Из Википедии, свободной энциклопедии
Перейти к навигацииПерейти к поиску

Небольшие данные - это данные, которые достаточно «малы» для понимания человеком. [1] Это данные в объеме и формате, которые делают их доступными, информативными и действенными. [2]

Термин « большие данные » относится к машинам, а «малые данные» - к людям. [3] Это означает, что наблюдения очевидцев или пять связанных данных могут быть небольшими данными. Небольшие данные - это то, что мы привыкли считать данными. Единственный способ понять большие данные - это уменьшить данные до небольших, визуально привлекательных объектов, представляющих различные аспекты больших наборов данных (например, гистограмму , диаграммы и точечные диаграммы). Большие данные - это поиск корреляций , а малые данные - это поиск причинно-следственной связи . [4]

Формальное определение небольших данных было предложено Алленом Бондом, бывшим вице-президентом по инновациям в Actuate - теперь часть OpenText : «Малые данные позволяют людям получать своевременные и значимые идеи (полученные из больших данных и / или« местных »источников). , организованы и упакованы - часто визуально - чтобы быть доступными, понятными и действенными для повседневных задач ». [5]

Другое определение небольших данных:

  • Небольшой набор специфических атрибутов, создаваемых Интернетом вещей . Обычно это небольшой набор данных датчиков, таких как температура, скорость ветра, вибрация и состояние. [6]

Было подсчитано, что «если взять 100 крупнейших инноваций нашего времени, возможно, от 60% до 65% процентов действительно основаны на малых данных». [4] как выразился Мартин Линдстрем . Небольшие данные включают в себя все, от Snapchat до простых объектов, таких как заметки. Линдстрем считает, что мы настолько сосредоточены на больших данных, что забываем о более простых концепциях и творчестве. Линдстром определяет Small Data «как кажущиеся незначительными наблюдения, которые вы обнаруживаете в домах потребителей, это все, от того, как вы ставите обувь, до того, как вешаете свои картины». Таким образом , он считает , что один должен в совершенстве освоить базовый (Small Data) для того , чтобы мои и найти корреляции.

Использование в бизнесе

Маркетинг

Бонд писал на эту тему для Forbes, [7] Direct Marketing News, [8] CMO.com [9] и других публикаций.

По словам Мартина Линдстрома в своей книге « Малые данные»: «{В исследованиях клиентов малые данные - это} на первый взгляд незначительные поведенческие наблюдения, содержащие очень специфические атрибуты, указывающие на неудовлетворенные потребности клиентов. Небольшие данные - это основа для прорывных идей или совершенно новых способов оборотные бренды ". [10] Его подход основан на сочетании наблюдения небольших выборок с интуицией. [11] Маркетологи могут получить представление о рынке, собирая небольшие данные, взаимодействуя с людьми в их собственной среде и наблюдая за ними. [11]По сравнению с большими данными, малые данные могут вызывать эмоции и давать представление о причинах поведения клиентов. [12] Он может раскрыть подробную информацию об экстраверсии или интроверсии человека, уверенности в себе, о том, есть ли у человека проблемы в его / ее отношениях и т. Д. [12] Согласно Линдстрому, отношения между людьми и сегментами клиентов строятся по четырем критериям. :

  1. Климат: он показывает, например, как окружающая среда влияет на питание человека.
  2. Правление: власть или правительство.
  3. Религия: Распространенность религии в стране, в зависимости от ее влияния, указывает на то, влияет ли система убеждений человека на процесс принятия решений .
  4. Традиция: культурные нормы влияют на поведение и взаимодействие людей.

Многие компании недооценивают силу малых данных, используя выборки миллионов потребителей вместо того, чтобы осознавать ценность пристального наблюдения за небольшими выборками в своих исследованиях рынка . [11] В своей книге Линдстром определяет «7C», которые компании должны учитывать, пытаясь получить значимое представление о клиентах и ​​рыночных тенденциях с помощью небольших данных от своих клиентов: [12]

  1. Сбор: понимание того, как наблюдения транслируются в доме.
  2. Подсказки: выявление других характерных эмоциональных отражений, которые можно наблюдать.
  3. Подключение: выявление последствий эмоционального поведения.
  4. Причинная связь: понимание того, какие эмоции вызываются.
  5. Корреляция: определение начальной даты появления поведения или эмоции.
  6. Компенсация: определение неудовлетворенного или невыполненного желания.
  7. Концепция: определение компенсации «большой идеи» для выявленной потребности потребителя.

Некоторые клиенты Lindstrom, такие как Lowes Foods, смотрели на данные по-другому и фактически предпочитали жить с клиентом. «Когда вы входите в их магазин, они создают удивительное сообщество, в котором каждый сотрудник действует в настроении персонажа, основанном на Small Data». [4] Супермаркет сделал все возможное, чтобы покупатель чувствовал себя как дома. Все действия сотрудников основаны на отзывах клиентов, собранных в ходе собеседований, проводимых непосредственно у них дома.

