Duomenų raštingumo naršymas išplėstinės analizės pasaulyje

Dirbtinio intelekto (AI) galimybės, pvz., mašininis mokymasis (ML) ir natūralios kalbos apdorojimas (NLP), toliau tobulėja, o papildyti analizės produktai gali patikimai automatizuoti daugelį užduočių, susijusių su duomenų matymu ir supratimu. Naudodami galingus įrankius, kurie gali atskleisti duomenų įžvalgas, vadovai dažnai klausia: ar ši technologija iš tikrųjų sumažina poreikį duomenų raštingumas mokymo pastangas savo organizacijose? Ne, greičiau atvirkščiai.

Duomenų raštingumas – gebėjimas skaityti, rašyti ir perduoti duomenis kontekste – yra svarbesnis nei bet kada anksčiau. Tai labai svarbu padedant organizacijoms sukurti duomenimis pagrįstą darbo būdą ir įgalinant darbuotojus tobulinti dirbtinio intelekto įgūdžius pasitelkiant savo kūrybiškumą ir kritinį mąstymą.

Yra papildomų veiksnių, į kuriuos reikia atsižvelgti atsižvelgiant į duomenų raštingumo vaidmenį organizacijos augimui ir sėkmei. Įdarbinti, apmokyti ir išlaikyti duomenų mokslininkus ir analitikus yra sunku, be to, jų įgūdžiai dažnai yra niuansuoti ir brangūs. Pagal 365 Data Science, dauguma duomenų mokslininkų tikriausiai nepraleis daugiau nei 1.7 metų savo dabartinėje darbo vietoje. Duomenų mokslininkai ir analitikai, kurie yra gerai apmokyti, dažnai sulaukia užklausų atlikti tokias užduotis kaip švaraus duomenų šaltinio pardavimui kūrimas arba pagrindinių ataskaitų kūrimas. Dėl jų specialių gebėjimų, jų laikas ir įgūdžių rinkinys būtų geriau pritaikytas modeliuojant ir kuriant didesnės vertės sudėtingus verslo klausimus.

Kai vadovai investuoja į dirbtinį intelektą ir išplėstinę analizės technologiją, verslo vartotojas – atsainesnis duomenų naudotojas, palyginti su atsidavusiu analitiku – gali gauti atsakymus į savo klausimus ir informaciją, kurios jiems reikia norint gerai atlikti savo darbą, nesijaudindamas dėl atlikimo mechanikos. taip.

Ištyrus, kaip dirbtinio intelekto sprendimai gali padėti atlikti naudotojo užduotis ir rasti tinkamą vartotojo patirtį, turi didžiulį potencialą, kad įrankis ir vartotojas būtų sėkmingi. Pavyzdžiui, dirbtinio intelekto įrankis gali automatizuoti kai kurias nuobodžias užduotis, susijusias su duomenų rengimu, o tada pateikti rezultatus žmogui, kuris gali toliau analizuoti ir vizualizuoti turinį pagal savo analitinius poreikius.

Papildytos analizės patobulinimai padeda žmonėms greičiau atsakyti į klausimus

Papildytos analizės sprendimai gali padėti verslo vartotojams lengviau suprasti duomenis, o tai padeda įmonėms maksimaliai padidinti šių brangių technologijų vertę. Pavyzdžiui, išplėstinė analizė gali suprasti klientų susidomėjimą ir pasiūlyti prognozes apie vartotojų pageidavimus, produktų kūrimą ir rinkodaros kanalus. Jie taip pat gali suteikti papildomo konteksto apie duomenų tendencijas, vertes ir dispersijas. Sudėtingi algoritmai gali pasiūlyti papildomų vizualizacijų, kurias galima pridėti prie prietaisų skydelio, kartu su tekstiniais paaiškinimais ir natūralia kalba sugeneruotu kontekstu.

Štai keletas sprendimų, kurie gali padėti padidinti jūsų darbo jėgą, pavyzdžių.

1. Duomenų istorijos. „Tableau Cloud“ dabar apima Duomenų istorijos, dinaminė prietaisų skydelio valdiklio funkcija, kuri naudoja dirbtinio intelekto algoritmus duomenims analizuoti ir apie tai parašyti paprastą istoriją pasakojimo arba ženkleliais. Istorijose susipina pasakojimai apie duomenis, ne tik diagramas ir informacijos suvestines, esančias verslo vartotojams prieinamame registre, kad galėtų atsakyti į daugelį jų klausimų. Tai sumažina verslo vartotojo duomenų raštingumo lygį, kad suprastų jam svarbiausią informaciją. „Data Stories“ pateikia paprastus klausimus, kuriuos vartotojas užduoda pirmą kartą pažvelgęs į juostinę arba linijinę diagramą: ar šis skaičius, atrodantis kaip nuokrypis, tikrai buvo išskirtinis? Kaip šis skaičius pasikeitė laikui bėgant? Koks yra vidurkis? Duomenys vis dar turi būti interpretuojami – tai ne visa istorija, bet tai didelis žingsnis siekiant atskleisti duomenų įžvalgas.

