Data Tebal Vs. Data Besar - Plato AiStream V2.1

Diterbitkan Ulang Oleh Plato

Followers: 0

Data Tebal vs. Data Besar

Salah satu tantangan yang dihadapi dunia usaha pasca-COVID-19 adalah kenyataan bahwa perilaku konsumen tidak akan kembali ke norma sebelum pandemi. Konsumen akan membeli lebih banyak barang dan jasa secara online, dan semakin banyak orang yang akan bekerja dari jarak jauh, dan ini merupakan beberapa perubahan besar. Ketika perusahaan mulai menavigasi dunia pasca-COVID-19 ketika perekonomian perlahan mulai dibuka kembali, penggunaan alat analisis data akan sangat berguna dalam membantu mereka beradaptasi dengan tren baru ini. Alat analisis data akan sangat berguna untuk mendeteksi pola pembelian baru dan memberikan pengalaman yang lebih dipersonalisasi kepada pelanggan, selain pemahaman yang lebih baik tentang perilaku baru konsumen.

Namun, banyak perusahaan masih menghadapi hambatan dalam keberhasilan proyek data besar. Di seluruh industri, penerapan inisiatif big data sedang meningkat. Pengeluaran meningkat, dan sebagian besar perusahaan yang menggunakan data besar mengharapkan laba atas investasi. Namun demikian, perusahaan masih menyebutkan kurangnya visibilitas terhadap proses dan informasi sebagai permasalahan utama dalam big data. Memodelkan segmen pelanggan secara akurat mungkin tidak mungkin dilakukan oleh bisnis yang tidak memahami alasan, bagaimana, dan kapan pelanggannya memutuskan untuk melakukan pembelian, misalnya.

Untuk mengatasi masalah ini, perusahaan mungkin perlu mempertimbangkan alternatif selain data besar, yaitu data tebal. Akan sangat membantu jika kita mendefinisikan kedua istilah tersebut, Data Besar vs. Data Tebal.

Big data adalah data tidak terstruktur yang besar dan kompleks, ditentukan oleh 3 V; Volume, dengan data besar, Anda harus memproses data berdensitas rendah dan tidak terstruktur dalam jumlah besar. Ini bisa berupa data yang nilainya tidak diketahui, seperti tindakan Facebook, data feed Twitter, aliran klik pada halaman web atau aplikasi seluler, atau peralatan yang dilengkapi sensor. Untuk beberapa organisasi, datanya mungkin berukuran puluhan terabyte. Bagi yang lain, mungkin ratusan petabyte. Kecepatan: adalah kecepatan penerimaan dan tindakan data. Variasi mengacu pada banyak jenis data yang tersedia. Tipe data tidak terstruktur dan semi terstruktur, seperti teks, audio, dan video, memerlukan prapemrosesan tambahan untuk memperoleh makna dan mendukung metadata.

Data Tebal adalah tentang serangkaian pendekatan penelitian primer dan sekunder yang kompleks, termasuk survei, kuesioner, kelompok fokus, wawancara, jurnal, video, dan sebagainya. Ini adalah hasil kolaborasi antara ilmuwan data dan antropolog yang bekerja sama untuk memahami data dalam jumlah besar. Bersama-sama, mereka menganalisis data, mencari informasi kualitatif seperti wawasan, preferensi, motivasi, dan alasan perilaku. Pada intinya, data tebal adalah data kualitatif (seperti observasi, perasaan, reaksi) yang memberikan wawasan tentang kehidupan emosional konsumen sehari-hari. Karena data yang tebal bertujuan untuk mengungkap emosi, cerita, dan model masyarakat tempat mereka tinggal, hal ini mungkin sulit untuk diukur.

Tidak ada teks alternatif yang disediakan untuk gambar ini

Perbandingan Big Data dan Thick Data

Big Data bersifat kuantitatif, sedangkan Thick Data bersifat kualitatif.
Big Data menghasilkan begitu banyak informasi sehingga memerlukan sesuatu yang lebih untuk menjembatani dan/atau mengungkap kesenjangan pengetahuan. Thick Data mengungkap makna di balik visualisasi dan analisis Big Data.
Big Data mengungkapkan wawasan dengan rentang titik data tertentu, sedangkan Thick Data mengungkapkan konteks sosial dan hubungan antar titik data.
Big Data memberikan angka; Data Tebal menyampaikan cerita.
Big data bergantung pada AI/Machine Learning; Data Tebal bergantung pada pembelajaran manusia.

