre og levere en større personlig oplevelse til kunderne, foruden en bedre forståelse af forbrugernes nye adfærd.

Mange virksomheder står dog stadig med forhindringer for succesfulde big data-projekter. På tværs af brancher er vedtagelsen af big data-initiativer langt højere. Udgifterne er steget, og langt de fleste virksomheder, der bruger big data, forventer afkast af investeringen. Ikke desto mindre nævner virksomheder stadig manglende synlighed i processer og information som et primært big data-pinepunkt. At modellere kundesegmenter nøjagtigt kan være umuligt for virksomheder, der ikke forstår hvorfor, hvordan og hvornår deres kunder beslutter sig for at foretage køb for eksempel.

For at tackle dette smertepunkt skal virksomheder måske overveje et alternativ til big data, nemlig tykke data, det er nyttigt at definere begge udtryk, Big Data vs. Tykke Data.

Big data er store og komplekse ustrukturerede data, defineret af 3 V'er; Bind, med big data bliver du nødt til at behandle store mængder af ustrukturerede data med lav tæthed. Dette kan være data af ukendt værdi, såsom Facebook-handlinger, Twitter-datafeeds, clickstreams på en webside eller en mobilapp eller sensoraktiveret udstyr. For nogle organisationer kan dette være snesevis af terabyte data. For andre kan det være hundredvis af petabyte. Velocity: er den hurtige hastighed, hvormed data modtages og reageres på. Variation henviser til de mange typer data, der er tilgængelige. Ustrukturerede og semistrukturerede datatyper, såsom tekst, lyd og video, kræver yderligere forbehandling for at udlede mening og understøtte metadata.

Tykke data handler om en kompleks række af primære og sekundære forskningstilgange, herunder undersøgelser, spørgeskemaer, fokusgrupper, interviews, tidsskrifter, videoer og så videre. Det er resultatet af samarbejdet mellem dataforskere og antropologer, der arbejder sammen for at give mening i store mængder data. Sammen analyserer de data og leder efter kvalitativ information som indsigt, præferencer, motivationer og årsager til adfærd. I sin kerne er tykke data kvalitative data (som observationer, følelser, reaktioner), der giver indsigt i forbrugernes følelsesmæssige hverdagsliv. Fordi tykke data har til formål at afdække folks følelser, historier og modeller af den verden, de lever i, kan det være svært at kvantificere.

Sammenligning af Big Data og Thick Data

Big Data er kvantitativ, mens Thick Data er kvalitativ.
Big Data producerer så meget information, at der skal noget mere til for at bygge bro over og/eller afsløre videnshuller. Thick Data afdækker betydningen bag Big Data visualisering og analyse.
Big Data afslører indsigt med et bestemt udvalg af datapunkter, mens Thick Data afslører den sociale kontekst af og forbindelser mellem datapunkter.
Big Data leverer tal; Tykke data leverer historier.
Big data er afhængig af AI/Machine Learning; Tykke data er afhængige af menneskelig læring.

Thick Data kan være en top-notch differentiator, der hjælper virksomheder med at afdække den slags indsigt, de engang håber at opnå fra big data alene. Det kan hjælpe virksomheder med at se på det store billede og sætte alle de forskellige historier sammen, samtidig med at de omfavner forskellene mellem hvert medie og bruger dem til at trække interessante temaer og kontraster frem. Uden en modvægt er risikoen i en Big Data-verden, at organisationer og enkeltpersoner begynder at tage beslutninger og optimere ydeevnen for metrics – målinger, der er afledt af algoritmer, og i hele denne optimeringsproces er mennesker, historier, faktiske oplevelser næsten glemt.

Hvis de store teknologivirksomheder i Silicon Valley virkelig ønsker at "forstå verden", skal de fange både dens (big data) mængder og dens (tykke data) kvaliteter. Indsamling af sidstnævnte kræver desværre, at de i stedet for blot at 'se verden gennem Google Glass' (eller i Facebooks tilfælde Virtual Reality) efterlader computerne og oplever verden på egen hånd. Der er to hovedårsager til:

For at forstå mennesker skal du forstå deres kontekst
Det meste af 'verden' er baggrundsviden

I stedet for at søge at forstå os blot baseret på, hvad vi gør, som i tilfældet med big data, søger tyk data at forstå os i forhold til, hvordan vi forholder os til de mange forskellige verdener, vi bebor.

Kun ved at forstå vores verdener kan nogen virkelig forstå "verden" som helhed, hvilket netop er, hvad virksomheder som Google og Facebook siger, de vil gøre. For at "forstå verden" skal du fange både dens (big data) mængder og dens (tykke data) kvaliteter.

Faktisk risikerer virksomheder, der stoler for meget på tallene, graferne og fakta fra Big Data, at isolere sig fra den rige, kvalitative virkelighed i deres kunders hverdag. De kan miste evnen til at forestille sig og forstå, hvordan verden – og deres egne virksomheder – kan udvikle sig. Ved at outsource vores tankegang til Big Data begynder vores evne til at give mening ud af verden ved omhyggelig observation at visne, ligesom du går glip af følelsen og teksturen af en ny by ved kun at navigere i den ved hjælp af en GPS.

Succesfulde virksomheder og ledere arbejder på at forstå den følelsesmæssige, endda viscerale kontekst, hvori mennesker møder deres produkt eller service, og de er i stand til at tilpasse sig, når omstændighederne ændrer sig. De er i stand til at bruge det, vi kan lide at kalde Thick Data, som omfatter det menneskelige element i Big Data.

En lovende teknologi, der kan give os det bedste fra begge verdener (Big Data og Thick Data) er affektiv databehandling.

Affective computing er studiet og udviklingen af systemer og enheder, der kan genkende, fortolke, behandle og simulere menneskelige påvirkninger. Det er et tværfagligt felt, der spænder over datalogi, psykologi og kognitiv videnskab. Mens feltets oprindelse kan spores så langt tilbage som til tidlige filosofiske undersøgelser af følelser ("påvirkning" er dybest set et synonym for "følelse"), opstod den mere moderne gren af datalogi med Rosalind Picards 1995-opgave om affektiv databehandling. En motivation for forskningen er evnen til at simulere empati. Maskinen skal fortolke menneskers følelsesmæssige tilstand og tilpasse sin adfærd til dem, hvilket giver et passende svar på disse følelser.

Brug af affektive computeralgoritmer til at indsamle og behandle data vil gøre dataene mere menneskelige og vise begge sider af data: kvantitativ og kvalitativ.

Ahmed Banafa, Forfatter bøgerne:

Sikkert og smart Internet of Things (IoT) ved hjælp af Blockchain og AI

Blockchain-teknologi og applikationer

Læs flere artikler på: Prof. Banafas hjemmeside

Referencer

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/