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

Återutgiven av Platon

anhängare: 0

Tjock data vs. Big Data

En av utmaningarna som företag står inför i post-COVID-19-världen är det faktum att konsumentbeteende inte kommer att gå tillbaka till pre-pandemiska normer. Konsumenter kommer att köpa fler varor och tjänster online, och ett ökande antal människor kommer att arbeta på distans bara för att nämna några större förändringar. När företag börjar navigera i post-COVID-19-världen när ekonomier sakta börjar öppnas igen, kommer användningen av dataanalysverktyg att vara extremt värdefull för att hjälpa dem att anpassa sig till dessa nya trender. Dataanalysverktyg kommer att vara särskilt användbara för att upptäcka nya köpmönster och leverera en större personlig upplevelse till kunder, förutom bättre förståelse av konsumenternas nya beteende.

Men många företag hanterar fortfarande hinder för framgångsrika big data-projekt. Inom branscher har antagandet av big data-initiativ ökat långt. Utgifterna har ökat och de allra flesta företag som använder big data förväntar sig avkastning på investeringen. Ändå nämner företag fortfarande bristande synlighet i processer och information som en primär smärtpunkt för big data. Att modellera kundsegment korrekt kan vara omöjligt för företag som till exempel inte förstår varför, hur och när deras kunder bestämmer sig för att göra inköp.

För att ta itu med denna smärtpunkt kan företag behöva överväga ett alternativ till big data, nämligen tjock data, det är bra att definiera båda termerna, Big Data vs. Thick Data.

Stora data är stora och komplexa ostrukturerade data, definierade av 3 V; Volym, med big data måste du bearbeta stora volymer av lågdensitet, ostrukturerad data. Det kan vara data av okänt värde, såsom Facebook-åtgärder, Twitter-dataflöden, klickströmmar på en webbsida eller en mobilapp, eller sensoraktiverad utrustning. För vissa organisationer kan detta vara tiotals terabyte data. För andra kan det röra sig om hundratals petabyte. Hastighet: är den snabba hastighet med vilken data tas emot och åtgärdas. Variety hänvisar till de många typer av data som finns tillgängliga. Ostrukturerade och semistrukturerade datatyper, såsom text, ljud och video, kräver ytterligare förbearbetning för att härleda mening och stödja metadata.

Tjock data handlar om ett komplext utbud av primära och sekundära forskningsmetoder, inklusive undersökningar, enkäter, fokusgrupper, intervjuer, tidskrifter, videor och så vidare. Det är resultatet av samarbetet mellan dataforskare och antropologer som arbetar tillsammans för att förstå stora mängder data. Tillsammans analyserar de data och letar efter kvalitativ information som insikter, preferenser, motivationer och orsaker till beteenden. I sin kärna är tjocka data kvalitativa data (som observationer, känslor, reaktioner) som ger insikter i konsumenternas vardagliga känsloliv. Eftersom tjocka data syftar till att avslöja människors känslor, berättelser och modeller av världen de lever i, kan det vara svårt att kvantifiera.

Ingen alt text tillhandahålls för den här bilden

Jämförelse av Big Data och Thick Data

Big Data är kvantitativt, medan Thick Data är kvalitativt.
Big Data producerar så mycket information att det behöver något mer för att överbrygga och/eller avslöja kunskapsluckor. Thick Data avslöjar innebörden bakom Big Data-visualisering och analys.
Big Data avslöjar insikter med ett visst antal datapunkter, medan Thick Data avslöjar det sociala sammanhanget och kopplingarna mellan datapunkter.
Big Data levererar siffror; Thick Data levererar berättelser.
Big data förlitar sig på AI/Machine Learning; Tjock data förlitar sig på mänskligt lärande.

Thick Data kan vara en förstklassig differentiator och hjälpa företag att upptäcka de typer av insikter som de ibland hoppas kunna uppnå från enbart big data. Det kan hjälpa företag att se på helheten och sätta ihop alla olika berättelser, samtidigt som det omfamnar skillnaderna mellan varje medium och använder dem för att dra fram intressanta teman och kontraster. Utan motvikt är risken i en Big Data-värld att organisationer och individer börjar fatta beslut och optimera prestanda för mätvärden – mätvärden som härrör från algoritmer, och i hela denna optimeringsprocessen är människor, berättelser, faktiska upplevelser nästan bortglömda.

Om de stora teknikföretagen i Silicon Valley verkligen vill "förstå världen" måste de fånga både dess (big data) kvantiteter och dess (tjocka data) kvaliteter. Tyvärr kräver att samla det senare att istället för att bara "se världen genom Google Glass" (eller i fallet med Facebook, Virtual Reality) lämnar de datorerna bakom sig och upplever världen från första hand. Det finns två viktiga skäl till varför:

För att förstå människor måste du förstå deras sammanhang
Det mesta av "världen" är bakgrundskunskap

Snarare än att försöka förstå oss helt enkelt baserat på vad vi gör som i fallet med big data, försöker tjock data förstå oss i termer av hur vi förhåller oss till de många olika världar vi lever i.

Bara genom att förstå våra världar kan någon verkligen förstå "världen" som helhet, vilket är precis vad företag som Google och Facebook säger att de vill göra. För att "förstå världen" måste du fånga både dess (big data) kvantiteter och dess (tjocka data) kvaliteter.

Faktum är att företag som förlitar sig för mycket på Big Datas siffror, grafer och fakta riskerar att isolera sig från den rika, kvalitativa verkligheten i sina kunders vardag. De kan förlora förmågan att föreställa sig och förstå hur världen – och deras egna företag – kan komma att utvecklas. Genom att lägga ut vårt tänkande på Big Data, börjar vår förmåga att förstå världen genom noggrann observation att vissna ut, precis som du missar känslan och strukturen i en ny stad genom att navigera i den enbart med hjälp av en GPS.

Framgångsrika företag och chefer arbetar för att förstå det känslomässiga, till och med viscerala sammanhang där människor möter sin produkt eller tjänst, och de kan anpassa sig när omständigheterna förändras. De kan använda vad vi vill kalla Thick Data som utgör den mänskliga delen av Big Data.

En lovande teknik som kan ge oss det bästa av två världar (Big Data och Thick Data) är affektiv datoranvändning.

Effektiv datoranvändning är studiet och utvecklingen av system och enheter som kan känna igen, tolka, bearbeta och simulera mänskliga effekter. Det är ett tvärvetenskapligt område som spänner över datavetenskap, psykologi och kognitionsvetenskap. Även om fältets ursprung kan spåras så långt tillbaka som till tidiga filosofiska undersökningar av känslor ("afffekt" är i grunden en synonym för "emotion"), men den modernare grenen av datavetenskap har sitt ursprung i Rosalind Picards artikel från 1995 om affektiv datoranvändning. En motivering för forskningen är förmågan att simulera empati. Maskinen bör tolka människors känslomässiga tillstånd och anpassa sitt beteende till dem, vilket ger ett lämpligt svar på dessa känslor.

Att använda affektiva beräkningsalgoritmer för att samla in och bearbeta data kommer att göra data mer mänskliga och visa båda sidor av data: kvantitativ och kvalitativ.

Ahmed Banafa, Författare böckerna:

Säkert och smart Internet of Things (IoT) med Blockchain och AI

Blockchain-teknik och applikationer

Läs fler artiklar på: Prof. Banafas webbplats

Referensprojekt

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/