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.
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/
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/
Поделитесь этим постом через: Источник: https://semiwiki.com/general/304678-thick-data-vs-big-data/
- дополнительный
- Принятие
- алгоритмы
- Все
- Amazon
- анализ
- аналитика
- приложение
- статьи
- аудио
- ЛУЧШЕЕ
- Big Data
- Большая фотография
- большая технология
- Крупные технологические компании
- блокчейн
- Книги
- МОСТ
- бизнес
- призывают
- изменение
- Город
- познавательный
- осведомленный
- сотрудничество
- Компании
- Информатика
- компьютеры
- вычисление
- Коммутация
- потребитель
- Потребительское поведение
- Потребители
- Клиенты
- данным
- Анализ данных
- визуализация данных
- занимавшийся
- доставки
- Развитие
- Устройства
- Рано
- эмоции
- Оборудование
- руководителей высшего звена.
- опыт
- Впечатления
- что его цель
- всего лишь пяти граммов героина
- БЫСТРО
- First
- Фокус
- забытый
- Отдаете
- товары
- GPS
- High
- Как
- HTTPS
- Людей
- Сотни
- изображение
- В том числе
- промышленности
- информация
- размышления
- Интернет
- Интернет вещей
- Интервью
- Постигать интуитивно
- инвестиций
- КАТО
- IT
- Основные
- знания
- большой
- изучение
- основной
- Большинство
- Создание
- средний
- Мобильный телефон
- Мобильное приложение
- моделирование
- а именно
- номера
- онлайн
- оракул
- организации
- Другое
- Аутсорсинг
- боль
- бумага & картон
- Люди
- производительность
- картина
- Продукт
- проектов
- Психология
- покупки
- Покупка
- количественный
- ассортимент
- реакции
- Реальность
- причины
- возобновить
- исследованиям
- ответ
- Снижение
- Наука
- Ученые
- вторичный
- поиск
- смысл
- Услуги
- Кремниевая долина
- умный
- So
- Соцсети
- Расходы
- Начало
- Область
- Истории
- Кабинет
- успешный
- поддержка
- системы
- технологии
- Технологии
- мир
- мышление
- Тенденции
- открывай
- us
- ценностное
- Видео
- Видео
- Виртуальный
- Виртуальная реальность
- видимость
- визуализация
- Web
- КТО
- Работа
- Мир