Big data, yhteiskuntatieteet ja miten muuttaa negatiiviset tulokset positiivisiksi

Tietomäärä kasvaa nopeasti, koska mobiililaitteita, sosiaalista mediaa ja tietoja muista jäsentämättömistä lähteistä käytetään. Suuret tietotekniikat, kuten Hadoop, vievät kuljettajan istuimelle yritysmaailmassa ottamalla käyttöön uusia lähestymistapoja suurempien tietomäärien analysoimiseksi eri lähteistä.

Suuri data määritellään datan määräksi, monimuotoisuudeksi ja nopeudeksi, joka ylittää organisaation kyvyn hallita ja analysoida sitä oikeaan aikaan. Bigdatan todellinen etu toteutuu, kun se voidaan kerätä nopeita, tosiasioihin perustuvia päätöksiä varten, mikä voi johtaa suuryritysten päätöksiin. Joten organisaatioilla, jotka pystyvät tutkimaan ja hyödyntämään suurta dataa, on yleensä selkeä etu. Tässä tarkastellaan sitä, mitä iso data voi tehdä, miten sitä voidaan soveltaa yhdelle rikkaalle kentälle ja mitä laajempia sovelluksia sillä on muille liiketoiminnan ja hallinnon aloille.

Tietojen räjähdys

Paras tapa määritellä iso data on "jatkuvasti kasvava määrä ja monimutkaisuus tietoa, jota me kaikki luomme ja kulutamme päivittäin", sanoo Charlie Schick, IBM: n terveydenhuollon ja biotieteiden suurten tietoratkaisujen johtaja. Itse asiassa joka päivä luomme noin 2, 5 kvintillin tavua dataa useista lähteistä, erilaisista ostotapahtumien kirjauksista terveydenhuollon lääketieteellisiin kuviin, tieteellisistä tutkimustuloksista sosiaalisen median viesteihin.

Hakukoneet ja sosiaalinen media, kuten Twitter, ovat perustaneet uuden tapauksen pienistä datatiedoista, joita kerätään laajassa mittakaavassa. Tämäkin on muuttanut ajattelumme tietojen keräämiseen ja hallintaan. Nykyinen kulttuuri on kuluttaa suurempia määriä näitä pieniä tietokappaleita lyhyinä ajanjaksoina. Tämä lähestymistapa asettaa valtavia haasteita ja mielenkiintoisia mahdollisuuksia tiedonhallintaan. Jotta liiketoimintamalli menestyisi, sen pitäisi kyetä käsittelemään suurempia tietomääriä, jotka on kaapattu pienillä ja yhä monimuotoisemmilla tavoilla.

Tietojen määrän vuoksi on haaste löytää tehokas mekanismi tietojen keräämistä varten. Tarkastellaanpa esimerkiksi terveydenhuoltoa ja sosiaalisen median tietoja. Kummallakin näistä alueista on suuria tietosarjoja. Näiden kenttien tiedonkeruu on tärkeä askel big datan evoluutiossa. Ilman asianmukaista mekanismia tietojen keräämiseksi meillä ei voi olla tarkkoja tuloksia.

Suurten tietojen etsiminen ja käsitteleminen

Jatkossa uskotaan, että organisaatioiden, jotka voivat tutkia ja hyödyntää suuria tietoja, pitäisi pystyä tekemään enemmän todisteisiin perustuvia päätöksiä nopeasti. Suuret tiedot avulla voimme helposti antaa vastauksia joihinkin alueisiin liittyviin merkittäviin kysymyksiin. Tässä kuitenkin tarkastellaan sosiaalipalvelualaa, aluetta, jolla isoilla tiedoilla on valtaa vaikuttaa valtavasti.

Esimerkiksi suurten tietojen pitäisi pystyä analysoimaan ja vastaamaan seuraaviin kysymyksiin ja tarjoamaan lopulta parempia potilastuloksia:

• Mikä on korrelaatio uudelleen ottamisen ja sosiaalipalvelujen saatavuuden välillä?
• Onko oleskelun keston ja intervention tehokkuuden välillä korrelaatiota?
• Mikä on yhteys kotiosoitteen ja vierailun tiheyden välillä?
• Onko mahdollista löytää yhteys perhetilanteen, interventioiden ja tulosten välillä, jotka voivat auttaa meitä tunnistamaan samanlaisia ​​interventioehdokkaita, kun he tulevat hoitojärjestelmään?
• Onko olemassa tietoa väestönosasta, joka opastaa meitä mukauttamaan ohjelmiamme vastaamaan negatiivisiin suuntauksiin, kuten teini-ikäisten raskauteen tai perheväkivaltaan, tai siirtymään eteenpäin?

On totta, että isojen tietojen käyttäminen sosiaalipalvelualalla voisi antaa sosiaalityöntekijöille seurata kielteisiä suuntauksia ja ryhtyä tarvittaviin toimiin ajoissa. Jos pystymme tunnistamaan tarpeet jo ennen kuin asiakas tietää niistä, pystymme käsittelemään tilannetta paljon tehokkaammin. Koulun keskeyttämistä nuorisosektorilla voidaan pitää potentiaalisena esimerkkinä. Jos tarkistamme trendit, joiden mukaan nuoret lopettavat koulun, tai osoitamme toimia, joilla on taipumus johtaa suurempaan riskikäyttäytymiseen tai koulutuksen heikkoon tulokseen - kun tiedot osoittavat selvästi suuremman potentiaalin -, niin on mahdollista puuttua ennaltaehkäiseviin toimenpiteisiin, jotka eivät välttämättä maksa enemmän, mutta ovat tehokkaampia ja voidaan ohjata asiakkaalle.

Suuret tiedot antavat mahdollisuuden käsitellä näitä tilanteita ja löytää syy ongelmiin. Tämä auttaa meitä poistamaan ongelman, kun se on tunnistettu. Voimme löytää ongelman vain tarkastelemalla suuntauksia ja historiallisia tietoja. Sosiaalisessa mediassa meitä analysoitaessa tietoja on oltava trendianalyysimekanismi. Mitä suurempi tietoryhmä analysoimme, sitä parempia ja tarkempia tuloksia voimme saavuttaa. Suuri data tarjoaa paitsi tapoja käsitellä suuria tietomääriä, mutta tarjoaa myös innovatiivisia ratkaisuja laajemman tietomäärän käsittelemiseen. Suuret tiedot pystyvät käsittelemään jäsenneltyjä, jäsentämättömiä ja osittain jäsenneltyjä tietojoukkoja. (Lisätietoja viidestä todellisen maailman ongelmasta, joita big data voi ratkaista.)

Yhteiskuntatieteiden big data -analyysi

Sosiaalisen datan analysointi ei ole muuta kuin sosiaalisen datan analysointia. Nämä tiedot voivat tulla mistä tahansa kentästä. Kuten edellä mainittiin, meidän on selvitettävä tarkka syy kielteisiin tuloksiin - kuten lukion keskeyttämiseen - tietyllä alalla. Kun ongelma on tunnistettu, tilanteen käsittely on helpompaa. Big data on työkalu, joka mahdollistaa näiden oivalluksien löytämisen.