موٹا ڈیٹا بمقابلہ بڑا ڈیٹا

CoVID-19 کے بعد کی دنیا میں کاروباروں کو درپیش چیلنجوں میں سے ایک یہ حقیقت ہے کہ صارفین کا رویہ وبائی امراض سے پہلے کے اصولوں پر واپس نہیں جائے گا۔ صارفین آن لائن مزید اشیاء اور خدمات خریدیں گے، اور لوگوں کی بڑھتی ہوئی تعداد صرف چند اہم تبدیلیوں کا ذکر کرنے کے لیے دور سے کام کرے گی۔ چونکہ کمپنیاں COVID-19 کے بعد کی دنیا میں تشریف لانا شروع کر دیتی ہیں کیونکہ معیشتیں آہستہ آہستہ دوبارہ کھلنا شروع کر دیتی ہیں، ڈیٹا اینالیٹکس ٹولز کا استعمال ان نئے رجحانات کو اپنانے میں ان کی مدد کرنے میں انتہائی قیمتی ہو گا۔ ڈیٹا اینالیٹکس ٹولز خاص طور پر صارفین کے نئے طرز عمل کی بہتر تفہیم کے علاوہ خریداری کے نئے نمونوں کا پتہ لگانے اور صارفین کو زیادہ ذاتی نوعیت کا تجربہ فراہم کرنے کے لیے مفید ثابت ہوں گے۔

تاہم، بہت سی کمپنیاں اب بھی کامیاب بڑے ڈیٹا پروجیکٹس کی راہ میں حائل رکاوٹوں سے نمٹ رہی ہیں۔ پوری صنعتوں میں، ڈیٹا کے بڑے اقدامات کو اپنانے کا عمل بڑھ رہا ہے۔ اخراجات میں اضافہ ہوا ہے، اور بڑا ڈیٹا استعمال کرنے والی کمپنیوں کی اکثریت سرمایہ کاری پر واپسی کی توقع رکھتی ہے۔ اس کے باوجود، کمپنیاں اب بھی بنیادی بڑے ڈیٹا درد کے نقطہ کے طور پر عمل اور معلومات میں مرئیت کی کمی کا حوالہ دیتی ہیں۔ کسٹمر سیگمنٹس کو درست طریقے سے ماڈلنگ کرنا ان کاروباروں کے لیے ناممکن ہو سکتا ہے جو یہ نہیں سمجھتے کہ مثال کے طور پر ان کے گاہک کیوں، کیسے اور کب خریداری کرنے کا فیصلہ کرتے ہیں۔

اس درد کے نقطہ سے نمٹنے کے لیے کمپنیوں کو بڑے ڈیٹا کے متبادل پر غور کرنے کی ضرورت پڑسکتی ہے، یعنی موٹا ڈیٹا، دونوں اصطلاحات کی وضاحت کرنا مددگار ہے، بڑا ڈیٹا بمقابلہ موٹا ڈیٹا.

بگ ڈیٹا بڑا اور پیچیدہ غیر ساختہ ڈیٹا ہے، جس کی وضاحت 3 V's سے ہوتی ہے۔ حجم، بڑے ڈیٹا کے ساتھ، آپ کو کم کثافت، غیر ساختہ ڈیٹا کی زیادہ مقدار پر کارروائی کرنی ہوگی۔ یہ نامعلوم قیمت کا ڈیٹا ہو سکتا ہے، جیسے کہ Facebook ایکشنز، ٹویٹر ڈیٹا فیڈز، کسی ویب پیج یا موبائل ایپ پر کلک اسٹریم، یا سینسر سے چلنے والا سامان۔ کچھ تنظیموں کے لیے، یہ دسیوں ٹیرا بائٹس ڈیٹا ہو سکتا ہے۔ دوسروں کے لیے، یہ سینکڑوں پیٹا بائٹس ہو سکتا ہے۔ سمتار: وہ تیز رفتار شرح ہے جس پر ڈیٹا موصول ہوتا ہے اور اس پر عمل کیا جاتا ہے۔ مختلف قسم کے دستیاب اعداد و شمار کی کئی اقسام سے مراد۔ غیر ساختہ اور نیم ساختہ ڈیٹا کی اقسام، جیسے کہ متن، آڈیو، اور ویڈیو، کو معنی اخذ کرنے اور میٹا ڈیٹا کو سپورٹ کرنے کے لیے اضافی پری پروسیسنگ کی ضرورت ہوتی ہے۔

