Navigacija podatkovnom pismenošću u svijetu proširene analitike

Mogućnosti umjetne inteligencije (AI) kao što su strojno učenje (ML) i obrada prirodnog jezika (NLP) nastavljaju da se poboljšavaju, a prošireni analitički proizvodi mogu pouzdano automatizirati mnoge zadatke koji se odnose na gledanje i razumijevanje podataka. Uz moćne alate koji mogu otkriti uvide iz podataka, rukovodioci se često pitaju: da li ova tehnologija zapravo smanjuje potrebu za pismenost podataka obuka u njihovim organizacijama? Ne, naprotiv.

Podatkovna pismenost – sposobnost čitanja, pisanja i komuniciranja podataka u kontekstu – važnija je nego ikad. To je ključno u pomaganju organizacijama da razviju način rada zasnovan na podacima i osnaživanju zaposlenih da prošire veštine veštačke inteligencije svojom kreativnošću i kritičkim mišljenjem.

Postoje dodatni faktori koje treba uzeti u obzir u ulozi pismenosti podataka za rast i uspjeh organizacije. Zapošljavanje, obuka i zadržavanje naučnika i analitičara podataka je teško – plus, njihove vještine su često nijansirane i skupe. Prema 365 Data Science, većina naučnika sa podacima vjerovatno neće provesti više od 1.7 godina na svom trenutnom radnom mjestu. Naučnici i analitičari podataka, koji su visoko obučeni, često primaju zahtjeve za zadatke kao što su izgradnja čistog izvora podataka za prodaju ili izrada osnovnih izvještaja. Sa njihovim specijalizovanim sposobnostima, njihovo vrijeme i skup vještina bi bolje poslužili radeći na modeliranju i razvoju tokova posla za složena poslovna pitanja veće vrijednosti.

Kada rukovodioci ulažu u AI i tehnologiju proširene analitike, poslovni korisnik – ležerniji korisnik podataka u odnosu na posvećenog analitičara – može pristupiti odgovorima na svoja pitanja i informacijama koje su im potrebne da dobro obavljaju svoj posao bez brige o mehanici rada. tako.

Istraživanje kako rješenja s AI-om mogu podržati korisničke zadatke i pronaći pravo korisničko iskustvo ima ogroman potencijal za postavljanje alata i korisnika za uspjeh. Na primjer, AI alat može automatizirati neke od dosadnijih zadataka oko pripreme podataka, a zatim pružiti rezultate čovjeku, koji može dalje analizirati i vizualizirati sadržaj na osnovu svojih analitičkih potreba.

Napredak u proširenoj analitici pomaže ljudima da brže odgovore na pitanja

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

Evo nekoliko primjera rješenja koja mogu pomoći u podizanju vaše radne snage.

1. Priče o podacima. Tableau Cloud sada uključuje Data Stories, dinamički widget na kontrolnoj tabli koji koristi AI algoritme za analizu podataka i pisanje jednostavne priče o njima u narativnom ili nabrajanom obliku. Priče spajaju naracije o podacima izvan pukih grafikona i kontrolnih tabli u registru dostupnom poslovnim korisnicima za odgovore na mnoga njihova pitanja. Ovo smanjuje nivo pismenosti podataka poslovnom korisniku koji je potreban da bi razumio informacije koje su mu najvažnije. Priče o podacima prikazuju jednostavna pitanja koja korisnik postavlja kada prvi put pogleda trakasti ili linijski grafikon: Da li je ovaj broj koji izgleda kao izvanredan zaista bio izvanredan? Kako se taj broj mijenjao tokom vremena? Koji je prosjek? Podatke još treba tumačiti – to nije cijela priča – ali to je veliki korak ka otključavanju uvida u podatke.

