Orientace v datové gramotnosti ve světě rozšířené analýzy

Schopnosti umělé inteligence (AI), jako je strojové učení (ML) a zpracování přirozeného jazyka (NLP), se neustále zlepšují a produkty rozšířené analýzy mohou spolehlivě automatizovat mnoho úkolů souvisejících s prohlížením a porozuměním datům. S výkonnými nástroji, které dokážou zpřístupnit poznatky z dat, se vedoucí pracovníci často ptají: Snižuje tato technologie skutečně potřebu datová gramotnost školení ve svých organizacích? Ne, spíše naopak.

Datová gramotnost – schopnost číst, zapisovat a komunikovat data v kontextu – je důležitější než kdy jindy. Je zásadní pro to, aby pomohla organizacím vyvinout způsob práce založený na datech a umožnila zaměstnancům rozšířit dovednosti AI o vlastní kreativitu a kritické myšlení.

Existují další faktory, které je třeba zvážit v roli datové gramotnosti pro růst a úspěch organizace. Najímání, školení a udržování datových vědců a analytiků je obtížné – navíc jejich dovednosti jsou často rozdílné a drahé. Podle 365 Data Science, většina datových vědců pravděpodobně nestráví na svém současném pracovišti více než 1.7 roku. Datoví vědci a analytici, kteří jsou vysoce vyškoleni, často dostávají požadavky na úkoly, jako je vytvoření čistého zdroje dat pro prodej nebo chrlení základních sestav. S jejich specializovanými schopnostmi by jejich čas a soubor dovedností lépe sloužil k práci na modelování a vývoji pracovních postupů pro hodnotnější a komplexní obchodní otázky.

Když manažeři investují do umělé inteligence a technologie rozšířené analýzy, firemní uživatel – příležitostný uživatel dat ve srovnání se specializovaným analytikem – může získat přístup k odpovědím na své otázky a informacím, které potřebují k tomu, aby dobře dělali svou práci, aniž by se museli starat o mechanismus provádění. tak.

Zkoumání toho, jak mohou řešení s umělou inteligencí podporovat uživatelské úkoly a najít správnou uživatelskou zkušenost, má obrovský potenciál nastavit nástroj a uživatele k úspěchu. Například nástroj umělé inteligence může automatizovat některé z nudnějších úkolů kolem přípravy dat a poté poskytnout výsledky člověku, který může dále analyzovat a vizualizovat obsah na základě svých analytických potřeb.

Pokroky v rozšířené analýze pomáhají lidem rychleji odpovídat na otázky

Rozšířená analytická řešení mohou podnikovým uživatelům usnadnit pochopení dat, což firmám pomáhá maximalizovat hodnotu těchto nákladných technologií. Rozšířená analytika může například porozumět zájmu zákazníků a nabídnout předpovědi o preferencích spotřebitelů, vývoji produktů a marketingových kanálech. Mohou také poskytnout další kontext o trendech, hodnotách a odchylkách ve vlastních datech. Sofistikované algoritmy mohou navrhnout další vizualizace, které lze přidat na řídicí panel, spolu s textovými vysvětleními a kontextem generovaným v přirozeném jazyce.

Zde je několik příkladů řešení, která mohou pomoci pozvednout vaši pracovní sílu.

1. Datové příběhy. Tableau Cloud nyní zahrnuje Datové příběhy, dynamická funkce widgetu řídicího panelu, která využívá algoritmy umělé inteligence k analýze dat a napsání jednoduchého příběhu o nich ve formě příběhu nebo odrážek. Příběhy spojují vyprávění o datech mimo pouhé grafy a řídicí panely v rejstříku, který je přístupný firemním uživatelům pro zodpovězení mnoha jejich otázek. To snižuje úroveň datové gramotnosti, kterou podnikový uživatel potřebuje, aby porozuměl informacím, které jsou pro něj nejdůležitější. Datové příběhy odhalují jednoduché otázky, které si uživatel klade, když se poprvé podívá na sloupcový nebo spojnicový graf: Bylo toto číslo, které vypadá jako odlehlá hodnota, skutečně odlehlou hodnotou? Jak se toto číslo v průběhu času změnilo? Jaký je průměr? Data je stále třeba interpretovat – není to celý příběh – ale je to velký krok k odemknutí přehledů v datech.