موٹا ڈیٹا بنیادی اور ثانوی تحقیقی طریقوں کی ایک پیچیدہ رینج کے بارے میں ہے، بشمول سروے، سوالنامے، فوکس گروپس، انٹرویوز، جرائد، ویڈیوز وغیرہ۔ یہ ڈیٹا سائنسدانوں اور ماہر بشریات کے درمیان تعاون کا نتیجہ ہے جو ڈیٹا کی بڑی مقدار کا احساس دلانے کے لیے مل کر کام کر رہے ہیں۔ ایک ساتھ، وہ اعداد و شمار کا تجزیہ کرتے ہیں، معیار کی معلومات جیسے بصیرت، ترجیحات، محرکات اور طرز عمل کی وجوہات تلاش کرتے ہیں۔ اس کے بنیادی طور پر، موٹا ڈیٹا معیاری ڈیٹا ہے (جیسے مشاہدات، احساسات، رد عمل) جو صارفین کی روزمرہ کی جذباتی زندگی کے بارے میں بصیرت فراہم کرتا ہے۔ چونکہ موٹے اعداد و شمار کا مقصد لوگوں کے جذبات، کہانیوں اور دنیا کے ماڈلز کو بے نقاب کرنا ہے جس میں وہ رہتے ہیں، اس کی مقدار درست کرنا مشکل ہو سکتا ہے۔

بگ ڈیٹا اور تھک ڈیٹا کا موازنہ

• بڑا ڈیٹا مقداری ہے، جبکہ موٹا ڈیٹا کوالٹیٹیو ہے۔
• بگ ڈیٹا اتنی زیادہ معلومات پیدا کرتا ہے کہ اسے علم کے خلا کو پُر کرنے اور/یا ظاہر کرنے کے لیے کچھ اور کی ضرورت ہوتی ہے۔ موٹا ڈیٹا بگ ڈیٹا ویژولائزیشن اور تجزیہ کے پیچھے معنی کو بے نقاب کرتا ہے۔
• بگ ڈیٹا ڈیٹا پوائنٹس کی ایک خاص حد کے ساتھ بصیرت کو ظاہر کرتا ہے، جب کہ موٹا ڈیٹا ڈیٹا پوائنٹس کے سماجی سیاق و سباق اور کنکشن کو ظاہر کرتا ہے۔
• بگ ڈیٹا نمبر فراہم کرتا ہے۔ موٹا ڈیٹا کہانیاں پیش کرتا ہے۔
• بڑا ڈیٹا AI/مشین لرننگ پر انحصار کرتا ہے۔ موٹا ڈیٹا انسانی سیکھنے پر انحصار کرتا ہے۔

موٹا ڈیٹا ایک اعلیٰ درجے کا تفریق کرنے والا ہو سکتا ہے، جس سے کاروباروں کو اس قسم کی بصیرت سے پردہ اٹھانے میں مدد ملتی ہے جو وہ کبھی کبھی صرف بڑے ڈیٹا سے حاصل کرنے کی امید کرتے ہیں۔ یہ کاروباروں کو بڑی تصویر دیکھنے اور تمام مختلف کہانیوں کو ایک ساتھ رکھنے میں مدد کر سکتا ہے، جبکہ ہر میڈیم کے درمیان فرق کو اپناتے ہوئے اور دلچسپ موضوعات اور تضادات کو نکالنے کے لیے ان کا استعمال کر سکتا ہے۔ عدم توازن کے بغیر بگ ڈیٹا کی دنیا میں خطرہ یہ ہے کہ تنظیمیں اور افراد میٹرکس کے لیے فیصلے کرنا اور کارکردگی کو بہتر بنانا شروع کر دیتے ہیں — میٹرکس جو الگورتھم سے اخذ کیے جاتے ہیں، اور اصلاح کے اس پورے عمل میں، لوگ، کہانیاں، حقیقی تجربات، سب بھول جاتے ہیں۔

اگر سلیکن ویلی کی بڑی ٹیک کمپنیاں واقعی "دنیا کو سمجھنا" چاہتی ہیں تو انہیں اس کی (بڑے ڈیٹا) کی مقدار اور اس کی (موٹی ڈیٹا) خصوصیات دونوں کو حاصل کرنے کی ضرورت ہے۔ بدقسمتی سے، مؤخر الذکر کو جمع کرنے کا تقاضا ہے کہ صرف 'گوگل گلاس کے ذریعے دنیا کو دیکھنے' کے بجائے (یا فیس بک، ورچوئل رئیلٹی کے معاملے میں) وہ کمپیوٹر کو پیچھے چھوڑ دیں اور دنیا کا تجربہ کریں۔ اس کی دو اہم وجوہات ہیں:

• لوگوں کو سمجھنے کے لیے، آپ کو ان کے سیاق و سباق کو سمجھنے کی ضرورت ہے۔
• زیادہ تر 'دنیا' پس منظر کا علم ہے۔

