Kalın Veri Vs. Büyük Veri - Plato AiStream V2.1

Plato tarafından yeniden yayınlandı

İzleyiciler: 0

Kalın Veri ve Büyük Veri

COVID-19 sonrası dünyada işletmelerin karşılaştığı zorluklardan biri tüketici davranışlarının pandemi öncesi normlara dönmeyeceği gerçeğidir. Tüketiciler çevrimiçi olarak daha fazla ürün ve hizmet satın alacak ve birkaç önemli değişiklikten bahsetmek gerekirse, artan sayıda insan uzaktan çalışacak. Şirketler, ekonomiler yavaş yavaş yeniden açılmaya başlarken, COVID-19 sonrası dünyada yön bulmaya başlarken, veri analitiği araçlarının kullanımı, şirketlerin bu yeni trendlere uyum sağlamasına yardımcı olmak açısından son derece değerli olacaktır. Veri analizi araçları, tüketicilerin yeni davranışlarını daha iyi anlamanın yanı sıra, yeni satın alma modellerini tespit etmek ve müşterilere daha kişiselleştirilmiş bir deneyim sunmak için özellikle yararlı olacaktır.

Ancak birçok şirket hâlâ başarılı büyük veri projelerinin önünde engellerle karşılaşıyor. Sektörler genelinde büyük veri girişimlerinin benimsenmesi artıyor. Harcamalar arttı ve büyük veri kullanan şirketlerin büyük çoğunluğu yatırım getirisi bekliyor. Bununla birlikte şirketler hâlâ süreçlere ve bilgilere ilişkin görünürlük eksikliğini büyük verinin birincil sıkıntı noktası olarak belirtiyor. Örneğin müşterilerinin neden, nasıl ve ne zaman satın almaya karar verdiğini anlamayan işletmeler için müşteri segmentlerini doğru bir şekilde modellemek imkansız olabilir.

Bu sıkıntılı noktanın üstesinden gelmek için şirketlerin büyük veriye alternatif olarak kalın veriyi düşünmesi gerekebilir; her iki terimi de tanımlamak yararlı olacaktır. Büyük Veri ve Kalın Veri.

büyük Veri 3 V ile tanımlanan büyük ve karmaşık yapılandırılmamış verilerdir; hacimbüyük verilerle, yüksek hacimli, düşük yoğunluklu, yapılandırılmamış verileri işlemeniz gerekecektir. Bu, Facebook eylemleri, Twitter veri akışları, bir web sayfasındaki veya mobil uygulamadaki tıklama akışları veya sensör özellikli ekipman gibi değeri bilinmeyen veriler olabilir. Bazı kuruluşlar için bu onlarca terabaytlık veri olabilir. Diğerleri için bu yüzlerce petabayt olabilir. Hız: Verilerin alındığı ve üzerinde işlem yapıldığı hızdır. çeşitlilik mevcut birçok veri türünü ifade eder. Metin, ses ve video gibi yapılandırılmamış ve yarı yapılandırılmış veri türleri, anlam çıkarmak ve meta verileri desteklemek için ek ön işleme gerektirir.

Kalın Veri anketler, anketler, odak grupları, röportajlar, dergiler, videolar vb. dahil olmak üzere çok çeşitli birincil ve ikincil araştırma yaklaşımlarıyla ilgilidir. Bu, büyük miktarda veriyi anlamlandırmak için birlikte çalışan veri bilimcileri ve antropologlar arasındaki işbirliğinin sonucudur. Birlikte verileri analiz ederler ve içgörüler, tercihler, motivasyonlar ve davranışların nedenleri gibi niteliksel bilgileri ararlar. Yoğun veriler, özünde tüketicilerin günlük duygusal yaşamlarına ilişkin öngörüler sağlayan niteliksel verilerdir (gözlemler, duygular, tepkiler gibi). Kalın veriler insanların duygularını, hikayelerini ve yaşadıkları dünyaya ilişkin modellerini ortaya çıkarmayı amaçladığından, ölçülmesi zor olabilir.

Bu resim için hiçbir alt metin sağlanmadı

Büyük Veri ve Kalın Verinin Karşılaştırılması

Büyük Veri niceliksel, Kalın Veri ise nitelikseldir.
Büyük Veri o kadar çok bilgi üretir ki, bilgi boşluklarını kapatmak ve/veya ortaya çıkarmak için daha fazlasına ihtiyaç duyar. Kalın Veri, Büyük Veri görselleştirme ve analizinin ardındaki anlamı ortaya çıkarır.
Büyük Veri, belirli bir veri noktası aralığına ilişkin öngörüleri ortaya koyarken Kalın Veri, veri noktalarının sosyal bağlamını ve aralarındaki bağlantıları ortaya çıkarır.
Büyük Veri rakamlar sunar; Kalın Veri hikayeler sunar.
Büyük veri yapay zeka/Makine Öğrenimine dayanır; Kalın Veri, insanın öğrenmesine dayanır.

