Dữ liệu dày Vs. Dữ liệu lớn

Được xuất bản lại bởi Plato

Người theo dõi: 0

Dữ liệu dày so với Dữ liệu lớn

Một trong những thách thức mà các doanh nghiệp trong thế giới hậu COVID-19 phải đối mặt là thực tế là hành vi của người tiêu dùng sẽ không quay trở lại các chuẩn mực trước đại dịch. Người tiêu dùng sẽ mua nhiều hàng hóa và dịch vụ trực tuyến hơn và ngày càng có nhiều người làm việc từ xa chỉ để đề cập đến một số thay đổi lớn. Khi các công ty bắt đầu điều hướng thế giới sau COVID-19 khi các nền kinh tế dần bắt đầu mở cửa trở lại, việc sử dụng các công cụ phân tích dữ liệu sẽ cực kỳ có giá trị trong việc giúp họ thích ứng với những xu hướng mới này. Các công cụ phân tích dữ liệu sẽ đặc biệt hữu ích để phát hiện các mô hình mua hàng mới và mang lại trải nghiệm cá nhân hóa tốt hơn cho khách hàng, bên cạnh việc hiểu rõ hơn về hành vi mới của người tiêu dùng.

Tuy nhiên, nhiều công ty vẫn đang phải đối mặt với những trở ngại để các dự án dữ liệu lớn thành công. Trong các ngành công nghiệp, việc áp dụng các sáng kiến dữ liệu lớn đang tăng lên. Chi tiêu đã tăng lên và đại đa số các công ty sử dụng dữ liệu lớn đều mong đợi lợi tức đầu tư. Tuy nhiên, các công ty vẫn coi việc thiếu khả năng hiển thị vào các quy trình và thông tin là một điểm đau đầu về dữ liệu lớn. Ví dụ, việc lập mô hình phân khúc khách hàng một cách chính xác là điều không thể đối với những doanh nghiệp không hiểu tại sao, như thế nào và khi nào khách hàng của họ quyết định mua hàng.

Để giải quyết vấn đề khó khăn này, các công ty có thể cần phải xem xét một giải pháp thay thế cho dữ liệu lớn, cụ thể là dữ liệu dày, sẽ hữu ích khi xác định cả hai thuật ngữ, Dữ liệu lớn so với Dữ liệu dày.

Dữ Liệu Lớn. là dữ liệu phi cấu trúc lớn và phức tạp, được xác định bởi 3 V; Khối lượng, với dữ liệu lớn, bạn sẽ phải xử lý khối lượng lớn dữ liệu có mật độ thấp, không có cấu trúc. Đây có thể là dữ liệu có giá trị không xác định, chẳng hạn như hành động trên Facebook, nguồn cấp dữ liệu Twitter, dòng nhấp chuột trên trang web hoặc ứng dụng dành cho thiết bị di động hoặc thiết bị hỗ trợ cảm biến. Đối với một số tổ chức, đây có thể là hàng chục terabyte dữ liệu. Đối với những người khác, nó có thể là hàng trăm petabyte. Vận tốc: là tốc độ nhanh chóng mà dữ liệu được nhận và xử lý. SỰ ĐA DẠNG đề cập đến nhiều loại dữ liệu có sẵn. Các loại dữ liệu không cấu trúc và bán cấu trúc, chẳng hạn như văn bản, âm thanh và video, yêu cầu xử lý trước bổ sung để tìm ra ý nghĩa và hỗ trợ siêu dữ liệu.

Dữ liệu dày là về một loạt các phương pháp tiếp cận nghiên cứu chính và phụ, bao gồm khảo sát, bảng câu hỏi, nhóm tập trung, phỏng vấn, tạp chí, video, v.v. Đó là kết quả của sự hợp tác giữa các nhà khoa học dữ liệu và nhà nhân chủng học cùng nhau làm việc để tạo ra một lượng lớn dữ liệu. Họ cùng nhau phân tích dữ liệu, tìm kiếm thông tin định tính như hiểu biết sâu sắc, sở thích, động cơ và lý do cho các hành vi. Về cốt lõi, dữ liệu dày là dữ liệu định tính (như quan sát, cảm giác, phản ứng) cung cấp những hiểu biết sâu sắc về cuộc sống tình cảm hàng ngày của người tiêu dùng. Vì dữ liệu dày nhằm mục đích khám phá cảm xúc, câu chuyện và mô hình của con người về thế giới họ đang sống, nên có thể khó định lượng.

Không có văn bản thay thế được cung cấp cho hình ảnh này

So sánh Dữ liệu lớn và Dữ liệu dày

Dữ liệu lớn là định lượng, trong khi Dữ liệu dày là định tính.
Dữ liệu lớn tạo ra nhiều thông tin đến mức nó cần thêm thứ gì đó để thu hẹp và / hoặc tiết lộ những lỗ hổng kiến thức. Dữ liệu dày khám phá ý nghĩa đằng sau việc phân tích và trực quan hóa Dữ liệu lớn.
Dữ liệu lớn tiết lộ thông tin chi tiết với một loạt điểm dữ liệu cụ thể, trong khi Dữ liệu dày tiết lộ bối cảnh xã hội và kết nối giữa các điểm dữ liệu.
Dữ liệu lớn cung cấp các con số; Dữ liệu dày mang đến những câu chuyện.
Dữ liệu lớn dựa trên AI / Machine Learning; Dữ liệu Dày dựa vào sự học hỏi của con người.

