Menavigasi Literasi Data Dalam Dunia Analitis Ditambah

Keupayaan kecerdasan buatan (AI) seperti pembelajaran mesin (ML) dan pemprosesan bahasa semula jadi (NLP) terus bertambah baik, dan produk analitik tambahan boleh mengautomasikan banyak tugas yang berkaitan dengan melihat dan memahami data dengan pasti. Dengan alatan berkuasa yang boleh memaparkan cerapan daripada data, para eksekutif sering tertanya-tanya: Adakah teknologi ini sebenarnya mengurangkan keperluan untuk literasi data usaha latihan dalam organisasi mereka? Tidak, sebaliknya.

Literasi data—keupayaan untuk membaca, menulis dan menyampaikan data dalam konteks—lebih penting daripada sebelumnya. Ia amat penting dalam membantu organisasi membangunkan cara bekerja dipacu data dan memperkasakan pekerja untuk menambah kemahiran AI dengan kreativiti dan pemikiran kritis mereka sendiri.

Terdapat faktor tambahan yang perlu dipertimbangkan dalam peranan literasi data untuk pertumbuhan dan kejayaan organisasi. Mengupah, melatih dan mengekalkan saintis dan penganalisis data adalah sukar–di samping itu, kemahiran mereka selalunya bernuansa dan mahal. Menurut 365 Sains Data, kebanyakan saintis data mungkin tidak akan menghabiskan lebih daripada 1.7 tahun di tempat kerja semasa mereka. Ahli sains dan penganalisis data, yang sangat terlatih, sering menerima permintaan untuk tugasan seperti membina sumber data yang bersih untuk jualan atau menghasilkan laporan asas. Dengan kebolehan khusus mereka, masa dan set kemahiran mereka akan digunakan dengan lebih baik bekerja pada pemodelan dan membangunkan aliran kerja untuk soalan perniagaan yang bernilai lebih tinggi dan kompleks.

Apabila eksekutif melabur dalam AI dan teknologi analitik tambahan, pengguna perniagaan—pengguna data yang lebih kasual berbanding penganalisis yang berdedikasi—boleh mengakses jawapan kepada soalan mereka dan maklumat yang mereka perlukan untuk melakukan tugas mereka dengan baik tanpa perlu risau tentang mekanisme melakukan jadi.

Meneroka cara penyelesaian yang didayakan AI boleh menyokong tugas pengguna dan mencari pengalaman pengguna yang betul mempunyai potensi besar untuk menetapkan alat dan pengguna untuk berjaya. Sebagai contoh, alat AI boleh mengautomasikan beberapa tugas yang lebih membosankan di sekitar penyediaan data dan kemudian memberikan hasilnya kepada manusia, yang boleh menganalisis dan menggambarkan kandungan tersebut berdasarkan keperluan analisis mereka.

Kemajuan dalam Analitis Ditambah Membantu Orang Menjawab Soalan Dengan Lebih Cepat

Penyelesaian analitik diperkukuh boleh memudahkan pengguna perniagaan memahami data, yang membantu syarikat memaksimumkan nilai teknologi mahal ini. Contohnya, analitis tambahan boleh memahami minat pelanggan dan menawarkan ramalan tentang pilihan pengguna, pembangunan produk dan saluran pemasaran. Mereka juga boleh menyediakan konteks tambahan tentang arah aliran, nilai dan variasi dalam data seseorang. Algoritma yang canggih boleh mencadangkan visualisasi tambahan yang boleh ditambahkan pada papan pemuka, bersama-sama dengan penjelasan teks dan konteks yang dijana dalam bahasa semula jadi.

Berikut ialah beberapa contoh penyelesaian yang boleh membantu meningkatkan tenaga kerja anda.

1. Cerita Data. Tableau Cloud kini termasuk Cerita Data, ciri widget papan pemuka dinamik yang menggunakan algoritma AI untuk menganalisis data dan menulis cerita ringkas tentangnya sama ada dalam bentuk naratif atau bulet. Cerita-cerita itu menyatukan naratif tentang data melangkaui carta dan papan pemuka semata-mata pada daftar yang boleh diakses oleh pengguna perniagaan untuk menjawab banyak soalan mereka. Ini mengurangkan tahap literasi data yang diperlukan oleh pengguna perniagaan untuk memahami maklumat yang paling penting bagi mereka. Cerita Data memaparkan soalan mudah yang ditanya oleh pengguna apabila mereka mula-mula melihat carta bar atau carta garis: Adakah nombor yang kelihatan seperti outlier ini benar-benar outlier? Bagaimanakah nombor itu berubah dari semasa ke semasa? Apakah purata? Data masih perlu ditafsirkan—ia bukan keseluruhan cerita—tetapi ini merupakan langkah besar ke arah membuka kunci cerapan dalam data.

