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

Julkaissut Platon

seuraajia: 0

Paksu data vs. Big Data

Yksi yritysten kohtaamista haasteista COVID-19:n jälkeisessä maailmassa on se, että kuluttajien käyttäytyminen ei palaa pandemiaa edeltäneisiin normeihin. Kuluttajat ostavat enemmän tavaroita ja palveluita verkosta, ja yhä useammat ihmiset työskentelevät etänä muutaman suuren muutoksen vuoksi. Kun yritykset alkavat navigoida COVID-19:n jälkeisessä maailmassa, kun taloudet alkavat hitaasti avautua uudelleen, data-analytiikkatyökalujen käyttö on erittäin arvokasta auttaessaan niitä sopeutumaan näihin uusiin trendeihin. Data-analytiikkatyökalut ovat erityisen hyödyllisiä uusien ostotottumusten havaitsemiseen ja entistä henkilökohtaisemman kokemuksen tarjoamiseen asiakkaille sekä kuluttajien uuden käyttäytymisen ymmärtämiseen.

Monet yritykset kuitenkin käsittelevät edelleen esteitä menestyville big data -projekteille. Big data -aloitteiden käyttöönotto on yleistymässä eri toimialoilla. Kulutus on kasvanut, ja valtaosa big dataa käyttävistä yrityksistä odottaa sijoitetun pääoman tuottoa. Siitä huolimatta yritykset mainitsevat edelleen prosessien ja tiedon näkymättömyyden ensisijaisena big datan kipukohtana. Asiakassegmenttien tarkka mallintaminen voi olla mahdotonta yrityksille, jotka eivät ymmärrä miksi, miten ja milloin heidän asiakkaat esimerkiksi päättävät tehdä ostoksia.

Tämän ongelman ratkaisemiseksi yritysten on ehkä harkittava vaihtoehtoa big datalle, nimittäin paksua dataa, on hyödyllistä määritellä molemmat termit, Big Data vs. paksu data.

Big Data on suurta ja monimutkaista jäsentämätöntä dataa, joka määritellään 3 V:llä; tilavuus, Big Datan kanssa joudut käsittelemään suuria määriä vähän tiheää, jäsentämätöntä dataa. Nämä voivat olla tuntemattoman arvoisia tietoja, kuten Facebook-toiminnot, Twitter-tietosyötteet, verkkosivun tai mobiilisovelluksen napsautusvirrat tai anturikäyttöiset laitteet. Joillekin organisaatioille tämä voi olla kymmeniä teratavuja dataa. Toisille se voi olla satoja petatavuja. Nopeus: on nopea nopeus, jolla data vastaanotetaan ja siihen reagoidaan. lajike viittaa monenlaisiin saatavilla oleviin tietotyyppeihin. Strukturoimattomat ja puolistrukturoidut tietotyypit, kuten teksti, ääni ja video, vaativat lisäesikäsittelyä merkityksen johtamiseksi ja metatietojen tukemiseksi.

Paksu data on monimutkainen valikoima primaari- ja toissijaisia tutkimusmenetelmiä, mukaan lukien kyselyt, kyselylomakkeet, kohderyhmät, haastattelut, päiväkirjat, videot ja niin edelleen. Se on tulos tietotieteilijöiden ja antropologien yhteistyöstä, jotka tekevät yhteistyötä suurien tietomäärien ymmärtämiseksi. Yhdessä he analysoivat tietoja ja etsivät laadullista tietoa, kuten oivalluksia, mieltymyksiä, motiiveja ja syitä käyttäytymiseen. Paksu data on pohjimmiltaan laadullista dataa (kuten havaintoja, tunteita, reaktioita), jotka tarjoavat oivalluksia kuluttajien jokapäiväiseen tunne-elämään. Koska paksun datan tarkoituksena on paljastaa ihmisten tunteita, tarinoita ja malleja maailmasta, jossa he elävät, sen kvantifiointi voi olla vaikeaa.

Big Datan ja paksun datan vertailu

Big Data on kvantitatiivista, kun taas Thick Data on laadullista.
Big Data tuottaa niin paljon tietoa, että se tarvitsee jotain lisää tiedonpuutteiden kuromiseksi ja/tai paljastamiseksi. Thick Data paljastaa Big Datan visualisoinnin ja analysoinnin merkityksen.
Big Data paljastaa oivalluksia tietystä datapisteiden valikoimasta, kun taas Thick Data paljastaa datapisteiden sosiaalisen kontekstin ja yhteydet.
Big Data toimittaa numeroita; Paksu data välittää tarinoita.
Big data perustuu tekoälyyn/koneoppimiseen; Thick Data perustuu ihmisen oppimiseen.

