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

Opublikowane ponownie przez Plato

Obserwuje: 0

Grube dane a Big Data

Jednym z wyzwań stojących przed przedsiębiorstwami w świecie po Covid-19 jest fakt, że zachowania konsumentów nie wrócą do norm sprzed pandemii. Konsumenci będą kupować więcej towarów i usług w Internecie, a coraz większa liczba osób będzie pracować zdalnie, żeby wymienić tylko kilka poważnych zmian. W miarę jak firmy zaczynają poruszać się po świecie po Covid-19, a gospodarki powoli zaczynają się ponownie otwierać, korzystanie z narzędzi do analizy danych będzie niezwykle cenne, pomagając im dostosować się do tych nowych trendów. Narzędzia do analizy danych będą szczególnie przydatne do wykrywania nowych wzorców zakupowych i zapewniania klientom bardziej spersonalizowanych doświadczeń, a także do lepszego zrozumienia nowych zachowań konsumentów.

Jednak wiele firm nadal boryka się z przeszkodami na drodze do powodzenia projektów związanych z dużymi zbiorami danych. We wszystkich branżach wykorzystanie inicjatyw związanych z dużymi zbiorami danych znacznie wzrasta. Wydatki wzrosły, a zdecydowana większość firm korzystających z big data oczekuje zwrotu z inwestycji. Niemniej jednak firmy nadal wymieniają brak wglądu w procesy i informacje jako główny problem związany z dużymi zbiorami danych. Dokładne modelowanie segmentów klientów może być niemożliwe w przypadku firm, które na przykład nie rozumieją, dlaczego, jak i kiedy ich klienci decydują się na zakupy.

Aby stawić czoła temu problemowi, firmy być może będą musiały rozważyć alternatywę dla dużych zbiorów danych, a mianowicie grube dane. Pomocne jest zdefiniowanie obu terminów, Big Data a grube dane.

Big Data to duże i złożone dane nieustrukturyzowane, zdefiniowane przez 3 V; objętośćw przypadku dużych zbiorów danych konieczne będzie przetwarzanie dużych ilości nieustrukturyzowanych danych o małej gęstości. Mogą to być dane o nieznanej wartości, takie jak działania na Facebooku, źródła danych na Twitterze, strumienie kliknięć na stronie internetowej lub w aplikacji mobilnej lub sprzęt wyposażony w czujniki. W przypadku niektórych organizacji mogą to być dziesiątki terabajtów danych. W przypadku innych mogą to być setki petabajtów. Prędkość: to duża szybkość odbierania danych i podejmowania działań. Odmiana odnosi się do wielu rodzajów dostępnych danych. Nieustrukturyzowane i częściowo ustrukturyzowane typy danych, takie jak tekst, dźwięk i wideo, wymagają dodatkowego przetwarzania wstępnego w celu uzyskania znaczenia i obsługi metadanych.

Grube dane dotyczy złożonego zakresu podejść do badań pierwotnych i wtórnych, w tym ankiet, kwestionariuszy, grup fokusowych, wywiadów, czasopism, filmów i tak dalej. Jest to wynik współpracy badaczy danych i antropologów pracujących razem nad zrozumieniem dużych ilości danych. Wspólnie analizują dane, szukając informacji jakościowych, takich jak spostrzeżenia, preferencje, motywacje i przyczyny zachowań. W swej istocie grube dane to dane jakościowe (takie jak obserwacje, uczucia, reakcje), które zapewniają wgląd w codzienne życie emocjonalne konsumentów. Ponieważ gęste dane mają na celu odkrycie ludzkich emocji, historii i modeli świata, w którym żyją, ich ilościowe określenie może być trudne.

Porównanie Big Data i grubych danych

Big Data ma charakter ilościowy, natomiast Thick Data ma charakter jakościowy.
Big Data generuje tak dużo informacji, że potrzebuje czegoś więcej, aby wypełnić i/lub ujawnić luki w wiedzy. Grube dane odkrywają znaczenie wizualizacji i analizy Big Data.
Big Data ujawnia spostrzeżenia dotyczące określonego zakresu punktów danych, podczas gdy Thick Data ujawnia kontekst społeczny i powiązania między punktami danych.
Big Data dostarcza liczb; Grube dane dostarczają historii.
Big data opiera się na sztucznej inteligencji/uczeniu maszynowym; Grube dane opierają się na ludzkim uczeniu się.