2. Ukaž mi. Funkce rozšířené analýzy také umožňují chytřejší výchozí kódování. Například Show Me doporučuje typy grafů a vhodné kódování značek na základě datových atributů, které vás zajímají. Uživatelé se pak mohou zaměřit na to, co chtějí sdělit, a sdílet tyto grafy se svým publikem jako součást svého vizuálního analytického pracovního postupu.

3. Porozumění přirozenému jazyku. Díky sofistikovanému výzkumu, velkým školicím sadám pro jazykové modely a vylepšeným výpočetním schopnostem se v průběhu let také výrazně zlepšilo porozumění přirozenému jazyku.

Lidé mohou klást analytické otázky, aniž by museli rozumět mechanismu vytváření SQL dotazů. S lepším záměrem porozumění mohou rozhraní přirozeného jazyka odpovídat na otázky pomocí interaktivních grafů, které mohou uživatelé opravovat, upřesňovat a pracovat s nimi, když dávají smysl datům.

4. Strojové učení. Rozšířená analytika související s ML také dosáhla pokroku. Tyto modely se mohou naučit sofistikované a složité analytické úlohy, jako jsou operace transformace dat, které jsou přizpůsobeny konkrétnímu typu uživatele nebo skupině uživatelů. Navíc mnoho rozšířených analytických prostředí má nyní uživatelská rozhraní, která jsou intuitivní, což snižuje složitost školení a použití modelu v analytickém pracovním postupu uživatele.

Přestože má AI neuvěřitelné schopnosti, nikdy zcela nenahradí člověka. Sbírání údajů na vysoké úrovni ze statistických vlastností nižší úrovně může být složité a dosti jemné. Lidé mají vyšší úroveň tvůrčího poznání; jsme zvídaví; můžeme z dat vydestilovat tyto vysokoúrovňové poznatky.

Doporučení pro podporu datové gramotnosti

Aby organizace mohly ze svých dat odemknout statistiky vyšší úrovně, musí být zaměstnanci – firemní uživatelé i analytici – poučeni o tom, jak by měli svá data analyzovat, a musí mít osvědčené postupy pro vizualizaci a prezentaci dat. Zde je návod, jak mohou organizace rozvíjet osvědčené postupy při podpoře datové gramotnosti a rozšiřování umělé inteligence pomocí analytických nástrojů.

1. Investujte do školení.

Mít správné nástroje a správné vzdělávání/školení je pro každou organizaci zásadní. V Studie Forrester Consulting o datové gramotnostiPouze 40 % zaměstnanců uvedlo, že jejich organizace poskytla školení v oblasti datových dovedností, které se od nich očekává.¹ Jednotlivci a organizace by měli vystavit lidi lepšímu školení, pokud jde o osvědčené postupy vidění a porozumění jejich datům. Pracoviště by měla nabízet kurzy týkající se vizualizace dat a datové gramotnosti, aby zaměstnanci porozuměli vzorcům a naučili se nejlepší způsoby, jak vytvářet a reprezentovat grafy.

Chcete-li školit své zaměstnance, můžete získat skvělé programy třetích stran od společností jako Qlik, Datová gramotnost, Akademie dat a analýzy Coursera, EdX, datacampu, Khan Academy, Valné shromáždění, LinkedIn Learning, a více. Tableau nabízí sebeřízené učení, živé, virtuální tréninkové kurzy, A bezplatný kurz datové gramotnosti. Mezi podobné projekty, které zahrnují školení, z nichž některé jsou zdarma, patří Data lidem, Vyprávění příběhů s Data, The Data Lodge, Projekt datové gramotnosti, A jiní.

Vedoucí pracovníci by také měli zvážit: Jak mohou být vaši zaměstnanci vyškoleni nejen v jazyce tabulek, ale také jako širší paradigma?

