Navigacija podatkovnom pismenošću u svijetu proširene analitike

Mogućnosti umjetne inteligencije (AI) poput strojnog učenja (ML) i obrade prirodnog jezika (NLP) nastavljaju se poboljšavati, a prošireni analitički proizvodi mogu pouzdano automatizirati mnoge zadatke povezane s gledanjem i razumijevanjem podataka. S moćnim alatima koji mogu otkriti uvide iz podataka, rukovoditelji se često pitaju: smanjuje li ova tehnologija doista potrebu za opismenjavanje podataka napore u obuci u svojim organizacijama? Ne, naprotiv.

Podatkovna pismenost - sposobnost čitanja, pisanja i komuniciranja podataka u kontekstu - važnija je nego ikad. Presudno je u pomaganju organizacijama da razviju način rada vođen podacima i osnaživanju zaposlenika da prošire vještine umjetne inteligencije vlastitom kreativnošću i kritičkim razmišljanjem.

Postoje dodatni čimbenici koje treba uzeti u obzir u ulozi podatkovne pismenosti za rast i uspjeh organizacije. Zapošljavanje, obuka i zadržavanje znanstvenika i analitičara podataka je teško – osim toga, njihove su vještine često nijansirane i skupe. Prema 365 Data Science, većina podatkovnih znanstvenika vjerojatno neće provesti više od 1.7 godina na trenutnom radnom mjestu. Znanstvenici i analitičari podataka, koji su visoko obučeni, često primaju zahtjeve za zadatke kao što je izgradnja čistog izvora podataka za prodaju ili izrada osnovnih izvješća. Uz njihove specijalizirane sposobnosti, njihovo vrijeme i skup vještina bili bi bolje iskorišteni radeći na modeliranju i razvoju radnih procesa za složenija poslovna pitanja veće vrijednosti.

Kada rukovoditelji ulažu u umjetnu inteligenciju i proširenu analitičku tehnologiju, poslovni korisnik — običniji korisnik podataka u usporedbi s predanim analitičarom — može pristupiti odgovorima na svoja pitanja i informacijama koje su im potrebne za dobro obavljanje posla bez brige o mehanici obavljanja tako.

Istraživanje načina na koji rješenja omogućena umjetnom inteligencijom mogu podržati korisničke zadatke i pronaći pravo korisničko iskustvo ima ogroman potencijal za postavljanje alata i korisnika za uspjeh. Na primjer, alat umjetne inteligencije može automatizirati neke od zamornijih zadataka oko pripreme podataka i zatim dati rezultate čovjeku koji može dalje analizirati i vizualizirati sadržaj na temelju svojih analitičkih potreba.

Napredak u proširenoj analitici pomaže ljudima da brže odgovaraju na pitanja

Proširena analitička rješenja mogu poslovnim korisnicima olakšati razumijevanje podataka, što pomaže tvrtkama da maksimalno povećaju vrijednost ovih skupih tehnologija. Na primjer, proširena analitika može razumjeti interes kupaca i ponuditi predviđanja o preferencijama potrošača, razvoju proizvoda i marketinškim kanalima. Također mogu pružiti dodatni kontekst o trendovima, vrijednostima i odstupanjima u nečijim podacima. Sofisticirani algoritmi mogu predložiti dodatne vizualizacije koje se mogu dodati na nadzornu ploču, zajedno s tekstualnim objašnjenjima i kontekstom generiranim na prirodnom jeziku.

Evo nekoliko primjera rješenja koja vam mogu pomoći da unaprijedite svoju radnu snagu.

1. Priče o podacima. Tableau Cloud sada uključuje Priče o podacima, značajka widgeta dinamičke nadzorne ploče koja koristi AI algoritme za analizu podataka i pisanje jednostavne priče o njima u narativnom ili grafičkom obliku. Priče spajaju priče o podacima izvan običnih grafikona i nadzornih ploča u registru dostupnom poslovnim korisnicima za odgovore na mnoga njihova pitanja. To smanjuje razinu podatkovne pismenosti koju poslovni korisnik treba da razumije informacije koje su mu najvažnije. Podatkovne priče otkrivaju jednostavna pitanja koja korisnik postavlja kada prvi put pogleda trakasti ili linijski grafikon: Je li ovaj broj koji izgleda kao izvanredni broj doista bio izvanredni broj? Kako se taj broj mijenjao tijekom vremena? Koliki je prosjek? Podatke još uvijek treba protumačiti - to nije cijela priča - ali to je veliki korak prema otključavanju uvida u podatke.

