Pag-navigate sa Data Literacy Sa Mundo ng Augmented Analytics

Ang mga kakayahan ng artificial intelligence (AI) tulad ng machine learning (ML) at natural language processing (NLP) ay patuloy na umuunlad, at ang mga augmented analytics na produkto ay maaasahang mag-automate ng maraming gawain na nauugnay sa pagtingin at pag-unawa sa data. Gamit ang makapangyarihang mga tool na maaaring magpakita ng mga insight mula sa data, ang mga executive ay madalas na naiiwang nagtataka: Talaga bang binabawasan ng teknolohiyang ito ang pangangailangan para sa literasiya sa datos mga pagsisikap sa pagsasanay sa kanilang mga organisasyon? Hindi, sa halip ang kabaligtaran.

Ang data literacy—ang kakayahang magbasa, magsulat, at makipag-usap ng data sa konteksto—ay mas mahalaga kaysa dati. Ito ay kritikal sa pagtulong sa mga organisasyon na bumuo ng data-driven na paraan ng pagtatrabaho at pagbibigay kapangyarihan sa mga empleyado na dagdagan ang mga kasanayan sa AI gamit ang kanilang sariling pagkamalikhain at kritikal na pag-iisip.

May mga karagdagang salik na dapat isaalang-alang sa papel ng data literacy para sa paglago at tagumpay ng isang organisasyon. Ang pag-hire, pagsasanay, at pagpapanatili ng data scientist at analyst ay mahirap–plus, ang kanilang mga kasanayan ay madalas na nuanced at mahal. Ayon sa 365 Data Science, karamihan sa mga data scientist ay malamang na hindi gugugol ng higit sa 1.7 taon sa kanilang kasalukuyang lugar ng trabaho. Ang mga data scientist at analyst, na lubos na sinanay, ay kadalasang nakakatanggap ng mga kahilingan para sa mga gawain tulad ng pagbuo ng malinis na data source para sa mga benta o paggawa ng mga pangunahing ulat. Sa kanilang mga espesyal na kakayahan, ang kanilang oras at hanay ng kasanayan ay mas maibibigay sa pagtatrabaho sa pagmomodelo at pagbuo ng mga daloy ng trabaho para sa mas mataas na halaga, kumplikadong mga tanong sa negosyo.

Kapag namuhunan ang mga executive sa AI at pinalaki ang teknolohiya ng analytics, ang user ng negosyo—isang mas kaswal na gumagamit ng data kumpara sa isang dedikadong analyst—ay maa-access ang mga sagot sa kanilang mga tanong at ang impormasyong kailangan nila para magawa nila nang maayos ang kanilang mga trabaho nang hindi nababahala tungkol sa mekanika ng paggawa. kaya.

Ang paggalugad kung paano masusuportahan ng mga solusyong pinagana ng AI ang mga gawain ng user at mahanap ang tamang karanasan ng user ay may napakalaking potensyal na itakda ang tool at ang user para sa tagumpay. Halimbawa, maaaring i-automate ng isang tool ng AI ang ilan sa mga mas nakakapagod na gawain sa paghahanda ng data at pagkatapos ay ibigay ang mga resulta sa tao, na higit pang makakapag-analisa at maisasalarawan ang nilalaman batay sa kanilang mga pangangailangan sa pagsusuri.

Ang Mga Pagsulong sa Augmented Analytics ay Tumutulong sa Mga Tao na Masagot ang Mga Tanong nang Mas Mabilis

Ang mga solusyon sa augmented analytics ay maaaring gawing mas madali para sa mga user ng negosyo na maunawaan ang data, na tumutulong sa mga kumpanya na i-maximize ang halaga ng mga mamahaling teknolohiyang ito. Halimbawa, mauunawaan ng augmented analytics ang interes ng customer at mag-alok ng mga hula tungkol sa mga kagustuhan ng consumer, pagbuo ng produkto, at mga channel sa marketing. Maaari rin silang magbigay ng karagdagang konteksto tungkol sa mga uso, halaga, at pagkakaiba-iba sa data ng isang tao. Ang mga sopistikadong algorithm ay maaaring magmungkahi ng mga karagdagang visualization na maaaring idagdag sa isang dashboard, kasama ng mga paliwanag sa text at kontekstong nabuo sa natural na wika.

