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

Ripubblicato da Platone

Seguaci: 0

Dati spessi contro Big Data

Una delle sfide che le aziende devono affrontare nel mondo post-COVID-19 è il fatto che il comportamento dei consumatori non tornerà ai livelli pre-pandemia. I consumatori acquisteranno più beni e servizi online e un numero crescente di persone lavorerà da remoto, solo per citare alcuni importanti cambiamenti. Mentre le aziende iniziano a orientarsi nel mondo post-COVID-19 mentre le economie iniziano lentamente a riaprirsi, l’uso di strumenti di analisi dei dati sarà estremamente prezioso per aiutarle ad adattarsi a queste nuove tendenze. Gli strumenti di analisi dei dati saranno particolarmente utili per rilevare nuovi modelli di acquisto e offrire ai clienti un’esperienza maggiormente personalizzata, oltre a comprendere meglio il nuovo comportamento dei consumatori.

Tuttavia, molte aziende devono ancora affrontare ostacoli per il successo dei progetti Big Data. In tutti i settori, l’adozione di iniziative relative ai Big Data è in forte aumento. La spesa è aumentata e la stragrande maggioranza delle aziende che utilizzano i big data si aspetta un ritorno sull’investimento. Tuttavia, le aziende continuano a citare la mancanza di visibilità sui processi e sulle informazioni come il principale punto dolente dei big data. Modellare accuratamente i segmenti di clientela può essere impossibile per le aziende che, ad esempio, non capiscono perché, come e quando i propri clienti decidono di effettuare acquisti.

Per affrontare questo punto critico, le aziende potrebbero dover prendere in considerazione un'alternativa ai big data, vale a dire i dati spessi, è utile definire entrambi i termini, Big Data e Thick Data.

Big Data sono dati non strutturati grandi e complessi, definiti da 3 V; Volume, con i big data, dovrai elaborare grandi volumi di dati non strutturati e a bassa densità. Possono trattarsi di dati di valore sconosciuto, come azioni di Facebook, feed di dati di Twitter, flussi di clic su una pagina Web o un'app mobile o apparecchiature abilitate ai sensori. Per alcune organizzazioni, potrebbero trattarsi di decine di terabyte di dati. Per altri, potrebbero essere centinaia di petabyte. Velocità: è la velocità elevata con cui i dati vengono ricevuti e utilizzati. Varietà si riferisce ai molti tipi di dati disponibili. I tipi di dati non strutturati e semistrutturati, come testo, audio e video, richiedono un'ulteriore preelaborazione per ricavare significato e supportare i metadati.

Dati spessi riguarda una gamma complessa di approcci di ricerca primari e secondari, inclusi sondaggi, questionari, focus group, interviste, riviste, video e così via. È il risultato della collaborazione tra data scientist e antropologi che lavorano insieme per dare un senso a grandi quantità di dati. Insieme, analizzano i dati, cercando informazioni qualitative come approfondimenti, preferenze, motivazioni e ragioni dei comportamenti. Fondamentalmente, i dati spessi sono dati qualitativi (come osservazioni, sentimenti, reazioni) che forniscono informazioni sulla vita emotiva quotidiana dei consumatori. Poiché i dati spessi mirano a scoprire le emozioni, le storie e i modelli del mondo in cui vivono le persone, può essere difficile quantificarli.

Nessun testo alternativo fornito per questa immagine

Confronto tra Big Data e Thick Data

I Big Data sono quantitativi, mentre i Thick Data sono qualitativi.
I Big Data producono così tante informazioni che hanno bisogno di qualcosa in più per colmare e/o rivelare le lacune conoscitive. I Thick Data svelano il significato dietro la visualizzazione e l'analisi dei Big Data.
I Big Data rivelano approfondimenti con una gamma particolare di punti dati, mentre i Thick Data rivelano il contesto sociale e le connessioni tra punti dati.
I Big Data forniscono numeri; Thick Data racconta storie.
I big data si basano sull’intelligenza artificiale/apprendimento automatico; I Thick Data si basano sull'apprendimento umano.

