厚数据与大数据

在后 COVID-19 世界中，企业面临的挑战之一是消费者行为不会回到大流行前的规范。 消费者将在线购买更多的商品和服务，越来越多的人将远程工作，这只是一些重大变化。 随着经济慢慢开始重新开放，公司开始在后 COVID-19 世界中航行，数据分析工具的使用对于帮助他们适应这些新趋势将非常有价值。 除了更好地了解消费者的新行为之外，数据分析工具对于检测新的购买模式和为客户提供更好的个性化体验特别有用。

然而，许多公司仍在处理大数据项目成功的障碍。 在各行各业中，大数据计划的采用率都在上升。 支出有所增加，绝大多数使用大数据的公司都希望获得投资回报。 尽管如此，公司仍然认为缺乏对流程和信息的可见性是大数据的主要痛点。 例如，对于不了解客户决定购买的原因、方式和时间的企业来说，准确建模客户群是不可能的。

为了解决这个痛点，公司可能需要考虑大数据的替代方案，即厚数据，这有助于定义这两个术语， 大数据与厚数据.

大数据运用 是大型复杂的非结构化数据，由 3 V 定义； 音量，对于大数据，您将不得不处理大量低密度、非结构化数据。 这可能是价值未知的数据，例如 Facebook 操作、Twitter 数据提要、网页或移动应用程序上的点击流，或启用传感器的设备。 对于某些组织，这可能是数十 TB 的数据。 对于其他人来说，它可能是数百 PB。 速度: 是接收和处理数据的速度。 品种 指的是可用的许多类型的数据。 非结构化和半结构化数据类型，例如文本、音频和视频，需要额外的预处理来获取含义和支持元数据。

厚数据 是关于一系列复杂的主要和次要研究方法，包括调查、问卷、焦点小组、访谈、期刊、视频等。 这是数据科学家和人类学家通力合作以理解大量数据的结果。 他们一起分析数据，寻找定性信息，如洞察力、偏好、动机和行为原因。 厚数据的核心是定性数据（如观察、感受、反应），可以洞察消费者的日常情感生活。 因为厚数据旨在揭示人们的情感、故事和他们所生活的世界的模型，所以很难量化。

大数据与厚数据的比较

• 大数据是定量的，厚数据是定性的。
• 大数据产生了如此多的信息，以至于它需要更多的东西来弥合和/或揭示知识差距。 厚数据揭示了大数据可视化和分析背后的意义。
• 大数据通过特定范围的数据点揭示见解，而厚数据则揭示数据点之间的社会背景和联系。
• 大数据传递数字； 厚数据提供故事。
• 大数据依赖于人工智能/机器学习； 厚数据依赖于人类的学习。

厚数据可以成为一流的差异化因素，帮助企业发现他们有时希望仅从大数据中获得的各种见解。 它可以帮助企业放眼大局，将所有不同的故事放在一起，同时拥抱每种媒体之间的差异，并利用它们得出有趣的主题和对比。 如果没有平衡，大数据世界中的风险是组织和个人开始为指标做出决策和优化性能——指标源自算法，在整个优化过程中，人、故事、实际经验几乎都被遗忘了。

如果硅谷的大型科技公司真的想“了解世界”，他们需要捕捉它的（大数据）数量和它的（厚数据）质量。 不幸的是，收集后者需要的不仅仅是“通过谷歌眼镜看世界”（或者在 Facebook 的情况下，虚拟现实），他们将电脑抛在脑后，亲身体验世界。 有两个关键原因：

• 要了解人，您需要了解他们的背景
• 大多数“世界”是背景知识

厚数据不是像大数据那样简单地根据我们所做的来了解我们，而是试图根据我们与我们所居住的许多不同世界的关系来了解我们。

只有了解我们的世界，任何人才能真正了解整个“世界”，这正是谷歌和 Facebook 等公司所说的他们想要做的事情。 要“了解世界”，您需要捕捉它的（大数据）数量和它的（厚数据）质量。

事实上，过分依赖大数据的数字、图表和事实的公司可能会将自己与客户日常生活中丰富的、定性的现实隔离开来。 他们可能会失去想象和直觉世界——以及他们自己的企业——可能会如何发展的能力。 通过将我们的思维外包给大数据，我们通过仔细观察来理解世界的能力开始减弱，就像您仅在 GPS 的帮助下导航时会错过一个新城市的感觉和质感一样。

成功的公司和高管努力了解人们遇到他们的产品或服务时的情感，甚至本能背景，并且他们能够在情况发生变化时进行调整。 他们能够使用我们称之为厚数据的东西，其中包含大数据的人为因素。

一项可以为我们提供两全其美（大数据和厚数据）的有前途的技术是 情感计算。

情感计算 是对能够识别、解释、处理和模拟人类影响的系统和设备的研究和开发。 它是一个跨越计算机科学、心理学和认知科学的跨学科领域。 虽然该领域的起源可以追溯到早期对情感的哲学探究（“影响”基本上是“情感”的同义词），但计算机科学的更现代分支起源于 Rosalind Picard 1995 年关于情感计算。 研究的动机是模拟的能力 换位思考. 机器应该解释人类的情绪状态并调整其行为以适应他们，对这些情绪做出适当的反应。

在收集和处理数据时使用情感计算算法将使数据更加人性化，并显示数据的两个方面：定量和定性。

艾哈迈德·巴纳法（Ahmed Banafa），着书：

使用区块链和AI的安全和智能物联网（IoT）

区块链技术与应用

在以下位置阅读更多文章： 巴纳法教授网站

参考资料

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/

通过以下方式分享此帖子： 来源：https://semiwiki.com/general/304678-thick-data-vs-big-data/