Thick Data dapat menjadi pembeda terbaik, membantu bisnis mengungkap jenis wawasan yang nantinya ingin mereka peroleh hanya dari big data. Hal ini dapat membantu bisnis melihat gambaran besarnya dan menyatukan semua cerita yang berbeda, sambil merangkul perbedaan antara masing-masing media dan menggunakannya untuk memunculkan tema dan kontras yang menarik. Tanpa penyeimbang, risiko di dunia Big Data adalah organisasi dan individu mulai mengambil keputusan dan mengoptimalkan kinerja metrik—metrik yang berasal dari algoritme, dan dalam keseluruhan proses pengoptimalan ini, orang, cerita, pengalaman aktual, akan terlupakan.

Jika perusahaan teknologi besar di Silicon Valley benar-benar ingin “memahami dunia”, mereka perlu menangkap kuantitas (data besar) dan kualitas (data tebal). Sayangnya, untuk mengumpulkan informasi tersebut, mereka tidak hanya sekedar 'melihat dunia melalui Google Glass' (atau dalam kasus Facebook, Virtual Reality), mereka harus meninggalkan komputer dan merasakan dunia secara langsung. Ada dua alasan utama mengapa:

Untuk Memahami Orang, Anda Perlu Memahami Konteks Mereka
Sebagian Besar 'Dunia' Adalah Latar Belakang Pengetahuan

Daripada berusaha memahami kita hanya berdasarkan apa yang kita lakukan seperti halnya data besar, data tebal berupaya memahami kita dalam kaitannya dengan bagaimana kita berhubungan dengan berbagai dunia yang kita tinggali.

Hanya dengan memahami dunia kita, seseorang dapat benar-benar memahami “dunia” secara keseluruhan, dan hal inilah yang menurut perusahaan seperti Google dan Facebook ingin mereka lakukan. Untuk “memahami dunia” Anda perlu menangkap kuantitas (data besar) dan kualitas (data tebal).

Faktanya, perusahaan yang terlalu bergantung pada angka, grafik, dan fakta Big Data berisiko mengisolasi diri mereka dari realitas kualitatif dan kaya dalam kehidupan sehari-hari pelanggan mereka. Mereka bisa kehilangan kemampuan untuk membayangkan dan merasakan bagaimana dunia—dan bisnis mereka—akan berkembang. Dengan mengalihkan pemikiran kita ke Big Data, kemampuan kita untuk memahami dunia melalui observasi yang cermat mulai melemah, sama seperti Anda kehilangan nuansa dan tekstur kota baru hanya dengan menavigasinya menggunakan bantuan GPS.

Perusahaan dan eksekutif yang sukses berupaya memahami konteks emosional, bahkan mendalam saat orang-orang menemukan produk atau layanan mereka, dan mereka mampu beradaptasi ketika keadaan berubah. Mereka dapat menggunakan apa yang kami sebut sebagai Data Tebal (Thick Data) yang terdiri dari elemen manusia dalam Big Data.

Salah satu teknologi menjanjikan yang dapat memberikan kita yang terbaik dari kedua dunia (Big Data dan Thick Data) adalah komputasi afektif.

Komputasi yang efektif adalah studi dan pengembangan sistem dan perangkat yang dapat mengenali, menafsirkan, memproses, dan mensimulasikan pengaruh manusia. Ini adalah bidang interdisipliner yang mencakup ilmu komputer, psikologi, dan ilmu kognitif. Meskipun asal usul bidang ini dapat ditelusuri hingga ke penyelidikan filosofis awal mengenai emosi (“affect”, pada dasarnya, merupakan sinonim dari “emosi.”), cabang ilmu komputer yang lebih modern berasal dari makalah Rosalind Picard pada tahun 1995 tentang emosi. komputasi afektif. Motivasi penelitian ini adalah kemampuan melakukan simulasi empati. Mesin harus menafsirkan keadaan emosional manusia dan menyesuaikan perilakunya dengan mereka, memberikan respons yang sesuai untuk emosi tersebut.

Penggunaan algoritma komputasi afektif dalam mengumpulkan dan memproses data akan menjadikan data lebih manusiawi dan menunjukkan kedua sisi data: kuantitatif dan kualitatif.

Ahmad Banaf, Penulis Buku:

Internet of Things (IoT) yang Aman dan Cerdas Menggunakan Blockchain dan AI

Teknologi dan Aplikasi Blockchain

Baca lebih banyak artikel di: Situs Prof Banafa

Referensi

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/