Los datos pequeños son aquellos que son lo suficientemente “pequeños” para que los humanos los puedan comprender. [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" a personas. [3] Esto quiere decir que las observaciones de testigos oculares o cinco piezas de datos relacionados podrían ser small data. Los small data son lo que solíamos considerar datos. La única forma de comprender los big data es reducirlos a objetos pequeños y visualmente atractivos que representen varios aspectos de grandes conjuntos de datos (como histogramas , gráficos y diagramas de dispersión). Los big data tienen que ver con encontrar correlaciones , pero los small data tienen que ver con encontrar la causalidad , la razón. [4]
Allen Bonde, ex vicepresidente de Innovación de Actuate (ahora parte de OpenText ), propuso una definición formal de los datos pequeños : "Los datos pequeños conectan a las personas con información oportuna y significativa (derivada de grandes datos o fuentes "locales"), organizada y empaquetada (a menudo de forma visual) para que sea accesible, comprensible y procesable para las tareas cotidianas". [5]
Otra definición de datos pequeños es:
Se estima (2016) que “si tomamos las 100 mayores innovaciones de nuestro tiempo, quizás entre el 60% y el 65% se basan en Small Data” [4], como dice Martin Lindstrom . Small Data incluye todo, desde Snapchat hasta objetos simples como las notas adhesivas. Lindstrom cree que nos centramos tanto en Big Data que tendemos a olvidarnos de conceptos más básicos y de la creatividad. Lindstrom define Small Data como “observaciones aparentemente insignificantes que identificamos en los hogares de los consumidores, desde cómo se colocan los zapatos hasta cómo cuelgan los cuadros”. Por lo tanto, considera que uno debe dominar perfectamente los datos básicos (Small Data) para poder extraer y encontrar correlaciones.
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 hacia una necesidad no satisfecha del cliente. Los datos pequeños son la base para ideas innovadoras o formas completamente nuevas de dar un giro a las marcas". [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 del mercado a partir de la recopilación de datos pequeños interactuando con las personas y observándolas en sus propios entornos. [11] En comparación con el Big Data, los datos pequeños tienen el poder de desencadenar emociones y proporcionar información sobre las razones detrás de los comportamientos de los clientes. [12] Puede descubrir información detallada sobre la extroversión o introversión de una persona, la confianza en sí mismo, 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:
Muchas empresas subestiman el poder del Small Data, utilizando muestras de millones de consumidores en lugar de reconocer el valor de observar de cerca pequeñas muestras en sus investigaciones de mercado . [11] En su libro, Lindstrom define las "7C", que las empresas deberían considerar en el intento de derivar información significativa sobre los clientes y las tendencias del mercado a través de pequeños datos de sus clientes: [12]
Algunos de los clientes de Lindstrom, como Lowes Foods, analizaron los datos de una manera diferente y decidieron vivir con el cliente. “Al entrar en su tienda, han creado una comunidad increíble en la que cada miembro del personal actúa de acuerdo con su personalidad, basándose 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 están inspirados en los comentarios de los clientes recopilados a partir de entrevistas realizadas directamente en sus hogares.
Los investigadores de la Universidad de Cornell han comenzado a desarrollar aplicaciones para monitorizar los problemas de salud de los pacientes, basándose en datos pequeños. Se trata de una iniciativa del Small Data Lab de Cornell, [13] en estrecha colaboración con el Weill Cornell Medicine College , dirigido por Deborah Estrin .
El Small Data Lab ha desarrollado una serie de aplicaciones que no solo se centran en la recogida de datos sobre el dolor de los pacientes, sino también en el seguimiento de sus hábitos en ámbitos como la compra de alimentos. En el caso de los pacientes con artritis reumatoide , por ejemplo, que presentan brotes y remisiones que no siguen un ciclo determinado, la aplicación recoge información de forma pasiva, lo que permite predecir cuándo puede aparecer un brote basándose en pequeños cambios de comportamiento. Otras aplicaciones desarrolladas incluyen también el seguimiento de las compras de alimentos en línea, para utilizar esta información de cada usuario para adaptar sus compras a las recomendaciones de los nutricionistas, o el seguimiento del lenguaje de los correos electrónicos para identificar patrones que puedan indicar "fluctuaciones en el rendimiento cognitivo, fatiga, efectos secundarios de la medicación o falta de sueño, y otras afecciones y tratamientos que normalmente son autodeclarados y automedicados por los propios pacientes". [14]
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 escrito 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 los Estados Unidos, el USPS ahora puede procesar más de 36.000 piezas de correo por hora. [15]
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 IA para reducir drásticamente los costos.
Actualmente, no existe un procedimiento estandarizado para documentar los registros de mantenimiento, lo que genera conjuntos de datos pequeños pero muy desestructurados . Como resultado, resulta 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 reducido de terminología común de mantenimiento de aeronaves, es posible traducir dinámicamente estos registros en tiempo real. Al utilizar IA para mejorar la velocidad y la precisión del flujo de trabajo de mantenimiento de las aerolíneas, estas pueden ahorrar miles de millones según Harvard Business Review . [17]