Krmarjenje po podatkovni pismenosti v svetu razširjene analitike

Zmogljivosti umetne inteligence (AI), kot sta strojno učenje (ML) in obdelava naravnega jezika (NLP), se še naprej izboljšujejo, izdelki za razširjeno analitiko pa lahko zanesljivo avtomatizirajo številna opravila, povezana z ogledom in razumevanjem podatkov. Z zmogljivimi orodji, ki lahko pridobijo vpoglede iz podatkov, se vodstveni delavci pogosto sprašujejo: Ali ta tehnologija dejansko zmanjšuje potrebo po podatkovna pismenost prizadevanja za usposabljanje v svojih organizacijah? Ne, prej nasprotno.

Podatkovna pismenost – sposobnost branja, pisanja in sporočanja podatkov v kontekstu – je pomembnejša kot kdaj koli prej. Ključnega pomena je pri pomoči organizacijam pri razvoju načina dela, ki temelji na podatkih, in opolnomočenju zaposlenih, da izboljšajo veščine umetne inteligence z lastno ustvarjalnostjo in kritičnim mišljenjem.

Pri vlogi podatkovne pismenosti za rast in uspeh organizacije je treba upoštevati dodatne dejavnike. Zaposlovanje, usposabljanje in obdržanje podatkovnih znanstvenikov in analitikov je težko – poleg tega so njihove veščine pogosto niansirane in drage. Glede na 365 Data Science, večina podatkovnih znanstvenikov verjetno ne bo preživela več kot 1.7 leta na trenutnem delovnem mestu. Podatkovni znanstveniki in analitiki, ki so visoko usposobljeni, pogosto prejemajo zahteve za naloge, kot je izgradnja čistega vira podatkov za prodajo ali ustvarjanje osnovnih poročil. Z njihovimi specializiranimi sposobnostmi bi njihov čas in nabor spretnosti bolje porabili za modeliranje in razvoj delovnih tokov za kompleksna poslovna vprašanja višje vrednosti.

Ko vodstveni delavci vlagajo v umetno inteligenco in razširjeno analitično tehnologijo, lahko poslovni uporabnik – bolj občasni uporabnik podatkov v primerjavi z namenskim analitikom – dostopa do odgovorov na svoja vprašanja in informacij, ki jih potrebujejo za dobro opravljanje svojega dela, ne da bi ga skrbelo mehanizme izvajanja torej.

Raziskovanje, kako lahko rešitve, ki podpirajo AI, podpirajo uporabniška opravila in najdejo pravo uporabniško izkušnjo, ima ogromen potencial za pripravo orodja in uporabnika na uspeh. Orodje AI lahko na primer avtomatizira nekatere bolj dolgočasne naloge v zvezi s pripravo podatkov in nato zagotovi rezultate človeku, ki lahko nadalje analizira in vizualizira vsebino na podlagi svojih analitičnih potreb.

Napredek v razširjeni analitiki ljudem pomaga hitreje odgovarjati na vprašanja

Razširjene analitične rešitve lahko poslovnim uporabnikom olajšajo razumevanje podatkov, kar podjetjem pomaga povečati vrednost teh dragih tehnologij. Na primer, razširjena analitika lahko razume zanimanje strank in ponudi napovedi glede preferenc potrošnikov, razvoja izdelkov in tržnih kanalov. Prav tako lahko zagotovijo dodaten kontekst o trendih, vrednostih in odstopanjih v posameznikovih podatkih. Sofisticirani algoritmi lahko predlagajo dodatne vizualizacije, ki jih je mogoče dodati na nadzorno ploščo, skupaj z besedilnimi razlagami in kontekstom, ustvarjenim v naravnem jeziku.

Tukaj je nekaj primerov rešitev, ki lahko pomagajo izboljšati vašo delovno silo.

1. Podatkovne zgodbe. Tableau Cloud zdaj vključuje Podatkovne zgodbe, funkcija gradnika dinamične nadzorne plošče, ki uporablja algoritme AI za analizo podatkov in pisanje preproste zgodbe o njih v pripovedni ali označeni obliki. Zgodbe tkejo skupaj pripovedi o podatkih, ki presegajo zgolj grafikone in nadzorne plošče v registru, ki je dostopen poslovnim uporabnikom za odgovore na mnoga njihova vprašanja. To zmanjšuje raven podatkovne pismenosti, ki jo poslovni uporabnik potrebuje za razumevanje zanj najpomembnejših informacij. Podatkovne zgodbe prikažejo preprosta vprašanja, ki si jih uporabnik zastavi, ko prvič pogleda palični ali črtni grafikon: Ali je bila ta številka, ki je videti kot izstopajoča vrednost, res izstopajoča? Kako se je ta številka spreminjala skozi čas? Kakšno je povprečje? Podatke je treba še interpretirati – to ni celotna zgodba –, vendar je velik korak k odklepanju vpogledov v podatke.

