Navigointi tietolukutaitoon laajennetun analytiikan maailmassa

Tekoäly (AI) -ominaisuudet, kuten koneoppiminen (ML) ja luonnollisen kielen käsittely (NLP), paranevat edelleen, ja lisätyt analytiikkatuotteet voivat luotettavasti automatisoida monia tietojen näkemiseen ja ymmärtämiseen liittyviä tehtäviä. Tehokkaiden työkalujen avulla, jotka voivat tuoda esiin oivalluksia tiedoista, johtajat jäävät usein miettimään: Vähentääkö tämä tekniikka todella tarvetta tietotaito koulutustoimia organisaatioissaan? Ei, pikemminkin päinvastoin.

Tietolukutaito – kyky lukea, kirjoittaa ja viestiä dataa kontekstissa – on tärkeämpää kuin koskaan. Se on ratkaisevan tärkeää, kun autetaan organisaatioita kehittämään datalähtöistä tapaa työskennellä ja antaa työntekijöille mahdollisuus lisätä tekoälytaitojaan omalla luovuudellaan ja kriittisellä ajattelullaan.

Tietolukutaidon roolissa organisaation kasvun ja menestyksen kannalta on muitakin huomioitavia tekijöitä. Datatieteilijöiden ja analyytikoiden palkkaaminen, kouluttaminen ja pitäminen on vaikeaa – lisäksi heidän taitonsa ovat usein monimuotoisia ja kalliita. 365 Data Sciencen mukaanUseimmat datatieteilijät eivät todennäköisesti vietä nykyisellä työpaikallaan yli 1.7 vuotta. Korkeasti koulutetut datatieteilijät ja analyytikot saavat usein pyyntöjä tehtävistä, kuten puhtaan tietolähteen rakentamisesta myyntiä varten tai perusraporttien julkaisemisesta. Erikoistuneiden kykyjensä ansiosta heidän aikansa ja taitonsa käyvät paremmin mallintamiseen ja työnkulkujen kehittämiseen arvokkaiden ja monimutkaisten liiketoimintakysymysten parissa.

Kun johtajat investoivat tekoälyyn ja lisättyyn analytiikkateknologiaan, yrityskäyttäjä – rennompi datan käyttäjä kuin omistautunut analyytikko – voi saada vastauksia kysymyksiinsä ja tietoja, joita he tarvitsevat tehdäkseen työnsä hyvin ilman huolta tekemisen mekaniikasta. niin.

Sen tutkiminen, kuinka tekoälyä tukevat ratkaisut voivat tukea käyttäjien tehtäviä ja löytää oikeanlainen käyttökokemus, tarjoaa valtavasti mahdollisuuksia asettaa työkalu ja käyttäjä menestymään. Tekoälytyökalu voi esimerkiksi automatisoida joitain työläämpiä tietojen valmisteluun liittyviä tehtäviä ja toimittaa sitten tulokset ihmiselle, joka voi edelleen analysoida ja visualisoida sisältöä analyyttisten tarpeidensa perusteella.

Lisätyn analytiikan edistyminen auttaa ihmisiä vastaamaan kysymyksiin nopeammin

Lisätyt analytiikkaratkaisut voivat helpottaa yrityskäyttäjien tietojen ymmärtämistä, mikä auttaa yrityksiä maksimoimaan näiden kalliiden teknologioiden arvon. Esimerkiksi lisätty analytiikka voi ymmärtää asiakkaiden kiinnostusta ja tarjota ennusteita kuluttajien mieltymyksistä, tuotekehityksestä ja markkinointikanavista. Ne voivat myös tarjota lisäkontekstia tietojen trendeistä, arvoista ja vaihteluista. Kehittyneet algoritmit voivat ehdottaa lisää visualisointeja, jotka voidaan lisätä kojelautaan, sekä tekstiselityksiä ja luonnollisella kielellä luotua kontekstia.

Tässä on esimerkkejä ratkaisuista, jotka voivat auttaa nostamaan työvoimaasi.

1. Data Stories. Tableau Cloud sisältää nyt Data tarinat, dynaaminen kojelauta-widget-ominaisuus, joka käyttää tekoälyalgoritmeja tietojen analysointiin ja yksinkertaisen tarinan kirjoittamiseen siitä joko kertovana tai luettelomerkittynä. Tarinat kutovat yhteen tarinoita tiedoista pelkkien kaavioiden ja kojetaulujen lisäksi rekisterissä, johon yrityskäyttäjät voivat vastata moniin heidän kysymyksiinsä. Tämä heikentää tietolukutaidon tasoa, jota yrityskäyttäjä tarvitsee ymmärtääkseen itselleen tärkeimmän tiedon. Data Stories nostaa esiin yksinkertaiset kysymykset, joita käyttäjä kysyy, kun hän katsoo ensimmäistä kertaa pylväskaaviota tai viivakaaviota: Oliko tämä poikkeavalta näyttävä luku todella poikkeava? Miten tämä luku on muuttunut ajan myötä? Mikä on keskiarvo? Dataa on vielä tulkittava – se ei ole koko tarina – mutta se on iso askel kohti datan oivallusten avaamista.

