Andmepädevuses navigeerimine liitanalüüsi maailmas

Tehisintellekti (AI) võimalused, nagu masinõpe (ML) ja loomuliku keele töötlemine (NLP), paranevad jätkuvalt ning täiustatud analüütikatooted suudavad usaldusväärselt automatiseerida paljusid andmete nägemise ja mõistmisega seotud ülesandeid. Võimsate tööriistade abil, mis võivad andmete põhjal saada teavet, jäävad juhid sageli mõtlema: kas see tehnoloogia vähendab tegelikult vajadust andmekirjaoskus koolitustegevust oma organisatsioonides? Ei, pigem vastupidi.

Andmekirjaoskus – võime lugeda, kirjutada ja kontekstis andmeid edastada – on olulisem kui kunagi varem. See on ülioluline, et aidata organisatsioonidel arendada andmepõhist tööviisi ja anda töötajatele võimalus AI-oskusi oma loovuse ja kriitilise mõtlemise abil täiendada.

Andmepädevuse rollis organisatsiooni kasvu ja edu saavutamiseks tuleb arvestada täiendavate teguritega. Andmeteadlaste ja analüütikute palkamine, koolitamine ja hoidmine on keeruline – lisaks on nende oskused sageli nüansirikkad ja kulukad. Vastavalt 365 Data Science, ei veeda enamik andmeteadlasi oma praegusel töökohal tõenäoliselt kauem kui 1.7 aastat. Andmeteadlased ja analüütikud, kes on kõrgelt koolitatud, saavad sageli taotlusi selliste ülesannete täitmiseks nagu puhta andmeallika loomine müügiks või põhiaruannete koostamine. Spetsiaalsete võimete tõttu oleks nende aega ja oskusi paremini kasutada töövoogude modelleerimisel ja arendamisel suurema väärtusega ja keerukate äriküsimuste jaoks.

Kui juhid investeerivad tehisintellekti ja täiustatud analüütikatehnoloogiasse, pääseb ärikasutaja, kes on pühendunud analüütikuga võrreldes juhuslikum andmete kasutaja, juurde pääseda vastustele oma küsimustele ja teabele, mida nad vajavad oma töö hästi tegemiseks, ilma et peaks muretsema töö tegemise mehhanismide pärast. nii.

Uurides, kuidas AI-toega lahendused saavad kasutajate ülesandeid toetada ja õiget kasutuskogemust leida, on tohutult potentsiaali tööriista ja kasutaja edu saavutamiseks. Näiteks võib tehisintellekti tööriist automatiseerida mõningaid tüütumaid andmete ettevalmistamisega seotud ülesandeid ja seejärel anda tulemused inimesele, kes saab sisu edasi analüüsida ja visualiseerida oma analüütiliste vajaduste põhjal.

Täiustatud analüüsi edusammud aitavad inimestel küsimustele kiiremini vastata

Täiustatud analüütikalahendused võivad ärikasutajatel andmetest paremini aru saada, mis aitab ettevõtetel nende kulukate tehnoloogiate väärtust maksimeerida. Näiteks võib täiendatud analüütika mõista klientide huvi ja pakkuda ennustusi tarbijate eelistuste, tootearenduse ja turunduskanalite kohta. Samuti võivad need anda täiendavat konteksti andmete suundumuste, väärtuste ja erinevuste kohta. Keerukad algoritmid võivad soovitada täiendavaid visualiseerimisi, mida saab armatuurlauale lisada, koos tekstiselgituste ja loomulikus keeles loodud kontekstiga.

Siin on mõned näited lahendustest, mis võivad aidata teie tööjõudu tõsta.

1. Andmelood. Tableau Cloud sisaldab nüüd Andmelood, dünaamilise armatuurlaua vidina funktsioon, mis kasutab AI-algoritme andmete analüüsimiseks ja nende kohta lihtsa loo kirjutamiseks kas narratiivi või täppidega. Lood põimivad kokku narratiivid andmete kohta, mis ei ole pelgalt diagrammid ja armatuurlauad ärikasutajatele paljudele nende küsimustele vastamiseks juurdepääsetavas registris. See vähendab andmepädevuse taset, mida ärikasutaja vajab, et mõista tema jaoks kõige olulisemat teavet. Andmelood tõstavad esile lihtsad küsimused, mida kasutaja küsib, kui ta esimest korda tulpdiagrammi või joondiagrammi vaatab: kas see arv, mis näib olevat kõrvalekalle, oli tõesti kõrvalekalle? Kuidas on see arv aja jooksul muutunud? Mis on keskmine? Andmeid tuleb veel tõlgendada – see pole kogu lugu –, kuid see on suur samm andmetes leiduva ülevaate avamise suunas.