2. Pokaži mi. Značajke proširene analitike također omogućuju pametnije zadane postavke kodiranja. Na primjer, Show Me preporučuje vrste grafikona i odgovarajuće kodiranje oznaka na temelju atributa podataka od interesa. Korisnici se zatim mogu usredotočiti na sadržaj visoke razine koji žele prenijeti i podijeliti te grafikone sa svojom publikom kao dio svog vizualnog analitičkog tijeka rada.

3. Razumijevanje prirodnog jezika. Sa sofisticiranim istraživanjem, velikim setovima za obuku za jezične modele i poboljšanim računalnim mogućnostima, razumijevanje prirodnog jezika također se značajno poboljšalo tijekom godina.

Ljudi mogu postavljati analitička pitanja bez potrebe da razumiju mehaniku konstruiranja SQL upita. Uz bolju namjeru razumijevanja, sučelja prirodnog jezika mogu odgovoriti na pitanja interaktivnim dijagramima koje korisnici mogu popraviti, doraditi i komunicirati s njima dok shvaćaju smisao podataka.

4. Strojno učenje. Proširena analitika povezana s ML-om također je napredovala. Ovi modeli mogu naučiti sofisticirane i složene analitičke zadatke kao što su operacije transformacije podataka koje su personalizirane za određenu vrstu korisnika ili grupu korisnika. Nadalje, mnoga proširena analitička iskustva sada imaju korisnička sučelja koja djeluju intuitivno, smanjujući složenost obuke i primjene modela u analitičkom tijeku rada korisnika.

Iako AI ima nevjerojatne mogućnosti, nikada neće u potpunosti zamijeniti ljude. Prikupljanje zaključaka visoke razine iz statističkih svojstava niže razine može biti složeno i prilično nijansirano. Ljudi imaju višu razinu kreativne spoznaje; znatiželjni smo; te zaključke na visokoj razini možemo izvući iz podataka.

Preporuke za poticanje podatkovne pismenosti

Kako bi organizacije mogle otključati uvide više razine iz svojih podataka, zaposlenici - poslovni korisnici i analitičari - moraju biti educirani o tome kako bi trebali analizirati svoje podatke i imati najbolje prakse za vizualizaciju i prezentaciju podataka. Evo kako organizacije mogu razviti najbolje prakse u promicanju podatkovne pismenosti i proširenju AI alatima za analizu.

1. Investirajte u obuku.

Posjedovanje pravih alata i pravog obrazovanja/obuke ključni su za svaku organizaciju. U Studija Forrester Consultinga o podatkovnoj pismenosti, samo 40% zaposlenika izjavilo je da je njihova organizacija pružila obuku o vještinama podataka koje se od njih očekuje.¹ Pojedinci i organizacije trebali bi izložiti ljude boljoj obuci u smislu najboljih praksi gledanja i razumijevanja njihovih podataka. Radna mjesta trebaju nuditi tečajeve o vizualizaciji podataka i podatkovnoj pismenosti kako bi zaposlenici mogli razumjeti obrasce i naučiti najbolje načine za izradu i predstavljanje grafikona.

Da biste obučili svoje zaposlenike, možete uključiti izvrsne programe trećih strana od strane tvrtki poput Qlik, Pismenost podataka, Courserina Data & Analytics Academy, EDX, datacamp, Khan akademija, Glavna skupština, LinkedIn Učenje, i više. Tableau nudi samostalno učenje, virtualni tečajevi obuke uživo, A besplatni tečaj o podatkovnoj pismenosti. Slični projekti koji uključuju obuku, od kojih su neki besplatni, uključuju Podaci za narod, Pripovijedanje s podacima, Data Lodge, Projekt podatkovne pismenosti, I drugi.

Rukovoditelji bi također trebali razmotriti: Kako se vaši zaposlenici mogu obučavati, ne samo u jeziku grafikona, već i kao šire paradigme?

Jedna loša strana alata za izradu koji imaju puno proširenih mogućnosti—što uključuje umjetnu inteligenciju i strojno učenje—jest da mogu izgledati varljivo jednostavno i mogu vrlo brzo osposobiti korisnike. Ali nedovoljno obučeni korisnici mogu generirati grafikon ili uvide za ponijeti iz grafikona koji bi mogli dovesti u zabludu ili na neki način biti pogrešno usmjereni.

