Dados densos x Big Data

Um dos desafios que as empresas enfrentam no mundo pós-COVID-19 é o facto de o comportamento do consumidor não regressar às normas pré-pandemia. Os consumidores comprarão mais bens e serviços online e um número cada vez maior de pessoas trabalhará remotamente, apenas para mencionar algumas mudanças importantes. À medida que as empresas começam a navegar no mundo pós-COVID-19, à medida que as economias começam a reabrir lentamente, a utilização de ferramentas de análise de dados será extremamente valiosa para as ajudar a adaptar-se a estas novas tendências. As ferramentas de análise de dados serão particularmente úteis para detectar novos padrões de compra e proporcionar uma experiência mais personalizada aos clientes, além de melhor compreender o novo comportamento dos consumidores.

No entanto, muitas empresas ainda enfrentam obstáculos ao sucesso de projetos de big data. Em todos os setores, a adoção de iniciativas de big data está aumentando. Os gastos aumentaram e a grande maioria das empresas que utilizam big data espera retorno do investimento. No entanto, as empresas ainda citam a falta de visibilidade dos processos e das informações como o principal problema do big data. Modelar segmentos de clientes com precisão pode ser impossível para empresas que não entendem por que, como e quando seus clientes decidem fazer compras, por exemplo.

Para lidar com esse problema, as empresas podem precisar considerar uma alternativa ao big data, ou seja, dados grossos. É útil definir ambos os termos, Big Data versus dados espessos.

Big Data são dados não estruturados grandes e complexos, definidos por 3 V's; Volume, com big data, você terá que processar grandes volumes de dados não estruturados e de baixa densidade. Podem ser dados de valor desconhecido, como ações do Facebook, feeds de dados do Twitter, fluxos de cliques em uma página da web ou aplicativo móvel, ou equipamentos habilitados para sensores. Para algumas organizações, isso pode representar dezenas de terabytes de dados. Para outros, podem ser centenas de petabytes. Velocidade: é a taxa rápida na qual os dados são recebidos e tratados. Variedade refere-se aos muitos tipos de dados que estão disponíveis. Tipos de dados não estruturados e semiestruturados, como texto, áudio e vídeo, requerem pré-processamento adicional para derivar significado e dar suporte a metadados.

Dados espessos trata de uma gama complexa de abordagens de pesquisa primária e secundária, incluindo pesquisas, questionários, grupos focais, entrevistas, diários, vídeos e assim por diante. É o resultado da colaboração entre cientistas de dados e antropólogos que trabalham juntos para dar sentido a grandes quantidades de dados. Juntos, eles analisam dados, procurando informações qualitativas como insights, preferências, motivações e razões para comportamentos. Em sua essência, os dados densos são dados qualitativos (como observações, sentimentos, reações) que fornecem insights sobre a vida emocional cotidiana dos consumidores. Como os dados densos visam descobrir as emoções, as histórias e os modelos do mundo em que vivem, as pessoas podem ser difíceis de quantificar.

Comparação de Big Data e Thick Data

• Big Data é quantitativo, enquanto Thick Data é qualitativo.
• O Big Data produz tanta informação que precisa de algo mais para colmatar e/ou revelar lacunas de conhecimento. Thick Data revela o significado por trás da visualização e análise de Big Data.
• Big Data revela insights com uma gama específica de pontos de dados, enquanto Thick Data revela o contexto social e as conexões entre pontos de dados.
• Big Data fornece números; Thick Data conta histórias.
• Big data depende de IA/aprendizado de máquina; Thick Data depende do aprendizado humano.

O Thick Data pode ser um diferencial de alto nível, ajudando as empresas a descobrir os tipos de insights que algum dia esperam obter apenas com o big data. Pode ajudar as empresas a ter uma visão geral e reunir todas as diferentes histórias, ao mesmo tempo que abraçam as diferenças entre cada meio e as utilizam para extrair temas e contrastes interessantes. Sem um contrapeso, o risco num mundo de Big Data é que organizações e indivíduos comecem a tomar decisões e a otimizar o desempenho para métricas – métricas que são derivadas de algoritmos, e em todo este processo de otimização, pessoas, histórias, experiências reais, são praticamente esquecidas.

Se as grandes empresas tecnológicas de Silicon Valley querem realmente “compreender o mundo”, precisam de capturar tanto as suas quantidades (big data) como as suas qualidades (dados densos). Infelizmente, reunir estes últimos exige que, em vez de apenas “ver o mundo através do Google Glass” (ou, no caso do Facebook, da Realidade Virtual), deixem os computadores para trás e experimentem o mundo em primeira mão. Existem duas razões principais para isso:

• Para compreender as pessoas, você precisa compreender seu contexto
• A maior parte do 'mundo' é conhecimento prévio

Em vez de procurar compreender-nos simplesmente com base no que fazemos, como no caso do Big Data, o Thick Data procura compreender-nos em termos de como nos relacionamos com os muitos mundos diferentes que habitamos.

Só compreendendo os nossos mundos é que alguém pode realmente compreender “o mundo” como um todo, que é precisamente o que empresas como a Google e o Facebook dizem querer fazer. Para “entender o mundo” você precisa capturar tanto suas quantidades (big data) quanto suas qualidades (dados densos).

Na verdade, as empresas que confiam demasiado nos números, gráficos e factóides do Big Data correm o risco de se isolarem da realidade rica e qualitativa da vida quotidiana dos seus clientes. Podem perder a capacidade de imaginar e intuir como o mundo – e os seus próprios negócios – poderá estar a evoluir. Ao terceirizar nosso pensamento para Big Data, nossa capacidade de dar sentido ao mundo por meio de observação cuidadosa começa a definhar, assim como você perde a sensação e a textura de uma nova cidade ao navegar nela apenas com a ajuda de um GPS.

Empresas e executivos de sucesso trabalham para compreender o contexto emocional, até mesmo visceral, em que as pessoas encontram o seu produto ou serviço, e são capazes de se adaptar quando as circunstâncias mudam. Eles são capazes de usar o que gostamos de chamar de Thick Data, que compreende o elemento humano do Big Data.

Uma tecnologia promissora que pode nos dar o melhor dos dois mundos (Big Data e Thick Data) é computação afetiva.

Computação afetiva é o estudo e desenvolvimento de sistemas e dispositivos que podem reconhecer, interpretar, processar e simular efeitos humanos. É um campo interdisciplinar que abrange ciência da computação, psicologia e ciências cognitivas. Embora as origens do campo possam ser rastreadas desde as primeiras investigações filosóficas sobre emoção (“afeto” é, basicamente, um sinônimo de “emoção”), o ramo mais moderno da ciência da computação originou-se com o artigo de Rosalind Picard de 1995 sobre computação afetiva. Uma motivação para a pesquisa é a capacidade de simular empatia. A máquina deve interpretar o estado emocional dos humanos e adaptar o seu comportamento a eles, dando uma resposta adequada a essas emoções.

O uso de algoritmos de computação afetiva na coleta e processamento de dados tornará os dados mais humanos e mostrará os dois lados dos dados: quantitativo e qualitativo.

Ahmed Banafá, Autor dos livros:

Internet das coisas segura e inteligente (IoT) usando Blockchain e IA

Tecnologia e aplicações Blockchain

Leia mais artigos em: Site do Prof. Banafa

Referências

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/

Compartilhe esta postagem via: Fonte: https://semiwiki.com/general/304678-thick-data-vs-big-data/