2. Parodyk man. Papildytos analizės funkcijos taip pat leidžia nustatyti protingesnius numatytuosius kodavimo nustatymus. Pavyzdžiui, „Show Me“ rekomenduoja diagramų tipus ir atitinkamas ženklų koduotas pagal dominančius duomenų atributus. Tada vartotojai gali sutelkti dėmesį į aukšto lygio informaciją, su kuria jie nori bendrauti, ir dalytis šiomis diagramomis su savo auditorija, vykdydami vizualinės analizės darbo eigą.

3. Natūralios kalbos supratimas. Atlikus sudėtingus tyrimus, didelius kalbos modelių mokymo rinkinius ir patobulintas skaičiavimo galimybes, bėgant metams natūralios kalbos supratimas taip pat labai pagerėjo.

Žmonės gali užduoti analitinius klausimus, nesuvokdami SQL užklausų kūrimo mechanikos. Siekdamos geriau suprasti, natūralios kalbos sąsajos gali atsakyti į klausimus su interaktyviomis diagramomis, kurias vartotojai gali taisyti, patikslinti ir sąveikauti, kai supranta duomenis.

4. Mašininis mokymasis. Su ML susijusi išplėstinė analizė taip pat padarė pažangą. Šie modeliai gali išmokti sudėtingų ir sudėtingų analitinių užduočių, pvz., duomenų transformavimo operacijų, pritaikytų konkrečiam naudotojų tipui arba vartotojų grupei. Be to, daugelis išplėstinės analizės funkcijų dabar turi vartotojo sąsajas, kurios jaučiasi intuityvios, sumažindamos mokymo sudėtingumą ir pritaikydamos modelį vartotojo analizės darbo eigoje.

Nors dirbtinis intelektas turi neįtikėtinų galimybių, jis niekada visiškai nepakeis žmonių. Aukšto lygio ištraukų iš žemesnio lygio statistinių savybių rinkimas gali būti sudėtingas ir gana niuansuotas. Žmonės turi aukštesnį kūrybinio pažinimo lygį; mes smalsūs; galime distiliuoti šiuos aukšto lygio duomenis iš duomenų.

Duomenų raštingumo skatinimo rekomendacijos

Kad organizacijos galėtų gauti aukštesnio lygio įžvalgas iš savo duomenų, darbuotojai – tiek verslo vartotojai, tiek analitikai – turi būti mokomi, kaip jie turėtų analizuoti savo duomenis, ir turėti geriausią duomenų vizualizavimo ir pateikimo praktiką. Štai kaip organizacijos gali sukurti geriausią praktiką, skatindamos duomenų raštingumą ir papildydamos dirbtinį intelektą analizės įrankiais.

1. Investuokite į mokymus.

Bet kuriai organizacijai labai svarbu turėti tinkamas priemones ir tinkamą išsilavinimą / mokymą. A „Forrester Consulting“ duomenų raštingumo tyrimas, tik 40 % darbuotojų teigė, kad jų organizacija surengė duomenų įgūdžių mokymą, kurio tikimasi.¹ Asmenys ir organizacijos turėtų geriau apmokyti žmones, kaip geriau matyti ir suprasti savo duomenis. Darbo vietose turėtų būti rengiami duomenų vizualizavimo ir duomenų raštingumo kursai, kad darbuotojai galėtų suprasti modelius ir išmokti geriausių diagramų kūrimo ir vaizdavimo būdų.

Norėdami apmokyti savo darbuotojus, galite pasitelkti puikias trečiųjų šalių programas iš tokių įmonių kaip Qlik, Duomenų raštingumas, „Coursera“ duomenų ir analizės akademija, EdX, „Datacamp“, Khan akademija, Generalinė asamblėja, LinkedIn mokymasis, ir dar. Tableau siūlo savarankiškas mokymasis, tiesioginės, virtualios treniruotės, Ir nemokamas duomenų raštingumo kursas. Panašūs projektai, apimantys mokymus, kai kurie iš jų yra nemokami, apima Duomenys žmonėms, Pasakojimas su duomenimis, Duomenų namelis, Duomenų raštingumo projektas, Ir kt.

Vadovai taip pat turėtų apsvarstyti: kaip jūsų darbuotojai gali būti mokomi ne tik diagramų kalba, bet ir kaip platesnė paradigma?

Vienas trūkumas kuriant įrankius, turinčius daug papildomų galimybių, įskaitant AI ir mašininį mokymąsi, yra tai, kad jie gali atrodyti apgaulingai paprasti ir gali labai greitai paskatinti vartotojus. Tačiau nepakankamai apmokyti naudotojai gali sukurti diagramą arba iš diagramos paimti įžvalgas, kurios gali būti klaidinančios arba suklaidintos.

