Paksud andmed vs. Suurandmed – Plato AiStream V2.1

Taasavaldanud Platon

järgijaid: 0

Paksud andmed vs suurandmed

Üks väljakutseid, millega ettevõtted COVID-19 järgses maailmas silmitsi seisavad, on tõsiasi, et tarbijakäitumine ei lähe tagasi pandeemiaeelsetele normidele. Tarbijad ostavad veebist rohkem kaupu ja teenuseid ning üha rohkem inimesi hakkab kaugtööd tegema, et mainida vaid mõnda olulist muudatust. Kuna ettevõtted hakkavad COVID-19 järgses maailmas navigeerima ja majandused hakkavad aeglaselt taasavama, on andmeanalüütika tööriistade kasutamine nende uute suundumustega kohanemisel äärmiselt väärtuslik. Andmeanalüütika tööriistad on lisaks tarbijate uue käitumise paremaks mõistmisele eriti kasulikud uute ostumustrite tuvastamiseks ja klientidele isikupärastatud kogemuste pakkumiseks.

Paljud ettevõtted seisavad aga endiselt silmitsi takistustega edukate suurandmete projektide ees. Kõikides tööstusharudes on suurandmetega seotud algatuste kasutuselevõtt edenev. Kulutused on kasvanud ja valdav enamus suurandmeid kasutavaid ettevõtteid ootab investeeringutasuvust. Sellegipoolest nimetavad ettevõtted endiselt peamise suurandmete valupunktina protsesside ja teabe nähtavuse puudumist. Kliendisegmentide täpne modelleerimine võib olla võimatu ettevõtetele, kes ei mõista, miks, kuidas ja millal näiteks nende kliendid otsustavad oste teha.

Selle valupunktiga toimetulemiseks võivad ettevõtted kaaluda suurandmete alternatiivi, nimelt paksude andmete kasutamist. Abi on mõlema termini määratlemisest, Suured andmed vs paksud andmed.

Big andmed on suured ja keerulised struktureerimata andmed, mis on määratletud 3 V-ga; maht, suurandmete puhul peate töötlema suure hulga madala tihedusega struktureerimata andmeid. Need võivad olla tundmatu väärtusega andmed, nagu Facebooki toimingud, Twitteri andmevood, klõpsuvood veebilehel või mobiilirakenduses või anduriga seadmed. Mõne organisatsiooni puhul võib see olla kümneid terabaite andmemahtu. Teiste jaoks võib see olla sadu petabaite. Kiirus: on andmete vastuvõtmise ja nende alusel tegutsemise kiire kiirus. Sort viitab paljudele saadaolevatele andmetele. Struktureerimata ja poolstruktureeritud andmetüübid, nagu tekst, heli ja video, nõuavad tähenduse tuletamiseks ja metaandmete toetamiseks täiendavat eeltöötlust.

Paksud andmed käsitleb keerukat valikut primaarseid ja sekundaarseid uurimismeetodeid, sealhulgas küsitlusi, küsimustikke, fookusgruppe, intervjuusid, ajakirju, videoid ja nii edasi. See on koostöö tulemus andmeteadlaste ja antropoloogide vahel, kes teevad koostööd suurte andmehulkade mõistmiseks. Koos analüüsivad nad andmeid, otsides kvalitatiivset teavet, nagu arusaamad, eelistused, motivatsioonid ja käitumise põhjused. Paksud andmed on sisuliselt kvalitatiivsed andmed (nagu tähelepanekud, tunded, reaktsioonid), mis annavad ülevaate tarbijate igapäevasest emotsionaalsest elust. Kuna paksude andmete eesmärk on paljastada inimeste emotsioone, lugusid ja maailma mudeleid, kus nad elavad, võib seda olla raske kvantifitseerida.

Selle pildi jaoks pole altteksti ette nähtud

Suurandmete ja paksude andmete võrdlus

Suurandmed on kvantitatiivsed, paksud aga kvalitatiivsed.
Suurandmed toodavad nii palju teavet, et teadmistelünkade ületamiseks ja/või paljastamiseks on vaja midagi enamat. Thick Data paljastab suurandmete visualiseerimise ja analüüsi tähenduse.
Suurandmed näitavad teadmisi teatud andmepunktide vahemiku kohta, samas kui paksud andmed paljastavad andmepunktide sotsiaalse konteksti ja seosed nende vahel.
Big Data edastab numbreid; Paksud andmed edastavad lugusid.
Suurandmed toetuvad tehisintellektile/masinõppele; Thick Data tugineb inimeste õppimisele.

