Vivimos en una era en la que el Big Data parece ser la solución definitiva para la obtención de datos. La posibilidad de obtener información masiva y segmentada a través de Internet, el hecho de estar permanentemente geo-localizados a través de nuestros smartphones o la ingente cantidad de metadatos que producimos en nuestros quehaceres virtuales (llegando a popularizarse el dicho de que “Google te conoce mejor que tú mismo”) han supuesto una auténtica revolución en todos los sectores imaginables. Organismos y compañías buscan desesperadamente encontrar perfiles Big Data para incorporarlos en sus compañías, siendo una de las salidas laborales más prometedoras del futuro.

Esta situación ha provocado una cierta desvalorización de los datos cualitativos, que son vistos como subjetivos, insignificantes, de “pequeña escala” y por tanto, poco fiables.  ¿Qué puede hacer la antropología, la disciplina de lo particular, frente a la creciente popularización de lo Big, el gran tsunami de datos cuantitativos generados mediante algoritmos?

Lo cierto es que mucho. Y es necesario ponerle nombre. Os presentamos el Thick Data.

Thick Data. La importancia del contexto y la emoción

El término Thick Data ha sido popularizado por la antropóloga Tricia Wang y significa literalmente “datos espesos”, un guiño más que evidente a Clifford Geertz y a su “descripción densa”. El Thick Data se diferencia del Big Data por su enfoque cualitativo, obteniendo datos etnográficos que permiten poner de manifiesto contextos y emociones de los sujetos estudiados. Mientras que el Big Data requiere un proceso algorítmico generalmente llevado a cabo por estadistas y matemáticos, el Thick Data es terreno de antropólogos, sociólogos y científicos sociales.

El proceso de recolección de datos llevado a cabo por el Big Data requiere una estandarización y un agrupamiento que despoja de contexto los resultados obtenidos. El inmenso tamaño de las muestras hace imposible centrarse en las historias particulares, historias repletas de insights y emociones que resultan fundamentales para entender la relación entre el consumidor y el producto:

“Cuando las organizaciones quieren construir lazos más fuertes con las partes interesadas, necesitan historias. Las historias contienen emociones, algo que ningún conjunto de datos por más lavado y normalizado podrá jamás ofrecer. Las cifras por sí solas no responden a las emociones de la vida cotidiana, a la confianza, la vulnerabilidad, el miedo, la codicia, la lujuria, la seguridad, el amor y la intimidad. Es difícil representar algorítmicamente la fuerza de afiliación de un individuo con un servicio/producto y cómo el significado de esa afiliación cambia a través del tiempo.”

Al centrarse en una muestra más pequeña, el Thick Data es capaz de revelar el contexto social y emocional de los usuarios, información fundamental para determinar el éxito o fracaso de una estrategia, producto o proceso. Los datos obtenidos por el Thick Data se basan en lo humano, en la profundidad y en la particularidad contextual, y el proceso de recolección puede producir novedosas ideas aún no abordadas. Sin duda, la técnica por antonomasia del Thick Data es la etnografía.

El Thick Data no se muestra como antagónico al Big Data, sino como complementario. No se trata de la clásica y maniquea oposición entre cuantitativo y cualitativo, sino más bien de entender que ambas técnicas son igualmente valiosas para obtener un prisma general de la situación que estamos analizando. Mientras que el Thick Data pierde escala, el Big Data pierde resolución. Mientras que el Big Data aísla variables para identificar patrones, el Thick Data asume la complejidad humana. Dos caras de una misma moneda.

Nokia y Lego: Aplicabilidad del Thick Data

Tricia Wang desempeñó parte de su carrera en la compañía telefónica Nokia. En 2009, Nokia aún era líder de mercado en países “emergentes” como China. La compañía había invertido una fuerte suma de dinero en Big Data, y había determinado que su modelo de negocio sería el de producir teléfonos inteligentes para usuarios de élite. Sin embargo, a lo largo de su extenso trabajo de campo en China, Tricia Wang había percibido que los usuarios con ingresos bajos estarían dispuestos a pagar por teléfonos inteligentes más caros. Nokia no debía enfocar su producto hacia la minoría selecta, sino que debía pivotar su estrategia hacia un público más masivo. Y así se lo hizo saber a la sede central de la compañía.