2. Pokaži mi. Razširjene analitične funkcije omogočajo tudi pametnejše privzete nastavitve kodiranja. Na primer, Show Me priporoča vrste grafikonov in ustrezna kodiranja oznak na podlagi atributov podatkov, ki vas zanimajo. Uporabniki se lahko nato osredotočijo na visoko raven, ki jo želijo sporočiti, in delijo te grafikone s svojim občinstvom kot del svojega vizualnega analitičnega poteka dela.

3. Razumevanje naravnega jezika. S sofisticiranimi raziskavami, velikimi učnimi sklopi za jezikovne modele in izboljšanimi računalniškimi zmogljivostmi se je z leti znatno izboljšalo tudi razumevanje naravnega jezika.

Ljudje lahko postavljajo analitična vprašanja, ne da bi morali razumeti mehaniko sestavljanja poizvedb SQL. Z boljšim namenom razumevanja lahko vmesniki v naravnem jeziku odgovorijo na vprašanja z interaktivnimi grafikoni, ki jih lahko uporabniki popravijo, izboljšajo in z njimi komunicirajo, ko razumejo podatke.

4. Strojno učenje. Napredovala je tudi razširjena analitika, povezana z ML. Ti modeli se lahko naučijo sofisticiranih in kompleksnih analitičnih nalog, kot so operacije pretvorbe podatkov, ki so prilagojene določeni vrsti uporabnika ali skupini uporabnikov. Poleg tega imajo številne razširjene analitične izkušnje zdaj intuitivne uporabniške vmesnike, ki zmanjšujejo kompleksnost usposabljanja in uporabe modela v analitičnem poteku dela uporabnika.

Čeprav ima umetna inteligenca neverjetne zmožnosti, nikoli ne bo popolnoma nadomestila ljudi. Zbiranje zaključkov na visoki ravni iz statističnih lastnosti na nižji ravni je lahko zapleteno in precej niansirano. Ljudje imajo višjo stopnjo kreativnega spoznanja; smo radovedni; iz podatkov lahko izluščimo te zaključke na visoki ravni.

Priporočila za spodbujanje podatkovne pismenosti

Da bi lahko organizacije odklenile vpoglede na višji ravni iz svojih podatkov, morajo biti zaposleni – tako poslovni uporabniki kot analitiki – poučeni o tem, kako naj analizirajo svoje podatke, in imeti najboljše prakse za vizualizacijo in predstavitev podatkov. Tukaj je opisano, kako lahko organizacije razvijejo najboljše prakse pri spodbujanju podatkovne pismenosti in dopolnjevanju umetne inteligence z analitičnimi orodji.

1. Investirajte v usposabljanje.

Imeti prava orodja in pravo izobraževanje/usposabljanje je ključnega pomena za vsako organizacijo. V Študija Forrester Consulting o podatkovni pismenosti, je le 40 % zaposlenih izjavilo, da je njihova organizacija zagotovila usposabljanje podatkovnih spretnosti, ki naj bi ga imeli.¹ Posamezniki in organizacije bi morali ljudi izpostaviti boljšemu usposabljanju v smislu najboljših praks videnja in razumevanja njihovih podatkov. Delovna mesta bi morala ponuditi tečaje o vizualizaciji podatkov in podatkovni pismenosti, da lahko zaposleni razumejo vzorce in se naučijo najboljših načinov za ustvarjanje in predstavljanje grafikonov.

Če želite usposobiti svoje zaposlene, lahko pridobite odlične programe tretjih oseb podjetij, kot je Qlik, Podatkovna pismenost, Podatkovna in analitična akademija Coursera, EdX, datacamp, Khan Academy, Generalna skupščina, Povezovanje učenja, in več. Tableau ponuja samostojno učenje, virtualni tečaji usposabljanja v živoIn brezplačen tečaj podatkovne pismenosti. Podobni projekti, ki vključujejo usposabljanje, od katerih so nekateri brezplačni, vključujejo Podatki za ljudi, Zgodba s podatki, Data Lodge, Projekt podatkovne pismenosti, In drugi.

Vodstveni delavci bi morali razmisliti tudi o tem, kako lahko vaše zaposlene usposobijo, ne samo v jeziku grafikonov, ampak tudi kot širšo paradigmo?