Thick Data võib olla tipptasemel eristaja, aidates ettevõtetel avastada, milliseid teadmisi nad mõnikord loodavad saavutada ainult suurandmete põhjal. See võib aidata ettevõtetel vaadata suurt pilti ja koondada kõik erinevad lood, võttes samal ajal arvesse iga meediumi erinevusi ja kasutades neid huvitavate teemade ja kontrastide väljatoomiseks. Ilma vastukaaluta on suurandmete maailmas oht, et organisatsioonid ja üksikisikud hakkavad tegema otsuseid ja optimeerima tulemuslikkust mõõdikute jaoks – mõõdikud, mis on tuletatud algoritmidest ja kogu selle optimeerimisprotsessi käigus unustatakse inimesed, lood, tegelikud kogemused.

Kui Silicon Valley suured tehnoloogiaettevõtted tahavad tõesti "maailmast aru saada", peavad nad jäädvustama nii selle (suurte andmete) kogused kui ka (paksud andmed) omadused. Kahjuks eeldab viimaste kogumine, et selle asemel, et lihtsalt "maailma näha läbi Google Glassi" (või Facebooki puhul virtuaalreaalsuse), jätavad nad arvutid maha ja kogevad maailma omal nahal. Sellel on kaks peamist põhjust:

Inimeste mõistmiseks peate mõistma nende konteksti
Suurem osa "maailmast" on taustteadmised

Selle asemel, et püüda meid mõista lihtsalt selle põhjal, mida me teeme, nagu suurandmete puhul, püüavad paksud andmed mõista meid selle järgi, kuidas me suhestume paljude erinevate maailmadega, kus me elame.

Ainult meie maailma mõistmise kaudu saab igaüks tõeliselt mõista "maailma" kui tervikut, mida ettevõtted, nagu Google ja Facebook, väidavad, et tahavad teha. Maailma "mõistmiseks" peate jäädvustama nii selle (suurte andmete) kogused kui ka (paksud andmed) omadused.

Tegelikult riskivad ettevõtted, kes toetuvad liiga palju suurandmete numbritele, graafikutele ja faktoididele, isoleerida end oma klientide igapäevaelu rikkalikust ja kvalitatiivsest reaalsusest. Nad võivad kaotada võime ette kujutada ja mõista, kuidas maailm ja nende endi ettevõtted võivad areneda. Kui suuname oma mõtlemise suurandmetele, hakkab meie võime hoolika vaatluse abil maailma mõtestada, nii nagu igatsete uue linna tunnet ja tekstuuri, kui navigeerite selles ainult GPS-i abil.

Edukad ettevõtted ja juhid töötavad selle nimel, et mõista emotsionaalset, isegi vistseraalset konteksti, milles inimesed oma toote või teenusega kokku puutuvad, ning nad on võimelised kohanema, kui asjaolud muutuvad. Nad saavad kasutada seda, mida meile meeldib nimetada paksudeks andmeteks, mis sisaldavad suurandmete inimlikku elementi.

Üks paljutõotav tehnoloogia, mis võib anda meile mõlemast maailmast parima (Big Data ja Thick Data). afektiivne arvuti.

Afektiivne andmetöötlus on selliste süsteemide ja seadmete uurimine ja arendamine, mis suudavad ära tunda, tõlgendada, töödelda ja simuleerida inimmõjusid. See on interdistsiplinaarne valdkond, mis hõlmab arvutiteadust, psühholoogiat ja kognitiivteadust. Kuigi selle valdkonna päritolu võib ulatuda varastesse filosoofilistesse emotsioonide uurimisse (“mõjutus” on põhimõtteliselt “emotsiooni” sünonüüm), sai moodsam arvutiteaduse haru alguse Rosalind Picardi 1995. aasta artiklist. afektiivne arvuti. Uurimistöö ajendiks on simuleerimisoskus empaatia. Masin peaks tõlgendama inimeste emotsionaalset seisundit ja kohandama oma käitumist nendega, andes neile emotsioonidele sobiva vastuse.

Afektiivsete arvutusalgoritmide kasutamine andmete kogumisel ja töötlemisel muudab andmed inimlikumaks ja näitab andmete mõlemat poolt: kvantitatiivset ja kvalitatiivset.

Ahmed Banafa, Raamatute autor:

Turvaline ja nutikas asjade internet (IoT), kasutades plokiahelat ja AI-d

Plokiahela tehnoloogia ja rakendused

Loe rohkem artikleid aadressil: Prof Banafa veebisait

viited

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/