Dữ liệu dày có thể là một yếu tố khác biệt hàng đầu, giúp các doanh nghiệp khám phá các loại thông tin chi tiết mà đôi khi họ hy vọng sẽ đạt được chỉ từ dữ liệu lớn. Nó có thể giúp các doanh nghiệp nhìn vào bức tranh lớn và đặt tất cả các câu chuyện khác nhau lại với nhau, đồng thời nắm bắt sự khác biệt giữa từng phương tiện và sử dụng chúng để đưa ra các chủ đề và sự tương phản thú vị. Không có đối trọng, rủi ro trong thế giới Dữ liệu lớn là các tổ chức và cá nhân bắt đầu đưa ra quyết định và tối ưu hóa hiệu suất cho các chỉ số — các chỉ số bắt nguồn từ các thuật toán và trong toàn bộ quá trình tối ưu hóa này, tất cả những con người, câu chuyện, trải nghiệm thực tế bị lãng quên.

Nếu các công ty công nghệ lớn của Thung lũng Silicon thực sự muốn “hiểu thế giới”, họ cần nắm bắt được cả số lượng (dữ liệu lớn) và chất lượng (dữ liệu dày) của nó. Thật không may, việc thu thập thứ sau yêu cầu rằng thay vì chỉ 'nhìn thế giới qua Google Glass' (hoặc trong trường hợp của Facebook, Thực tế ảo), họ để lại máy tính và trải nghiệm thế giới đầu tiên. Có hai lý do chính tại sao:

Để hiểu mọi người, bạn cần hiểu bối cảnh của họ
Hầu hết 'thế giới' là kiến thức cơ bản

Thay vì tìm cách hiểu chúng ta đơn giản dựa trên những gì chúng ta làm như trong trường hợp dữ liệu lớn, dữ liệu dày tìm cách hiểu chúng ta về cách chúng ta liên hệ với nhiều thế giới khác nhau mà chúng ta đang sống.

Chỉ khi hiểu được thế giới của chúng ta, bất kỳ ai cũng có thể thực sự hiểu “thế giới” nói chung, đó chính xác là điều mà các công ty như Google và Facebook nói rằng họ muốn làm. Để “hiểu thế giới”, bạn cần nắm bắt được cả số lượng (dữ liệu lớn) và chất lượng (dữ liệu dày) của nó.

Trên thực tế, các công ty phụ thuộc quá nhiều vào các con số, đồ thị và dữ kiện của Dữ liệu lớn có nguy cơ cách ly mình khỏi thực tế chất lượng, phong phú trong cuộc sống hàng ngày của khách hàng. Họ có thể mất khả năng tưởng tượng và tìm hiểu cách thế giới — và các doanh nghiệp của họ — có thể phát triển như thế nào. Bằng cách thuê ngoài tư duy của chúng ta cho Dữ liệu lớn, khả năng hiểu thế giới bằng cách quan sát cẩn thận của chúng ta bắt đầu khô héo, giống như bạn bỏ lỡ cảm giác và kết cấu của một thành phố mới bằng cách điều hướng nó chỉ với sự trợ giúp của GPS.

Các công ty và giám đốc điều hành thành công làm việc để hiểu bối cảnh cảm xúc, thậm chí nội tạng mà mọi người gặp phải sản phẩm hoặc dịch vụ của họ và họ có thể thích ứng khi hoàn cảnh thay đổi. Họ có thể sử dụng những gì chúng tôi muốn gọi là Dữ liệu dày, bao gồm yếu tố con người của Dữ liệu lớn.

Một công nghệ đầy hứa hẹn có thể mang lại cho chúng ta những gì tốt nhất của cả hai thế giới (Dữ liệu lớn và Dữ liệu dày) là tính toán cảm tính.

Tính toán liên quan là nghiên cứu và phát triển các hệ thống và thiết bị có thể nhận biết, diễn giải, xử lý và mô phỏng các tác động của con người. Nó là một lĩnh vực liên ngành bao gồm khoa học máy tính, tâm lý học và khoa học nhận thức. Trong khi nguồn gốc của lĩnh vực này có thể được bắt nguồn từ những câu hỏi triết học ban đầu về cảm xúc (về cơ bản, “ảnh hưởng” là một từ đồng nghĩa với “cảm xúc”.), Ngành khoa học máy tính hiện đại hơn bắt nguồn từ bài báo năm 1995 của Rosalind Picard về tính toán cảm tính. Một động lực cho nghiên cứu là khả năng mô phỏng sự đồng cảm. Máy móc sẽ diễn giải trạng thái cảm xúc của con người và điều chỉnh hành vi của nó cho phù hợp với họ, đưa ra phản ứng thích hợp cho những cảm xúc đó.

Sử dụng các thuật toán tính toán cảm tính trong việc thu thập và xử lý dữ liệu sẽ làm cho dữ liệu trở nên giống người hơn và thể hiện cả hai mặt của dữ liệu: định lượng và định tính.

Ahmed Banaha, Tác giả các cuốn sách:

Internet vạn vật an toàn và thông minh (IoT) sử dụng Blockchain và AI

Ứng dụng và Công nghệ Blockchain

Đọc thêm bài viết tại: Trang web của Giáo sư Banafa

dự án

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/