ข้อมูลหนาเทียบกับบิ๊กดาต้า

ความท้าทายประการหนึ่งของธุรกิจในโลกหลังโควิด-19 คือพฤติกรรมผู้บริโภคจะไม่กลับไปสู่บรรทัดฐานก่อนเกิดโรคระบาด ผู้บริโภคจะซื้อสินค้าและบริการออนไลน์มากขึ้น และผู้คนจำนวนมากขึ้นจะทำงานจากระยะไกลเพื่อพูดถึงการเปลี่ยนแปลงที่สำคัญบางประการ ในขณะที่บริษัทต่างๆ เริ่มสำรวจโลกหลังโควิด-19 ในขณะที่เศรษฐกิจเริ่มกลับมาเปิดใหม่อย่างช้าๆ การใช้เครื่องมือวิเคราะห์ข้อมูลจะเป็นประโยชน์อย่างยิ่งในการช่วยให้พวกเขาปรับตัวเข้ากับแนวโน้มใหม่เหล่านี้ เครื่องมือวิเคราะห์ข้อมูลจะมีประโยชน์อย่างยิ่งในการตรวจหารูปแบบการซื้อใหม่ๆ และมอบประสบการณ์ที่เป็นส่วนตัวมากขึ้นให้กับลูกค้า นอกเหนือไปจากความเข้าใจที่ดีขึ้นเกี่ยวกับพฤติกรรมใหม่ของผู้บริโภค

อย่างไรก็ตาม หลายบริษัทยังคงเผชิญกับอุปสรรคต่อความสำเร็จของโครงการบิ๊กดาต้า ในทุกอุตสาหกรรม การนำแนวคิดริเริ่มของบิ๊กดาต้ามาใช้นั้นเป็นวิธีที่ดีกว่า การใช้จ่ายเพิ่มขึ้น และบริษัทส่วนใหญ่ที่ใช้ข้อมูลขนาดใหญ่คาดหวังผลตอบแทนจากการลงทุน อย่างไรก็ตาม บริษัทต่างๆ ยังคงกล่าวถึงการขาดการมองเห็นในกระบวนการและข้อมูลว่าเป็นจุดบอดของข้อมูลขนาดใหญ่ การสร้างแบบจำลองกลุ่มลูกค้าอย่างแม่นยำอาจเป็นไปไม่ได้สำหรับธุรกิจที่ไม่เข้าใจว่าทำไม อย่างไร และเมื่อลูกค้าตัดสินใจซื้อ เป็นต้น

ในการจัดการกับ pain point นี้ บริษัทต่างๆ อาจต้องพิจารณาทางเลือกอื่นแทน big data กล่าวคือ data ที่หนาแน่น การนิยามทั้งสองคำนั้นมีประโยชน์ ข้อมูลขนาดใหญ่เทียบกับข้อมูลหนา.

ข้อมูลขนาดใหญ่ เป็นข้อมูลที่ไม่มีโครงสร้างขนาดใหญ่และซับซ้อน กำหนดโดย 3 V's; ปริมาณด้วยข้อมูลขนาดใหญ่ คุณจะต้องประมวลผลข้อมูลที่มีความหนาแน่นต่ำและไม่มีโครงสร้างในปริมาณมาก นี่อาจเป็นข้อมูลที่ไม่ทราบค่า เช่น การกระทำของ Facebook, ฟีดข้อมูล Twitter, การคลิกสตรีมบนหน้าเว็บหรือแอพมือถือ หรืออุปกรณ์ที่เปิดใช้งานเซ็นเซอร์ สำหรับบางองค์กร นี่อาจเป็นข้อมูลหลายสิบเทราไบต์ สำหรับคนอื่น ๆ อาจเป็นหลายร้อยเพตาไบต์ ความเร็ว: คืออัตราที่รวดเร็วในการรับและดำเนินการข้อมูล ความหลากหลาย หมายถึงข้อมูลหลายประเภทที่มีอยู่ ชนิดข้อมูลที่ไม่มีโครงสร้างและกึ่งโครงสร้าง เช่น ข้อความ เสียง และวิดีโอ จำเป็นต้องมีการประมวลผลล่วงหน้าเพิ่มเติมเพื่อให้ได้มาซึ่งความหมายและสนับสนุนข้อมูลเมตา