2. Pokaži mi. Funkcije proširene analitike također omogućavaju pametnije zadane postavke kodiranja. Na primjer, Show Me preporučuje tipove grafikona i odgovarajuća kodiranja oznaka na osnovu atributa podataka od interesa. Korisnici se tada mogu fokusirati na visokokvalitetni sadržaj o kojem žele da komuniciraju i podijele ove grafikone sa svojom publikom kao dio svog vizualno analitičkog radnog toka.

3. Razumijevanje prirodnog jezika. Sa sofisticiranim istraživanjem, velikim setovima za obuku za jezičke modele i poboljšanim računarskim sposobnostima, razumijevanje prirodnog jezika se također značajno poboljšalo tokom 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 grafikonima koje korisnici mogu popraviti, precizirati i komunicirati s njima dok razumiju podatke.

4. Mašinsko učenje. Proširena analitika vezana za ML također je napravila napredak. Ovi modeli mogu naučiti sofisticirane i složene analitičke zadatke kao što su operacije transformacije podataka koje su personalizirane za određeni tip korisnika ili grupu korisnika. Štaviše, mnoga proširena analitička iskustva sada imaju korisnička sučelja koja su intuitivna, smanjujući složenost obuke i primjenu modela u korisnikovom analitičkom radnom toku.

Iako AI ima nevjerovatne mogućnosti, nikada neće u potpunosti zamijeniti ljude. Sakupljanje podataka visokog nivoa iz statističkih svojstava nižeg nivoa može biti složeno i prilično nijansirano. Ljudi imaju viši nivo kreativne spoznaje; mi smo radoznali; možemo izvući ove zaključke na visokom nivou iz podataka.

Preporuke za poticanje podatkovne pismenosti

Da bi organizacije mogle da otključaju uvide višeg nivoa iz svojih podataka, zaposleni – i poslovni korisnici i analitičari – moraju biti educirani o tome kako treba da analiziraju svoje podatke i imaju najbolje prakse za vizualizaciju i prezentaciju podataka. Evo kako organizacije mogu razviti najbolje prakse u promoviranju pismenosti podataka i proširenju AI pomoću analitičkih alata.

1. Investirajte u obuku.

Posjedovanje pravih alata i pravog obrazovanja/obuke je ključno za svaku organizaciju. U Forrester Consulting studija o pismenosti podataka, samo 40% zaposlenih je reklo da je njihova organizacija obezbedila obuku za veštine podataka koju se očekuje.¹ Pojedinci i organizacije treba da izlože ljude boljoj obuci u smislu najbolje prakse uvida i razumijevanja njihovih podataka. Radna mjesta bi trebala ponuditi kurseve o vizualizaciji podataka i pismenosti podataka kako bi zaposleni mogli razumjeti obrasce i naučiti najbolje načine za kreiranje i predstavljanje grafikona.

Da biste obučili svoje zaposlene, možete angažovati odlične programe trećih strana kompanija kao što su Qlik, Pismenost podataka, Coursera Akademija podataka i analitike, EdX, datacamp, Khan Academy, Generalna Skupština, LinkedIn Learning, i više. Tableau ponude samostalno učenje, časovi virtuelne obuke uživo, A besplatan kurs o pismenosti podataka. Slični projekti koji uključuju obuku, od kojih su neki besplatni, uključuju Podaci ljudima, Pripovijedanje s podacima, The Data Lodge, Projekat pismenosti podataka, i drugi.

Rukovodioci bi takođe trebali razmotriti: Kako vaši zaposlenici mogu biti obučeni, ne samo u jeziku grafikona, već i kao široj paradigmi?

Jedna mana alata za pravljenje koji imaju puno proširenih mogućnosti – koje uključuju AI i mašinsko učenje – je da mogu izgledati varljivo jednostavno i da mogu vrlo brzo povećati korisnike. Ali nedovoljno obučeni korisnici mogli bi generirati grafikon ili uvide iz grafikona koji bi mogli na neki način dovesti u zabludu ili zabludu.

