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

플라톤에 의해 재발행

팔로워 : 0

씩 데이터 대 빅 데이터

코로나19 이후 기업이 직면한 도전 과제 중 하나는 소비자 행동이 팬데믹 이전의 규범으로 돌아가지 않을 것이라는 사실입니다. 소비자는 온라인에서 더 많은 상품과 서비스를 구매하고, 몇 가지 주요 변경 사항만 언급하면 점점 더 많은 사람들이 원격으로 일하게 될 것입니다. 경제가 천천히 재개되기 시작하면서 기업이 코로나19 이후 세계를 탐색하기 시작하면서 데이터 분석 도구를 사용하면 이러한 새로운 추세에 적응하는 데 매우 유용할 것입니다. 데이터 분석 도구는 소비자의 새로운 행동을 더 잘 이해하는 것 외에도 새로운 구매 패턴을 감지하고 고객에게 더 나은 개인화된 경험을 제공하는 데 특히 유용합니다.

그러나 많은 기업들이 빅데이터 프로젝트의 성공을 가로막는 장애물을 여전히 극복하고 있습니다. 산업 전반에 걸쳐 빅 데이터 이니셔티브의 채택이 증가하고 있습니다. 지출이 증가했으며 빅 데이터를 사용하는 대다수의 기업은 투자 수익을 기대하고 있습니다. 그럼에도 불구하고 기업들은 여전히 프로세스와 정보에 대한 가시성 부족을 주요 빅 데이터 문제로 꼽고 있습니다. 예를 들어 고객이 구매를 결정한 이유, 방법, 시기를 이해하지 못하는 기업에서는 고객 세그먼트를 정확하게 모델링하는 것이 불가능할 수 있습니다.

이 문제를 해결하기 위해 기업은 빅 데이터의 대안, 즉 씩 데이터를 고려해야 할 수 있습니다. 두 용어를 모두 정의하는 것이 도움이 됩니다. 빅 데이터 대 씩 데이터.

빅 데이터 3V로 정의되는 크고 복잡한 비정형 데이터입니다. 음량, 빅 데이터를 사용하면 대량의 저밀도, 비정형 데이터를 처리해야 합니다. 이는 Facebook 작업, Twitter 데이터 피드, 웹 페이지나 모바일 앱의 클릭스트림 또는 센서 지원 장비와 같이 값을 알 수 없는 데이터일 수 있습니다. 일부 조직의 경우 수십 테라바이트의 데이터가 될 수 있습니다. 다른 사람들에게는 수백 페타바이트가 될 수 있습니다. 속도: 데이터가 수신되고 실행되는 빠른 속도입니다. 종류 사용 가능한 많은 유형의 데이터를 나타냅니다. 텍스트, 오디오 및 비디오와 같은 비정형 및 반정형 데이터 유형은 의미를 도출하고 메타데이터를 지원하기 위해 추가 전처리가 필요합니다.

두꺼운 데이터 설문 조사, 설문지, 포커스 그룹, 인터뷰, 저널, 비디오 등을 포함하는 복잡한 범위의 XNUMX차 및 XNUMX차 연구 접근 방식에 관한 것입니다. 이는 데이터 과학자와 인류학자가 함께 작업하여 많은 양의 데이터를 이해하기 위한 협업의 결과입니다. 그들은 함께 데이터를 분석하여 통찰력, 선호도, 동기 및 행동 이유와 같은 질적 정보를 찾습니다. 기본적으로 두꺼운 데이터는 소비자의 일상적인 감정적 삶에 대한 통찰력을 제공하는 정성적 데이터(관찰, 감정, 반응 등)입니다. 두꺼운 데이터는 사람들의 감정, 이야기 및 그들이 살고 있는 세계의 모델을 밝히는 것을 목표로 하기 때문에 수량화하기 어려울 수 있습니다.

빅 데이터와 씩 데이터의 비교

빅 데이터는 양적 데이터이고 두꺼운 데이터는 질적 데이터입니다.
빅 데이터는 너무 많은 정보를 생성하므로 지식 격차를 메우거나 드러내기 위해 더 많은 것이 필요합니다. Thick Data는 빅 데이터 시각화 및 분석의 의미를 밝힙니다.
빅 데이터는 특정 범위의 데이터 포인트에 대한 통찰력을 보여주는 반면, 씩 데이터는 데이터 포인트의 사회적 맥락과 연결을 보여줍니다.
빅 데이터는 숫자를 제공합니다. Thick Data는 스토리를 전달합니다.
빅 데이터는 AI/머신 러닝에 의존합니다. Thick Data는 인간의 학습에 의존합니다.

