Semi-structured Data

Wat is semi-structured data?

Semi-structured data (semi-gestructureerde data) zijn gegevens met enige interne structuur, maar zonder het vaste schema van een klassieke databasetabel. Denk aan een e-mail: de afzender, ontvanger en datum staan op vaste plekken, maar de inhoud is vrije tekst. Het zit daarmee tussen structured data (nette tabellen met vaste kolommen) en unstructured data (losse tekst, beeld en audio) in.

Hoe werkt het?

Semi-gestructureerde data gebruikt labels of markeringen om de inhoud te ordenen, vaak in de vorm van sleutel-waardeparen. Bekende formaten zijn JSON en XML, de standaarden waarmee systemen en API’s onderling gegevens uitwisselen. Het voordeel: elk record mag er net iets anders uitzien. De ene klant heeft drie telefoonnummers, de andere geen enkel, en dat hoeft niet vooraf in een schema vastgelegd te worden. Die flexibiliteit maakt het formaat geschikt voor data die per geval verschilt of in de loop van de tijd verandert.

Wat heb je eraan als bedrijf?

Een groot deel van je bedrijfsdata is semi-gestructureerd: e-mails, facturen, webformulieren, exportbestanden uit software en koppelingen tussen systemen. Wie AI of automatisering wil inzetten, krijgt hier vrijwel altijd mee te maken. Het goede nieuws is dat moderne AI-modellen juist sterk zijn in het verwerken van dit soort halfgeordende gegevens, bijvoorbeeld door uit een binnenkomende e-mail automatisch de ordergegevens te halen en in je systeem te zetten.

Gerelateerde begrippen

Vergelijk dit begrip met structured data en unstructured data. Het automatisch ophalen van gegevens uit dit soort bronnen heet data extraction, en grote verzamelingen van gemengde data vallen onder big data.