Los datos pequeños son datos que son lo suficientemente "pequeños" para la comprensión humana. [1] Son datos en un volumen y formato que los hace accesibles, informativos y procesables. [2]
El término " big data " se refiere a máquinas y "small data" se refiere a personas. [3] Esto quiere decir que las observaciones de testigos o cinco datos relacionados podrían ser datos pequeños. Los datos pequeños son lo que solíamos considerar datos. La única forma de comprender Big Data es reducir los datos a objetos pequeños y visualmente atractivos que representen varios aspectos de grandes conjuntos de datos (como histogramas , gráficos y diagramas de dispersión). Big Data se trata de encontrar correlaciones , pero Small Data se trata de encontrar la causalidad , el motivo. [4]
Allen Bonde, ex vicepresidente de Innovación de Actuate , que ahora forma parte de OpenText, propuso una definición formal de datos pequeños : "Los datos pequeños conectan a las personas con información significativa y oportuna (derivada de macrodatos o fuentes" locales ") , organizado y empaquetado, a menudo visualmente, para que sea accesible, comprensible y útil para las tareas diarias ". [5]
Otra definición de datos pequeños es:
- El pequeño conjunto de atributos específicos producidos por Internet de las cosas . Suelen ser un pequeño conjunto de datos de sensores como la temperatura, la velocidad del viento, la vibración y el estado. [6]
Se estimó que "si se toman las 100 mayores innovaciones más importantes de nuestro tiempo, quizás entre el 60% y el 65% por ciento se basan realmente en Small Data". [4] como dice Martin Lindstrom . Los datos pequeños incluyen todo, desde Snapchat hasta objetos simples como la nota post-it. Lindstrom cree que nos centramos tanto en Big-Data que tendemos a olvidarnos de los conceptos más básicos y la creatividad. Lindstrom define Small Data "como observaciones aparentemente insignificantes que identificas en los hogares de los consumidores, es todo, desde cómo colocas tus zapatos hasta cómo cuelgas tus cuadros". Por lo tanto, considera que uno debe dominar perfectamente lo básico (Small Data) para extraer y encontrar correlaciones.
Usos en los negocios
Márketing
Bonde ha escrito sobre el tema para Forbes, [7] Direct Marketing News, [8] CMO.com [9] y otras publicaciones.
Según Martin Lindstrom , en su libro Small Data: "{En la investigación de clientes , los datos pequeños son} Observaciones de comportamiento aparentemente insignificantes que contienen atributos muy específicos que apuntan a una necesidad del cliente no satisfecha. Los datos pequeños son la base de ideas innovadoras o formas completamente nuevas de marcas de cambio ". [10] Su enfoque se basa en la combinación de la observación de pequeñas muestras con la intuición. [11] Los especialistas en marketing pueden obtener información sobre el mercado a partir de la recopilación de datos pequeños al interactuar con las personas y observarlas en sus propios entornos. [11] En comparación con Big Data, Small Data tiene el poder de desencadenar emociones y proporcionar información sobre las razones detrás de los comportamientos de los clientes. [12] Puede revelar información detallada sobre la extroversión o introversión de una persona, la confianza en sí misma, si uno tiene problemas en su relación, etc. [12] Según Lindstrom, las relaciones entre las personas y los segmentos de clientes se organizan en torno a cuatro criterios :
- Clima: revela, por ejemplo, cómo el entorno de una persona afecta su dieta.
- Gobernación: el poder o el gobierno a cargo
- Religión: la prevalencia de la religión en un país, dependiendo de su influencia, indica si el proceso de toma de decisiones de una persona se ve afectado por su sistema de creencias .
- Tradición: Las normas culturales influyen en los comportamientos y las interacciones de las personas.
Muchas empresas subestiman el poder de los datos pequeños y utilizan muestras de millones de consumidores en lugar de reconocer el valor de observar de cerca las muestras pequeñas en sus estudios de mercado . [11] En su libro, Lindstrom define las "7C", que las empresas deben considerar en el intento de obtener información significativa sobre los clientes y tendencias del mercado a través de pequeños datos de sus clientes: [12]
- Recopilación: comprender la manera en que se traducen las observaciones dentro de una casa.
- Pistas: Descubrir otros reflejos emocionales distintivos que se pueden observar.
- Conectando: Identificar las consecuencias del comportamiento emocional.
- Causalidad: comprender qué emociones se evocan.
- Correlación: Identificar la fecha inicial de aparición de la conducta o emoción.
- Compensación: Identificación del deseo insatisfecho o insatisfecho.
- Concepto: Definición de la compensación de la “gran idea” para la necesidad identificada del consumidor.
Algunos de los clientes de Lindstrom, como Lowes Foods, veían los datos de una manera diferente y, de hecho, optaron por vivir con el cliente. “Al entrar en su tienda, ahora han creado una comunidad increíble en la que cada miembro del personal actúa con carácter, basado en Small Data”. [4] El supermercado hizo todo lo posible para que el cliente se sintiera como en casa. Todos los comportamientos de los empleados se inspiran en los comentarios de los clientes recopilados a partir de entrevistas realizadas directamente en el hogar del cliente.
Cuidado de la salud
Los investigadores de la Universidad de Cornell comenzaron a desarrollar aplicaciones para monitorear los problemas de salud en los pacientes, basándose en pequeños datos. Esta es una iniciativa del Small Data Lab de Cornell, [13] en estrecha cooperación con Weill Cornell Medicine College , dirigido por Deborah Estrin .
