Dikke data versus big data

Een van de uitdagingen waarmee bedrijven in de post-COVID-19-wereld worden geconfronteerd, is het feit dat het consumentengedrag niet zal terugkeren naar de normen van vóór de pandemie. Consumenten zullen meer goederen en diensten online kopen, en steeds meer mensen zullen op afstand werken, om maar een paar grote veranderingen te noemen. Nu bedrijven hun weg beginnen te vinden in de post-COVID-19-wereld terwijl economieën langzaam weer opengaan, zal het gebruik van data-analysetools uiterst waardevol zijn om hen te helpen zich aan deze nieuwe trends aan te passen. Tools voor data-analyse zullen met name nuttig zijn voor het detecteren van nieuwe aankooppatronen en het bieden van een betere gepersonaliseerde ervaring aan klanten, naast een beter begrip van het nieuwe gedrag van consumenten.

Veel bedrijven hebben echter nog steeds te maken met obstakels voor succesvolle big data-projecten. In alle sectoren is de adoptie van big data-initiatieven enorm toegenomen. De uitgaven zijn gestegen en de overgrote meerderheid van de bedrijven die big data gebruiken, verwacht rendement op hun investeringen. Niettemin noemen bedrijven nog steeds een gebrek aan inzicht in processen en informatie als een primair pijnpunt op het gebied van big data. Het nauwkeurig modelleren van klantsegmenten kan onmogelijk zijn voor bedrijven die niet begrijpen waarom, hoe en wanneer hun klanten bijvoorbeeld besluiten een aankoop te doen.

Om dit pijnpunt aan te pakken moeten bedrijven wellicht een alternatief voor big data overwegen, namelijk ‘thick data’. Het is nuttig om beide termen te definiëren: Big Data versus dikke data.

Big data zijn grote en complexe ongestructureerde gegevens, gedefinieerd door 3 V's; VolumeMet big data zul je grote hoeveelheden ongestructureerde data met een lage dichtheid moeten verwerken. Dit kunnen gegevens zijn van onbekende waarde, zoals Facebook-acties, Twitter-datafeeds, clickstreams op een webpagina of een mobiele app, of sensorgestuurde apparatuur. Voor sommige organisaties kan dit tientallen terabytes aan gegevens zijn. Voor anderen kan het honderden petabytes zijn. Snelheid: is de hoge snelheid waarmee gegevens worden ontvangen en waarop wordt gereageerd. Verscheidenheid verwijst naar de vele soorten gegevens die beschikbaar zijn. Ongestructureerde en semi-gestructureerde gegevenstypen, zoals tekst, audio en video, vereisen aanvullende voorverwerking om betekenis af te leiden en metadata te ondersteunen.

Dikke gegevens gaat over een complex scala aan primaire en secundaire onderzoeksbenaderingen, waaronder enquêtes, vragenlijsten, focusgroepen, interviews, tijdschriften, video's enzovoort. Het is het resultaat van de samenwerking tussen datawetenschappers en antropologen die samenwerken om grote hoeveelheden gegevens te begrijpen. Samen analyseren ze gegevens, op zoek naar kwalitatieve informatie zoals inzichten, voorkeuren, motivaties en redenen voor gedrag. In de kern zijn dikke data kwalitatieve gegevens (zoals observaties, gevoelens, reacties) die inzicht bieden in het dagelijkse emotionele leven van consumenten. Omdat dikke data tot doel hebben de emoties, verhalen en modellen van mensen van de wereld waarin ze leven bloot te leggen, kan het moeilijk zijn om deze te kwantificeren.

Vergelijking van Big Data en Thick Data

• Big Data is kwantitatief, terwijl Thick Data kwalitatief is.
• Big Data produceert zoveel informatie dat er meer nodig is om kennislacunes te overbruggen en/of bloot te leggen. Thick Data onthult de betekenis achter Big Data-visualisatie en -analyse.
• Big Data onthult inzichten met een bepaald bereik aan datapunten, terwijl Thick Data de sociale context van en verbindingen tussen datapunten onthult.
• Big Data levert cijfers op; Thick Data levert verhalen.
• Big data zijn afhankelijk van AI/Machine Learning; Thick Data is afhankelijk van menselijk leren.