I Thick Data possono rappresentare un elemento di differenziazione di prim’ordine, aiutando le aziende a scoprire il tipo di informazioni che a volte sperano di ottenere solo dai big data. Può aiutare le aziende a guardare al quadro generale e a mettere insieme tutte le diverse storie, abbracciando al tempo stesso le differenze tra ciascun mezzo e utilizzandole per far emergere temi e contrasti interessanti. Senza un contrappeso, il rischio in un mondo Big Data è che le organizzazioni e gli individui inizino a prendere decisioni e a ottimizzare le prestazioni per i parametri, parametri derivati da algoritmi, e in questo intero processo di ottimizzazione, le persone, le storie, le esperienze reali, sono quasi dimenticate.

Se le grandi aziende tecnologiche della Silicon Valley vogliono davvero “capire il mondo”, devono catturarne sia le quantità (big data) che le qualità (thick data). Sfortunatamente, per raccogliere questi ultimi è necessario che invece di limitarsi a “vedere il mondo attraverso i Google Glass” (o, nel caso di Facebook, la realtà virtuale), si lascino alle spalle i computer e sperimentino il mondo in prima persona. Ci sono due ragioni principali per cui:

Per comprendere le persone è necessario comprendere il loro contesto
La maggior parte del "mondo" è conoscenza di base

Piuttosto che cercare di capirci semplicemente in base a ciò che facciamo, come nel caso dei big data, i Thick Data cercano di capirci in termini di come ci relazioniamo con i tanti mondi diversi in cui abitiamo.

Solo comprendendo i nostri mondi si può veramente comprendere “il mondo” nel suo insieme, che è esattamente ciò che aziende come Google e Facebook dicono di voler fare. Per “comprendere il mondo” è necessario catturarne sia le quantità (big data) sia le sue qualità (thick data).

Infatti, le aziende che si affidano troppo ai numeri, ai grafici e ai fatti dei Big Data rischiano di isolarsi dalla realtà ricca e qualitativa della vita quotidiana dei loro clienti. Possono perdere la capacità di immaginare e intuire come il mondo e le loro stesse attività potrebbero evolversi. Esternalizzando il nostro pensiero ai Big Data, la nostra capacità di dare un senso al mondo attraverso un’attenta osservazione inizia ad appassire, proprio come ci si perde l’atmosfera e la struttura di una nuova città navigandola solo con l’aiuto di un GPS.

Le aziende e i dirigenti di successo lavorano per comprendere il contesto emotivo, persino viscerale, in cui le persone incontrano il loro prodotto o servizio, e sono in grado di adattarsi quando le circostanze cambiano. Sono in grado di utilizzare ciò che ci piace chiamare Thick Data che comprende l’elemento umano dei Big Data.

Una tecnologia promettente che può darci il meglio di entrambi i mondi (Big Data e Thick Data) è informatica affettiva.

Informatica affettiva è lo studio e lo sviluppo di sistemi e dispositivi in grado di riconoscere, interpretare, elaborare e simulare gli affetti umani. È un campo interdisciplinare che abbraccia l’informatica, la psicologia e le scienze cognitive. Mentre le origini di questo campo possono essere fatte risalire alle prime indagini filosofiche sulle emozioni (“affetto” è, fondamentalmente, un sinonimo di “emozione”), il ramo più moderno dell’informatica ha avuto origine con l’articolo di Rosalind Picard del 1995 su computazione affettiva. Una motivazione per la ricerca è la capacità di simulare empatia. La macchina dovrebbe interpretare lo stato emotivo degli esseri umani e adattare ad essi il proprio comportamento, fornendo una risposta adeguata a quelle emozioni.

L’utilizzo di algoritmi di calcolo affettivo nella raccolta e nell’elaborazione dei dati renderà i dati più umani e mostrerà entrambi i lati dei dati: quantitativo e qualitativo.

Ahmed Banafà, Autore dei libri:

Internet delle cose sicuro e intelligente (IoT) usando Blockchain e AI

Tecnologia e applicazioni Blockchain

Leggi altri articoli su: Sito web del Prof.Banafa

Riferimenti

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/