2. Näita mulle. Täiustatud analüütikafunktsioonid võimaldavad ka nutikamaid kodeeringu vaikeseadeid. Näiteks Show Me soovitab huvipakkuvate andmeatribuutide põhjal diagrammitüüpe ja sobivaid märkide kodeeringuid. Seejärel saavad kasutajad keskenduda kõrgetasemelisele teabele, millega nad soovivad suhelda, ja jagada neid diagramme oma vaatajaskonnaga osana oma visuaalsest analüütilisest töövoost.

3. Loomuliku keele mõistmine. Keerukate uuringute, suurte keelemudelite koolituskomplektide ja täiustatud arvutusvõimaluste abil on loomuliku keele mõistmine aastatega oluliselt paranenud.

Inimesed saavad esitada analüütilisi küsimusi, ilma et nad peaksid aru saama SQL-päringute koostamise mehhanismidest. Parema mõistmise eesmärgil saavad loomuliku keele liidesed vastata küsimustele interaktiivsete diagrammide abil, mida kasutajad saavad parandada, täpsustada ja andmete mõistmisel suhelda.

4. Masinõpe. Edusamme on teinud ka ML-iga seotud laiendatud analüüs. Need mudelid võivad õppida keerukaid ja keerukaid analüütilisi ülesandeid, nagu andmete teisendustoimingud, mis on isikupärastatud teatud tüüpi kasutajate või kasutajate rühma jaoks. Lisaks on paljudel täiustatud analüüsikogemustel nüüd intuitiivsed kasutajaliidesed, mis vähendavad koolituse keerukust ja rakendavad mudelit kasutaja analüütilises töövoos.

Kuigi tehisintellektil on uskumatud võimalused, ei asenda see kunagi inimesi täielikult. Kõrgetasemeliste andmete kogumine madalama taseme statistilistest omadustest võib olla keeruline ja üsna nüansirikas. Inimestel on loomingulise tunnetuse tase kõrgem; oleme uudishimulikud; saame need kõrgetasemelised andmetest väljavõtted destilleerida.

Soovitused andmepädevuse edendamiseks

Selleks, et organisatsioonid saaksid oma andmetest kõrgemal tasemel teadmisi saada, peavad töötajad – nii ärikasutajad kui ka analüütikud – olema haritud selle kohta, kuidas nad peaksid oma andmeid analüüsima, ning omama parimaid tavasid andmete visualiseerimiseks ja esitamiseks. Siit saate teada, kuidas organisatsioonid saavad välja töötada parimaid tavasid andmepädevuse edendamiseks ja tehisintellekti täiendamiseks analüüsivahenditega.

1. Investeeri koolitusse.

Nii õigete tööriistade kui ka õige hariduse/koolituse omamine on iga organisatsiooni jaoks ülioluline. Sees Forrester Consulting uuring andmepädevuse kohta, vaid 40% töötajatest ütles, et nende organisatsioon on pakkunud andmeoskuste koolitust, mida neilt oodatakse.¹ Üksikisikud ja organisatsioonid peaksid inimesi paremini koolitama oma andmete nägemise ja mõistmise parimate tavade osas. Töökohad peaksid pakkuma kursusi andmete visualiseerimise ja andmepädevuse kohta, et töötajad mõistaksid mustreid ja õpiksid parimaid viise diagrammide loomiseks ja esitamiseks.

Oma töötajate koolitamiseks võite tellida suurepäraseid kolmanda osapoole programme sellistelt ettevõtetelt nagu Klõpsake nuppu, Andmekirjaoskus, Coursera andmete ja analüüside akadeemia, EdX, andmelaager, Khan Academy, Üldkogu, LinkedIn Learning, ja veel. Tableau pakkumised iseseisev õpe, reaalajas, virtuaalsed treeningtunnidJa tasuta andmepädevuse kursus. Sarnased koolitust sisaldavad projektid, millest mõned on tasuta, hõlmavad ka Andmed rahvale, Lugude jutustamine andmetega, Andmemaja, Andmekirjaoskuse projektJa teised.

Juhid peaksid ka kaaluma järgmist: kuidas saaks teie töötajaid koolitada mitte ainult diagrammide keeles, vaid ka laiema paradigmana?

