Navigerende datakompetanse i en verden av utvidede analyser

Kunstig intelligens (AI)-funksjoner som maskinlæring (ML) og naturlig språkbehandling (NLP) fortsetter å forbedres, og utvidede analyseprodukter kan pålitelig automatisere mange oppgaver knyttet til å se og forstå data. Med kraftige verktøy som kan fremskaffe innsikt fra data, blir ledere ofte lurt på: Reduserer denne teknologien faktisk behovet for datakunnskap opplæringsinnsats i deres organisasjoner? Nei, snarere tvert imot.

Datakompetanse – evnen til å lese, skrive og kommunisere data i kontekst – er viktigere enn noen gang. Det er avgjørende for å hjelpe organisasjoner med å utvikle en datadrevet måte å jobbe på og gi ansatte mulighet til å øke AI-ferdigheter med sin egen kreativitet og kritiske tenkning.

Det er flere faktorer å vurdere i rollen som datakompetanse for en organisasjons vekst og suksess. Det er vanskelig å ansette, trene og beholde dataforskere og analytikere – i tillegg er ferdighetene deres ofte nyanserte og dyre. I følge 365 Data Science, de fleste dataforskere vil sannsynligvis ikke bruke mer enn 1.7 år på sin nåværende arbeidsplass. Dataforskere og analytikere, som er høyt trente, mottar ofte forespørsler om oppgaver som å bygge en ren datakilde for salg eller churning ut grunnleggende rapporter. Med deres spesialiserte evner vil deres tid og ferdigheter være bedre tjent med å jobbe med modellering og utvikling av arbeidsflyter for komplekse forretningsspørsmål av høyere verdi.

Når ledere investerer i AI og utvidet analyseteknologi, kan bedriftsbrukeren – en mer tilfeldig bruker av data sammenlignet med en dedikert analytiker – få tilgang til svarene på spørsmålene sine og informasjonen de trenger for å gjøre jobben sin godt uten å bekymre seg for mekanikken ved å gjøre det. så.

Å utforske hvordan AI-aktiverte løsninger kan støtte brukeroppgaver og finne den riktige brukeropplevelsen har et enormt potensial for å sette verktøyet og brukeren klar for suksess. For eksempel kan et AI-verktøy automatisere noen av de mer kjedelige oppgavene rundt dataforberedelse og deretter gi resultatene til mennesket, som kan videre analysere og visualisere innholdet basert på deres analytiske behov.

Fremskritt i Augmented Analytics hjelper folk med å svare på spørsmål raskere

Utvidede analyseløsninger kan gjøre det enklere for forretningsbrukere å forstå data, noe som hjelper bedrifter med å maksimere verdien av disse kostbare teknologiene. For eksempel kan utvidet analyse forstå kundeinteresser og tilby spådommer om forbrukerpreferanser, produktutvikling og markedsføringskanaler. De kan også gi ytterligere kontekst om trender, verdier og varianser i ens data. Sofistikerte algoritmer kan foreslå ytterligere visualiseringer som kan legges til et dashbord, sammen med tekstforklaringer og kontekst generert på naturlig språk.

Her er noen eksempler på løsninger som kan bidra til å heve arbeidsstyrken din.

1. Datahistorier. Tableau Cloud inkluderer nå Datahistorier, en dynamisk dashbord-widget-funksjon som bruker AI-algoritmer for å analysere data og skrive en enkel historie om det i enten en narrativ eller punktform. Historiene vever sammen fortellinger om data utover bare diagrammer og dashbord i et register som er tilgjengelig for forretningsbrukere for å svare på mange av spørsmålene deres. Dette reduserer nivået av datakompetanse en bedriftsbruker trenger for å forstå informasjonen som er viktigst for dem. Data Stories dukker opp de enkle spørsmålene en bruker stiller når de først ser på et søylediagram eller et linjediagram: Var dette tallet som ser ut som en uteligger virkelig en uteligger? Hvordan har dette tallet endret seg over tid? Hva er gjennomsnittet? Dataene må fortsatt tolkes – det er ikke hele historien – men det er et stort skritt mot å låse opp innsikten i data.

2. Vis meg. Utvidede analysefunksjoner tillater også smartere standardverdier for koding. Vis meg anbefaler for eksempel diagramtyper og passende merkekodinger basert på dataattributter av interesse. Brukere kan deretter fokusere på takeawayen på høyt nivå de ønsker å kommunisere og dele disse diagrammene med publikum som en del av deres visuelle analytiske arbeidsflyt.

3. Naturlig språkforståelse. Med sofistikert forskning, store treningssett for språkmodeller og forbedrede databehandlingsevner, har naturlig språkforståelse også blitt betydelig forbedret gjennom årene.

Folk kan stille analytiske spørsmål uten å måtte forstå mekanikken ved å konstruere SQL-spørringer. Med bedre forståelse kan grensesnitt med naturlig språk svare på spørsmål med interaktive diagrammer som brukere kan reparere, avgrense og samhandle med når de forstår dataene.

4. Maskinlæring. Augmented analytics relatert til ML har også gjort fremskritt. Disse modellene kan lære sofistikerte og komplekse analytiske oppgaver som datatransformasjonsoperasjoner som er tilpasset en bestemt type bruker eller en gruppe brukere. Videre har mange utvidede analyseopplevelser nå brukergrensesnitt som føles intuitive, noe som reduserer kompleksiteten til opplæring og bruker en modell i en brukers analytiske arbeidsflyt.

Selv om AI har utrolige evner, vil den aldri erstatte mennesker fullstendig. Å hente ut takeaways på høyt nivå fra statistiske egenskaper på lavere nivå kan være komplekst og ganske nyansert. Folk har et høyere nivå av kreativ kognisjon; vi er nysgjerrige; vi kan destillere disse høynivå-takeawayene fra data.

