Толстые данные против. Большие данные

Переиздано Платоном

Читают: 0

Толстые данные против больших данных

Одной из проблем, с которыми сталкивается бизнес в мире после COVID-19, является тот факт, что поведение потребителей не вернется к допандемическим нормам. Потребители будут покупать больше товаров и услуг онлайн, и все большее число людей будет работать удаленно, и это лишь некоторые важные изменения. Поскольку компании начинают ориентироваться в мире после COVID-19, а экономика постепенно начинает вновь открываться, использование инструментов анализа данных будет чрезвычайно ценным, помогая им адаптироваться к этим новым тенденциям. Инструменты анализа данных будут особенно полезны для выявления новых моделей покупок и предоставления клиентам более персонализированного опыта, а также для лучшего понимания нового поведения потребителей.

Однако многие компании по-прежнему сталкиваются с препятствиями на пути успешных проектов по работе с большими данными. Во всех отраслях наблюдается рост внедрения инициатив в области больших данных. Расходы увеличились, и подавляющее большинство компаний, использующих большие данные, ожидают возврата инвестиций. Тем не менее, компании по-прежнему называют отсутствие прозрачности процессов и информации основной проблемой больших данных. Точное моделирование клиентских сегментов может быть невозможным для компаний, которые не понимают, например, почему, как и когда их клиенты решают совершать покупки.

Чтобы решить эту проблему, компаниям, возможно, придется рассмотреть альтернативу большим данным, а именно «толстые данные». Большие данные против толстых данных.

Big Data большие и сложные неструктурированные данные, определяемые 3 В; ОбъёмПри работе с большими данными вам придется обрабатывать большие объемы неструктурированных данных низкой плотности. Это могут быть данные неизвестной ценности, такие как действия Facebook, каналы данных Twitter, потоки посещений веб-страницы или мобильного приложения или оборудование с сенсорным управлением. Для некоторых организаций это могут быть десятки терабайт данных. Для других это могут быть сотни петабайт. Скорость: высокая скорость получения и обработки данных. разнообразие относится ко многим типам доступных данных. Неструктурированные и полуструктурированные типы данных, такие как текст, аудио и видео, требуют дополнительной предварительной обработки для извлечения смысла и поддержки метаданных.

Толстые данные Речь идет о сложном спектре первичных и вторичных исследовательских подходов, включая опросы, анкеты, фокус-группы, интервью, журналы, видео и так далее. Это результат сотрудничества специалистов по обработке данных и антропологов, работающих вместе над осмыслением больших объемов данных. Вместе они анализируют данные в поисках качественной информации, такой как идеи, предпочтения, мотивация и причины поведения. По своей сути «толстые данные» — это качественные данные (например, наблюдения, чувства, реакции), которые дают представление о повседневной эмоциональной жизни потребителей. Поскольку объем данных направлен на раскрытие эмоций, историй и моделей мира, в котором люди живут, их может быть сложно оценить количественно.

Нет альтернативного текста для этого изображения

Сравнение больших данных и толстых данных

Большие данные являются количественными, а толстые данные — качественными.
Большие данные производят так много информации, что требуется что-то большее, чтобы заполнить и/или выявить пробелы в знаниях. «Толстые данные» раскрывают смысл визуализации и анализа больших данных.
Большие данные раскрывают информацию об определенном диапазоне точек данных, а толстые данные раскрывают социальный контекст и связи между точками данных.
Большие данные дают цифры; «Толстые данные» создают истории.
Большие данные основаны на искусственном интеллекте и машинном обучении; Толстые данные основаны на человеческом обучении.

Толстые данные могут стать первоклассным отличительным признаком, помогая предприятиям раскрыть ту информацию, которую они когда-нибудь надеются получить только с помощью больших данных. Это может помочь компаниям взглянуть на общую картину и объединить все разные истории, одновременно учитывая различия между каждым средством и используя их для выявления интересных тем и контрастов. Без противовеса риск в мире больших данных заключается в том, что организации и отдельные лица начнут принимать решения и оптимизировать производительность с помощью показателей — показателей, которые получаются с помощью алгоритмов, и во всем этом процессе оптимизации люди, истории, реальный опыт практически забываются.

Если крупные технологические компании Кремниевой долины действительно хотят «понять мир», им необходимо фиксировать как его объемы (большие данные), так и их качества (толстые данные). К сожалению, для сбора последнего требуется, чтобы вместо того, чтобы просто «видеть мир через Google Glass» (или, в случае Facebook, виртуальную реальность), они оставили компьютеры позади и познали мир своими глазами. Есть две основные причины:

Чтобы понять людей, вам нужно понять их контекст
Большая часть «мира» — это базовые знания

Вместо того, чтобы пытаться понять нас, просто основываясь на том, что мы делаем, как в случае с большими данными, толстые данные стремятся понять нас с точки зрения того, как мы относимся к множеству разных миров, в которых мы живем.

Только поняв наши миры, можно по-настоящему понять «мир» в целом, а это именно то, что, по словам таких компаний, как Google и Facebook, они хотят сделать. Чтобы «понять мир», вам необходимо охватить как его количество (большие данные), так и их качества (большие данные).

Фактически, компании, которые слишком полагаются на цифры, графики и факты больших данных, рискуют изолировать себя от богатой и качественной реальности повседневной жизни своих клиентов. Они могут потерять способность представлять и интуитивно понимать, как может развиваться мир – и их собственный бизнес. Передавая наше мышление Большим данным, наша способность понимать мир посредством тщательного наблюдения начинает увядать, точно так же, как вы упускаете ощущение и текстуру нового города, перемещаясь по нему только с помощью GPS.

Успешные компании и руководители стараются понять эмоциональный, даже интуитивный контекст, в котором люди сталкиваются с их продуктом или услугой, и способны адаптироваться, когда обстоятельства меняются. Они могут использовать то, что мы называем «толстыми данными», которые включают в себя человеческий элемент больших данных.

Одна многообещающая технология, которая может дать нам лучшее из обоих миров (больших данных и толстых данных), — это аффективные вычисления.

Аффективные вычисления — это изучение и разработка систем и устройств, которые могут распознавать, интерпретировать, обрабатывать и моделировать человеческие воздействия. Это междисциплинарная область, охватывающая информатику, психологию и когнитивную науку. Хотя истоки этой области можно проследить еще в ранних философских исследованиях эмоций («аффект» — это, по сути, синоним слова «эмоции»), более современная отрасль информатики зародилась благодаря статье Розалинды Пикард 1995 года о аффективные вычисления. Мотивацией исследования является возможность моделировать сопереживание. Машина должна интерпретировать эмоциональное состояние людей и адаптировать к ним свое поведение, давая соответствующую реакцию на эти эмоции.

Использование алгоритмов аффективных вычислений при сборе и обработке данных сделает данные более человечными и покажет обе стороны данных: количественную и качественную.

Ахмед БанафаАвтор книги:

Безопасный и интеллектуальный Интернет вещей (IoT) с использованием Blockchain и AI

Блокчейн технологии и приложения

Читать больше статей на: Сайт профессора Банафа

Рекомендации

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/