Données épaisses Vs. Big Data - Platon AiStream V2.1

Republié par Platon

Suiveurs: 0

Données épaisses contre Big Data

L'un des défis auxquels sont confrontées les entreprises dans le monde post-COVID-19 est le fait que le comportement des consommateurs ne reviendra pas aux normes d'avant la pandémie. Les consommateurs achèteront plus de biens et de services en ligne, et de plus en plus de personnes travailleront à distance pour ne citer que quelques changements majeurs . Alors que les entreprises commencent à naviguer dans le monde post-COVID-19 alors que les économies commencent lentement à rouvrir, l'utilisation d'outils d'analyse de données sera extrêmement précieuse pour les aider à s'adapter à ces nouvelles tendances. Les outils d'analyse de données seront particulièrement utiles pour détecter de nouveaux modèles d'achat et offrir une expérience plus personnalisée aux clients, en plus de mieux comprendre les nouveaux comportements des consommateurs.

Cependant, de nombreuses entreprises sont toujours confrontées à des obstacles à la réussite de projets Big Data. Dans tous les secteurs, l'adoption d'initiatives de mégadonnées est en hausse. Les dépenses ont augmenté et la grande majorité des entreprises utilisant le big data s'attendent à un retour sur investissement. Néanmoins, les entreprises citent toujours le manque de visibilité sur les processus et les informations comme le principal problème de Big Data. Modéliser avec précision les segments de clientèle peut être impossible pour les entreprises qui ne comprennent pas pourquoi, comment et quand leurs clients décident de faire des achats par exemple.

Pour résoudre ce problème, les entreprises pourraient avoir besoin d'envisager une alternative aux mégadonnées, à savoir les données épaisses, il est utile de définir les deux termes, Big Data contre données épaisses.

Big Data sont des données non structurées volumineuses et complexes, définies par 3 V ; Volume, avec le Big Data, vous devrez traiter de gros volumes de données non structurées à faible densité. Il peut s'agir de données de valeur inconnue, telles que des actions Facebook, des flux de données Twitter, des flux de clics sur une page Web ou une application mobile, ou un équipement activé par capteur. Pour certaines organisations, cela peut représenter des dizaines de téraoctets de données. Pour d'autres, cela peut représenter des centaines de pétaoctets. Vitesse: est la vitesse à laquelle les données sont reçues et traitées. Variété fait référence aux nombreux types de données disponibles. Les types de données non structurés et semi-structurés, tels que le texte, l'audio et la vidéo, nécessitent un prétraitement supplémentaire pour dériver le sens et prendre en charge les métadonnées.

Données épaisses concerne une gamme complexe d'approches de recherche primaires et secondaires, notamment des enquêtes, des questionnaires, des groupes de discussion, des entretiens, des revues, des vidéos, etc. C'est le résultat de la collaboration entre des scientifiques des données et des anthropologues qui travaillent ensemble pour donner un sens à de grandes quantités de données. Ensemble, ils analysent les données, à la recherche d'informations qualitatives telles que des idées, des préférences, des motivations et des raisons de comportements. À la base, les données denses sont des données qualitatives (comme des observations, des sentiments, des réactions) qui donnent un aperçu de la vie émotionnelle quotidienne des consommateurs. Étant donné que les données denses visent à découvrir les émotions, les histoires et les modèles du monde dans lequel ils vivent, il peut être difficile de les quantifier.

Aucun texte alternatif fourni pour cette image

Comparaison du Big Data et des données épaisses

Le Big Data est quantitatif, tandis que le Thick Data est qualitatif.
Le Big Data produit tellement d'informations qu'il lui faut quelque chose de plus pour combler et/ou révéler les lacunes dans les connaissances. Thick Data révèle le sens de la visualisation et de l'analyse du Big Data.
Big Data révèle des informations avec une gamme particulière de points de données, tandis que Thick Data révèle le contexte social et les connexions entre les points de données.
Le Big Data fournit des chiffres ; Les données épaisses livrent des histoires.
Le Big Data repose sur l'IA/Machine Learning ; Les données épaisses reposent sur l'apprentissage humain.