ข้อมูลหนา เป็นเรื่องเกี่ยวกับแนวทางการวิจัยระดับประถมศึกษาและมัธยมศึกษาที่ซับซ้อน รวมถึงการสำรวจ แบบสอบถาม การสนทนากลุ่ม การสัมภาษณ์ วารสาร วิดีโอ และอื่นๆ เป็นผลจากการทำงานร่วมกันระหว่างนักวิทยาศาสตร์ข้อมูลและนักมานุษยวิทยาที่ทำงานร่วมกันเพื่อให้เข้าใจข้อมูลจำนวนมาก พวกเขาร่วมกันวิเคราะห์ข้อมูล โดยมองหาข้อมูลเชิงคุณภาพ เช่น ข้อมูลเชิงลึก ความชอบ แรงจูงใจ และเหตุผลของพฤติกรรม แก่นของข้อมูล ข้อมูลหนาคือข้อมูลเชิงคุณภาพ (เช่น การสังเกต ความรู้สึก ปฏิกิริยา) ที่ให้ข้อมูลเชิงลึกเกี่ยวกับชีวิตประจำวันของผู้บริโภค เนื่องจากข้อมูลหนาแน่นมีจุดมุ่งหมายเพื่อเปิดเผยอารมณ์ เรื่องราว และแบบจำลองของผู้คนในโลกที่พวกเขาอาศัยอยู่ จึงเป็นเรื่องยากที่จะหาปริมาณ

การเปรียบเทียบ Big Data และ Thick Data

• Big Data เป็นเชิงปริมาณ ในขณะที่ Thick Data เป็นเชิงคุณภาพ
• บิ๊กดาต้าสร้างข้อมูลมากมายจนต้องการบางสิ่งเพิ่มเติมเพื่อเชื่อมโยงและ/หรือเปิดเผยช่องว่างความรู้ Thick Data เปิดเผยความหมายเบื้องหลังการสร้างภาพและการวิเคราะห์ Big Data
• Big Data เปิดเผยข้อมูลเชิงลึกด้วยช่วงของจุดข้อมูลเฉพาะ ในขณะที่ Thick Data เปิดเผยบริบททางสังคมและการเชื่อมต่อระหว่างจุดข้อมูล
• บิ๊กดาต้าส่งตัวเลข Thick Data นำเสนอเรื่องราว
• บิ๊กดาต้าอาศัย AI/แมชชีนเลิร์นนิง Thick Data อาศัยการเรียนรู้ของมนุษย์

Thick Data สามารถสร้างความแตกต่างในระดับสูงสุด ซึ่งช่วยให้ธุรกิจค้นพบข้อมูลเชิงลึกที่พวกเขาหวังว่าจะได้รับจาก Big Data เพียงอย่างเดียว มันสามารถช่วยให้ธุรกิจมองภาพใหญ่และรวบรวมเรื่องราวต่างๆ ทั้งหมดเข้าด้วยกัน ในขณะที่โอบรับความแตกต่างระหว่างแต่ละสื่อ และใช้พวกมันเพื่อดึงเอาธีมและความแตกต่างที่น่าสนใจออกมา หากปราศจากการถ่วงดุล ความเสี่ยงในโลกของ Big Data ก็คือองค์กรและบุคคลต่างๆ เริ่มตัดสินใจและเพิ่มประสิทธิภาพสำหรับตัวชี้วัด—เมตริกที่มาจากอัลกอริทึม และในกระบวนการเพิ่มประสิทธิภาพทั้งหมดนี้ ผู้คน เรื่องราว ประสบการณ์จริง ล้วนแต่ถูกลืมเลือนไป

หากบริษัทเทคโนโลยีรายใหญ่ของ Silicon Valley ต้องการ "เข้าใจโลก" จริงๆ พวกเขาจำเป็นต้องรวบรวมทั้งปริมาณ (ข้อมูลขนาดใหญ่) และคุณภาพ (ข้อมูลหนา) น่าเสียดายที่การรวบรวมสิ่งหลังนั้นต้องการแทนที่จะเพียงแค่ 'การมองโลกผ่าน Google Glass' (หรือในกรณีของ Facebook, Virtual Reality) พวกเขาละทิ้งคอมพิวเตอร์ไว้เบื้องหลังและสัมผัสกับโลกโดยตรง มีเหตุผลสำคัญสองประการว่าทำไม:

• เพื่อทำความเข้าใจผู้คน คุณต้องเข้าใจบริบทของพวกเขา
• 'โลก' ส่วนใหญ่เป็นความรู้เบื้องหลัง

แทนที่จะพยายามทำความเข้าใจเราโดยอิงจากสิ่งที่เราทำในกรณีของข้อมูลขนาดใหญ่ ข้อมูลหนาแน่นพยายามที่จะเข้าใจเราในแง่ของความสัมพันธ์ของเรากับโลกต่างๆ ที่เราอาศัยอยู่