Narito ang ilang halimbawa ng mga solusyon na makakatulong sa pagpapataas ng iyong workforce.

1. Mga Kuwento ng Data. Kasama na ngayon sa Tableau Cloud Mga Kuwento ng Data, isang tampok na dynamic na widget ng dashboard na gumagamit ng mga algorithm ng AI upang suriin ang data at magsulat ng isang simpleng kuwento tungkol dito sa alinman sa isang salaysay o naka-bullet na anyo. Pinagsasama-sama ng mga kuwento ang mga salaysay tungkol sa data na higit pa sa mga chart at dashboard sa isang rehistrong naa-access ng mga user ng negosyo para sa pagsagot sa marami sa kanilang mga tanong. Binabawasan nito ang antas ng data literacy na kailangan ng user ng negosyo upang maunawaan ang impormasyong pinakamahalaga sa kanila. Ang Mga Kuwento ng Data ay nagpapakita ng mga simpleng tanong na itinatanong ng isang user noong una silang tumingin sa isang bar chart o isang line chart: Ang numero bang ito na mukhang outlier ay talagang isang outlier? Paano nagbago ang numerong iyon sa paglipas ng panahon? Ano ang average? Kailangan pa ring bigyang-kahulugan ang data—hindi ito ang buong kuwento—ngunit ito ay isang malaking hakbang patungo sa pag-unlock ng mga insight sa data.

2. Ipakita sa Akin. Nagbibigay-daan din ang mga feature ng augmented analytics para sa mas matalinong mga default sa pag-encode. Halimbawa, inirerekomenda ng Show Me ang mga uri ng chart at naaangkop na pag-encode ng marka batay sa mga katangian ng data ng interes. Pagkatapos ay makakatuon ang mga user sa high-level takeaway na gusto nilang ipaalam at ibahagi ang mga chart na ito sa kanilang audience bilang bahagi ng kanilang visual analytical na workflow.

3. Likas na pag-unawa sa wika. Sa sopistikadong pananaliksik, malalaking set ng pagsasanay para sa mga modelo ng wika, at pinahusay na kakayahan sa pag-compute, ang natural na pag-unawa sa wika ay makabuluhang bumuti sa paglipas ng mga taon.

Ang mga tao ay maaaring magtanong ng mga analytical na tanong nang hindi kinakailangang maunawaan ang mga mekanika ng pagbuo ng mga query sa SQL. Sa mas mahusay na layunin ng pag-unawa, masasagot ng mga natural na interface ng wika ang mga tanong na may mga interactive na chart na maaaring ayusin, pinuhin, at makipag-ugnayan ng mga user habang naiintindihan nila ang data.

4. Machine learning. Ang augmented analytics na nauugnay sa ML ay gumawa din ng mga hakbang. Ang mga modelong ito ay maaaring matuto ng mga sopistikado at kumplikadong analytical na gawain tulad ng mga pagpapatakbo ng pagbabago ng data na naka-personalize sa isang partikular na uri ng user o isang pangkat ng mga user. Higit pa rito, maraming mga augmented na karanasan sa analytics ang mayroon na ngayong mga user interface na parang intuitive, binabawasan ang pagiging kumplikado ng pagsasanay at paglalapat ng modelo sa analytical workflow ng user.

Bagama't ang AI ay may hindi kapani-paniwalang mga kakayahan, hinding-hindi nito ganap na papalitan ang mga tao. Ang pagkuha ng mga high-level na takeaways mula sa mas mababang antas na mga istatistikal na katangian ay maaaring maging kumplikado at medyo nuanced. Ang mga tao ay may mas mataas na antas ng creative cognition; kami ay matanong; maaari naming i-disstill ang mga high-level na takeaway na ito mula sa data.

