«El término “data” proviene del latín “dare”, que significa “quien da”. Originalmente, entonces, el significado de data aplicado a la ciencia se refería a lo que un fenómeno le podía dar al investigador. Lo que hoy entendemos por data (como en “Big Data”) en realidad debería ser “capta”, del latín “capere”, que significa “quien toma”. Esto hace más sentido debido a que la figura del investigador toma información a partir de experimentos, estadísticas y observaciones… el objeto o sujeto de estudio no la “da” de forma natural sino que es el investigador quien la selecciona, capta y analiza con base en sus objetivos.» (Strong, 2016)
¿Cuál metodología salvó a LEGO?
En 2016 Martin Lindstrom publicó Small Data: The Tiny Clues that Uncover Huge Trends, texto en el que comparte casos de marketing y de negocios en los cuales el uso de Big Data falló o se quedó corto para resolver retos de negocios, y al contrario, cuando estos casos se abordaron desde la perspectiva de los “pequeños datos”, los resultados fueron satisfactorios. En este libro del también autor de Buyology, el prólogo y la introducción parecen una bien argumentada defensa legal en contra del uso indiscriminado de tecnologías de Big Data para (re) conocer mercados y otras oportunidades de negocios, argumentando que finalmente es el ensamblaje entre los datos grandes y los pequeños lo que nos da una “mejor y más cercana aproximación de quién somos como humanos” (Lindstrom, 2016).
Unos de los casos que se expone en Small Data hace referencia al trabajo de campo que Lindstrom y su equipo llevaron a cabo en 2004 para reposicionar a LEGO. En palabras del autor:
“Cada uno de los estudios de Big Data que LEGO encargó llegó a exactamente las mismas conclusiones: las generaciones futuras perderían el interés en LEGO […] Aun así, es probable que el mayor cambio en el pensamiento de LEGO vino como resultado de una visita etnográfica que hicimos a principios de 2004 a la casa de un chico de once años en una ciudad alemana de tamaño medio. Hasta entonces, la toma de decisiones en LEGO se había basado enteramente en análisis de Big Data. Pero finalmente fue una pequeña y azarosa idea —un par de zapatillas de deporte que pertenecían a un aficionado al monopatín y amante de LEGO— lo que ayudó a impulsar el cambio en la compañía.”
Fue en marzo de 2014 cuando The Wall Street Journal publicó un artículo que tituló como The Power of Thick Data. En él, los autores (que al igual que Lindstrom, son consultores daneses que aplican ciencias sociales dentro de entornos de negocios) explican las dificultades que LEGO atravesó en 2004:
“Successful companies and executives work to understand the emotional, even visceral context in which people encounter their product or service, and they are able to adapt when circumstances change. They are able to use what we like to call Thick Data. Consider the story of Lego. In 2004, the Danish firm was hemorrhaging a million dollars a day. It had lost touch with its customers and was on the brink of collapse.”
Pareciera que cada autor escribe sobre el mismo caso, pues coinciden problemática, objetivos, año y la empresa (cliente):
“Not every child wants to be a Lego builder, but those who do, the company discovered, are passionate about the play experience: They want to achieve mastery, and they want to understand where they fit in the hierarchy of Lego skills. Lego’s team arrived at a moment of clarity: They needed to “go back to the brick.” (Madsbjerg y Rasmussen, 2014).
y
“Para los usuarios, parecía que LEGO trataba sobre el emplazamiento, la provocación, la maestría, la artesanía y, no menos importante, la experiencia duramente conseguida, una conclusión que había escapado a los análisis predictivos complejos, a pesar de su notable capacidad para describir las «medias». Desde ese momento, LEGO volvió a concentrarse en sus productos principales, e incluso aumentaron la apuesta. La compañía no sólo rediseñó sus bloques a su tamaño normal, empezó a añadir incluso más bloques y de menor tamaño en sus cajas. Los bloques se volvieron más detallados, los manuales de instrucciones más rigurosos, los desafíos de construcción más intensivos en trabajo.” (Lindstrom, 2016).