Sin embargo, Nokia argumentó que su muestra de 100 personas era “débil” en comparación a la inmensa cantidad de datos que había obtenido a través del Big Data, y que ninguno de sus indicadores cuantitativos apoyaba la teoría de Wang. Algo que resultaba bastante lógico teniendo en cuenta que el Big Data, con todas las virtudes que posee, es incapaz de entender el contexto cultural y las emociones humanas.

El modelo de desarrollo de producto planteado por Nokia resultó un fiasco y la compañía fue absorbida por Microsoft en 2013. Actualmente solo cuenta con un 3% de cuota de mercado, y su caída en China precipitó su caída mundial. Según Tricia Wang, una de las razones fundamentales de este cataclismo fue la fe ciega que la compañía puso en los números y en el análisis cuantitativo, omitiendo datos densos más complejos como los proporcionados por la etnógrafa.  Y es que “lo que es medible no es lo mismo que lo que es valioso”.

En este vídeo Tricia Wang explica más detalladamente este caso. También podéis consultar su artículo ¿Por qué Big Data necesita Thick Data?, traducido al español por Paz Bernaldo.

Al contrario que Nokia, hubo ciertas compañías que apostaron por el Thick Data y los datos densos para renovar sus modelos de negocio. En su artículo de Linkedin, Phillip Seacrest explica el caso de LEGO. A principio de milenio, la compañía danesa sufría una importante crisis y decidió confiar en antropólogos para determinar cuál era la relación emocional que los niños mantenían con los juguetes. Tras haber analizado horas de vídeo donde estos interactuaban con los juguetes, los investigadores determinaron que los sujetos no estaban tan interesados en muñecos articulados, sino que la experiencia de juego se daba en mayor grado cuando los niños podían inventar, crear y construir sus propios juguetes. Los resultados fueron claros: Lego debía continuar su línea de “bloques de construcción” y abandonar su línea de juguetes de acción articulados. Este estudio resultó determinante para el futuro y éxito de la compañía.

El Thick Data: un futuro prometedor para la antropología

Existen numerosos ejemplos de aplicabilidad del Thick Data y os animamos fervientemente a seguir husmeando sobre el concepto. Los antropólogos, sociólogos y científicos sociales del mañana deben aprender a defender lo que saben hacer y el valor añadido que sus estudios pueden suponer para empresas y organismos. Las técnicas etnográficas resultan las más adecuadas para el Thick Data, ya que profundizan en una miríada de contextos, significados y emociones que otras metodologías, quizás más asentadas, dificultosamente perciben. El Thick Data es una carta de presentación, un concepto con el que deberíamos comprometernos y popularizar entre todos. No nos engañemos, el apelativo data está de moda.

Como siempre, no son pocos los interrogantes que se abren en la aplicabilidad del Thick Data. ¿Cómo mostrar resultados que no son cuantificables? ¿Cómo explicarles a los organismos que el uso del Big Data, por muchas oportunidades que ofrezca, es insuficiente e incluso ineficaz para abordar ciertos estudios? Y además de todo ello, tampoco debieramos omitir la “cuestión moral”: ¿Es legítimo que la antropología sirva a los intereses de las empresas, o deberíamos permanecer en la inmaculada comodidad de los claustros universitarios?

Estas preguntas, y muchas otras, deberán ser abordadas desde el trabajo colectivo llevado a cabo por la antropología del mañana. Una antropología cargada de futuro, despojada del mito de la  “falta de salidas”, proactiva y comprometida con sectores tan diversos como la tecnología, la cultura organizacional, el diseño, la salud, las políticas públicas. Una antropología que no entienda el Big Data como una amenaza para su propia existencia, sino que sepa posicionarse como un elemento complementario y necesario a los estudios cuantitativos.

Solo de este modo alcanzaremos el ansiado objetivo de la profesionalización.

¿Quereís saber más sobre el Thick Data? Podeís consultar estos enlaces:

¿Por qué Big Data necesita Thick Data?, por Tricia Wang (traducido por Paz Bernaldo)
https://medium.com/@triciawang/por-qu%C3%A9-big-data-necesita-thick-data-fbbe11dfb088

Necesidades Big Data grueso de Datos, por Tricia Wang
http://ethnographymatters.net/es/blog/2013/05/13/big-data-needs-thick-data/

Good Bye Big Data, Hello Thick Data, por Phillip Seacrest
https://www.linkedin.com/pulse/goodbye-big-data-hello-thick-philip-seacrest

Fuente:Antropologia2.0