Se llama Thick Data a la información cualitativa sobre la experiencia de uso y consumo de bienes y servicios en la sociedad. El Thick Data o «datos gruesos o densos» se extrae a través de metodologías de investigación cualitativa como la etnografía y otros métodos como la entrevista en profundidad. El Thick data es la información densa y se entiende en contraste con el Big Data. En contraste, pero no en contra. Big Data y Thick Data son dos caminos que buscan resolver los mismos problemas.
El Big data es más generalista y deductivo, mientras que el Thick data es más profundo, más granular y más inductivo. El Big data es excelente para la asociación de información transaccional, mientras que el Thick data es excelente para entender la experiencia de uso y de consumo de cosas, y servicios. ¿Es suficiente tener resultados cuantitativos, figuras y curvas para entender el gusto o elección que hace el consumidor? Al parecer no, por eso la investigación cualitativa es necesaria. El Big Data descubre hechos, el Thick Data los explica.
El Thick Data no es la metodología, es el tipo de información cualitativa. Las metodologías para «extraer» el Thick data son cualitativas y se han estado usando desde hace décadas. Por ejemplo, en los años 70 del siglo XX también se buscaba este tipo de información Thick data, pero se le llamaba de otra forma.
La digitalización de la sociedad y el Thick data
La digitalización de la sociedad despierta la nueva necesidad y posibilidad de entender al consumidor, mejor conocido como «usuario» en medios digitales. Grabar cada acción, cada huella de la acción digital, ha permitido recoger enormes volúmenes de estos datos. Datos sociales (de interacción en las redes sociales y en las páginas web) y datos transaccionales (pagos con tarjetas, registros comerciales, ticket medio, tarjetas de supermercados, etc). Esto es, incontables terabytes de información impersonal.
Inicialmente, Martin Lindstrom le llamó «small data» al Thick data, haciendo referencia a pequeñas claves de comportamiento humano que se descubren en la investigación cualitativa. Razón por la cual ha defendido la necesidad de pasar tiempo con gente real, de carne y hueso, en sus propios ambientes cotidianos, para entender su comportamiento y experiencia de uso y consumo. Afirma que la observación etnográfica en este contexto puede dar con claves o insights certeros, que pueden ser aplicados al marketing, la publicidad y la innovación.
Dice Jordi Colobrans, un antropólogo catalán especializado en el tema, que el Thick Data es información comprensiva, mientras que el Big data es explicativa ¿Cuál es la diferencia principal? Tal vez una manera de explicarlo es que el Big Data busca entender las diferencias en los consumidores a partir de la foto grupal, de los resultados masivos. De forma contraria, el Thick Data busca entender las diferencias a partir de la foto individual y de pequeños grupos, no a partir de resultados masivos sino de investigación de casos. El Big Data es deductivo, va de lo general a lo particular, mientras que el Thick Data va de lo particular a lo general, es inductivo.
Al estar basado en palabras clave, clicks y emoticones, hay algo que aún queda fuera del big data, por ejemplo la ironía con la escribimos, el doble sentido al maldecir, la doble moral al retuitear, etc.
En la paulatina digitalización de la sociedad, el Thick Data es necesario por lo menos con dos propósitos: 1) para encontrar información clave que no queda registrada en los medios digitales 2) para interpretar cualitativamente los datos cuantitativos recogidos en los medios digitales.
El Thick Data es la información densa, sirve para refinar e interpretar
La sociedad digital ha permitido entonces representar, en datos cuantitativos, los comportamientos digitales. Comportamientos que son principalmente, visualizaciones, clics, compras online, registros en formularios, publicación y difusión de contenidos, interacción con botones, entre otros similares.
Si bien se ha logrado registrar enormes cantidades de información, la industria ha caído en cuenta de que estos datos cuantitativos, aunque valiosos, no son suficientes para entender al consumidor – usuario.
Es necesario entonces complementar esos volúmenes de datos con información más detallada, para conocer el comportamiento de consumo, sus gustos, su valoración de las marcas, su entendimiento de botones y formularios, en definitiva, ¡la mezcla compleja de sentimientos, pensamientos, pareceres y significados culturales que en el día a día tienen lugar cuando nos relacionamos con los productos y servicios del mercado!