2. Tunjukkan Saya. Ciri analitis diperkukuh juga membenarkan pengekodan lalai yang lebih bijak. Contohnya, Show Me mengesyorkan jenis carta dan pengekodan tanda yang sesuai berdasarkan atribut data yang diminati. Pengguna kemudiannya boleh menumpukan pada pengambilan peringkat tinggi yang ingin mereka sampaikan dan berkongsi carta ini dengan khalayak mereka sebagai sebahagian daripada aliran kerja analisis visual mereka.

3. Pemahaman bahasa semula jadi. Dengan penyelidikan yang canggih, set latihan yang besar untuk model bahasa, dan keupayaan pengkomputeran yang lebih baik, pemahaman bahasa semula jadi juga telah meningkat dengan ketara sejak beberapa tahun.

Orang ramai boleh bertanya soalan analisis tanpa perlu memahami mekanik membina pertanyaan SQL. Dengan niat pemahaman yang lebih baik, antara muka bahasa semula jadi boleh menjawab soalan dengan carta interaktif yang pengguna boleh membaiki, memperhalusi dan berinteraksi sambil mereka memahami data.

4. Pembelajaran mesin. Analitis tambahan yang berkaitan dengan ML juga telah mencapai kemajuan. Model ini boleh mempelajari tugas analisis yang canggih dan kompleks seperti operasi transformasi data yang diperibadikan kepada jenis pengguna tertentu atau sekumpulan pengguna. Tambahan pula, banyak pengalaman analitis yang ditambah kini mempunyai antara muka pengguna yang berasa intuitif, mengurangkan kerumitan latihan dan menggunakan model dalam aliran kerja analisis pengguna.

Walaupun AI mempunyai keupayaan yang luar biasa, ia tidak akan menggantikan manusia sepenuhnya. Mengumpulkan pengambilan peringkat tinggi daripada sifat statistik peringkat rendah boleh menjadi rumit dan agak bernuansa. Orang ramai mempunyai tahap kognisi kreatif yang lebih tinggi; kami ingin tahu; kita boleh menyaring pengambilan peringkat tinggi ini daripada data.

Cadangan untuk Memupuk Literasi Data

Untuk membolehkan organisasi membuka kunci cerapan peringkat lebih tinggi daripada data mereka, pekerja—pengguna perniagaan dan penganalisis—mesti dididik tentang cara mereka harus menganalisis data mereka dan mempunyai amalan terbaik untuk menggambarkan dan mempersembahkan data. Begini cara organisasi boleh membangunkan amalan terbaik dalam mempromosikan literasi data dan menambah AI dengan alat analitik.

1. Melabur dalam latihan.

Mempunyai kedua-dua alat yang betul dan pendidikan/latihan yang betul adalah penting untuk mana-mana organisasi. Didalam Kajian Forrester Consulting mengenai literasi data, hanya 40% pekerja mengatakan organisasi mereka telah menyediakan latihan kemahiran data yang mereka harapkan.¹ Individu dan organisasi harus mendedahkan orang ramai kepada latihan yang lebih baik dari segi amalan terbaik melihat dan memahami data mereka. Tempat kerja harus menawarkan kursus mengenai visualisasi data dan literasi data supaya pekerja dapat memahami corak dan mempelajari cara terbaik untuk mencipta dan mewakili carta.

Untuk melatih pekerja anda, anda boleh mendapatkan program pihak ketiga yang hebat oleh syarikat seperti Qlik, Literasi Data, Akademi Data & Analitis Coursera, EdX, kem data, Khan Academy, Perhimpunan Agung, Pembelajaran LinkedIn, dan banyak lagi. Tawaran Tableau pembelajaran kendiri, secara langsung, kelas latihan maya, Dan kursus percuma mengenai literasi data. Projek serupa yang menggabungkan latihan, beberapa daripadanya percuma, termasuk Data kepada Rakyat, Bercerita dengan Data, The Data Lodge, Projek Literasi Data, Dan lain-lain.

Eksekutif juga harus mempertimbangkan: Bagaimanakah pekerja anda boleh dilatih, bukan sahaja dalam bahasa carta tetapi juga sebagai paradigma yang lebih luas?