Lo anterior se plantea ya que, aparentemente los dos textos narran el mismo caso, sin embargo, para Lindstrom el problema se resolvió empleando Small Data mientras que para Madsbjerg y Rasmussen el caso se resolvió aplicando Thick Data… ¿Cuál es la diferencia entre cada término? ¿son dos metodologías o es la misma con pero con diferente branding de acuerdo a la conveniencia del autor?
Definición de Small Data
Cuando Lindstrom se refiere a Small Data, el contexto con el que lo explica se acompaña de una crítica hacia Big Data. Para él, Big Data está anclado en el pasado (en lo que ya sucedió) mientras que Small Data identifica pequeñas pistas que se correlacionan en una especie de”ADN emocional” que puede revelar algunos aspectos del futuro (lo que pasará). Small Data, según sus propias palabras en esta entrevista, se basa en encontrar las causas, los porqués.
Para Josep Martínez, consultor, Small Data es un concepto que se puede definir como el proceso por el cual hacemos uso y análisis de datos de menor tamaño y simplicidad (a los de Big Data), que afectan a las particularidades de nuestro negocio, que forman parte de la rutina diaria y permiten conocer mejor lo que sucede en nuestro entorno así como identificar oportunidades para la eficiencia de los procesos y la relación con los clientes.
A continuación se presenta un dendrograma circular en el que se visualizan las consultas en Google más frecuentes relacionadas con “Small Data“.
Definición de Thick Data
En 2013 Tricia Wang publicó en Ethnography Matters un artículo en el que define el término Thick Data como “aproximaciones etnográficas que descubren significados detrás de la visualización y análisis con Big Data. Además, explica que dicho término hace referencia al concepto de descripción densa propuesto por Clifford Geertz (el término fue usado por Geertz en su obra La interpretación de las culturas (1973), tomando el término del filósofo Gilbert Ryle); profundiza que se trata de una apuesta que pretende dar rigor a lo que comúnmente se llaman “historias”: contextos sociales, conexiones entre datos, mapear lo desconocido, etc.
En entrevista con Carrie Neill para DSCOUT, Wang comenta que Thick Data es un re-branding hacia “lo cualitativo”, que busca la apertura de las personas hacia lo desconocido, y finalmente, es un término que busca construir credibilidad:
“I wanted to have credibility within 10 seconds in a room of data scientists, to make them want my data,” says Wang. “And not call it puny or a small data set. So I rebranded it thick data. I get an immediate reception to the term, people always ask ‘What is that?’ There’s a little bit of a sexual undertone too if you think about it. ‘Your data is big but mine is thick.’ It’s catchy, it’s memorable, and anthropologically, it goes with this idea that data has layers, and that if you don’t make an effort to understand all of them, you’re probably missing something important.” (Wang, S/F).
A continuación se presenta un dendrograma circular en el que se visualizan las consultas en Google más frecuentes relacionadas con “Thick Data“.
Sobre una crítica hacia Thick Data
Para Craig J. Thompson, profesor de marketing en la Universidad de Wisconsin-Madison y editor asociado de las revistas académicas Journal of Consumer Research y Journal of Consumer Culture; Thick Data es exactamente lo que Wang dice que es: una estrategia de branding. Como tal, debe ser el abordaje de esta “marca”, pero a su juicio, es momento de pensar más en una ontología completa y diferente.
En su artículo The ‘big data’ myth and the pitfalls of ‘thick data’ opportunism: on the need for a different ontology of markets and consumption (2019), Thompson invita a que los investigadores de marketing orientados en conocer la cultura de los consumidores, promuevan un nuevo marco ontológico que defina mejor la infraestructura socio-técnica. Además, considera que Thick Data es un concepto oportunista y que al final demuestra ser una estrategia o maniobra contraproducente:
“While prior incantations of this legitimating narrative have had some success in
broadening the paradigmatic boundaries of the marketing field, proponents of “thick data” are, rather ironically, ignoring that the big data myth is qualitatively different from its quantitative über alles, marketing science predecessors.” (Thompson, 2019).