La vida y comportamiento humano está profundamente influenciado por la cultura, por una red de significados, símbolos. guiños, suposiciones, imaginarios, estereotipos, miedos, modas… cosas que simplemente son difíciles de leer en el Big Data. Es por esto que vale la pena repetir la pregunta ¿Los grandes datos pueden, por sí solos, mostrarnos qué siente, qué piensa la gente, cómo se relaciona con los productos y servicios?
Una pista para responder a lo anterior es que los datos de «sentimiento» que generan, por ejemplo, los softwares de monitorización digital y escucha activa son el campo o categoría más dudosa y menos valorada en las investigaciones cuanti-digitales. Al estar basados en palabras clave, clicks y emoticones, hay algo que aún queda fuera del big data, por ejemplo la ironía con la escribimos, el doble sentido al maldecir, la doble moral al retuitear, etc. El reto de la inteligencia artificial y del big data es la interpretación del doble sentido, de la ironía, de la metáfora.
Refinar el retrato robot
El objetivo del Big data y el Thick Data es la complementaridad. La información cuantitativa necesita interpretación cualitativa y la comprensión de los fenómenos masivos necesita datos masivos. El Big data necesita validación cualitativa, contrastada con el trabajo de campo, y viceversa.
El Big Data es el retrato robot, mientras que el thick data es la descripción detallada de los testigos, la historia que ellos cuentan. Ambos procesos son complementarios.
Cuando aún no se ha creado el producto o servicio, cuando aún no hay datos digitales directos sobre compras o clics, la investigación de experiencia de usuario o consumidor es tal vez la fuente más importante. Todo lo que se aprende en un living lab, por ejemplo, también es Thick Data.
El diseño de una encuesta o de una exploración estadística masiva, puede (debería) utilizar descubrimientos obtenidos a partir de Thick data. Y una vez encontrados insights clave, se pueden explorar masivamente y escalar a una muestra de miles de personas. Por ejemplo en las preguntas para una investigación de consumidor y mercado que se usan en una encuesta.
La descripción densa de Geertz
La Thick Data hace recordar al concepto de descripción densa del antropólogo Clifford Geertz en el libro La interpretación de las culturas. Precisamente, la información cualitativa es mucho más densa, espesa, y mucho menos granular que la información cuantitativa.
Clifford Geertz expuso una visión muy semiótica de la cultura y la vida cotidiana. «El ser humano es un animal inserto en tramas de significación que él mismo ha tejido», afirma Geertz, por lo cual es lógico que se estudien esas «tramas de significación», es decir, cómo damos significados a las cosas y a nuestras relaciones.
Según este antropólogo, la etnografía como ejercicio de descripción densa debe ser interpretativa, debe «rescatar lo dicho», debe «fijar» esa información en forma de análisis, y debe ser una observación «microscópica» en un sentido social.
La etnografía aplicada a la empresa
La etnografía es una herramienta de investigación antropológica que consiste en observar el comportamiento humano directamente en su contexto. Desde los años 50 la industria americana ha visto lo obvio en esto: para conocer mejor al consumidor, hay que observar y documentar el momento mismo en el cual la gente usa los productos y servicios del mercado.
La etnografía de negocios ha sido considerada como un factor diferencial en la competencia, porque los «insigths» sobre el consumidor que genera ayudan a estar por arriba de los competidores en el mercado. En términos generales puede ayudar en los siguientes aspectos:
- Identificar nuevas necesidades del mercado
- Desarrollar nuevos productos
- Trazar una nueva estrategia de marketing digital u offline
- Entrar en nuevos mercados
- Desvelar tendencias emergentes.
Aún hoy, muchas empresas creen que observar el comportamiento del consumidor o usuario es simplemente «ver» pequeños comportamientos insignificantes. Pero cada cosa que hacemos o dejamos de hacer, revela claves acerca de los que somos, queremos, necesitamos o no.