Small Data Lab desarrolló una serie de aplicaciones, que se centran no solo en recopilar datos del dolor de los pacientes, sino también en rastrear hábitos en áreas como las compras de comestibles. En el caso de pacientes con artritis reumatoide, por ejemplo, que tiene brotes y remisiones que no siguen un ciclo en particular, la aplicación recopila información de forma pasiva, lo que permite pronosticar cuándo podría aparecer un brote en función de pequeños cambios en el comportamiento. Otras aplicaciones desarrolladas también incluyen monitorear las compras de comestibles en línea, para usar esta información de cada usuario para adaptar sus comestibles a las recomendaciones de los nutricionistas, o monitorear el lenguaje del correo electrónico para identificar patrones que puedan indicar "fluctuaciones en el rendimiento cognitivo, fatiga, efectos secundarios de los medicamentos sueño deficiente y otras afecciones y tratamientos que suelen ser autoinformados y automedicados ". [14]
servicio Postal
El Servicio Postal de los Estados Unidos (USPS) utilizó el reconocimiento óptico de caracteres (OCR) para leer y procesar automáticamente el 98% de todo el correo dirigido a mano y el 99,5% del correo impreso a máquina. Al combinar esta tecnología con su pequeña muestra de datos de códigos postales de EE. UU., USPS ahora puede procesar más de 36,000 piezas de correo por hora. [15]
Aeroespacial
En 2015, Boeing estableció el laboratorio de análisis de datos aeroespaciales en cooperación con la Universidad Carnegie Mellon para aprovechar el liderazgo de la universidad en aprendizaje automático , tecnologías del lenguaje y análisis de datos . [16] Uno de los proyectos de iniciativas tiene como objetivo estandarizar los registros de mantenimiento utilizando inteligencia artificial para reducir drásticamente los costos.
Actualmente, no existe un procedimiento estandarizado para documentar los registros de mantenimiento que conducen a conjuntos de datos pequeños pero muy desestructurados . Como resultado, se vuelve muy difícil para los trabajadores de mantenimiento traducir estas variaciones en los registros de mantenimiento en un corto período de tiempo. Sin embargo, con IA y un conjunto de datos limitado de terminología común de mantenimiento de aeronaves, es posible traducir estos registros de forma dinámica en tiempo real. Al utilizar la inteligencia artificial para mejorar la velocidad y la precisión del flujo de trabajo de mantenimiento de la aerolínea, las aerolíneas pueden ahorrar miles de millones según Harvard Business Review . [17]
Referencias
- ^ Rufus Pollock. "Olvídese del big data, el small data es la verdadera revolución | Noticias" . The Guardian . Consultado el 2 de octubre de 2016 .
- ^ "¿Qué son los datos pequeños? - Definición de WhatIs.com" . Whatis.techtarget.com . 2016-08-18 . Consultado el 2 de octubre de 2016 .
- ^ Eric Lundquist (10 de septiembre de 2013). " ' Pequeño datos' Análisis de la próxima gran cosa, defensores afirman" . Eweek.com . Consultado el 2 de octubre de 2016 .
- ^ a b c "Por qué los datos pequeños son el nuevo Big Data" . knowledge.wharton.upenn.edu . Consultado el 9 de mayo de 2017 .
- ^ "Definición de pequeños datos" . Pequeño grupo de datos . Consultado el 2 de octubre de 2016 .
- ^ "Olvídese de Big Data: los datos pequeños están impulsando el Internet de las cosas" . Forbes.com . Consultado el 2 de octubre de 2016 .
- ^ "Estas aplicaciones sociales inteligentes reducen el tamaño de los macrodatos" . Forbes.com . Consultado el 2 de octubre de 2016 .
- ^ "Por qué los datos pequeños son la próxima gran cosa para los especialistas en marketing - DMN" . Dmnews.com . 2013-08-22 . Consultado el 2 de octubre de 2016 .
- ^ Bonde, Allen (12 de diciembre de 2013). "Piense en pequeño: es hora de que los especialistas en marketing vayan más allá del bombo de Big Data" . Cmo.com . Consultado el 2 de octubre de 2016 .
- ^ "Small Data - Martin Lindstrom - autor más vendido" . Martin Lindstrom . Consultado el 2 de octubre de 2016 .
- ^ a b c Dooley, Roger (16 de febrero de 2016). "Pequeños datos: la próxima gran cosa" . Forbes . Consultado el 8 de mayo de 2017 .
- ^ a b c Sarkar, Christian (1 de mayo de 2016). " " Pequeños datos, gran impacto "- Una entrevista con Martin Lindstrom" . El diario de marketing . Consultado el 8 de mayo de 2017 .
- ^ http://smalldata.io/
- ^ "Pequeños datos y grandes beneficios para la salud" . research.cornell.edu . Consultado el 15 de mayo de 2017 .
- ^ "Tecnologías innovadoras - Hechos postales" . about.usps.com . Consultado el 7 de noviembre de 2017 .
- ^ Universidad, Carnegie Mellon (octubre de 2015). "Boeing establece laboratorio de análisis para datos aeroespaciales en Carnegie Mellon - Noticias - Universidad Carnegie Mellon" . Consultado el 7 de noviembre de 2017 .
- ^ "A veces, los" datos pequeños "son suficientes para crear productos inteligentes" . Harvard Business Review . Consultado el 7 de noviembre de 2017 .