Big Data top down

Joeri Minnen 14 mei 2018

Meer dan 90% van alle beschikbare data werd de laatste jaren geproduceerd. Het gaat over sporen die we als mensen online achterlaten. Via Facebook, LinkedIn, Twitter, …, maar ook via ons surf- en kijkgedrag, aankoopgedrag, mediagebruik, verplaatsingsgegevens, …

Hoe wordt die gegevensstroom aan data beheersbaar? Datamining en mathematische algoritmen reduceren de data tot bewegingen en gedragingen die gelden voor een grote groep van mensen. Toepassingen zijn er in verschillende domeinen: filevraagstukken, griepepidemie voorspellen, aankooppieken tonen, veiligheidsproblemen inschatten, …


Context

Maar heel snel veel data vatten via computersystemen gaat voorbij aan de essentie van dataverzameling: begrijpen waarom mensen een bepaald gedrag vertonen. Doordat Big Data focust op het vertoonde gedrag blijft de context van het gedrag grotendeels buiten beeld, wat de bruikbaarheid van Big Data in vraag stelt. Enkel door de context van de individuele handeling centraal te stellen kunnen we achterhalen wat de redenen zijn waarom een bepaalde handeling plaatsgevonden heeft.

3 dimensies

De context van een activiteit krijgt vorm door 3 dimensies:

  1. Ruimtelijke dimensie – de plaats waar men is
  2. De sociale dimensie – wie was aanwezig; mate van voldoening; gevoel van stress, tijdsdruk; motivatie, …
  3. Temporele dimensie – hoelang duurt een activiteit (duur), wanneer vond de activiteit plaats (timing), hoeveel keer wordt de activiteit herhaald (tempo), welke andere activiteit gaat vooraf/volgt op de activiteit (sequentie).

Hoe meer context wordt gevat, hoe beter we het kader waarin het gedrag plaatsvindt kunnen inkleuren.

Hoe te vatten?

Via het MOTUS-softwareplatform vatten we gedrag van mensen op 3 manieren:

  1. Retrospectieve registratie van eerder gestelde handelingen – beperkt tot 24u in de tijd tot maximaal een week in bepaalde situaties.
  1. Continue registratie voor het bijhouden van real-time handelingen.

Beide vormen vereisen een actieve inspanning van de gebruiker. Het design en de flow van de MOTUS-app nodigt uit om het handelen in (bijna) real-life te registreren.

  1. Passieve registratie via plugins, apps, wearables en sensoren – deze devices verzamelen informatie over de slaapduur, de geo-locatie, het stressniveau, het verplaatsingsgedrag, de aanwezigheid, het gebruikersgedrag, …

Voor elk van de drie vormen van registratie kunnen extra contextvragen gesteld worden.

Door de 3 vormen van tijdsregistratie en de manier van contextopbouw komen we tot Personalised Big Data.

De zo verkregen databank maakt het mogelijk om inzichten te verwerven in het waarom van het doen en laten van mensen. Deze waarom-vraag is essentieel om toekomstig gedrag te voorspellen.

Personalised Big Data

In een wereld waarin betere inzichten de marktwaarde van een product of dienst omhoog stuwen zijn gebruikersdata het nieuwe goud.

Maar wat is de bruikbaarheid van de ontgonnen data als het gaat om louter een overzicht van gedragingen? MOTUS plaatst de data in context, voor werkelijk inzicht in individuele handelingen.

Inzichten