Big Data e Small Data. Cosa sono e come possono collaborare

La differenza è nella qualità e non sulla quantità. Nei Big Data tanti, troppi dati e non tutti utili. Gli Small Data riducono invece il campo di ricerca per focalizzare meglio le strategie da adottare. Un approccio misto pare essere ottimale, soprattutto per il marketing

Pubblicato il 18 Gen 2019

big data small data

La strategia data driven è ormai prassi consolidata tra le aziende più lungimiranti che hanno capito il valore che possono trarre dal bombardamento di dati a cui ogni giorno sono soggette o che esse stesse producono. Raccogliere, filtrare, interrelazionare e organizzare i dati di cui si viene in possesso per trarne informazioni è ormai possibile attraverso diverse combinazioni tecnologiche, le quali saranno poi in grado di dare in pasto tali dati agli algoritmi di calcolo. Siamo nell’ambito dei Big Data, cui ora si affianca/contrappone quello degli Small Data.

big data small data

Siamo, infatti, sicuri che “macinare” grandi quantità di dati, indifferenziati, tipici dei Big Data, possa portare ad avere le informazioni corrette? Quanti di questi dati e relative informazioni possono essere utili a una corretta definizione di strategia aziendale?

Non esistono solo i Big Data

A insidiare il trono dell’importanza dei Big Data, si candidano, infatti, ora gli Small Data, che da molti esperti vengono indicati come vera fonte di informazioni utili, grazie alla verosimiglianza e aderenza a modelli reali.

Una lettura diversa dei dati, dunque, che solitamente viene utilizzata in ambito marketing, aiutando a identificare meglio il cliente target e capire quali prodotti è più propenso ad acquistare, ma che, più in generale, può essere sfruttata per avere informazioni più realistiche e tagliate al target di mercato che si vuole raggiungere.

Big Data e Small Data: due figli della strategia data driven

Gli Small Data, al contrario dei loro fratelli Big, sono, come dice il nome, piccoli dati ma ben strutturati, che possono fornire informazioni puntuali basate sull’analisi dei dettagli.

Il busillis sta non nella capacità di analizzare i dati, ma di farlo in maniera corretta, riducendo i rischi che negli ingranaggi della data analytics ci finiscano dati ininfluenti o, peggio ancora, sbagliati, che porterebbero a interpretazioni sbagliate.

Un approccio che risulta essere vantaggioso anche per l’algoritmo, mettendolo nelle condizioni di estrarre i dati più interessanti e concentrarsi sui dettagli. Ma sia Big Data sia Small Data rientrano nella strategia data driven, che un numero sempre maggiore di aziende sta adottando.

Cosa si intende per Big Data

Dei Big Data si è scritto molto, in particolar modo su questo sito, che al tema è interamente dedicato. Ma riassumere per sommi capi non guasta, soprattutto in una comparazione tra Big Data e Small Data. Con Big Data si intende una mole smisurata di dati (da qui l’aggettivo Big), sia di tipo strutturato (dati raccolti e ordinati secondo criteri definiti, dal data base ai dati gestiti dall’ERP aziendale), sia dati non strutturati (dati raccolti senza un ordine o schema e provenienti da fonti eterogenee: immagini, video, audio, dati provenienti da Social, ecc).

Nell’ambito dei Big Data rientrano tutte quelle tecnologie che consentono l’interrelazione di tali dati al fine di averne una selezione utile a trarne informazioni da sfruttare per orientare le azioni di business da intraprendere. Quando si parla di Big Data, il Big non è un eufemismo: si possono fregiare di tale aggettivo bacini di dati dell’ordine di zettabyte, ossia di 10 elevato alla ventunesima potenza.

Cosa si intende per Small Data, come si raccolgono?

Ma analizzare i Big Data sembra non essere sufficiente per focalizzare le informazioni che siano più consone alla definizione delle proprie strategie aziendali. L’esperto di neuromarketing e brand building Martin Lindstrom è il teorico degli Small Data, ed è convinto che i Big Data siano impersonali e poco fruibili per la definizione di azioni future, mentre gli Small Data sono più affidabili, derivanti dai dati individuali raccolti dall’osservazione delle persone nei loro comportamenti abituali e quotidiani.

Un tema, questo, di grande utilità principalmente per il marketing di aziende dedite alla vendita/produzione di beni, che possono così orientare il loro business seguendo le effettive attitudini mostrate dai soggetti osservati.

Small Data che vengono raccolti non dall’analisi e l’intercorrelazione di dati ma ascoltando direttamente le aspettative di panel prospect, attraverso, per esempio, interviste individuali, che portino ad analisi quasi psicologiche dei comportamenti, considenrando anche gli indizi emozionali, e sulla base delle osservazioni trarre le dovute conseguenze per la pianificazione del business.

Big Data e Small Data contribuiscono, insieme, ad avere informazioni corrette

Si tratta della classica distinzione fra le analisi quantitative e quelle qualitative, ben note agli analisti di mercato. La prima fornisce un quadro generale dell’ambito sotto esame, mentre la seconda può andare a dare delle interpretazioni ai dati impersonali raccolti in maniera impersonale.

Analisi quantitativa svolta con questionari o tool automatizzati di survey, mentre per la qualitativa si ricorre a interviste, più o meno approfondite, forse dispendiose, ma senz’altro utili a sgombrare il campo da possibili interpretazioni dei dati raccolti.

Gli esperti consigliano quindi a non fare scelte di campo ma di sfruttare i benefici di entrambe le modalità, anche per passaggi successivi: effettuare una prima raccolta e analisi dei Big Data per filtrarne ed elaborarne informazioni, da passare successivamente al vaglio di approfondimenti attraverso le modalità tipiche degli Small Data.

Big Data e Small Data, la differenza è sulla qualità, non sulla quantità

Dare attenzione ad alcune, selezionate, informazioni, darebbe, infatti, indicazioni più puntuali su quali direzione muoversi con profitto. Meno processi automatici, dunque, e più analisi “coscienziose”, alla base delle quali è indispensabile che vi sia una profonda conoscenza, da parte del team preposto, dell’ambito di ricerca e dei meccanismi adottati.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 4