Datele nestructurate nu au un format predefinit. Documentele text, e-mailurile, videoclipurile, înregistrările audio, imaginile și postările de pe rețelele sociale sunt toate eligibile. Datele nu se încadrează în rânduri și coloane. Nu respectă o schemă. Reprezintă majoritatea datelor create de organizații. Estimările plasează datele nestructurate la 80 până la 90% din totalul datelor întreprinderilor. Cea mai mare parte a acestora rămâne neutilizată deoarece instrumentele tradiționale nu le pot procesa cu ușurință.

Provocarea constă în extragere. Pentru a analiza datele nestructurate, trebuie mai întâi să le impui o structură. Prelucrarea limbajului natural extrage entități, sentimente și subiecte din text. Viziunea computerizată identifică obiecte și scene din imagini. Recunoașterea vorbirii transcrie sunetul. Fiecare tehnică convertește datele nestructurate într-o reprezentare structurată care poate fi analizată. Această conversie este imperfectă. Modelele NLP omit nuanțele și sarcasmul. Modelele vizuale confundă obiecte similare. Erorile de transcriere se acumulează. Rezultatul structurat este o aproximare, nu o reflectare perfectă. În ciuda dificultății, datele nestructurate au o valoare enormă. E-mailurile clienților dezvăluie reclamații și solicitări. Tichetele de asistență arată tipare în problemele legate de produs. Înregistrările apelurilor surprind tonul și emoția pe care textul le omite. Organizațiile care pot extrage date nestructurate obțin informații pe care concurenții le ratează. Instrumentele se îmbunătățesc. Provocarea rămâne.

Tipuri de date nestructurate

• Text — documente, e-mailuri, postări pe rețelele sociale
• Imagini — fotografii, diagrame, scanări
• Audio — înregistrări, apeluri, muzică
• Video — filmări, transmisiuni în flux, prezentări
• Binare — fișiere fără un format de text definit

Datele nestructurate sunt materia primă a analizelor moderne. Extragerea valorii necesită impunerea unei structuri acolo unde nu există.