Para Thompson, Thick Data puede ofrecer algunos beneficios pragmáticos a corto plazo (un trabajo de consultoría aquí; un puesto de facultad allá)… pero de forma menos favorable perpetúa, en lugar de brindar alternativas, una estructura ideológica del campo del marketing que es desventajoso para la CCT (Consumer Culture Theory), el marketing crítico y para la viabilidad en el mercado a largo plazo de la etnografía corporativa. Las justificaciones de Thick Data unen a sus defensores y profesionales que lo propagan en una concepción ontológica anticuada del consumidor como soberano y refuerzan sutilmente su posición institucional subordinada. El oportunismo de Thick Data también acepta una definición tecnocrática y neoliberal de investigación de marketing legítima, devaluando así los enfoques críticos que priorizan los intereses sociales y ecológicos sobre los de gestión o management.
“Let us critically assess “thick data” as a branding strategy. Proponents of this market positioning anticipate that “thick data,” will signify that cultural interpretation is crucial to the development of marketing insights. However, this nom de guerre circulates in a marketing field that epistemologically venerates the term “data”, in its brute empiricist sense. Consequently, thick data is more likely to connote a promise of better, more revelatory, “fly-on-the-wall” information, rather than generating demand for astute cultural researchers, much less analytic frameworks that provide a viable 21st ontology of consumer-marketplace assemblages and practices.” (Thompson, 2019).
Al final de su crítica, Thomson concluye que centrarse “en el humano” ya sea a través sus formas tecnocráticas (Big Data) o humanista (Thick Data); es el verdadero atolladero ontológico del que el campo del marketing necesita ser liberado desesperadamente y los investigadores en Consumer Culture Theory y martketing crítico ya han establecido el terreno para propiciarlo. Las ideas de Thompson parecen bien argumentadas, sin embargo, de forma sutil también busca posicionar su propio nom de guerre: “Cultural Analytics”.
“The analytics of market assemblages constitutes a line of flight toward a much needed and overdue ontological shift in the dominant theoretical and analytic vernaculars of marketing discourse and practice.” (Thompson, 2019).
Finalmente después de esta lectura, convendría, antes de utilizar de forma indiscriminada cada método por el surgimiento de un libro o un conjunto de conferencias, valdría la pena analizar cuál es la voluntad de poder (comercial) que produce que el método se constituya hegemónicamente. Hacer este tipo de ejercicios de entender que tanto el Big Data, Small Data, Thick Data y Cultural Analytics son posicionados por intereses académicos y comerciales, permite no pensarlos como métodos omniscientes, sino como un conjunto de técnicas de investigación con su propio marketing, su foco limitado y, sin lugar duda, sin la capacidad de cambiar decisiones globales de mercado. No es que Thick o Small Data generara que Lego se salvara como compañía, fue sólo un elemento que contribuyó a que la compañía tomara ciertas acciones.
Bibliografía
- Dan Loney. Why Small Data Is the New Big Data. (2016). Knowledge at Wharton. Recuperado de: https://knowledge.wharton.upenn.edu/article/small-data-new-big-data/
- Lindstrom, Martin. (2016). Small Data: Las pequeñas pistas que nos advierten las grandes tendencias. Deusto.
- Madsbjerg, C. & Rasmussen, M. (2014). The Power of ‘Thick’ Data. The Wall Street Journal. Recuperado de: https://www.wsj.com/articles/the-power-of-thick-data-1395443491
- Martínez, Josep (2016). Small Data: pequeñas pistas que aportan mucho valor a tu negocio. Recuperado de: https://www.ainia.es/insights/small-data-pequenas-pistas-que-aportan-mucho-valor-a-tu-negocio/
- Neill, Carrie. Tricia Wang on why the digital age means everyone (even non-researchers) should understand ”thick data”. DSCOUT. Recuperado de: https://dscout.com/people-nerds/people-are-your-data-tricia-wang
- Strong, Colin. (2015). Humanizing Big Data. Gran Bretaña: KoganPage.
- Thompson, Craig J. (2019). The ‘big data’ myth and the pitfalls of ‘thick data’ opportunism: on the need for a different ontology of markets and consumption. Journal of Marketing Management. P. 1-24.
- Wang, Tricia. (2013). Big Data Needs Thick Data. Ethnography Matters. Recuperado de: http://ethnographymatters.net/blog/2013/05/13/big-data-needs-thick-data/
