厚いデータとビッグデータ

プラトン再発行

フォロワー： 0

シックデータとビッグデータ

新型コロナウイルス感染症後の世界において企業が直面する課題の 19 つは、消費者の行動がパンデミック前の標準に戻らないという事実です。大きな変化をいくつか挙げるだけでも、消費者はより多くの商品やサービスをオンラインで購入し、リモートで働く人が増えます。経済が徐々に再開され始め、企業が新型コロナウイルス感染症（COVID-19）後の世界に向けて舵を取り始める中、データ分析ツールの使用は、企業がこれらの新しいトレンドに適応する上で非常に価値のあるものとなるでしょう。データ分析ツールは、消費者の新しい行動をより深く理解することに加えて、新しい購入パターンを検出し、よりパーソナライズされたエクスペリエンスを顧客に提供するのに特に役立ちます。

しかし、多くの企業は依然としてビッグデータプロジェクトを成功させるための障害に対処しています。業界全体で、ビッグデータへの取り組みの導入が大幅に進んでいます。支出は増加しており、ビッグデータを利用する企業の大多数は投資収益率を期待しています。それにもかかわらず、企業は依然としてプロセスと情報の可視性の欠如をビッグデータの主要な問題点として挙げています。たとえば、顧客がなぜ、どのように、いつ購入を決定するのかを理解していない企業にとって、顧客セグメントを正確にモデル化することは不可能である可能性があります。

この問題点に対処するには、企業はビッグデータの代替手段、つまりシックデータを検討する必要があるかもしれません。両方の用語を定義すると役立ちます。 ビッグデータとシックデータ.

ビッグデータ 3 つの V で定義される、大規模で複雑な非構造化データです。音量、ビッグデータの場合、大量の低密度の非構造化データを処理する必要があります。これは、Facebook アクション、Twitter データフィード、Web ページやモバイルアプリ上のクリックストリーム、センサー対応機器など、未知の価値のデータである可能性があります。組織によっては、これは数十テラバイトのデータになる可能性があります。他の人にとっては、それは数百ペタバイトになる可能性があります。速度: データが受信されて処理される速度です。多様利用可能なさまざまな種類のデータを指します。テキスト、オーディオ、ビデオなどの非構造化データ型および半構造化データ型には、意味を導き出しメタデータをサポートするために追加の前処理が必要です。

厚いデータ 調査、アンケート、フォーカスグループ、インタビュー、ジャーナル、ビデオなどを含む、複雑な範囲の一次および二次研究アプローチに関するものです。これは、大量のデータを理解するために協力するデータサイエンティストと人類学者のコラボレーションの結果です。彼らは協力してデータを分析し、洞察、好み、動機、行動の理由などの定性的な情報を探します。基本的に、厚いデータは、消費者の日常の感情生活についての洞察を提供する定性的なデータ (観察、感情、反応など) です。分厚いデータは、人々の感情、ストーリー、彼らが住んでいる世界のモデルを明らかにすることを目的としているため、定量化することが難しい場合があります。

ビッグデータとシックデータの比較

ビッグデータは定量的ですが、シックデータは定性的です。
ビッグデータは非常に多くの情報を生成するため、知識のギャップを埋めたり、明らかにしたりするためにさらに何かが必要です。 Thick Data は、ビッグデータの視覚化と分析の背後にある意味を明らかにします。
ビッグデータは特定範囲のデータポイントに関する洞察を明らかにしますが、シックデータはデータポイントの社会的コンテキストとデータポイント間のつながりを明らかにします。
ビッグデータは数値を提供します。 Thick Data はストーリーを提供します。
ビッグデータは AI/機械学習に依存しています。 Thick Data は人間の学習に依存しています。

シックデータは一流の差別化要因となり、企業がビッグデータのみから達成したいと考えている種類の洞察を明らかにするのに役立ちます。これは、企業が全体像を見てさまざまなストーリーをまとめながら、各メディアの違いを受け入れ、それらを利用して興味深いテーマやコントラストを引き出すのに役立ちます。カウンターバランスがなければ、ビッグデータの世界におけるリスクは、組織や個人が指標 (アルゴリズムから導き出される指標) に基づいて意思決定を行い、パフォーマンスを最適化し始めることです。この最適化プロセス全体で、人、ストーリー、実際の経験はほとんど忘れ去られます。

シリコンバレーの大手テクノロジー企業が本当に「世界を理解」したいのであれば、その（ビッグデータ）量と（シックデータ）品質の両方を捕捉する必要がある。残念ながら、後者を集めるには、単に「Google Glassを通して世界を見る」（またはFacebookの場合は仮想現実）の代わりに、コンピューターを離れて世界を直接体験する必要があります。その主な理由は次の 2 つです。

人々を理解するには、彼らのコンテキストを理解する必要があります
「世界」のほとんどは背景知識です

ビッグデータの場合のように、単純に私たちの行動に基づいて私たちを理解しようとするのではなく、シックデータは、私たちが住む多くの異なる世界とどのように関係しているかという観点から私たちを理解しようとします。

私たちの世界を理解することによってのみ、誰もが「世界」全体を本当に理解することができます。それはまさに、Google や Facebook のような企業がやりたいと主張していることです。「世界を理解する」には、その（ビッグデータ）量と（厚いデータ）品質の両方をキャプチャする必要があります。

実際、ビッグデータの数値、グラフ、事実に依存しすぎる企業は、顧客の日常生活の豊かで定性的な現実から自らを切り離してしまう危険があります。彼らは、世界と自分自身のビジネスがどのように進化するかを想像し、直観する能力を失う可能性があります。私たちの思考をビッグデータにアウトソーシングすると、GPS の助けだけを使って新しい都市を移動するとその感触や質感が恋しくなるのと同じように、注意深く観察して世界を理解する私たちの能力は衰え始めます。

成功している企業や経営者は、人々が自社の製品やサービスに出会うときの感情的、さらには本能的な状況を理解するよう努めており、状況が変化したときに適応することができます。彼らは、ビッグデータの人的要素を構成するシックデータと呼ばれるものを使用できます。

両方の世界 (ビッグデータとシックデータ) の長所を提供できる有望なテクノロジの 1 つは、 感情コンピューティング。

アフェクティブ・コンピューティング 人間の影響を認識、解釈、処理、シミュレートできるシステムとデバイスの研究と開発です。これは、コンピューター科学、心理学、認知科学にまたがる学際的な分野です。この分野の起源は、感情 (「影響」は基本的に「感情」と同義語です) についての初期の哲学的探究にまで遡ることができますが、コンピューターサイエンスのより現代的な分野は、ロザリンドピカードの 1995 年の論文に端を発しています。感情的なコンピューティング。研究の動機はシミュレーションする能力です。共感。機械は人間の感情状態を解釈し、その行動を人間に適応させ、それらの感情に適切な応答を与える必要があります。

データの収集と処理に感情コンピューティングアルゴリズムを使用すると、データがより人間らしくなり、データの定量的および定性的な両面が示されます。

アーメド・バナファ、本の執筆：

ブロックチェーンとAIを使用した安全でスマートなモノのインターネット（IoT）

ブロックチェーン技術とアプリケーション

より多くの記事を読む： バナファ教授のウェブサイト

参考文献

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/