Üks miinus selliste tööriistade loomisel, millel on palju täiustatud võimalusi, sealhulgas tehisintellekt ja masinõpe, on see, et need võivad tunduda petlikult lihtsad ja kasutajad saavad neid väga kiiresti juurde tõsta. Kuid alakoolitatud kasutajad võivad luua diagrammi või diagrammi põhjal ülevaate, mis võib olla mingil moel eksitav või eksitav.

Oluline on harida inimesi visuaalse esituse keele ja selle taga oleva teaduse alal, et nad oleksid vähemalt andmetega kursis, kui mitte andmekirjaoskusega. Näiteks kuidas inimesed tuvastavad, mis on kõrvalekalle? Kuidas peaksid nad kujundama usaldusväärseid armatuurlaudu? Samuti peaksid nad mõistma korrelatsiooni ja põhjusliku seose erinevust. See tagab, et andmed on täpsed ja neid saab analüüsimiseks kasutada.

2. Tehke andmepõhiseid otsuseid.

Liikumine andmete suulisuselt – kus inimesed räägivad andmepõhiste otsuste tegemisest – andmekirjaoskuseni – kus inimestel on võimalus andmeid uurida, mõista ja nendega suhelda – on vaja demokratiseerivat juurdepääsu andmete visualiseerimisele. See eeldab keskendumist individuaalsele õppimisele ja rakendatavusele, kuid see peaks olema pigem organisatsiooniline muudatus. Andmepädevuse tõeline demokratiseerimine võtab arvesse kogu andmete ökosüsteemi. See tunnistab diagrammide levikut kasutajate igapäevaelus ja töötab selle nimel, et muuta need laialdaselt arusaadavaks.

Inimesed peaksid tegema otsuseid andmete, mitte ainult subjektiivsete arvamuste põhjal; see ulatub tagasi koolituse tähtsuseni, mis õpetab kasutajaid korrelatsiooni ja põhjusliku seose eristamiseks. Kuidas tuleks teha andmepõhiseid otsuseid? Mis on andmete ja võtmete esitamise vahend, et arutelu jääks objektiivseks, et teha tõhusaid otsuseid? Näiteks peaksid tehnoloogiaettevõtted kasutama kasutajate telemeetria andmeid, et teha kindlaks, milliseid funktsioone luua, kasutusomadused ja kasutajakogemuse hõõrdumised tuvastada.

3. Arendada ja säilitada piisav infrastruktuur.

Kahe esimese soovituse toetamiseks peavad juhid tagama, et nende organisatsioon on loonud piisava, skaleeritava infrastruktuuri andmete hoidmiseks ja haldamiseks. Samuti peaksid nad aitama oma organisatsioonidel tuvastada AI-tehnoloogiat, mis lahendab nende klientide probleeme ja vajadusi, ja saada sellele juurdepääs.

Lisaks peavad otsustajad olema läbimõeldud ja kaalutletud andmete privaatsuse ja usalduse suhtes. See ei saa olla järelmõte; sellega tuleb kohe alguses tõsiselt arvestada. Andmete privaatsuse ja usalduse eest vastutav vastutus peaks jääma üksikkasutajale, mida kõikehõlmavad andmehaldus- ja halduspoliitikad võivad hõlmata.

Jätkake keskendumist andmepädevusega seotud jõupingutustele

Investeerimine tehisintellekti ja täiustatud analüütikatööriistadesse, nagu Data Stories, on suurepärane samm ärikasutajate andmisel oma andmete põhjal vastuseid välja kaevata, kuid need tööriistad täiendavad andmepädevusega seotud jõupingutusi, mitte ei asenda neid. Lisaks võivad õiged investeerimisvormid nii tehisintellekti tehnoloogiasse kui ka koolitusse aidata inimestel teha seda, milles nad kõige paremini oskavad: lahenduste väljamõtlemisel ja loomisel, lahendades samal ajal klientide vajadusi, keskendudes andmetele.

Andmepädevusele keskendumine kogu oma organisatsioonis tagab, et suurem osa teie töötajatest – tavalistest ärikasutajatest ja kogenud andmeanalüütikutest – esitab teie andmete kohta õigeid küsimusi, mis annavad täiendava ülevaate.

VALI PAINDLIK ANALÜÜTIKAS PARTNER

Analüütikapartner nagu Tableau pakub võimaluste laiust ja sügavust ning rollipõhist koolitust – muutes selle paindlikuks partneriks teie ettevõtte jaoks kõige sobivama avastamisel. Lisateavet Tableau pilv.

ETTEVÕTEKASUTATAJAD ANDMETE STATISTIKA

Seadistage oma ärikasutajad edu saavutamiseks. Lisateave andmelugude kohta siin.