¿Cómo migrar del big data al deep data?

Hoy en día, la omnipresencia de las redes sociales y los sensores que rastrean nuestro paradero social han conducido a la producción de rastros digitales caracterizados por su volumen y velocidad. ¡Sólo basta con pensar en el crecimiento explosivo de la cantidad de dispositivos conectados al Internet de las cosas y el aumento exponencial en el consumo de datos como factores que impulsan la generación de big data!

En los últimos años, el big data se ha hecho famoso por su “casi infinito” potencial, en el que las compañías generan cruces y asociaciones de información con el objetivo de generar ventajas competitivas. No obstante, en un entorno en el que más del 81% de los ejecutivos reafirman su confianza en la data como el centro de toda toma de decisiones, es importante advertir sobre las limitantes del big data y posibles compensaciones para impulsar nuevas prácticas de uso.

Los académicos también han afirmado cómo este creciente cuerpo de rastros digitales a menudo es utilizado fuera de contexto, disminuyendo el significado y el valor de dicha información. De hecho, para los especialistas en marketing, los datos no sólo se presentan en big data, sino en thick data (data gruesa), generada por etnógrafos, antropólogos y otros expertos al observar el comportamiento humano y sus motivaciones subyacentes.

Por un lado, la data puede determinar el qué de un problema, identificando, por ejemplo, patrones de comportamiento a gran escala. Por otro lado, la data rara vez revela un porqué, ya que el entendimiento y profundidad detrás de este se encuentra casi siempre anclado a metodologías cualitativas.

El entender la toma de decisiones como un hecho basado únicamente en datos duros puede cerrar la puerta a diferentes formas de innovación. Mientras que el big data ha sido promovido por personas con títulos en analítica e ingeniería, los datos gruesos han sido manejados por compañías basadas en las ciencias sociales. Es por ello, que lejos de preferir una por encima de la otra, se trata de fortalecer el diálogo entre ambas dinámicas.

Si bien la fusión de datos big y thick no es fácil, la combinación de ambos enfoques –big y thick– puede resolver muchos de los problemas que enfrentan las distintas industrias mientras derivan en factores de redescubrimiento y de innovación: la visualización de datos mezclada con un entendimiento profundo de las conexiones que se encuentran en patrones de datos o de conversación social.

La data que generamos todos los días sin darnos cuenta, también es una fuente de insights que pueden ser entendidos más allá de su valor big. Así, al mezclar el análisis de datos big y utilizando metodologías thick, podemos entender la data de una manera más deep (profunda).

La conversación social, por ejemplo, puede ser entendida más allá de un espectro positivo-neutro-negativo: los usuarios plasman orgánicamente sus afiliaciones, temores y opiniones más allá de las marcas o industrias. Al entender las expresiones de los usuarios usando métricas no tradicionales podemos alcanzar un entendimiento profundo de la data.

En un mundo que se mueve ágilmente, el big data resulta una herramienta diferenciadora. No obstante, para innovar y poder utilizar la data de forma contextual, se requiere del ejercicio de la imaginación, observación y análisis. De esta manera, el entendimiento profundo de datos –y no sólo su cruce y minería– pude convertirse en el punto de partida de nuevos modelos que descubran un mundo que aún no existe.