Thick Data

Dickbrettbohrer

(Bild: Mike Mozart via Flickr)

Wir alle kennen ja Big Data. Das Thema wurde beispielsweise im Podcast AKW027 Big Data und Data Scientist. Was ist was? behandelt. Aber was zur Hölle ist Thick Data?

Um Thick Data zu erklären, muss man etwas ausholen: wir Menschen sind ja ziemlich neugierig. Wir sammeln auch gerne Dinge (zum Beispiel Daten). Die Kombination aus Neugierde und Sammelleidenschaft trägt vielleicht dazu bei, dass Big Data heutzutage in aller Munde ist (natürlich kommen noch die vielen technischen Möglichkeiten hinzu).

Diese Daten halten dem Betrachter Vergangenes vor Augen. Eine zurückgelegte Strecke oder eine überwundene Höhe oder den Blutzuckerspiegel oder die Anzahl von irgendwelchen Klicks. Aber der größte Teil dieser Datensammlung ist wie ein Blick in den Rückspiegel. Man erfährt sehr viel darüber, was war. Der Betrachter kann daraus aber nicht unbedingt Vorhersagen über die Zukunft treffen. Über die Zukunft weiß man halt echt wenig—das hat die Zukunft eben so an sich.

Thick Data nennt man die Erkentnisse die man aus ethnografischen Studien und eindringlicher Auseinandersetzung mit dem Nutzer erhält. Thick Data gibt Auskunft über Kontext und Verhalten. Daraus kann man kausale Zusammenhänge ableiten und vernünftige Aussagen über die Zukunft treffen.

Jobs-to-be-done, eine Form des ethnografischen Interviews, liefert solche tiefergehenden Daten. Ein persönliches Gespräch mit Nutzern gibt Aufschluss über Ängste vor einem möglichen Wechsel (beispielsweise von einer Software zu der eines anderen Anbieters) oder Anreize und die Hoffnung auf Verbesserung und Fortschritt.

Tricia Wang beschreibt in ihrem Artikel Big Data Needs Thick Data Thick Data wie folgt:

Big Data reveals insights with a particular range of data points, while Thick Data reveals the social context of and connections between data points. Big Data delivers numbers; thick data delivers stories. Big data relies on machine learning; thick data relies on human learning.

Big Data nutzt ja klassischer Weise mindestens eines der bekannten 3 Vs: Volume (große Datenmengen), Velocity (die Geschwindigkeit mit der Daten eintreffen) und Variety (viele unterschiedliche Datenquellen). Da kommen zwar eine Menge Daten zusammen, aber daraus dann Erkentnissse, also Informationen, zu sammeln ist oft recht aufwändig. Big Data ist manchmal, zumindest aus ethnografischer Sicht, eben eher Thin Data—zu abstrahiert und zu entrückt vom echten Menschen in seiner wirklichen Umgebung.

Analysis of thick data tends to be less systematic and more intuitive. While traditional market research transcribes, then codes people’s responses, UX research tends to bypass that step because of the need for tight turnarounds and multiple iterations. Because thick data generally emerges from custom studies, it’s not generally measured, tracked, and benchmarked. The lifespan and scope of thick data are limited, which can make it difficult to see the big picture.

… schreibt Pamela Pavliscak in Defining Data. Gerade wir UX Berater wollen bei all der Analyse und den vielen zur Verfügung stehenden Datenquellen unsere Nutzer ja eigentlich nicht aus den Augen verlieren. Und manchmal stellt sich heraus, dass man zwar beispielsweise in der letzten Studie viele Daten sammeln konnte, aber irgendwie doch nicht wirklich etwas echtes über den Nutzer gelernt hat.

Ethnographische Studien und der Bedarf an tiefergehenden Beobachtungen werden Thick Data (manchmal auch Deep Data genannt) im UX Kontext immer notwendig machen.

About Jan (493 Articles)
Informationsarchitekt und Konferenz-Veranstalter (IA Konferenz, die Konzepter-Konferenz: http://iakonferenz.org, MOBX Mobile UX Konferenz: http://mobxcon.com), Podcaster und Twitter Addict. Geboren in Prag, sesshaft in Berlin.

Leave a comment

Your email address will not be published.


*


css.php