企业面临的挑战之一是，在Covid-19 World，消费者行为不会恢复到庞大的规范。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。随着公司开始逐渐开始逐渐重新开放，公司开始浏览CoVID-19的世界，数据分析工具的使用对于帮助他们适应这些新趋势非常有价值。除了更好地了解消费者新行为外，还为客户提供了更多的个性化体验。
但是，许多公司仍在处理成功的大数据项目的障碍。在整个行业中，大数据计划的采用却在上升。支出有所增加，大多数使用大数据的公司预计投资回报率。尽管如此，公司仍然认为对流程和信息缺乏可见性，这是主要的大数据痛点。对于那些不了解为什么，如何以及何时决定进行购买的企业来说，准确地对客户细分进行建模。
数据分析工具对于检测新的购买模式并为客户提供更多个性化体验特别有用，除了更好地了解消费者新行为
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。
大数据是大而复杂的非结构化数据，由3 V定义；使用大数据的数量，您必须处理大量低密度，非结构化数据。这可以是未知值的数据，例如Facebook操作，Twitter数据供稿，网页上的点击流或移动应用程序或支持传感器的设备。对于某些组织而言，这可能是数十个数据的数据。对于其他人来说，可能是数百pb。速度：是收到数据和作用的快速率。品种是指可用的多种类型的数据。非结构化和半结构化数据类型（例如文本，音频和视频）需要其他预处理，以得出含义和支持元数据。
厚数据是关于一系列复杂的主要和二级研究方法，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之间合作以弄清大量数据的结果。他们一起分析数据，寻找定性信息，例如洞察力，偏好，动机和行为原因。从本质上讲，厚数据是定性数据（例如观察，感觉，反应），可以洞悉消费者日常情感生活。由于厚厚的数据旨在揭示人们所生活的世界的情绪，故事和模式，因此很难量化。
比较大数据和厚数据
大数据是定量的，而厚数据是定性的。
大数据产生了如此多的信息，以至于需要更多的东西来弥合和/或揭示知识差距。厚数据发现大数据可视化和分析背后的含义。
大数据揭示了具有特定数据点范围的见解，而厚数据揭示了数据点之间的社交环境和联系。
大数据提供数字；厚数据传达了故事。
大数据依赖于AI/机器学习；厚数据依赖于人类学习。
厚数据可以是一流的差异化因素，可以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。它可以帮助企业查看大局，并将所有不同的故事放在一起，同时拥抱每种媒介之间的差异并利用它们来提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，组织和个人开始做出决策并优化指标的性能 - 从算法中得出的时间，以及在整个优化过程中，人们，人员，故事，实际经验几乎被遗忘了。
如果硅谷的大型科技公司确实想“了解世界”，那么他们需要捕获其（大数据）数量及其（厚数据）质量
如果硅谷的大型科技公司确实想“了解世界”，他们需要捕获其（大数据）数量及其（厚度数据）的品质。不幸的是，收集后者的要求不仅仅是“通过Google Glass看到世界”（或在Facebook的情况下，虚拟现实），他们将计算机留下来并亲身体验世界。原因有两个关键原因：
要了解人们，您需要了解他们的背景
大多数“世界”是背景知识
厚数据并没有只是基于我们的工作来理解我们的工作，而是寻求从我们与我们所居住的许多不同世界的关系方面理解我们。
只有了解我们的世界，任何人都可以真正理解整个“世界”，这正是像Google这样的公司和Facebook这样的公司所说的。要“了解世界”，您需要捕获其（大数据）数量及其（厚度数据）质量。
实际上，过度依赖大数据风险的数字，图形和事实的公司使自己与客户日常生活的富有，定性现实隔离开来。他们可能会失去想象和直觉的能力，而世界以及他们自己的业务可能会发展。通过将我们的思维外包给大数据，我们通过仔细观察来使世界有意义的能力开始枯萎，就像您只有在GPS的帮助下通过导航而错过了新城市的感觉和质地。
成功的公司和高管努力理解人们遇到其产品或服务的情感，内在的环境，并且在情况发生变化时可以适应。他们能够使用我们喜欢称之为厚的数据，包括大数据的人类元素。
一种有希望的技术可以使我们两全其美（大数据和厚数据）是情感计算。
情感计算是可以识别，解释，处理和模拟人类情感的系统和设备的研究和开发。这是一个跨学科的领域，涵盖了计算机科学，心理学和认知科学。尽管该领域的起源可能可以追溯到早期哲学探究情感（“情感”基本上是“情感”的代名词。情感计算。研究的动机是模拟同理心的能力。机器应解释人类的情绪状态并将其行为适应他们，并对这些情绪做出适当的反应。
在收集和处理数据中使用情感计算算法将使数据更加人性化，并显示数据的两面：定量和定性。
艾哈迈德·巴纳法（Ahmed Banafa），作者：
使用区块链和AI安全且智能的物联网（IoT）
区块链技术和应用
参考