Mga Rekomendasyon para sa Pagpapaunlad ng Data Literacy

Para ma-unlock ng mga organisasyon ang mga insight sa mas mataas na antas mula sa kanilang data, ang mga empleyado—mga user ng negosyo at mga analyst—ay dapat maturuan tungkol sa kung paano nila dapat pag-aralan ang kanilang data at magkaroon ng pinakamahuhusay na kagawian para sa pag-visualize at pagpapakita ng data. Narito kung paano makakabuo ang mga organisasyon ng pinakamahuhusay na kagawian sa pag-promote ng data literacy at pagpapalaki ng AI gamit ang mga analytics tool.

1. Mamuhunan sa pagsasanay.

Ang pagkakaroon ng parehong mga tamang tool at tamang edukasyon/pagsasanay ay kritikal para sa anumang organisasyon. Sa isang Pag-aaral ng Forrester Consulting sa data literacy, 40% lamang ng mga empleyado ang nagsabi na ang kanilang organisasyon ay nagbigay ng pagsasanay sa mga kasanayan sa data na inaasahan na mayroon sila.¹ Dapat ilantad ng mga indibidwal at organisasyon ang mga tao sa mas mahusay na pagsasanay sa mga tuntunin ng pinakamahuhusay na kagawian sa pagtingin at pag-unawa sa kanilang data. Ang mga lugar ng trabaho ay dapat mag-alok ng mga kurso tungkol sa data visualization at data literacy upang maunawaan ng mga empleyado ang mga pattern at matutunan ang mga pinakamahusay na paraan upang lumikha at kumatawan sa mga chart.

Upang sanayin ang iyong mga empleyado, maaari kang magpatala ng mga mahuhusay na programa ng third-party ng mga kumpanya tulad ng Qlik, Pagbasa ng Datos, Academy ng Data at Analytics ng Coursera, EdX, datacamp, Khan Academy, Pangkalahatang Pagtitipon, LinkedIn Learning, at iba pa. Nag-aalok ang Tableau self-driven na pag-aaral, live, virtual na mga klase sa pagsasanay, At isang libreng kurso sa data literacy. Kasama sa mga katulad na proyekto na nagsasama ng pagsasanay, ang ilan sa mga ito ay libre Data sa Tao, Pagkukuwento gamit ang Data, Ang Data Lodge, Ang Data Literacy Project, At iba pa.

Dapat ding isaalang-alang ng mga executive: Paano masasanay ang iyong mga empleyado, hindi lamang sa wika ng mga chart kundi bilang isang mas malawak na paradigm?

Ang isang downside ng mga tool sa pagbuo na may maraming pinalaki na mga kakayahan—na kinabibilangan ng AI at machine learning—ay ang mga ito ay maaaring magmukhang mapanlinlang na simple, at maaari nilang mapataas ang mga user nang napakabilis. Ngunit ang mga undertrained na user ay maaaring makabuo ng chart o takeaway na mga insight mula sa isang chart na maaaring mapanlinlang o maligaw sa anumang paraan.

Mahalagang turuan ang mga tao sa wika ng visual na representasyon at ang agham na nasa likod nito upang sila, kahit papaano, ay may kaalaman sa data, kung hindi marunong ng datos. Halimbawa, paano natutukoy ng mga tao kung ano ang outlier? Paano sila dapat magdisenyo ng mga dashboard na mapagkakatiwalaan? Dapat din nilang maunawaan ang pagkakaiba sa pagitan ng ugnayan at sanhi. Titiyakin nito na ang data ay tumpak at magagamit para sa pagsusuri.

2. Gumawa ng mga desisyon na batay sa data.

Ang paglipat mula sa data orality—kung saan pinag-uusapan ng mga tao ang paggawa ng mga desisyon na batay sa data—sa data literacy—kung saan ang mga tao ay may kakayahang mag-explore, umunawa, at makipag-ugnayan sa data—ay nangangailangan ng demokratisasyon ng access sa mga visualization ng data. Nangangailangan ito ng pagtuon sa indibidwal na pag-aaral at pagiging angkop, ngunit dapat itong higit pa sa pagbabago ng organisasyon. Isinasaalang-alang ng tunay na demokratisasyon ng data literacy ang buong ecosystem ng data. Kinikilala nito ang paglaganap ng mga chart sa pang-araw-araw na buhay ng mga user at gumagana ito upang maging madaling maunawaan ang mga ito.