Anbefalinger for å fremme datakompetanse

For at organisasjoner skal kunne låse opp overordnet innsikt fra dataene sine, må ansatte – både forretningsbrukere og analytikere – læres om hvordan de bør analysere dataene sine og ha beste praksis for å visualisere og presentere data. Her er hvordan organisasjoner kan utvikle beste praksis for å fremme datakompetanse og utvide AI med analyseverktøy.

1. Invester i trening.

Å ha både de riktige verktøyene og riktig utdanning/opplæring er avgjørende for enhver organisasjon. I en Forrester Consulting-studie om datakompetanse, bare 40 % av de ansatte sa at organisasjonen deres hadde gitt opplæringen i dataferdigheter de forventes å ha.¹ Enkeltpersoner og organisasjoner bør utsette folk for bedre opplæring når det gjelder beste praksis for å se og forstå dataene deres. Arbeidsplasser bør tilby kurs rundt datavisualisering og datakompetanse slik at ansatte kan forstå mønstre og lære de beste måtene å lage og representere diagrammer på.

For å lære opp de ansatte kan du få gode tredjepartsprogrammer fra selskaper som Qlik, Datakunnskap, Courseras Data & Analytics Academy, EDX, datacamp, Khan Academy, General Assembly, LinkedIn Learning, og mer. Tableau tilbyr selvdrevet læring, live, virtuelle treningstimerOg gratis kurs om datakompetanse. Lignende prosjekter som inkluderer opplæring, hvorav noen er gratis, inkluderer Data til folket, Historiefortelling med data, Datalosjen, DatakompetanseprosjektetOg andre.

Ledere bør også vurdere: Hvordan kan dine ansatte læres opp, ikke bare i diagrammets språk, men også som et bredere paradigme?

En ulempe med å bygge verktøy som har mange utvidede funksjoner – som inkluderer AI og maskinlæring – er at de kan se villedende enkle ut, og de kan få brukerne til å øke raskt. Men undertrente brukere kan generere et diagram eller takeaway-innsikt fra et diagram som kan være misvisende eller villede på en eller annen måte.

Det er viktig å lære folk om språket for visuell representasjon og vitenskapen bak det, slik at de i det minste er datainformerte, om ikke datakunnskaper. Hvordan identifiserer folk for eksempel hva en uteligger er? Hvordan skal de utforme dashbord som er pålitelige? De skal også kunne forstå skillet mellom korrelasjon og årsakssammenheng. Dette vil sikre at dataene er nøyaktige og kan brukes til analyse.

2. Ta datadrevne beslutninger.

Å flytte fra data muntlighet – der folk snakker om å ta datadrevne beslutninger – til datakompetanse – der folk har muligheten til å utforske, forstå og kommunisere med data – krever demokratiserende tilgang til datavisualiseringer. Dette innebærer fokus på individuell læring og anvendelighet, men det bør være mer en organisatorisk endring. Den sanne demokratiseringen av datakompetanse tar hensyn til hele økosystemet av data. Den anerkjenner spredningen av diagrammer i brukernes daglige liv og jobber for å gjøre dem forståelige bredt.

Folk burde ta avgjørelser basert på data og ikke bare på subjektive meninger; dette går tilbake til viktigheten av opplæring som utdanner brukere i skillet mellom korrelasjon og årsakssammenheng. Hvordan bør datadrevne beslutninger tas? Hva er mediet for å presentere data og de viktigste takeawayene slik at diskusjonen kan forbli objektiv for å ta effektive beslutninger? For eksempel bør teknologiselskaper bruke brukertelemetridata for å bestemme hvilke funksjoner som skal bygges, bruksegenskaper og identifisere eventuelle friksjoner i brukeropplevelsen.

3. Utvikle og vedlikeholde tilstrekkelig infrastruktur.

For å støtte de to første anbefalingene, må ledere sikre at organisasjonen deres har bygget en tilstrekkelig, skalerbar infrastruktur for å huse og styre dataene. De bør også hjelpe organisasjonene deres med å identifisere og få tilgang til AI-teknologi som løser kundenes problemer og behov.

Videre må beslutningstakere være gjennomtenkte og bevisste når det gjelder datavern og tillit. Det kan ikke være en ettertanke; det må tas alvorlig i betraktning helt fra begynnelsen. Ansvaret for personvern og tillit bør destilleres helt ned til den enkelte bruker, som omfattende retningslinjer for datastyring og -administrasjon kan dekke.

Fortsett å fokusere på datakompetansearbeid

Å investere i AI og utvidede analyseverktøy som Data Stories er et utmerket skritt mot å gi bedriftsbrukere mulighet til å finne svar fra dataene deres, men disse verktøyene vil utfylle innsatsen for datakunnskap i stedet for å erstatte dem. Videre kan de riktige formene for investering i både AI-teknologi og opplæring effektivt støtte mennesker til å gjøre det de er best på: ideer og skaper løsninger mens de løser kundebehov, alt sentrert rundt data.

Å fortsette å fokusere på datakompetanse i hele organisasjonen vil sikre at flere av dine ansatte – den tilfeldige forretningsbrukeren og den sofistikerte dataanalytikeren – stiller de riktige spørsmålene om dataene dine som vil føre til ytterligere innsikt.

VELG EN FLEKSIBEL ANALYTIKKPARTNER

En analysepartner som Tableau tilbyr bredde og dybde i evner samt rollebasert opplæring – noe som gjør den til en fleksibel partner på reisen mot å oppdage hva som fungerer best for din bedrift. Lære mer om Tableau Cloud.

DATAINNSIKT FOR BETJENINGSBRUKERE

Konfigurer bedriftsbrukerne for suksess. Finn ut mer om datahistorier her.