Tykke data vs. Big Data - Plato AiStream V2.1

Publisert av Platon

Følgere: 0

Tykke data vs. Big Data

En av utfordringene bedrifter står overfor i post-COVID-19-verdenen er det faktum at forbrukeratferd ikke vil gå tilbake til pre-pandemiske normer. Forbrukere vil kjøpe flere varer og tjenester på nett, og et økende antall mennesker vil jobbe eksternt, bare for å nevne noen store endringer. Etter hvert som selskaper begynner å navigere i post-COVID-19-verdenen ettersom økonomier sakte begynner å åpne seg igjen, vil bruken av dataanalyseverktøy være ekstremt verdifull for å hjelpe dem med å tilpasse seg disse nye trendene. Dataanalyseverktøy vil være spesielt nyttige for å oppdage nye kjøpsmønstre og levere en større personlig opplevelse til kundene, i tillegg til bedre forståelse av forbrukernes nye atferd.

Mange selskaper har imidlertid fortsatt med hindringer for vellykkede big data-prosjekter. På tvers av bransjer er innføringen av big data-initiativer langt opp. Utgiftene har økt, og de aller fleste selskaper som bruker big data forventer avkastning på investeringen. Ikke desto mindre nevner bedrifter fortsatt mangel på synlighet i prosesser og informasjon som et primært smertepunkt for big data. Nøyaktig modellering av kundesegmenter kan være umulig for bedrifter som for eksempel ikke forstår hvorfor, hvordan og når kundene bestemmer seg for å foreta kjøp.

For å takle dette smertepunktet må bedrifter kanskje vurdere et alternativ til big data, nemlig tykke data, det er nyttig å definere begge begrepene, Big Data vs. Thick Data.

Store data er store og komplekse ustrukturerte data, definert av 3 V-er; Volum, med big data må du behandle høye volumer av ustrukturerte data med lav tetthet. Dette kan være data av ukjent verdi, for eksempel Facebook-handlinger, Twitter-datastrømmer, klikkstrømmer på en nettside eller en mobilapp, eller sensoraktivert utstyr. For noen organisasjoner kan dette være titalls terabyte med data. For andre kan det være hundrevis av petabyte. Velocity: er den raske hastigheten som data mottas og reageres på. Variasjon refererer til de mange typer data som er tilgjengelige. Ustrukturerte og semistrukturerte datatyper, for eksempel tekst, lyd og video, krever ekstra forhåndsbehandling for å utlede mening og støtte metadata.

Tykke data handler om en kompleks rekke primære og sekundære forskningstilnærminger, inkludert undersøkelser, spørreskjemaer, fokusgrupper, intervjuer, tidsskrifter, videoer og så videre. Det er et resultat av samarbeidet mellom dataforskere og antropologer som jobber sammen for å forstå store mengder data. Sammen analyserer de data, på jakt etter kvalitativ informasjon som innsikt, preferanser, motivasjoner og årsaker til atferd. I kjernen er tykke data kvalitative data (som observasjoner, følelser, reaksjoner) som gir innsikt i forbrukernes følelsesmessige hverdagsliv. Fordi tykke data tar sikte på å avdekke folks følelser, historier og modeller av verden de lever i, kan det være vanskelig å kvantifisere.

Sammenligning av Big Data og Thick Data

Big Data er kvantitativ, mens Thick Data er kvalitativ.
Big Data produserer så mye informasjon at den trenger noe mer for å bygge bro over og/eller avdekke kunnskapshull. Thick Data avdekker betydningen bak Big Data-visualisering og -analyse.
Big Data avslører innsikt med et bestemt utvalg av datapunkter, mens Thick Data avslører den sosiale konteksten til og sammenhenger mellom datapunkter.
Big Data leverer tall; Thick Data leverer historier.
Big data er avhengig av AI/Machine Learning; Thick Data er avhengig av menneskelig læring.