Les données épaisses peuvent être un différenciateur de premier ordre, aidant les entreprises à découvrir les types d'informations qu'elles espèrent parfois obtenir à partir des seules données volumineuses. Cela peut aider les entreprises à avoir une vue d'ensemble et à rassembler toutes les différentes histoires, tout en tenant compte des différences entre chaque support et en les utilisant pour dégager des thèmes et des contrastes intéressants. Sans contrepoids, le risque dans un monde Big Data est que les organisations et les individus commencent à prendre des décisions et à optimiser les performances des métriques - des métriques dérivées d'algorithmes, et dans tout ce processus d'optimisation, les personnes, les histoires, les expériences réelles sont presque oubliées.

Si les grandes entreprises technologiques de la Silicon Valley veulent vraiment « comprendre le monde », elles doivent capturer à la fois ses quantités (big data) et ses qualités (données épaisses). Malheureusement, pour rassembler ces derniers, au lieu de simplement « voir le monde à travers Google Glass » (ou dans le cas de Facebook, la réalité virtuelle), ils laissent les ordinateurs derrière eux et font l'expérience du monde de première main. Il y a deux raisons principales pour lesquelles :

Pour comprendre les gens, vous devez comprendre leur contexte
La plupart du « monde » est une connaissance de base

Plutôt que de chercher à nous comprendre simplement sur la base de ce que nous faisons comme dans le cas des mégadonnées, les données épaisses cherchent à nous comprendre en termes de notre relation avec les nombreux mondes différents dans lesquels nous habitons.

Ce n'est qu'en comprenant nos mondes que quelqu'un peut vraiment comprendre « le monde » dans son ensemble, ce qui est précisément ce que des entreprises comme Google et Facebook disent vouloir faire. Pour « comprendre le monde », vous devez capturer à la fois ses quantités (big data) et ses qualités (données épaisses).

En fait, les entreprises qui s'appuient trop sur les chiffres, les graphiques et les faits du Big Data risquent de s'isoler de la réalité riche et qualitative de la vie quotidienne de leurs clients. Ils peuvent perdre la capacité d'imaginer et de deviner comment le monde - et leurs propres entreprises - pourraient évoluer. En externalisant notre réflexion vers le Big Data, notre capacité à donner un sens au monde par une observation attentive commence à s'estomper, tout comme vous manquez l'ambiance et la texture d'une nouvelle ville en la naviguant uniquement à l'aide d'un GPS.

Les entreprises et les dirigeants qui réussissent s'efforcent de comprendre le contexte émotionnel, voire viscéral, dans lequel les gens rencontrent leur produit ou service, et ils sont capables de s'adapter lorsque les circonstances changent. Ils sont capables d'utiliser ce que nous aimons appeler des données épaisses qui comprennent l'élément humain du Big Data.

Une technologie prometteuse qui peut nous offrir le meilleur des deux mondes (Big Data et Thick Data) est informatique affective.

Informatique affective est l'étude et le développement de systèmes et de dispositifs capables de reconnaître, d'interpréter, de traiter et de simuler les effets humains. C'est un domaine interdisciplinaire couvrant l'informatique, la psychologie et les sciences cognitives. Bien que les origines du domaine remontent aux premières recherches philosophiques sur les émotions (« affect » est, fondamentalement, un synonyme d informatique affective. Une motivation pour la recherche est la capacité de simuler empathie. La machine doit interpréter l'état émotionnel des humains et y adapter son comportement, en donnant une réponse appropriée à ces émotions.

L'utilisation d'algorithmes informatiques affectifs dans la collecte et le traitement des données rendra les données plus humaines et montrera les deux côtés des données : quantitatif et qualitatif.

Ahmed Banafa, Auteur des livres:

Internet sécurisé et intelligent des objets (IoT) utilisant la blockchain et l'IA

Technologie et applications Blockchain

Lisez plus d'articles sur: Site du professeur 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/