Važno je educirati ljude o jeziku vizualnog predstavljanja i znanosti koja stoji iza njega tako da barem budu informirani o podacima, ako ne i pismeni. Na primjer, kako ljudi prepoznaju što je outlier? Kako bi trebali dizajnirati nadzorne ploče koje su pouzdane? Također bi trebali biti u stanju razumjeti razliku između korelacije i uzročnosti. To će osigurati da su podaci točni i da se mogu koristiti za analizu.

2. Donosite odluke temeljene na podacima.

Prelazak s usmenosti podataka — gdje ljudi govore o donošenju odluka temeljenih na podacima — na podatkovnu pismenost — gdje ljudi imaju sposobnost istraživanja, razumijevanja i komunikacije s podacima — zahtijeva demokratiziranje pristupa vizualizacijama podataka. To podrazumijeva fokus na individualno učenje i primjenjivost, ali to bi trebala biti više organizacijska promjena. Prava demokratizacija podatkovne pismenosti uzima u obzir cijeli ekosustav podataka. Prepoznaje proliferaciju grafikona u svakodnevnom životu korisnika i radi na tome da ih učini široko razumljivima.

Ljudi bi trebali donositi odluke na temelju podataka, a ne samo na temelju subjektivnih mišljenja; ovo se vraća na važnost obuke koja educira korisnike o razlici između korelacije i uzročnosti. Kako bi se trebale donositi odluke temeljene na podacima? Koji je medij prezentiranja podataka i ključnih zaključaka kako bi rasprava ostala objektivna za donošenje učinkovitih odluka? Na primjer, tehnološke tvrtke trebale bi koristiti korisničke telemetrijske podatke kako bi odredile koje značajke izraditi, karakteristike upotrebe i identificirati bilo kakve probleme u korisničkom iskustvu.

3. Razviti i održavati odgovarajuću infrastrukturu.

Kako bi podržali prve dvije preporuke, rukovoditelji moraju osigurati da je njihova organizacija izgradila odgovarajuću, skalabilnu infrastrukturu za smještaj i upravljanje svojim podacima. Također bi trebali pomoći svojim organizacijama da prepoznaju i dobiju pristup AI tehnologiji koja se bavi problemima i potrebama njihovih kupaca.

Nadalje, donositelji odluka moraju pažljivo i pažljivo razmišljati o privatnosti i povjerenju podataka. To ne može biti naknadna misao; mora se ozbiljno uzeti u obzir od samog početka. Odgovornost za privatnost podataka i povjerenje trebala bi se svesti na pojedinog korisnika, što mogu obuhvatiti sveobuhvatne politike upravljanja i upravljanja podacima.

Nastavite se fokusirati na napore u području podatkovne pismenosti

Ulaganje u umjetnu inteligenciju i proširene analitičke alate kao što su Data Stories izvrstan je korak prema osnaživanju poslovnih korisnika da pronađu odgovore iz svojih podataka, ali ovi će alati nadopuniti napore na podatkovnoj pismenosti, a ne zamijeniti ih. Nadalje, pravi oblici ulaganja u AI tehnologiju i obuku mogu učinkovito podržati ljude da rade ono u čemu su najbolji: smišljaju i stvaraju rješenja dok rješavaju potrebe korisnika, a sve usredotočeno na podatke.

Nastavak usredotočenosti na podatkovnu pismenost u cijeloj organizaciji osigurat će da više vaših zaposlenika - povremeni poslovni korisnici i sofisticirani analitičari podataka - postavljaju prava pitanja o vašim podacima koja će dovesti do daljnjih uvida.

ODABERITE FLEKSIBILNOG PARTNERA ZA ANALITIKU

Partner za analitiku kao što je Tableau nudi širinu i dubinu u mogućnostima kao i obuku temeljenu na ulogama—što ga čini fleksibilnim partnerom na putu do otkrivanja onoga što najbolje funkcionira za vašu tvrtku. Nauči više o Tableau Cloud.

UVID U PODATKE ZA POSLOVNE KORISNIKE

Postavite svoje poslovne korisnike za uspjeh. Saznajte više o podatkovnim pričama ovdje.