Jednou z nevýhod vytváření nástrojů, které mají spoustu rozšířených funkcí – mezi které patří umělá inteligence a strojové učení – je, že mohou vypadat zdánlivě jednoduše a mohou uživatele velmi rychle rozjet. Nedostatečně vyškolení uživatelé by však mohli vytvořit graf nebo statistiky z grafu, které by mohly být zavádějící nebo nějakým způsobem zavádějící.

Je důležité vzdělávat lidi o jazyce vizuální reprezentace a vědě za tím, aby byli přinejmenším informovaní o datech, ne-li datově gramotní. Jak například lidé identifikují, co je odlehlá hodnota? Jak by měli navrhovat řídicí panely, které jsou důvěryhodné? Měli by také být schopni porozumět rozdílu mezi korelací a kauzalitou. To zajistí, že data budou přesná a budou moci být použita pro analýzu.

2. Dělejte rozhodnutí na základě dat.

Posun od datové orality – kdy lidé mluví o rozhodování na základě dat – k datové gramotnosti – kde lidé mají možnost prozkoumávat data, rozumět jim a komunikovat s nimi – vyžaduje demokratický přístup k vizualizacím dat. To s sebou nese zaměření na individuální učení a použitelnost, ale mělo by jít spíše o organizační změnu. Skutečná demokratizace datové gramotnosti bere v úvahu celý ekosystém dat. Uvědomuje si rozšiřování tabulek v každodenním životě uživatelů a pracuje na tom, aby byly široce srozumitelné.

Lidé by se měli rozhodovat na základě údajů, nikoli pouze na základě subjektivních názorů; to se vrací k důležitosti školení, které vzdělává uživatele v rozlišení mezi korelací a kauzalitou. Jak by se měla činit rozhodnutí na základě dat? Jaké je médium pro prezentaci dat a klíčové poznatky, aby diskuse zůstala objektivní, aby bylo možné činit efektivní rozhodnutí? Technické společnosti by například měly používat uživatelská telemetrická data k tomu, aby určily, jaké funkce mají vytvořit, jaké jsou charakteristiky použití a identifikovat jakékoli tření v uživatelské zkušenosti.

3. Vyvinout a udržovat odpovídající infrastrukturu.

Pro podporu prvních dvou doporučení musí vedoucí pracovníci zajistit, aby jejich organizace vybudovala adekvátní, škálovatelnou infrastrukturu pro uložení a správu svých dat. Měli by také pomoci svým organizacím identifikovat a získat přístup k technologii AI, která řeší problémy a potřeby jejich zákazníků.

Kromě toho musí osoby s rozhodovací pravomocí uvažovat o ochraně osobních údajů a důvěře. Nemůže to být dodatečný nápad; je třeba to brát vážně hned od začátku. Odpovědnost za soukromí a důvěru dat by měla být přenesena až na jednotlivého uživatele, což mohou zahrnovat komplexní zásady správy a správy dat.

I nadále se zaměřujte na úsilí o datovou gramotnost

Investice do umělé inteligence a rozšířených analytických nástrojů, jako jsou Data Stories, je vynikajícím krokem k tomu, aby obchodní uživatelé mohli odhalovat odpovědi ze svých dat, ale tyto nástroje spíše doplní úsilí o datovou gramotnost, než aby je nahradily. Kromě toho mohou správné formy investic jak do technologií AI, tak do školení účinně podporovat lidi, aby dělali to, v čem jsou nejlepší: vymýšlení a vytváření řešení a zároveň řešení potřeb zákazníků, to vše zaměřené na data.

Pokračování v zaměření na datovou gramotnost v celé organizaci zajistí, že více vašich zaměstnanců – příležitostný podnikový uživatel a sofistikovaný datový analytik – bude klást ty správné otázky o vašich datech, které povedou k dalším poznatkům.

VYBERTE SI FLEXIBILNÍHO PARTNERA ANALYTIKY

Analytický partner, jako je Tableau, nabízí široké a hloubkové možnosti a také školení na základě rolí – což z něj činí flexibilního partnera na cestě k objevování toho, co je pro vaši společnost nejlepší. Dozvědět se víc o Tableau Cloud.

SLEDOVÁNÍ DAT PRO FIREMNÍ UŽIVATELE

Nastavte své firemní uživatele k úspěchu. Zjistěte více o datových příbězích zde.