씩 데이터는 최고 수준의 차별화 요소가 될 수 있으며, 기업이 빅 데이터만으로도 언젠가는 달성할 수 있기를 바라는 종류의 통찰력을 찾도록 도와줍니다. 기업이 큰 그림을 보고 서로 다른 모든 이야기를 한데 모아 각 매체의 차이점을 수용하고 흥미로운 주제와 대조를 끌어내는 데 사용할 수 있습니다. 균형을 맞추지 않으면 빅 데이터 세계에서 조직과 개인이 결정을 내리고 메트릭(알고리즘에서 파생된 메트릭)에 대한 성능을 최적화하기 시작하고 이 전체 최적화 프로세스에서 사람, 이야기, 실제 경험은 거의 잊혀지는 위험이 있습니다.

실리콘 밸리의 거대 기술 기업이 진정으로 "세상을 이해"하기를 원한다면 (빅 데이터) 양과 (두꺼운 데이터) 품질을 모두 포착해야 합니다. 불행히도 후자를 모으려면 '구글 글래스를 통해 세상을 보는 것'(또는 Facebook의 경우 가상 현실) 대신 컴퓨터를 뒤로하고 세상을 직접 경험해야 합니다. 다음과 같은 두 가지 주요 이유가 있습니다.

사람을 이해하려면 상황을 이해해야 합니다
'세상'의 대부분은 배경 지식이다

빅 데이터의 경우처럼 단순히 우리가 하는 일을 기반으로 우리를 이해하려고 하기보다는 두꺼운 데이터는 우리가 살고 있는 다양한 세계와 어떻게 관련되는지 측면에서 우리를 이해하려고 합니다.

우리의 세계를 이해해야만 누구나 "세계"를 전체적으로 이해할 수 있습니다. 이것이 바로 Google 및 Facebook과 같은 회사가 원하는 바입니다. "세상을 이해"하려면 (빅 데이터) 양과 (두꺼운 데이터) 품질을 모두 캡처해야 합니다.

사실, 빅 데이터의 숫자, 그래프 및 사실에 너무 많이 의존하는 기업은 고객의 일상 생활의 풍부하고 질적인 현실로부터 스스로를 고립시킬 위험이 있습니다. 그들은 세상과 자신의 비즈니스가 어떻게 진화할지 상상하고 직관하는 능력을 잃을 수 있습니다. 우리의 생각을 빅 데이터에 아웃소싱함으로써 주의 깊은 관찰로 세상을 이해하는 우리의 능력이 시들기 시작합니다. 마치 당신이 GPS의 도움만으로 길을 찾는 새로운 도시의 느낌과 질감을 그리워하는 것과 같습니다.

성공적인 회사와 경영진은 사람들이 제품이나 서비스를 접하는 감정적이고 본능적인 맥락을 이해하기 위해 노력하고 상황이 변할 때 적응할 수 있습니다. 그들은 우리가 Big Data의 인적 요소를 구성하는 Thick Data라고 부르는 것을 사용할 수 있습니다.

두 세계(빅 데이터 및 씩 데이터)의 장점을 모두 제공할 수 있는 유망한 기술 중 하나는 감성 컴퓨팅.

감성 컴퓨팅 인간의 영향을 인식, 해석, 처리 및 시뮬레이션할 수 있는 시스템 및 장치의 연구 및 개발입니다. 컴퓨터 과학, 심리학, 인지 과학을 아우르는 학제간 분야입니다. 이 분야의 기원은 감정에 대한 초기 철학적 탐구로 거슬러 올라갈 수 있지만("감정"은 기본적으로 "감정"과 동의어입니다.) 컴퓨터 과학의 보다 현대적인 분야는 Rosalind Picard의 1995년 논문에서 시작되었습니다. 감성 컴퓨팅. 연구의 동기는 시뮬레이션 능력입니다. 감정 이입. 기계는 인간의 감정 상태를 해석하고 그에 따라 행동을 조정하여 해당 감정에 적절한 응답을 제공해야 합니다.

데이터 수집 및 처리에 감성 컴퓨팅 알고리즘을 사용하면 데이터가 보다 인간적으로 만들어지고 데이터의 양적 및 질적 양면이 표시됩니다.

아흐메드 바나 파, 책을 작성하십시오 :

블록 체인과 AI를 사용한 안전하고 스마트 한 사물 인터넷 (IoT)

블록 체인 기술 및 응용

더 많은 기사를 읽으십시오 : Banafa 교수 웹 사이트

참고자료

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/