การเข้าใจโลกของเราเท่านั้นที่ทุกคนจะเข้าใจ "โลก" โดยรวมได้อย่างแท้จริง ซึ่งเป็นสิ่งที่บริษัทต่างๆ เช่น Google และ Facebook บอกว่าพวกเขาต้องการจะทำอย่างแม่นยำ ในการ "เข้าใจโลก" คุณต้องจับทั้งปริมาณ (ข้อมูลขนาดใหญ่) และคุณภาพ (ข้อมูลหนา) ของมัน

ที่จริงแล้ว บริษัทที่พึ่งพาตัวเลข กราฟ และข้อเท็จจริงของ Big Data มากเกินไปนั้นมีความเสี่ยงที่จะป้องกันตัวเองจากความเป็นจริงเชิงคุณภาพที่รุ่มรวยของชีวิตประจำวันของลูกค้า พวกเขาอาจสูญเสียความสามารถในการจินตนาการและสัญชาตญาณว่าโลก—และธุรกิจของพวกเขา—จะพัฒนาไปอย่างไร การเอาต์ซอร์ซความคิดของเราไปใช้บิ๊กดาต้า ความสามารถของเราในการทำความเข้าใจโลกด้วยการสังเกตอย่างรอบคอบเริ่มเหี่ยวเฉา เช่นเดียวกับที่คุณพลาดความรู้สึกและพื้นผิวของเมืองใหม่ด้วยการนำทางโดยใช้ GPS เท่านั้น

บริษัทและผู้บริหารที่ประสบความสำเร็จทำงานเพื่อทำความเข้าใจบริบททางอารมณ์ หรือแม้แต่อวัยวะภายในที่ผู้คนพบกับผลิตภัณฑ์หรือบริการของตน และพวกเขาสามารถปรับตัวได้เมื่อสถานการณ์เปลี่ยนไป พวกเขาสามารถใช้สิ่งที่เราเรียกว่า Thick Data ซึ่งประกอบด้วยองค์ประกอบมนุษย์ของ Big Data

เทคโนโลยีที่มีแนวโน้มว่าจะให้สิ่งที่ดีที่สุดแก่เราทั้งสองโลก (Big Data และ Thick Data) คือ การคำนวณทางอารมณ์

การคำนวณเชิงอารมณ์ คือการศึกษาและพัฒนาระบบและอุปกรณ์ที่สามารถรับรู้ ตีความ ประมวลผล และจำลองผลกระทบของมนุษย์ เป็นสาขาสหวิทยาการที่ครอบคลุมวิทยาการคอมพิวเตอร์ จิตวิทยา และวิทยาศาสตร์ความรู้ความเข้าใจ แม้ว่าต้นกำเนิดของวงการนี้อาจจะสืบย้อนไปถึงการไต่สวนเชิงปรัชญาในยุคแรกๆ เกี่ยวกับอารมณ์ (“ผล” โดยทั่วไปแล้ว เป็นคำพ้องความหมายของ “อารมณ์”) สาขาวิทยาการคอมพิวเตอร์ที่ทันสมัยกว่านั้นมาจากบทความของ Rosalind Picard ในปี 1995 การคำนวณทางอารมณ์ แรงจูงใจในการวิจัยคือความสามารถในการจำลอง การเอาใจใส่. เครื่องควรตีความสถานะทางอารมณ์ของมนุษย์และปรับพฤติกรรมของมันให้เข้ากับอารมณ์ ให้ตอบสนองอย่างเหมาะสมสำหรับอารมณ์เหล่านั้น

การใช้อัลกอริธึมการคำนวณทางอารมณ์ในการรวบรวมและประมวลผลข้อมูลจะทำให้ข้อมูลมีความเป็นมนุษย์มากขึ้นและแสดงข้อมูลทั้งสองด้าน: เชิงปริมาณและเชิงคุณภาพ

อาเหม็ด บานาฟา, ผู้แต่งหนังสือ:

Internet of Things (IoT) ที่ปลอดภัยและชาญฉลาดโดยใช้ Blockchain และ AI

เทคโนโลยีและแอพพลิเคชั่นบล็อคเชน

อ่านบทความเพิ่มเติมได้ที่: เว็บไซต์ ศ.บานาฟา

อ้างอิง

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/

แชร์โพสต์นี้ผ่าน: ที่มา: https://semiwiki.com/general/304678-thick-data-vs-big-data/