Thick Data Vs. Big Data - Plato AiStream V2.1

Neuauflage von Plato

Verfolger: 0

Dicke Daten vs. Big Data

Eine der Herausforderungen, denen sich Unternehmen in der Zeit nach COVID-19 gegenübersehen, ist die Tatsache, dass das Verbraucherverhalten nicht wieder zu den Normen vor der Pandemie zurückkehren wird. Verbraucher werden mehr Waren und Dienstleistungen online kaufen und immer mehr Menschen werden aus der Ferne arbeiten, um nur einige der großen Veränderungen zu nennen. Während Unternehmen beginnen, sich in der Post-COVID-19-Welt zurechtzufinden, während sich die Volkswirtschaften langsam wieder öffnen, wird der Einsatz von Datenanalysetools äußerst wertvoll sein, um ihnen bei der Anpassung an diese neuen Trends zu helfen. Datenanalysetools werden besonders nützlich sein, um neue Kaufmuster zu erkennen und den Kunden ein stärker personalisiertes Erlebnis zu bieten sowie das neue Verhalten der Verbraucher besser zu verstehen.

Allerdings kämpfen viele Unternehmen immer noch mit Hindernissen für erfolgreiche Big-Data-Projekte. In allen Branchen ist die Akzeptanz von Big-Data-Initiativen stark gestiegen. Die Ausgaben sind gestiegen und die überwiegende Mehrheit der Unternehmen, die Big Data nutzen, erwartet eine Kapitalrendite. Nichtsdestotrotz nennen Unternehmen immer noch mangelnde Transparenz in Prozessen und Informationen als Hauptproblem bei Big Data. Für Unternehmen, die beispielsweise nicht verstehen, warum, wie und wann sich ihre Kunden zum Kauf entscheiden, kann es unmöglich sein, Kundensegmente genau zu modellieren.

Um dieses Problem anzugehen, müssen Unternehmen möglicherweise eine Alternative zu Big Data in Betracht ziehen, nämlich Thick Data. Es ist hilfreich, beide Begriffe zu definieren. Big Data vs. Thick Data.

Big Data sind große und komplexe unstrukturierte Daten, definiert durch 3 Vs; VolumeBei Big Data müssen Sie große Mengen unstrukturierter Daten geringer Dichte verarbeiten. Dabei kann es sich um Daten von unbekanntem Wert handeln, etwa Facebook-Aktionen, Twitter-Datenfeeds, Clickstreams auf einer Webseite oder einer mobilen App oder sensorgestützte Geräte. Bei manchen Organisationen kann es sich um Dutzende Terabyte an Daten handeln. Für andere können es Hunderte von Petabyte sein. Geschwindigkeit: ist die schnelle Rate, mit der Daten empfangen und verarbeitet werden. Vielfalt bezieht sich auf die vielen Arten von Daten, die verfügbar sind. Unstrukturierte und halbstrukturierte Datentypen wie Text, Audio und Video erfordern eine zusätzliche Vorverarbeitung, um Bedeutung abzuleiten und Metadaten zu unterstützen.

Dicke Daten handelt von einem komplexen Spektrum primärer und sekundärer Forschungsansätze, darunter Umfragen, Fragebögen, Fokusgruppen, Interviews, Zeitschriften, Videos usw. Es ist das Ergebnis der Zusammenarbeit zwischen Datenwissenschaftlern und Anthropologen, die zusammenarbeiten, um große Datenmengen zu verstehen. Gemeinsam analysieren sie Daten und suchen nach qualitativen Informationen wie Erkenntnissen, Vorlieben, Motivationen und Gründen für Verhaltensweisen. Im Kern handelt es sich bei Thick Data um qualitative Daten (wie Beobachtungen, Gefühle, Reaktionen), die Einblicke in das alltägliche Gefühlsleben der Verbraucher bieten. Da Thick Data darauf abzielt, die Emotionen, Geschichten und Modelle der Menschen, in der sie leben, aufzudecken, kann es schwierig sein, sie zu quantifizieren.

Für dieses Bild wurde kein Alternativtext bereitgestellt

Vergleich von Big Data und Thick Data

Big Data ist quantitativ, während Thick Data qualitativ ist.
Big Data produziert so viele Informationen, dass es etwas mehr braucht, um Wissenslücken zu schließen und/oder aufzudecken. Thick Data deckt die Bedeutung der Visualisierung und Analyse von Big Data auf.
Big Data liefert Einblicke in eine bestimmte Reihe von Datenpunkten, während Thick Data den sozialen Kontext und die Verbindungen zwischen Datenpunkten offenlegt.
Big Data liefert Zahlen; Thick Data liefert Geschichten.
Big Data basiert auf KI/maschinellem Lernen; Thick Data basiert auf menschlichem Lernen.