Svarbu mokyti žmones apie vizualinio vaizdavimo kalbą ir su juo slypintį mokslą, kad jie bent jau būtų informuoti apie duomenis, jei ne raštingi. Pavyzdžiui, kaip žmonės nustato, kas yra iškrypimas? Kaip jie turėtų sukurti patikimus prietaisų skydelius? Jie taip pat turėtų suprasti skirtumą tarp koreliacijos ir priežastinio ryšio. Tai užtikrins, kad duomenys yra tikslūs ir gali būti naudojami analizei.

2. Priimkite duomenimis pagrįstus sprendimus.

Pereinant nuo duomenų žodiškumo – kai žmonės kalba apie duomenimis pagrįstų sprendimų priėmimą – prie duomenų raštingumo – kai žmonės turi galimybę tyrinėti, suprasti ir bendrauti su duomenimis – reikia demokratizuoti prieigą prie duomenų vizualizacijų. Tai reiškia, kad dėmesys skiriamas individualiam mokymuisi ir pritaikymui, tačiau tai turėtų būti labiau organizaciniai pokyčiai. Tikrasis duomenų raštingumo demokratizavimas atsižvelgia į visą duomenų ekosistemą. Ji atpažįsta diagramų gausėjimą kasdieniame vartotojų gyvenime ir siekia, kad jos būtų suprantamos plačiai.

Žmonės turėtų priimti sprendimus remdamiesi duomenimis, o ne tik subjektyvia nuomone; tai grįžta į mokymo svarbą, mokantį vartotojus atskirti koreliaciją ir priežastinį ryšį. Kaip turėtų būti priimami duomenimis pagrįsti sprendimai? Kokia yra duomenų pateikimo priemonė ir pagrindiniai dalykai, kad diskusija išliktų objektyvi, kad būtų priimti veiksmingi sprendimai? Pavyzdžiui, technologijų įmonės turėtų naudoti naudotojų telemetrijos duomenis, kad nustatytų, kokias funkcijas kurti, naudojimo ypatybes ir nustatyti bet kokią vartotojo patirties trintį.

3. Plėtoti ir prižiūrėti tinkamą infrastruktūrą.

Siekdami paremti pirmąsias dvi rekomendacijas, vadovai turi užtikrinti, kad jų organizacija būtų sukūrusi tinkamą, keičiamo dydžio infrastruktūrą, skirtą duomenims saugoti ir valdyti. Jie taip pat turėtų padėti savo organizacijoms nustatyti ir gauti prieigą prie dirbtinio intelekto technologijos, kuri sprendžia jų klientų problemas ir poreikius.

Be to, sprendimus priimantys asmenys turi būti apgalvoti ir apgalvoti duomenų privatumo ir pasitikėjimo klausimais. Tai negali būti pasekmė; į tai reikia rimtai atsižvelgti nuo pat pradžių. Atsakomybė už duomenų privatumą ir pasitikėjimą turėtų būti perkelta iki individualaus vartotojo, kurią gali apimti išsami duomenų valdymo ir valdymo politika.

Toliau sutelkite dėmesį į duomenų raštingumo pastangas

Investavimas į dirbtinį intelektą ir išplėstines analizės įrankius, pvz., „Data Stories“, yra puikus žingsnis siekiant suteikti verslo vartotojams galimybę rasti atsakymus iš savo duomenų, tačiau šie įrankiai papildys duomenų raštingumo pastangas, o ne jas pakeis. Be to, tinkamos investicijos į dirbtinio intelekto technologijas ir mokymus gali veiksmingai padėti žmonėms daryti tai, ką jie išmano geriausiai: sugalvoti ir kurti sprendimus, kartu sprendžiant klientų poreikius, sutelkiant dėmesį į duomenis.

Jei ir toliau sutelksite dėmesį į duomenų raštingumą visoje organizacijoje, užtikrinsite, kad daugiau jūsų darbuotojų – paprastų verslo naudotojų ir patyrusių duomenų analitiko – užduos tinkamus klausimus apie jūsų duomenis, kurie leis gauti daugiau įžvalgų.

PASIRINKITE LANKSTĄ ANALITIKOS PARTNERĮ

Analitikos partneris, pvz., „Tableau“, siūlo platų ir gilų pajėgumą, taip pat vaidmenimis pagrįstą mokymą, todėl jis yra lankstus partneris kelionėje atrasti, kas geriausiai tinka jūsų įmonei. Išmokti daugiau apie Tableau debesis.

DUOMENŲ ĮŽVALGOS VERSLO VARTOTOJUI

Nustatykite savo verslo naudotojus, kad jie būtų sėkmingi. Sužinokite daugiau apie duomenų istorijas čia.