Thick Data kan een uitstekende differentiator zijn en bedrijven helpen de inzichten te ontdekken die ze ooit hopen te bereiken op basis van alleen big data. Het kan bedrijven helpen het grote geheel te bekijken en alle verschillende verhalen samen te voegen, terwijl ze de verschillen tussen elk medium omarmen en deze gebruiken om interessante thema's en contrasten naar voren te brengen. Zonder tegenwicht is het risico in een Big Data-wereld dat organisaties en individuen beslissingen gaan nemen en de prestaties gaan optimaliseren voor meetgegevens – meetgegevens die zijn afgeleid van algoritmen, en in dit hele optimalisatieproces worden mensen, verhalen en feitelijke ervaringen vrijwel vergeten.

Als de grote technologiebedrijven van Silicon Valley echt ‘de wereld willen begrijpen’, moeten ze zowel de (big data) hoeveelheden als de (thick data) kwaliteiten ervan vastleggen. Helaas vereist het verzamelen van deze laatste dat ze, in plaats van alleen maar 'de wereld te zien via Google Glass' (of in het geval van Facebook, Virtual Reality), de computers achter zich laten en de wereld uit de eerste hand ervaren. Er zijn twee belangrijke redenen waarom:

• Om mensen te begrijpen, moet je hun context begrijpen
• Het grootste deel van 'de wereld' bestaat uit achtergrondkennis

In plaats van te proberen ons simpelweg te begrijpen op basis van wat we doen, zoals in het geval van big data, probeert dikke data ons te begrijpen in termen van hoe we ons verhouden tot de vele verschillende werelden waarin we leven.

Alleen door onze werelden te begrijpen kan iemand ‘de wereld’ als geheel echt begrijpen, en dat is precies wat bedrijven als Google en Facebook zeggen te willen doen. Om de wereld ‘te begrijpen’ moet je zowel de (big data) hoeveelheden als de (thick data) kwaliteiten ervan vastleggen.

Bedrijven die te veel vertrouwen op de cijfers, grafieken en feiten van Big Data lopen het risico zichzelf te isoleren van de rijke, kwalitatieve realiteit van het dagelijkse leven van hun klanten. Ze kunnen het vermogen verliezen om zich voor te stellen en aan te voelen hoe de wereld – en hun eigen bedrijven – zouden kunnen evolueren. Door ons denken uit te besteden aan Big Data begint ons vermogen om de wereld te begrijpen door middel van zorgvuldige observatie af te nemen, net zoals je het gevoel en de textuur van een nieuwe stad mist als je er alleen met behulp van een GPS doorheen navigeert.

Succesvolle bedrijven en leidinggevenden proberen de emotionele, zelfs diepgewortelde context te begrijpen waarin mensen hun product of dienst tegenkomen, en zijn in staat zich aan te passen wanneer de omstandigheden veranderen. Ze kunnen gebruik maken van wat wij Thick Data noemen, dat het menselijke element van Big Data omvat.

Eén veelbelovende technologie die ons het beste van twee werelden kan bieden (Big Data en Thick Data). affectief computergebruik.

Affectief computergebruik is de studie en ontwikkeling van systemen en apparaten die menselijke affecten kunnen herkennen, interpreteren, verwerken en simuleren. Het is een interdisciplinair vakgebied dat computerwetenschappen, psychologie en cognitieve wetenschappen omvat. Hoewel de oorsprong van het vakgebied teruggaat tot vroege filosofische onderzoeken naar emoties (‘affect’ is feitelijk een synoniem voor ‘emotie’), vindt de modernere tak van de informatica zijn oorsprong in het artikel van Rosalind Picard uit 1995 over affectief computergebruik. Een motivatie voor het onderzoek is het vermogen om te simuleren empathie. De machine moet de emotionele toestand van mensen interpreteren en zijn gedrag daaraan aanpassen, en een passend antwoord geven op die emoties.

Het gebruik van affectieve computeralgoritmen bij het verzamelen en verwerken van gegevens zal de gegevens menselijker maken en beide kanten van gegevens laten zien: kwantitatief en kwalitatief.

Ahmed Banafa, Auteur van de boeken:

Veilig en slim internet der dingen (IoT) met behulp van Blockchain en AI

Blockchain-technologie en -toepassingen

Lees meer artikelen op: Prof.Banafa-website

Referenties

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/

http://www.wired.com/2014/04/your-big-data-is-worthless-if-you-dont-bring-it-into-the-real-world/

http://www.big-dataforum.com/238/big-data-how-about-%E2%80%9Cthick-data%E2%80%9D-%E2%80%94-or-did-we-just-create-another-haystack

http://blog.marketresearch.com/thick-data-and-market-research-understanding-your-customers

http://www.wired.com/2013/03/clive-thompson-2104/

Deel dit bericht via: Bron: https://semiwiki.com/general/304678-thick-data-vs-big-data/