Thick Data voi olla huippuluokkaa erottava tekijä, joka auttaa yrityksiä löytämään sellaisia oivalluksia, joita ne joskus toivovat saavuttavansa pelkän big datan avulla. Se voi auttaa yrityksiä tarkastelemaan kokonaisuutta ja yhdistämään kaikki erilaiset tarinat samalla kun ottavat huomioon kunkin median väliset erot ja hyödyntäen niitä kiinnostavien teemojen ja kontrastien löytämiseen. Ilman vastapainoa Big Data -maailmassa riskinä on, että organisaatiot ja yksilöt alkavat tehdä päätöksiä ja optimoida suorituskykyä mittareille – algoritmeista johdetut mittarit, ja koko optimointiprosessissa ihmiset, tarinat ja todelliset kokemukset unohdetaan.

Jos Piilaakson suuret teknologiayritykset todella haluavat "ymmärtää maailmaa", niiden on vangittava sekä sen (suuri data) määrät että (paksu data) ominaisuudet. Valitettavasti jälkimmäisen kerääminen edellyttää, että sen sijaan, että näkisi maailmaa Google Glassin (tai Facebookin tapauksessa virtuaalitodellisuuden) kautta, he jättävät tietokoneet taakse ja kokevat maailman omakohtaisesti. Siihen on kaksi keskeistä syytä:

Ymmärtääksesi ihmisiä, sinun on ymmärrettävä heidän kontekstinsa
Suurin osa "maailmasta" on taustatietoa

Sen sijaan, että paksu data pyrittäisiin ymmärtämään meitä pelkästään sen perusteella, mitä teemme, kuten big datan tapauksessa, paksu data pyrkii ymmärtämään meitä sen suhteen, kuinka suhtaudumme moniin eri maailmoihin, joissa elämme.

Vain ymmärtämällä maailmojamme kukaan voi todella ymmärtää "maailmaa" kokonaisuutena, mitä Googlen ja Facebookin kaltaiset yritykset sanovat haluavansa tehdä. "Ymmärtääkseen maailmaa" sinun on vangittava sekä sen (suuren datan) määrät että (paksun datan) ominaisuudet.

Itse asiassa yritykset, jotka luottavat liikaa Big Datan lukuihin, kaavioihin ja faktoideihin, uhkaavat eristyä asiakkaidensa jokapäiväisen elämän rikkaalta ja laadukkaalta todellisuudesta. He voivat menettää kykynsä kuvitella ja havainnoida, miten maailma – ja heidän omat yrityksensä – saattaa kehittyä. Ulkoistamalla ajattelumme Big Datalle, kykymme ymmärtää maailmaa huolellisen tarkkailun avulla alkaa kuihtua, aivan kuten kaipaat uuden kaupungin tuntua ja tekstuuria navigoimalla sitä vain GPS:n avulla.

Menestyneet yritykset ja johtajat pyrkivät ymmärtämään tunneperäistä, jopa sisäistä kontekstia, jossa ihmiset kohtaavat tuotteensa tai palvelunsa, ja he pystyvät sopeutumaan olosuhteiden muuttuessa. He voivat käyttää sitä, mitä me haluamme kutsua Thick Dataksi, joka sisältää Big Datan inhimillisen elementin.

Yksi lupaava tekniikka, joka voi tarjota meille molempien maailmojen parhaat puolet (Big Data ja Thick Data). affektiivista laskemista.

Affektiivinen laskenta on sellaisten järjestelmien ja laitteiden tutkimus ja kehittäminen, jotka voivat tunnistaa, tulkita, käsitellä ja simuloida ihmisen vaikutteita. Se on tieteidenvälinen ala, joka kattaa tietojenkäsittelytieteen, psykologian ja kognitiiviset tieteet. Vaikka alan alkuperä voidaan jäljittää varhaisiin filosofisiin tunteiden tutkimuksiin ("vaikutus" on pohjimmiltaan "tunteen" synonyymi), nykyaikaisempi tietojenkäsittelytieteen ala sai alkunsa Rosalind Picardin vuoden 1995 tutkimuksesta. affektiivista laskemista. Tutkimuksen motiivina on kyky simuloida empatia. Koneen tulee tulkita ihmisten emotionaalista tilaa ja mukauttaa käyttäytymistään heidän mukaansa antamalla asianmukainen vastaus näihin tunteisiin.

Affektiivisten laskenta-algoritmien käyttö tiedon keräämisessä ja käsittelyssä tekee tiedosta inhimillisempää ja näyttää tiedon molemmat puolet: määrällisen ja laadullisen.

Ahmed Banafa, Kirjoita kirjoja:

Suojattu ja älykäs esineiden Internet (IoT) Blockchain- ja AI-järjestelmien avulla

Blockchain-tekniikka ja sovellukset

Lue lisää artikkeleita: Prof. Banafa -sivusto

Viitteet

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/