Satu kelemahan alat binaan yang mempunyai banyak keupayaan tambahan—yang termasuk AI dan pembelajaran mesin—ialah ia boleh kelihatan sangat mudah, dan ia boleh meningkatkan pengguna dengan cepat. Tetapi pengguna yang kurang terlatih boleh menjana carta atau cerapan yang boleh diambil daripada carta yang boleh mengelirukan atau mengelirukan dalam beberapa cara.

Adalah penting untuk mendidik orang ramai tentang bahasa perwakilan visual dan sains di belakangnya supaya mereka, sekurang-kurangnya, dimaklumkan data, jika tidak celik data. Sebagai contoh, bagaimana orang mengenal pasti apa itu outlier? Bagaimanakah mereka harus mereka papan pemuka yang boleh dipercayai? Mereka juga harus dapat memahami perbezaan antara korelasi dan sebab akibat. Ini akan memastikan data adalah tepat dan boleh digunakan untuk analisis.

2. Buat keputusan berdasarkan data.

Beralih daripada lisan data—tempat orang bercakap tentang membuat keputusan terdorong data—kepada literasi data—di mana orang ramai mempunyai keupayaan untuk meneroka, memahami dan berkomunikasi dengan data—memerlukan akses pendemokrasian kepada visualisasi data. Ini memerlukan tumpuan pada pembelajaran individu dan kebolehgunaan, tetapi ia sepatutnya lebih kepada perubahan organisasi. Pendemokrasian sebenar literasi data mengambil kira keseluruhan ekosistem data. Ia mengiktiraf percambahan carta dalam kehidupan harian pengguna dan berfungsi untuk menjadikannya mudah difahami secara meluas.

Orang ramai sepatutnya membuat keputusan berdasarkan data dan bukan hanya pada pendapat subjektif; ini kembali kepada kepentingan latihan yang mendidik pengguna tentang perbezaan antara korelasi dan sebab akibat. Bagaimanakah keputusan berasaskan data harus dibuat? Apakah medium penyampaian data dan perkara utama yang boleh diambil supaya perbincangan boleh kekal objektif untuk membuat keputusan yang berkesan? Sebagai contoh, syarikat teknologi harus menggunakan data telemetri pengguna untuk menentukan ciri yang hendak dibina, ciri penggunaan dan mengenal pasti sebarang geseran dalam pengalaman pengguna.

3. Membangun dan mengekalkan infrastruktur yang mencukupi.

Untuk menyokong dua cadangan pertama, eksekutif mesti memastikan organisasi mereka telah membina infrastruktur berskala yang mencukupi untuk menempatkan dan mentadbir datanya. Mereka juga harus membantu organisasi mereka mengenal pasti dan mendapatkan akses kepada teknologi AI yang menangani masalah dan keperluan pelanggan mereka.

Tambahan pula, pembuat keputusan mesti bijak dan bertimbang rasa tentang privasi dan kepercayaan data. Ia tidak boleh difikirkan semula; ia mesti diambil kira dengan serius dari awal lagi. Tanggungjawab privasi dan kepercayaan data harus disaring sehinggalah kepada pengguna individu, yang boleh dilindungi oleh tadbir urus data dan dasar pengurusan yang komprehensif.

Teruskan Fokus pada Usaha Literasi Data

Melabur dalam AI dan alat analitik tambahan seperti Data Stories ialah langkah terbaik ke arah memperkasakan pengguna perniagaan untuk mencungkil jawapan daripada data mereka, tetapi alatan ini akan melengkapkan usaha literasi data dan bukannya menggantikannya. Tambahan pula, bentuk pelaburan yang betul dalam kedua-dua teknologi AI dan latihan boleh menyokong manusia dengan berkesan untuk melakukan yang terbaik: memikirkan dan mencipta penyelesaian sambil menyelesaikan keperluan pelanggan, semuanya tertumpu pada data.

Meneruskan fokus pada celik data di seluruh organisasi anda akan memastikan bahawa lebih ramai pekerja anda—pengguna perniagaan kasual dan penganalisis data yang canggih—menanyakan soalan yang betul tentang data anda yang akan membawa kepada cerapan lanjut.

PILIH RAKAN RAKAN ANALITIK FLEKSIBEL

Rakan kongsi analitik seperti Tableau menawarkan keluasan dan kedalaman dalam keupayaan serta latihan berasaskan peranan—menjadikannya rakan kongsi yang fleksibel dalam perjalanan untuk menemui perkara yang paling sesuai untuk syarikat anda. Ketahui lebih lanjut tentang Awan Tableau.

WAWASAN DATA UNTUK PENGGUNA PERNIAGAAN

Sediakan pengguna perniagaan anda untuk berjaya. Ketahui lebih lanjut tentang Cerita Data di sini.