Grube dane mogą być najwyższej klasy wyróżnikiem, pomagając firmom odkryć rodzaje spostrzeżeń, które czasami mają nadzieję osiągnąć na podstawie samych dużych zbiorów danych. Może pomóc firmom spojrzeć na całość z szerszej perspektywy i połączyć różne historie, jednocześnie uwzględniając różnice między każdym medium i wykorzystując je do wydobycia interesujących motywów i kontrastów. Bez przeciwwagi ryzyko w świecie Big Data polega na tym, że organizacje i pojedyncze osoby zaczną podejmować decyzje i optymalizować wydajność pod kątem wskaźników — wskaźników wywodzących się z algorytmów, a w całym tym procesie optymalizacji ludzie, historie i rzeczywiste doświadczenia są prawie zapomniane.

Jeśli wielkie firmy technologiczne z Doliny Krzemowej naprawdę chcą „zrozumieć świat”, muszą uchwycić zarówno jego ilość (big data), jak i jego jakość (grube dane). Niestety gromadzenie tych ostatnich wymaga, aby zamiast po prostu „widzieć świat przez okulary Google Glass” (lub, w przypadku Facebooka, wirtualną rzeczywistość), porzucili komputery i poznali świat z pierwszej ręki. Istnieją dwa główne powody:

Aby zrozumieć ludzi, musisz zrozumieć ich kontekst
Większa część „świata” to wiedza podstawowa

Zamiast próbować nas zrozumieć po prostu na podstawie tego, co robimy, jak w przypadku dużych zbiorów danych, grube dane starają się nas zrozumieć w kategoriach tego, jak odnosimy się do wielu różnych światów, w których żyjemy.

Tylko rozumiejąc nasz świat, każdy może naprawdę zrozumieć „świat” jako całość, a właśnie tego chcą firmy takie jak Google i Facebook. Aby „zrozumieć świat”, musisz uchwycić zarówno jego ilość (big data), jak i jego cechy (grube dane).

W rzeczywistości firmy, które w zbyt dużym stopniu polegają na liczbach, wykresach i faktoidach Big Data, ryzykują odizolowaniem się od bogatej, jakościowej rzeczywistości codziennego życia swoich klientów. Mogą stracić zdolność wyobrażania sobie i wyczuwania, w jaki sposób świat – i ich własne firmy – mogą ewoluować. Powierzając nasze myślenie Big Data, nasza zdolność rozumienia świata poprzez uważną obserwację zaczyna słabnąć, tak jak tęsknimy za klimatem i teksturą nowego miasta, poruszając się po nim wyłącznie za pomocą GPS.

Firmy i menedżerowie odnoszący sukcesy starają się zrozumieć emocjonalny, a nawet instynktowny kontekst, w którym ludzie spotykają się z ich produktem lub usługą, i potrafią dostosować się do zmieniających się okoliczności. Potrafią korzystać z tego, co lubimy nazywać grubymi danymi, które obejmuje ludzki element Big Data.

Jedną z obiecujących technologii, która może zapewnić nam to, co najlepsze z obu światów (Big Data i Thick Data), jest przetwarzanie afektywne.

Obliczenia afektywne to badanie i rozwój systemów i urządzeń, które potrafią rozpoznawać, interpretować, przetwarzać i symulować ludzkie emocje. Jest to interdyscyplinarna dziedzina obejmująca informatykę, psychologię i kognitywistykę. Choć początki tej dziedziny można prześledzić już we wczesnych filozoficznych badaniach nad emocjami („afekt” jest w zasadzie synonimem „emocji”), bardziej nowoczesna gałąź informatyki wywodzi się z artykułu Rosalind Picard z 1995 roku na temat informatyka afektywna. Motywacją do badań jest możliwość symulacji empatia. Maszyna powinna interpretować stany emocjonalne człowieka i dostosowywać do nich swoje zachowanie, dając odpowiednią reakcję na te emocje.

Zastosowanie algorytmów obliczeń afektywnych w gromadzeniu i przetwarzaniu danych sprawi, że dane będą bardziej ludzkie i pokażą obie strony danych: ilościową i jakościową.

Ahmed Banafa, Autor książek:

Bezpieczny i inteligentny Internet rzeczy (IoT) przy użyciu Blockchain i AI

Technologia i aplikacje Blockchain

Przeczytaj więcej artykułów na: Strona prof. Banafy

Referencje

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/