Ena slaba stran gradbenih orodij, ki imajo veliko razširjenih zmogljivosti – ki vključujejo umetno inteligenco in strojno učenje – je, da so lahko videti varljivo preprosta in lahko uporabnike zelo hitro okrepijo. Toda premalo usposobljeni uporabniki bi lahko iz grafikona ustvarili grafikon ali vpoglede za s seboj, ki bi lahko bili na nek način zavajajoči ali napačno usmerjeni.

Pomembno je poučiti ljudi o jeziku vizualne reprezentacije in znanosti, ki stoji za tem, tako da bodo vsaj seznanjeni s podatki, če že ne pismeni. Na primer, kako ljudje prepoznajo, kaj je izstopanje? Kako naj oblikujejo nadzorne plošče, ki so vredne zaupanja? Prav tako morajo biti sposobni razumeti razliko med korelacijo in vzročno zvezo. To bo zagotovilo, da so podatki točni in jih je mogoče uporabiti za analizo.

2. Sprejemajte odločitve na podlagi podatkov.

Premik od ustnosti podatkov – kjer ljudje govorijo o sprejemanju odločitev, ki temeljijo na podatkih – k podatkovni pismenosti – kjer imajo ljudje možnost raziskovanja, razumevanja in komunikacije s podatki – zahteva demokratizacijo dostopa do vizualizacij podatkov. To vključuje osredotočenost na individualno učenje in uporabnost, vendar bi morala biti bolj organizacijska sprememba. Resnična demokratizacija podatkovne pismenosti upošteva celoten ekosistem podatkov. Prepoznava širjenje grafikonov v vsakdanjem življenju uporabnikov in si prizadeva, da bi bili razumljivi širšemu krogu.

Ljudje bi se morali odločati na podlagi podatkov in ne le na podlagi subjektivnih mnenj; to se vrača k pomembnosti usposabljanja, ki uporabnike izobražuje o razlikovanju med korelacijo in vzročno zvezo. Kako naj se sprejemajo odločitve na podlagi podatkov? Kakšen je medij za predstavitev podatkov in ključnih izhodišč, da lahko razprava ostane objektivna za sprejemanje učinkovitih odločitev? Na primer, tehnološka podjetja bi morala uporabiti uporabniške telemetrične podatke, da bi določila, katere funkcije naj zgradijo, značilnosti uporabe in prepoznala morebitna trenja v uporabniški izkušnji.

3. Razviti in vzdrževati ustrezno infrastrukturo.

Da bi podprli prvi dve priporočili, morajo vodstveni delavci zagotoviti, da je njihova organizacija zgradila ustrezno, razširljivo infrastrukturo za shranjevanje in upravljanje svojih podatkov. Prav tako bi morali pomagati svojim organizacijam prepoznati in pridobiti dostop do tehnologije umetne inteligence, ki obravnava težave in potrebe njihovih strank.

Poleg tega morajo biti odločevalci premišljeni in premišljeni glede zasebnosti in zaupanja podatkov. Ne more biti naknadna misel; to je treba resno upoštevati že na začetku. Odgovornost za zasebnost in zaupanje podatkov je treba razdeliti vse do posameznega uporabnika, kar lahko zajema celovita politika upravljanja in upravljanja podatkov.

Še naprej se osredotočajte na prizadevanja za podatkovno pismenost

Vlaganje v umetno inteligenco in razširjena analitična orodja, kot je Data Stories, je odličen korak k opolnomočenju poslovnih uporabnikov, da iz svojih podatkov izbrskajo odgovore, vendar bodo ta orodja dopolnila prizadevanja za podatkovno pismenost, namesto da bi jih nadomestila. Poleg tega lahko prave oblike naložb v tehnologijo umetne inteligence in usposabljanje učinkovito podpirajo ljudi, da počnejo tisto, v čemer so najboljši: snovanje in ustvarjanje rešitev ob reševanju potreb strank, vse osredotočeno na podatke.

Nadaljnje osredotočanje na podatkovno pismenost v vaši organizaciji bo zagotovilo, da bo več vaših zaposlenih – naključnih poslovnih uporabnikov in prefinjenih podatkovnih analitikov – postavljalo prava vprašanja o vaših podatkih, ki bodo vodila do nadaljnjih vpogledov.

IZBERITE FLEKSIBILNEGA PARTNERJA ZA ANALITIKO

Analitični partner, kot je Tableau, ponuja širino in globino zmogljivosti ter usposabljanje na podlagi vlog – zaradi česar je prilagodljiv partner na poti do odkrivanja, kaj najbolje deluje za vaše podjetje. Izvedite več o Tableau Cloud.

VPOGLED PODATKOV ZA POSLOVNE UPORABNIKE

Nastavite svoje poslovne uporabnike za uspeh. Izvedite več o podatkovnih zgodbah tukaj.