Thick Data kann ein erstklassiges Unterscheidungsmerkmal sein und Unternehmen dabei helfen, die Art von Erkenntnissen zu gewinnen, die sie sich manchmal allein aus Big Data erhoffen. Es kann Unternehmen dabei helfen, das Gesamtbild zu betrachten und die verschiedenen Geschichten zusammenzufügen, während sie gleichzeitig die Unterschiede zwischen den einzelnen Medien berücksichtigen und sie nutzen, um interessante Themen und Kontraste hervorzuheben. Ohne ein Gegengewicht besteht in einer Big-Data-Welt das Risiko, dass Organisationen und Einzelpersonen beginnen, Entscheidungen zu treffen und die Leistung anhand von Metriken zu optimieren – Metriken, die von Algorithmen abgeleitet werden, und in diesem gesamten Optimierungsprozess werden Menschen, Geschichten und tatsächliche Erfahrungen so gut wie vergessen.

Wenn die großen Technologieunternehmen des Silicon Valley wirklich „die Welt verstehen“ wollen, müssen sie sowohl ihre (Big-Data-)Mengen als auch ihre (Thick-Data-)Qualitäten erfassen. Um Letzteres zu erreichen, ist es leider erforderlich, dass man die Computer hinter sich lässt und die Welt aus erster Hand erlebt, anstatt einfach nur „die Welt durch Google Glass zu sehen“ (oder im Fall von Facebook durch Virtual Reality). Dafür gibt es zwei Hauptgründe:

Um Menschen zu verstehen, müssen Sie ihren Kontext verstehen
Der größte Teil der „Welt“ besteht aus Hintergrundwissen

Anstatt zu versuchen, uns einfach anhand dessen zu verstehen, was wir tun, wie im Fall von Big Data, versucht Thick Data, uns anhand unserer Beziehung zu den vielen verschiedenen Welten, in denen wir leben, zu verstehen.

Nur wer unsere Welten versteht, kann „die Welt“ als Ganzes wirklich verstehen, und genau das wollen Unternehmen wie Google und Facebook erreichen. Um „die Welt zu verstehen“, müssen Sie sowohl ihre (Big-Data-)Mengen als auch ihre (Thick-Data-)Qualitäten erfassen.

Tatsächlich laufen Unternehmen, die sich zu sehr auf die Zahlen, Grafiken und Fakten von Big Data verlassen, Gefahr, sich von der reichhaltigen, qualitativen Realität des Alltagslebens ihrer Kunden abzuschotten. Sie verlieren möglicherweise die Fähigkeit, sich vorzustellen und zu verstehen, wie sich die Welt – und ihre eigenen Unternehmen – entwickeln könnten. Wenn wir unser Denken auf Big Data auslagern, schwindet unsere Fähigkeit, die Welt durch sorgfältige Beobachtung zu verstehen, so wie man das Gefühl und die Struktur einer neuen Stadt verpasst, wenn man sich nur mit Hilfe eines GPS darin zurechtfindet.

Erfolgreiche Unternehmen und Führungskräfte arbeiten daran, den emotionalen, sogar emotionalen Kontext zu verstehen, in dem Menschen auf ihr Produkt oder ihre Dienstleistung stoßen, und sind in der Lage, sich anzupassen, wenn sich die Umstände ändern. Sie sind in der Lage, das zu nutzen, was wir gerne als Thick Data bezeichnen, das den menschlichen Teil von Big Data umfasst.

Eine vielversprechende Technologie, die uns das Beste aus beiden Welten (Big Data und Thick Data) bieten kann, ist affektives Rechnen.

Affektives Rechnen ist die Erforschung und Entwicklung von Systemen und Geräten, die menschliche Affekte erkennen, interpretieren, verarbeiten und simulieren können. Es handelt sich um ein interdisziplinäres Gebiet, das Informatik, Psychologie und Kognitionswissenschaft umfasst. Während die Ursprünge des Fachgebiets bis zu frühen philosophischen Untersuchungen zu Emotionen zurückverfolgt werden können („Affekt“ ist im Grunde ein Synonym für „Emotion“), entstand der modernere Zweig der Informatik mit Rosalind Picards Aufsatz von 1995 Affektives Rechnen. Eine Motivation für die Forschung ist die Fähigkeit zur Simulation Empathie. Die Maschine sollte den emotionalen Zustand des Menschen interpretieren und sein Verhalten an ihn anpassen, um eine angemessene Reaktion auf diese Emotionen zu geben.

Der Einsatz affektiver Computeralgorithmen beim Sammeln und Verarbeiten von Daten macht die Daten menschlicher und zeigt beide Seiten der Daten: quantitativ und qualitativ.

Ahmed Banafa, Verfassen Sie die Bücher:

Sicheres und intelligentes Internet der Dinge (IoT) mit Blockchain und AI

Blockchain-Technologie und -Anwendungen

Lesen Sie weitere Artikel unter: Website von Prof. Banafa

Bibliographie

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/