Здравоохранение

Исследователи из Корнельского университета начали разрабатывать приложения для мониторинга проблем со здоровьем пациентов на основе небольших данных. Это инициатива лаборатории малых данных Корнелла [13] в тесном сотрудничестве с Медицинским колледжем Вейл Корнелл , возглавляемой Деборой Эстрин .

Small Data Lab разработала серию приложений, ориентированных не только на сбор данных о боли пациентов, но и на отслеживание их привычек в таких областях, как покупка продуктов. Например, у пациентов с ревматоидным артритом , у которых наблюдаются обострения и ремиссии.которые не следуют определенному циклу, приложение собирает информацию пассивно, что позволяет прогнозировать, когда может произойти вспышка, на основе небольших изменений в поведении. Другие разработанные приложения также включают мониторинг онлайн-покупок продуктов для использования этой информации от каждого пользователя для адаптации своих продуктов к рекомендациям диетологов или мониторинг языка электронной почты для выявления закономерностей, которые могут указывать на «колебания когнитивных функций, усталость, побочные эффекты лекарств или плохой сон и другие состояния и методы лечения, о которых обычно сообщают пациенты или занимаются самолечением ". [14]

Почтовая служба

Почтовая служба США (USPS) используется оптическое распознавание символов (OCR) для автоматического считывания и обработки 98% всех ручной адрес почты и 99,5% машинно-печататься почты. Объединив эту технологию с небольшой выборкой почтовых индексов США, USPS теперь может обрабатывать более 36 000 почтовых отправлений в час. [15]

Аэрокосмическая промышленность

В 2015 году компания Boeing создала лабораторию аналитики аэрокосмических данных в сотрудничестве с Университетом Карнеги-Меллона, чтобы использовать лидерство университета в области машинного обучения , языковых технологий и анализа данных . [16] Один из инициативных проектов направлен на стандартизацию журналов обслуживания с использованием ИИ для значительного снижения затрат.

В настоящее время не существует стандартизированной процедуры для документирования журналов обслуживания, ведущих к небольшим, но сильно неструктурированным наборам данных . В результате для обслуживающего персонала становится очень сложно перевести эти изменения в журналы технического обслуживания за короткий период времени. Однако с помощью ИИ и узкого набора данных общей терминологии технического обслуживания воздушных судов становится возможным динамически переводить эти журналы в режиме реального времени. Согласно Harvard Business Review, используя искусственный интеллект для повышения скорости и точности рабочего процесса обслуживания авиакомпаний, авиакомпании могут сэкономить миллиарды . [17]

Ссылки

  1. ^ Руфус Поллок. «Забудьте о больших данных, маленькие данные - настоящая революция | Новости» . Хранитель . Проверено 2 октября 2016 .
  2. ^ «Что такое небольшие данные? - Определение с сайта WhatIs.com» . Whatis.techtarget.com . 2016-08-18 . Проверено 2 октября 2016 .
  3. ^ Эрик Лундквист (2013-09-10). « „ Малые данные“Анализ Далее Big Thing, Защитники Assert» . Eweek.com . Проверено 2 октября 2016 .
  4. ^ a b c «Почему маленькие данные - это новые большие данные» . knowledge.wharton.upenn.edu . Проверено 9 мая 2017 .
  5. ^ «Определение малых данных» . Малая группа данных . Проверено 2 октября 2016 .
  6. ^ «Забудьте о больших данных - маленькие данные движут Интернет вещей» . Forbes.com . Проверено 2 октября 2016 .
  7. ^ «Эти умные социальные приложения уменьшают объем больших данных» . Forbes.com . Проверено 2 октября 2016 .
  8. ^ «Почему маленькие данные - следующая большая вещь для маркетологов - DMN» . Dmnews.com . 2013-08-22 . Проверено 2 октября 2016 .
  9. ^ Бонд, Аллен (2013-12-12). «Думайте о малом: пора маркетологам выйти за рамки ажиотажа в отношении больших данных» . Cmo.com . Проверено 2 октября 2016 .
  10. ^ "Небольшие данные - Мартин Линдстрем - Автор бестселлеров" . Мартин Линдстрем . Проверено 2 октября 2016 .
  11. ^ a b c Дули, Роджер (16 февраля 2016 г.). «Небольшие данные: следующая большая вещь» . Forbes . Дата обращения 8 мая 2017 .
  12. ^ a b c Саркар, Кристиан (1 мая 2016 г.). « » Малые данные, Big Impact! «- Интервью с Мартином Линдстром» . Маркетинговый журнал . Дата обращения 8 мая 2017 .
  13. ^ http://smalldata.io/
  14. ^ «Небольшие данные и большие преимущества для здоровья» . research.cornell.edu . Проверено 15 мая 2017 .
  15. ^ «Инновационные технологии - почтовые факты» . about.usps.com . Проверено 7 ноября 2017 .
  16. ^ Университет, Карнеги-Меллон (октябрь 2015 г.). «Boeing создает аналитическую лабораторию аэрокосмических данных в Карнеги-Меллон - Новости - Университет Карнеги-Меллона» . Проверено 7 ноября 2017 .
  17. ^ «Иногда« небольших данных »достаточно для создания умных продуктов» . Harvard Business Review . Проверено 7 ноября 2017 .