The spring course (in Danish) for professionals entitled ‘Visionary Management of the Data-Driven Organisation’ is now open for applicants until the 23rd March. The course is run by ETHOS Lab researchers Brit Ross Winthereik, Michael Hockenhull and Bastian Jørgensen with guest lectures by Head of Lab Marisa Cohn and Assistant Professor Pedro Ferreira.
The following Danish blog post, written by course managers Professor Brit Ross Winthereik and PhD fellow Michael Hockenhull, presents one of the course themes: the need for ‘thick data’ to supplement big data in data-driven organisations. It also discusses how we may translate the concept of ‘thick’ data into a meaningful Danish vocabulary in the context of innovation.
RIG DATA – en fortolkende tilgang giver data værdi
I dette blogindlæg specificerer vi et begreb, som er udviklet i en amerikansk kontekst. På den måde bliver det nemmere at gennemskue mulighederne såvel som udfordringerne ved at benytte big data i forbindelse med skabelsen af vækst og innovation.
I 2013 skrev den amerikanske etnograf, Tricia Wang, et blogindlæg med titlen “Big Data needs Thick Data”. Dette indlæg lancerede ideen om, at big data ikke kan stå alene, men har brug for en anden og rigere slags data. Wang argumenterede i posten for, at der i big data tidsalderen er brug for etnografer og kvalitativt dataarbejde mere end nogensinde før. Big data, mente Wang, kan ikke stå alene. For mens big data benytter sig af en stor prøvestørrelse (stort “N” som det udtrykkes i statistiske kredse), så risikerer man at gå glip af vigtige indsigter, hvis man stoler blind på “de store tals kraft”. Kvalitativt arbejde, såsom etnografi, forlader sig på mindre prøvestørrelser. Den formår til gengæld at se mønstre som maskiner tit overser, men den menneskelige sans for mening kan spotte. Disse mønstre udtrykker etnografen i optegnelser og vignetter fra sit feltarbejde. Til sammen udgør disse det kvalitative arbejdes data, resultater og indsigter. Der var uden tvivl klangbund i Wangs argumenter, for indlægget blev citeret og spredt vidt, ikke kun i antropologiske kredse men også af datafolk.
Senere har Wang både lavet en TED Talk på baggrund af posten, udgivet en relanceret version i 2016, der tilføjer flere detaljer og er stadig aktiv som kvalitativ “data scientist” – her optræder hun for eksempel til et event hos IBM med titlen “Data Science for All” – “Datavidenskab for alle”.
På engelsk bruger Tricia Wang udtrykket ‘thick data’ til at beskrive den type data som etnografi producerer og som, ifølge hende, er en nødvendig pendant til big data. Men hvordan skal man oversætte ‘thick data’ til dansk? Tyk data lyder ikke som et særligt appellerende udtryk, selvom det er den mest ligetil oversættelse. Wang vælger blandt andet at bruge udtrykket ‘thick’ som en reference til antropologen Clifford Geertz, der karakteriserede etnografien ved at den leverer ”thick descriptions”, eller ’tykke’ beskrivelser. Den ‘tykke’ karakter af disse beskrivelser består i, at det er grundige optegnelser, der indfanger små detaljer samt sociale og kulturelle meninger. Det er altså ikke blotte beskrivelser af hvad der sker i en given situation, men også en forståelse og fortolkning af hvorfor tingene sker og hvilken betydning det har, at de sker på den eller den måde.
Det er altså rigdommen i de indsigter man kan opnå med de såkaldt ’tykke data’, som er væsentlig her. Beskrivelser i tekst er en slags rige data, fordi de kan fortolkes på mange måder af forskellige læsere. Rige data er således rige på samme måde som en muldjord kan siges at være rig på næringsstoffer: de kan få ting til at gro. Hvor big data ofte sammenlignes med et råstof som olie, peger udtrykket rige data på det (fortolknings)arbejde, der skal til for, at nye indsigter, markeder eller services kan gro i data. Men fortolkninger af big data, som ikke præsenteres i tekst alene, men i kombinationer af tal, grafer og tekst, kan faktisk også gøres ’rige’. Fortolkninger lægger nemlig lag af social og kulturel mening ovenpå data visualiseringer. Dermed synliggøres sammenhænge og betydninger, der ofte vil være skjult bag måden big data præsenteres på, fordi visualiseringerne fokuserer på hvor ofte forekommende et fænomen er eller forlader sig på standardiserede og maskindrevne analyser. En antropolog er trænet i at beskrive kulturel betydning i det felt han eller hun bevæger sig i. Men med den rette træning kan de fleste lære at tolke datavisualiseringer på måder, der tager hensyn til andre forhold end dem visualiseringen lægger op til – og dermed berige dem.
Det vi gerne vil gøre opmærksom på er, at det ikke kun er de data, der står i databaser, data-søer eller regneark, som skal regnes for noget, når der skal innoveres eller optimeres. Etnografien og den kvalitative, humanistiske ekspertise har meget at byde på når der skal træffes beslutninger. Den har indsigt i og kan generere den rige data, som ikke let kan sættes på formel. Netop fordi den ikke kan formaliseres er den viden måske også den mest essentielle, selvom den kan være let at overse.
Skrevet af Michael Hockenhull, PhD Fellow og Brit Ross Winthereik, Lektor