2. Näytä minulle. Laajennetut analytiikkaominaisuudet mahdollistavat myös älykkäämpiä koodauksen oletusasetuksia. Esimerkiksi Show Me suosittelee kaaviotyyppejä ja asianmukaisia ​​merkkikoodauksia kiinnostavien tietomääritteiden perusteella. Käyttäjät voivat sitten keskittyä korkean tason takeeen, josta he haluavat kommunikoida, ja jakaa nämä kaaviot yleisönsä kanssa osana visuaalista analyyttistä työnkulkuaan.

3. Luonnollisen kielen ymmärtäminen. Pitkälle kehitetyn tutkimuksen, laajojen kielimallien koulutussarjojen ja parantuneiden laskentaominaisuuksien ansiosta myös luonnollisen kielen ymmärtäminen on parantunut merkittävästi vuosien saatossa.

Ihmiset voivat kysyä analyyttisiä kysymyksiä ilman, että heidän tarvitsee ymmärtää SQL-kyselyjen rakentamisen mekaniikkaa. Luonnollisen kielen käyttöliittymät voivat ymmärtää paremmin, joten ne voivat vastata kysymyksiin interaktiivisilla kaavioilla, joita käyttäjät voivat korjata, tarkentaa ja olla vuorovaikutuksessa ymmärtäessään tietoja.

4. Koneoppiminen. Myös ML:ään liittyvä lisätty analytiikka on edistynyt. Nämä mallit voivat oppia kehittyneitä ja monimutkaisia ​​analyyttisiä tehtäviä, kuten datan muunnostoimintoja, jotka on räätälöity tietylle käyttäjätyypille tai käyttäjäryhmälle. Lisäksi monissa laajennetuissa analytiikkakokemuksissa on nyt käyttöliittymät, jotka tuntuvat intuitiivisilta, mikä vähentää koulutuksen monimutkaisuutta ja soveltaa mallia käyttäjän analyyttiseen työnkulkuun.

Vaikka tekoälyllä on uskomattomia ominaisuuksia, se ei koskaan korvaa ihmisiä täysin. Korkean tason poimintoja alemman tason tilastollisista ominaisuuksista voi olla monimutkaista ja melko vivahteikas. Ihmisillä on korkeampi luovan kognition taso; olemme uteliaita; voimme tislata nämä korkean tason otokset tiedoista.

Suosituksia tietolukutaidon edistämiseksi

Jotta organisaatiot voivat avata korkeamman tason oivalluksia tiedoistaan, työntekijöille – niin yrityskäyttäjille kuin analyytikoille – on saatava koulutusta siitä, miten heidän tulisi analysoida tietojaan, ja heillä on oltava parhaat käytännöt tietojen visualisoimiseksi ja esittämiseksi. Näin organisaatiot voivat kehittää parhaita käytäntöjä tietolukutaidon edistämiseksi ja tekoälyn laajentamiseksi analytiikkatyökaluilla.

1. Investoi koulutukseen.

Sekä oikeat työkalut että oikea koulutus on kriittistä mille tahansa organisaatiolle. Jonkin sisällä Forrester Consulting -tutkimus tietolukutaitoa, vain 40 % työntekijöistä sanoi, että heidän organisaationsa oli järjestänyt tietotaitojen koulutusta, jonka heiltä odotetaan.¹ Yksilöiden ja organisaatioiden tulisi antaa ihmisille parempaa koulutusta tietojensa näkemisen ja ymmärtämisen parhaista käytännöistä. Työpaikoilla tulisi tarjota kursseja datan visualisoinnista ja tietolukutaidosta, jotta työntekijät voivat ymmärtää malleja ja oppia parhaat tavat luoda ja esittää kaavioita.

Kouluttaaksesi työntekijöitäsi voit palkata mahtavia kolmannen osapuolen ohjelmia esimerkiksi yrityksiltä QlikTech, Tietolukutaito, Courseran Data & Analytics Academy, EDX, dataleiri, Khan Academy, Yleiskokous, LinkedIn Oppiminen, ja enemmän. Tableau tarjoaa itseohjautuva oppiminen, live, virtuaalinen koulutus, Ja ilmainen tietolukutaitokurssi. Vastaavia hankkeita, jotka sisältävät koulutusta, joista osa on ilmaisia, ovat mm Dataa ihmisille, Tarinankerronta datalla, Data Lodge, Tietolukutaitoprojekti, Ja toiset.

Johtajien tulisi myös pohtia: Miten työntekijöitäsi voidaan kouluttaa, ei vain kaavioiden kielellä, vaan myös laajempana paradigmana?