Ang mga tao ay dapat na gumawa ng mga desisyon batay sa data at hindi lamang sa mga pansariling opinyon; ito ay bumalik sa kahalagahan ng pagsasanay na nagtuturo sa mga gumagamit sa pagkakaiba sa pagitan ng ugnayan at sanhi. Paano dapat gawin ang mga desisyon na batay sa data? Ano ang daluyan ng paglalahad ng data at ang mga pangunahing takeaway upang ang talakayan ay manatiling layunin upang makagawa ng mga epektibong desisyon? Halimbawa, ang mga tech na kumpanya ay dapat gumamit ng data ng telemetry ng user upang matukoy kung anong mga feature ang gagawin, mga katangian ng paggamit, at tukuyin ang anumang alitan sa karanasan ng user.

3. Bumuo at magpanatili ng sapat na imprastraktura.

Upang suportahan ang unang dalawang rekomendasyon, dapat tiyakin ng mga executive na ang kanilang organisasyon ay nakagawa ng sapat, nasusukat na imprastraktura upang ilagay at pamahalaan ang data nito. Dapat din nilang tulungan ang kanilang mga organisasyon na matukoy at magkaroon ng access sa teknolohiya ng AI na tumutugon sa kanilang mga problema at pangangailangan ng customer.

Higit pa rito, ang mga gumagawa ng desisyon ay dapat na maalalahanin at sinadya tungkol sa privacy at tiwala ng data. Hindi ito maaaring isang nahuling pag-iisip; dapat itong isaalang-alang nang seryoso sa simula pa lamang. Ang responsibilidad ng pagkapribado ng data at pagtitiwala ay dapat na maging distilled hanggang sa indibidwal na gumagamit, na maaaring saklawin ng komprehensibong pamamahala ng data at mga patakaran sa pamamahala.

Magpatuloy sa Pagtuon sa Mga Pagsisikap sa Data Literacy

Ang pamumuhunan sa AI at mga augmented analytics tool tulad ng Data Stories ay isang mahusay na hakbang tungo sa pagbibigay kapangyarihan sa mga user ng negosyo na makahukay ng mga sagot mula sa kanilang data, ngunit ang mga tool na ito ay makadagdag sa mga pagsisikap sa data literacy sa halip na palitan ang mga ito. Higit pa rito, ang mga tamang paraan ng pamumuhunan sa parehong teknolohiya at pagsasanay ng AI ay maaaring epektibong suportahan ang mga tao na gawin ang kanilang makakaya: pag-iisip at paglikha ng mga solusyon habang nilulutas ang mga pangangailangan ng customer, lahat ay nakasentro sa data.

Ang patuloy na pagtuon sa literacy ng data sa buong organisasyon mo ay titiyakin na mas marami sa iyong mga empleyado—ang kaswal na user ng negosyo at ang sopistikadong data analyst—ay nagtatanong ng mga tamang tanong tungkol sa iyong data na hahantong sa higit pang mga insight.

PUMILI NG FLEXIBLE ANALYTICS PARTNER

Ang isang kasosyo sa analytics tulad ng Tableau ay nag-aalok ng malawak at lalim sa mga kakayahan pati na rin ang pagsasanay na nakabatay sa tungkulin—na ginagawa itong isang flexible na kasosyo sa paglalakbay upang matuklasan kung ano ang pinakamahusay para sa iyong kumpanya. Matuto ng mas marami tungkol sa Tableau Cloud.

MGA DATA INSIGHT PARA SA MGA GUMAGAMIT NG NEGOSYO

I-set up ang iyong mga user ng negosyo para sa tagumpay. Matuto pa tungkol sa Data Stories dito.