بڑے اعداد و شمار کے معاملے میں ہم کیا کرتے ہیں اس کی بنیاد پر ہمیں سمجھنے کی کوشش کرنے کے بجائے، موٹا ڈیٹا ہمیں اس لحاظ سے سمجھنے کی کوشش کرتا ہے کہ ہم ان بہت سی مختلف دنیاؤں سے کیسے تعلق رکھتے ہیں جہاں ہم رہتے ہیں۔

صرف ہماری دنیا کو سمجھنے سے ہی کوئی بھی "دنیا" کو بحیثیت مجموعی سمجھ سکتا ہے، جو بالکل وہی ہے جو گوگل اور فیس بک جیسی کمپنیاں کہتی ہیں کہ وہ کرنا چاہتی ہیں۔ "دنیا کو سمجھنے" کے لیے آپ کو اس کی (بڑے ڈیٹا) کی مقدار اور اس کی (موٹی ڈیٹا) خصوصیات دونوں کو حاصل کرنے کی ضرورت ہے۔

درحقیقت، وہ کمپنیاں جو بگ ڈیٹا کے اعداد، گراف اور حقائق پر بہت زیادہ انحصار کرتی ہیں وہ اپنے صارفین کی روزمرہ کی زندگی کی بھرپور، معیاری حقیقت سے خود کو الگ کر دیتی ہیں۔ وہ یہ تصور کرنے کی صلاحیت کھو سکتے ہیں کہ دنیا اور ان کے اپنے کاروبار کیسے تیار ہو سکتے ہیں۔ ہماری سوچ کو بگ ڈیٹا پر آؤٹ سورس کرنے سے، بغور مشاہدہ کرکے دنیا کو سمجھنے کی ہماری صلاحیت ختم ہونے لگتی ہے، بالکل اسی طرح جیسے آپ کسی نئے شہر کو صرف GPS کی مدد سے نیویگیٹ کرکے اس کے احساس اور ساخت کو کھو دیتے ہیں۔

کامیاب کمپنیاں اور ایگزیکٹوز جذباتی، حتیٰ کہ بصری سیاق و سباق کو سمجھنے کے لیے کام کرتے ہیں جس میں لوگ اپنی مصنوعات یا خدمات کا سامنا کرتے ہیں، اور جب حالات بدلتے ہیں تو وہ اپنانے کے قابل ہوتے ہیں۔ وہ اسے استعمال کرنے کے قابل ہیں جسے ہم موٹا ڈیٹا کہنا چاہتے ہیں جو بگ ڈیٹا کے انسانی عنصر پر مشتمل ہے۔

ایک امید افزا ٹیکنالوجی جو ہمیں دونوں جہانوں (بگ ڈیٹا اور تھک ڈیٹا) سے بہترین دے سکتی ہے۔ متاثر کن کمپیوٹنگ

موثر کمپیوٹنگ نظام اور آلات کا مطالعہ اور ترقی ہے جو انسانی اثرات کو پہچان سکتے ہیں، ان کی تشریح کرسکتے ہیں، عمل کرسکتے ہیں اور ان کی نقل کرسکتے ہیں۔ یہ کمپیوٹر سائنس، نفسیات، اور علمی سائنس پر پھیلا ہوا ایک بین الضابطہ میدان ہے۔ اگرچہ اس شعبے کی ابتداء جذبات کے بارے میں ابتدائی فلسفیانہ استفسارات ("اثر" بنیادی طور پر "جذبات" کا مترادف ہے) کے طور پر تلاش کی جا سکتی ہے، کمپیوٹر سائنس کی زیادہ جدید شاخ کا آغاز Rosalind Picard کے 1995 کے پیپر سے ہوا۔ متاثر کن کمپیوٹنگ تحقیق کا ایک محرک نقل کرنے کی صلاحیت ہے۔ ہمدردی. مشین کو انسانوں کی جذباتی کیفیت کی ترجمانی کرنی چاہیے اور اپنے رویے کو ان کے مطابق ڈھالنا چاہیے، ان جذبات کا مناسب جواب دینا چاہیے۔

ڈیٹا اکٹھا کرنے اور اس پر کارروائی کرنے میں متاثر کن کمپیوٹنگ الگورتھم کا استعمال ڈیٹا کو زیادہ انسانی بنائے گا اور ڈیٹا کے دونوں رخ دکھائے گا: مقداری اور کوالٹیٹیو۔

احمد بنافہکتابوں کے مصنف:

Blockchain اور AI کا استعمال کرتے ہوئے چیزوں کا محفوظ اور سمارٹ انٹرنیٹ (IoT)

بلاک چین ٹیکنالوجی اور ایپلی کیشنز

مزید مضامین یہاں پڑھیں: پروفیسر بنافا ویب سائٹ

حوالہ جات

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/

اس پوسٹ کو بذریعہ شیئر کریں: ماخذ: https://semiwiki.com/general/304678-thick-data-vs-big-data/