Thick Data kan være en førsteklasses differensiator, og hjelpe bedrifter med å avdekke den typen innsikt de en gang håper å oppnå fra big data alene. Det kan hjelpe bedrifter med å se på helheten og sette alle de forskjellige historiene sammen, samtidig som den omfavner forskjellene mellom hvert medium og bruker dem til å trekke frem interessante temaer og kontraster. Uten en motvekt er risikoen i en Big Data-verden at organisasjoner og enkeltpersoner begynner å ta beslutninger og optimalisere ytelsen for beregninger – beregninger som er avledet fra algoritmer, og i hele denne optimaliseringsprosessen er mennesker, historier, faktiske opplevelser nesten glemt.

Hvis de store teknologiselskapene i Silicon Valley virkelig ønsker å "forstå verden", må de fange opp både dens (big data) mengder og dens (tykke data) kvaliteter. Dessverre krever det å samle sistnevnte at de i stedet for å bare "se verden gjennom Google Glass" (eller i tilfellet med Facebook, Virtual Reality) legger datamaskinene bak seg og opplever verden på egenhånd. Det er to hovedgrunner til dette:

For å forstå mennesker, må du forstå konteksten deres
Det meste av "verden" er bakgrunnskunnskap

I stedet for å forsøke å forstå oss bare basert på hva vi gjør som i tilfellet med big data, søker tykke data å forstå oss i forhold til hvordan vi forholder oss til de mange forskjellige verdenene vi bor i.

Bare ved å forstå våre verdener kan noen virkelig forstå "verden" som helhet, noe som er nøyaktig hva selskaper som Google og Facebook sier de vil gjøre. For å "forstå verden" må du fange både dens (big data) mengder og dens (tykke data) kvaliteter.

Faktisk risikerer selskaper som stoler for mye på tallene, grafene og faktaene til Big Data å isolere seg fra den rike, kvalitative virkeligheten i kundenes hverdag. De kan miste evnen til å forestille seg og forstå hvordan verden – og deres egne virksomheter – kan utvikle seg. Ved å outsource vår tenkning til Big Data, begynner vår evne til å forstå verden ved nøye observasjon å visne, akkurat som du går glipp av følelsen og teksturen til en ny by ved å navigere den kun ved hjelp av en GPS.

Vellykkede selskaper og ledere jobber for å forstå den emosjonelle, til og med viscerale konteksten der folk møter produktet eller tjenesten deres, og de er i stand til å tilpasse seg når omstendighetene endrer seg. De er i stand til å bruke det vi liker å kalle Thick Data som omfatter det menneskelige elementet i Big Data.

En lovende teknologi som kan gi oss det beste fra begge verdener (Big Data og Thick Data) er affektiv databehandling.

Effektiv databehandling er studiet og utviklingen av systemer og enheter som kan gjenkjenne, tolke, behandle og simulere menneskelige påvirkninger. Det er et tverrfaglig felt som spenner over informatikk, psykologi og kognitiv vitenskap. Mens opprinnelsen til feltet kan spores så langt tilbake som til tidlige filosofiske undersøkelser av følelser («affekt» er i utgangspunktet et synonym for «følelse.»), oppsto den mer moderne grenen av informatikk med Rosalind Picards artikkel fra 1995 om affektiv databehandling. En motivasjon for forskningen er evnen til å simulere empati. Maskinen skal tolke den emosjonelle tilstanden til mennesker og tilpasse sin oppførsel til dem, og gi en passende respons for disse følelsene.

Bruk av affektive dataalgoritmer i innsamling og behandling av data vil gjøre dataene mer menneskelige og vise begge sider av data: kvantitativ og kvalitativ.

Ahmed Banafa, Forfatter bøkene:

Secure and Smart Internet of Things (IoT) ved hjelp av Blockchain og AI

Blockchain teknologi og applikasjoner

Les flere artikler på: Prof. Banafa nettsted

Referanser

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/