Važno je educirati ljude o jeziku vizuelnog predstavljanja i nauci koja stoji iza toga, tako da oni, u najmanju ruku, budu informirani o podacima, ako ne i pismeni. Na primjer, kako ljudi prepoznaju šta je outlier? Kako bi trebali dizajnirati kontrolne ploče koje su pouzdane? Takođe bi trebalo da budu u stanju da razumeju razliku između korelacije i uzročnosti. Ovo će osigurati da su podaci tačni i da se mogu koristiti za analizu.

2. Donosite odluke zasnovane na podacima.

Prelazak sa usmenosti podataka – gdje ljudi govore o donošenju odluka na temelju podataka – do pismenosti podataka – gdje ljudi imaju sposobnost da istražuju, razumiju i komuniciraju s podacima – zahtijeva demokratizaciju pristupa vizualizacijama podataka. Ovo podrazumijeva fokus na individualnom učenju i primjenjivosti, ali bi to trebala biti više organizacijska promjena. Prava demokratizacija podatkovne pismenosti uzima u obzir cijeli ekosistem podataka. On prepoznaje proliferaciju grafikona u svakodnevnom životu korisnika i radi na tome da ih učini razumljivim naširoko.

Ljudi bi trebalo da donose odluke na osnovu podataka, a ne samo na subjektivnim mišljenjima; ovo se vraća na važnost obuke koja obrazuje korisnike o razlikovanju između korelacije i uzročnosti. Kako treba donositi odluke zasnovane na podacima? Koji je medij prezentovanja podataka i ključnih zaključaka kako bi diskusija mogla ostati objektivna i donijeti učinkovite odluke? Na primjer, tehnološke kompanije trebale bi koristiti podatke korisničke telemetrije kako bi odredile koje značajke treba izgraditi, karakteristike korištenja i identificirati sva trenja u korisničkom iskustvu.

3. Razviti i održavati adekvatnu infrastrukturu.

Kako bi podržali prve dvije preporuke, rukovodioci moraju osigurati da njihova organizacija izgradi adekvatnu, skalabilnu infrastrukturu za smještaj i upravljanje podacima. Također bi trebali pomoći svojim organizacijama da identifikuju i dobiju pristup AI tehnologiji koja rješava probleme i potrebe njihovih kupaca.

Nadalje, donosioci odluka moraju biti promišljeni i promišljeni u pogledu privatnosti i povjerenja podataka. To ne može biti naknadna misao; mora se ozbiljno uzeti u obzir od samog početka. Odgovornost za privatnost i povjerenje podataka treba svesti na pojedinačnog korisnika, što sveobuhvatna politika upravljanja podacima i upravljanja može pokriti.

Nastavite se fokusirati na napore u pogledu pismenosti podataka

Ulaganje u AI i proširene analitičke alate kao što su Data Stories je odličan korak ka osnaživanju poslovnih korisnika da pronađu odgovore iz svojih podataka, ali ovi alati će dopuniti napore za pismenost podataka, a ne zamijeniti ih. Nadalje, pravi oblici ulaganja u tehnologiju umjetne inteligencije i obuku mogu efikasno podržati ljude da rade ono u čemu su najbolji: osmišljavanje i kreiranje rješenja uz rješavanje potreba kupaca, a sve usredotočeno na podatke.

Nastavak fokusiranja na pismenost podataka u cijeloj vašoj organizaciji osigurat će da više vaših zaposlenika – povremeni poslovni korisnik i sofisticirani analitičar podataka – postavlja prava pitanja o vašim podacima koja će dovesti do daljnjih uvida.

ODABERITE FLEKSIBILNOG PARTNERA ZA ANALITKU

Partner za analitiku kao što je Tableau nudi širinu i dubinu u mogućnostima, kao i obuku zasnovanu na ulogama – što ga čini fleksibilnim partnerom na putu ka otkrivanju onoga što najbolje funkcioniše za vašu kompaniju. Saznajte više o Tableau Cloud.

Uvidi u podatke za poslovne korisnike

Postavite svoje poslovne korisnike za uspjeh. Saznajte više o Data Stories ovdje.