Yksi haittapuoli sellaisten työkalujen rakentamisessa, joissa on paljon lisättyjä ominaisuuksia – mukaan lukien tekoäly ja koneoppiminen – on, että ne voivat näyttää harhaanjohtavan yksinkertaisilta ja ne voivat saada käyttäjät nopeasti käyttöön. Mutta alikoulutetut käyttäjät voivat luoda kaavion tai poimintoja kaaviosta, joka voi olla jollakin tavalla harhaanjohtava tai harhaanjohtava.

On tärkeää kouluttaa ihmisiä visuaalisen esityksen kielestä ja sen takana olevasta tieteestä, jotta he ovat ainakin tietoisia, elleivät tietolukutaitoisia. Miten ihmiset esimerkiksi tunnistavat, mikä outlier on? Kuinka heidän pitäisi suunnitella luotettavia kojelautaita? Heidän tulisi myös pystyä ymmärtämään ero korrelaation ja syy-yhteyden välillä. Näin varmistetaan, että tiedot ovat tarkkoja ja niitä voidaan käyttää analysointiin.

2. Tee datalähtöisiä päätöksiä.

Siirtyminen datan suullisuudesta – jossa ihmiset puhuvat datalähtöisten päätösten tekemisestä – datalukutaitoon – jossa ihmiset pystyvät tutkimaan, ymmärtämään ja kommunikoimaan datan kanssa – edellyttää datan visualisointien demokratisoimista. Tämä edellyttää keskittymistä yksilölliseen oppimiseen ja soveltuvuuteen, mutta sen pitäisi olla enemmän organisaatiomuutosta. Datalukutaidon todellinen demokratisointi ottaa huomioon koko dataekosysteemin. Se tunnistaa kaavioiden yleistymisen käyttäjien jokapäiväisessä elämässä ja pyrkii tekemään niistä ymmärrettäviä laajasti.

Ihmisten pitäisi tehdä päätökset tietojen perusteella eikä vain subjektiivisten mielipiteiden perusteella. Tämä juontaa juurensa sellaisen koulutuksen tärkeydestä, joka kouluttaa käyttäjiä korrelaation ja syy-yhteyden eroon. Miten datalähtöiset päätökset pitäisi tehdä? Millä keinolla tiedot ja tärkeimmät tiedot esitetään, jotta keskustelu voi pysyä objektiivisena ja tehdä tehokkaita päätöksiä? Esimerkiksi teknologiayritysten tulisi käyttää käyttäjien telemetriatietoja määrittääkseen rakennettavia ominaisuuksia, käyttöominaisuuksia ja tunnistaakseen käyttökokemuksen mahdolliset kitkat.

3. Kehittää ja ylläpitää riittävää infrastruktuuria.

Kahden ensimmäisen suosituksen tukemiseksi johtajien on varmistettava, että heidän organisaationsa on rakentanut riittävän, skaalautuvan infrastruktuurin tietojen säilyttämiseen ja hallitsemiseen. Heidän pitäisi myös auttaa organisaatioitaan tunnistamaan ja saamaan pääsyn tekoälyteknologiaan, joka vastaa asiakkaiden ongelmiin ja tarpeisiin.

Lisäksi päättäjien tulee olla harkittuja ja tietoisia tietosuojan ja luottamuksen suhteen. Se ei voi olla jälki-ajattelua; se on otettava vakavasti heti alusta alkaen. Vastuu tietosuojasta ja luottamuksesta tulee jakaa aina yksittäiselle käyttäjälle, jonka kattavat tiedonhallinta- ja hallintakäytännöt voivat kattaa.

Keskity edelleen tietolukutaitoon tähtääviin pyrkimyksiin

Investointi tekoälyyn ja lisättyihin analytiikkatyökaluihin, kuten Data Storiesiin, on erinomainen askel kohti yrityskäyttäjien mahdollisuuksia löytää vastauksia tiedoistaan, mutta nämä työkalut täydentävät tietolukutaitotyötä sen sijaan, että ne korvaavat niitä. Lisäksi oikeat investointimuodot sekä tekoälyteknologiaan että koulutukseen voivat tehokkaasti tukea ihmisiä tekemään sitä, missä he ovat parhaimmillaan: ideoimaan ja luomaan ratkaisuja ja samalla ratkaisemaan asiakkaiden tarpeita, kaikki datan ympärillä.

Jatkamalla keskittymistä tietolukutaitoon koko organisaatiossasi varmistat, että yhä useammat työntekijäsi – satunnaiset yrityskäyttäjät ja kehittyneet data-analyytikot – kysyvät tiedoistasi oikeita kysymyksiä, jotka johtavat lisätietoihin.

VALITSE JOUSTAVA ANALYTIIKKAKUMPPANI

Analytiikkakumppani, kuten Tableau, tarjoaa laajoja ja syvempiä kykyjä sekä roolipohjaista koulutusta – mikä tekee siitä joustavan kumppanin matkalla löytääkseen, mikä toimii parhaiten yrityksellesi. Lisätietoja: Tableau-pilvi.

TIETOTIEDOT YRITYSKÄYTTÄJILLE

Määritä yrityskäyttäjät menestymään. Lue lisää datatarinoista tästä.