Kalın Veri, işletmelerin bazen yalnızca büyük verilerden elde etmeyi umdukları içgörü türlerini ortaya çıkarmalarına yardımcı olarak birinci sınıf bir fark yaratabilir. İşletmelerin büyük resme bakmasına ve tüm farklı hikayeleri bir araya getirmesine, aynı zamanda her ortam arasındaki farklılıkları benimsemesine ve bunları ilginç temalar ve karşıtlıkları ortaya çıkarmak için kullanmasına yardımcı olabilir. Dengeleme olmadığında Büyük Veri dünyasındaki risk, kuruluşların ve bireylerin kararlar almaya başlaması ve algoritmalardan türetilen ölçümler için performansı optimize etmeye başlamasıdır ve tüm bu optimizasyon sürecinde insanlar, hikayeler, gerçek deneyimler tamamen unutulur.

Silikon Vadisi'nin büyük teknoloji şirketleri gerçekten "dünyayı anlamak" istiyorlarsa, onun hem (büyük veri) niceliklerini hem de (yoğun veri) niteliklerini yakalamaları gerekiyor. Ne yazık ki ikincisini bir araya getirmek, 'dünyayı sadece Google Glass aracılığıyla görmek' (ya da Facebook örneğinde Sanal Gerçeklik) yerine bilgisayarları geride bırakıp dünyayı ilk elden deneyimlemeyi gerektiriyor. Bunun iki temel nedeni var:

İnsanları Anlamak İçin Bağlamlarını Anlamanız Gerekir
'Dünyanın' Büyük Bir Kısmı Arka Plan Bilgisidir

Büyük veri örneğinde olduğu gibi bizi basitçe yaptıklarımıza dayanarak anlamaya çalışmak yerine, yoğun veri bizi içinde yaşadığımız birçok farklı dünyayla nasıl ilişki kurduğumuz açısından anlamaya çalışır.

Herkes ancak dünyalarımızı anlayarak bir bütün olarak "dünyayı" gerçekten anlayabilir; Google ve Facebook gibi şirketlerin yapmak istediklerini söyledikleri şey de tam olarak budur. “Dünyayı anlamak” için onun hem (büyük veri) niceliklerini hem de (yoğun veri) niteliklerini yakalamanız gerekir.

Aslında Büyük Veri'nin rakamlarına, grafiklerine ve gerçeklerine çok fazla güvenen şirketler, kendilerini müşterilerinin günlük yaşamlarının zengin, niteliksel gerçekliğinden yalıtma riskiyle karşı karşıya kalıyor. Dünyanın ve kendi işlerinin nasıl gelişebileceğini hayal etme ve sezme yeteneklerini kaybedebilirler. Düşüncemizi Büyük Veri'ye devrettiğimizde, dikkatli gözlem yoluyla dünyayı anlamlandırma yeteneğimiz kaybolmaya başlıyor; tıpkı yeni bir şehrin hissini ve dokusunu yalnızca GPS yardımıyla dolaşarak kaçırdığınız gibi.

Başarılı şirketler ve yöneticiler, insanların ürün veya hizmetleriyle karşılaştığı duygusal, hatta içgüdüsel bağlamı anlamaya çalışır ve koşullar değiştiğinde uyum sağlayabilirler. Büyük Veri'nin insan unsurunu oluşturan, Kalın Veri dediğimiz şeyi kullanabiliyorlar.

Bize her iki dünyanın (Büyük Veri ve Kalın Veri) en iyisini sunabilecek umut verici bir teknoloji duygusal bilgi işlem

Duyuşsal hesaplama insan etkilerini tanıyabilen, yorumlayabilen, işleyebilen ve simüle edebilen sistem ve cihazların incelenmesi ve geliştirilmesidir. Bilgisayar bilimi, psikoloji ve bilişsel bilimi kapsayan disiplinlerarası bir alandır. Alanın kökenleri duyguya ilişkin ilk felsefi araştırmalara kadar izlenebilse de ("duygulanım" temel olarak "duygu" ile eşanlamlıdır), bilgisayar biliminin daha modern dalı Rosalind Picard'ın 1995 tarihli makalesiyle ortaya çıkmıştır. duygusal bilgi işlem. Araştırmanın motivasyonu simüle etme yeteneğidir. empati. Makine, insanın duygusal durumunu yorumlamalı ve davranışlarını ona uyarlamalı, bu duygulara uygun tepkiyi vermelidir.

Verilerin toplanması ve işlenmesinde duygusal hesaplama algoritmalarının kullanılması, verileri daha insani hale getirecek ve verilerin her iki yönünü de gösterecektir: niceliksel ve niteliksel.

Ahmet Banafa, Kitapları Yazan:

Blockchain ve AI Kullanarak Nesnelerin Güvenli ve Akıllı İnterneti (IoT)

Blockchain Teknolojisi ve Uygulamaları

Daha fazla makale şurada okuyun: Prof. Banafa web sitesi

Referanslar

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/