Navigálás az adatműveltség terén a kiterjesztett elemzés világában

A mesterséges intelligencia (AI) képességei, például a gépi tanulás (ML) és a természetes nyelvi feldolgozás (NLP) folyamatosan javulnak, és a kibővített analitikai termékek megbízhatóan automatizálhatják az adatok megtekintésével és megértésével kapcsolatos számos feladatot. Az adatokból származó betekintést lehetővé tevő hatékony eszközökkel a vezetők gyakran felmerül a kérdés: vajon ez a technológia valóban csökkenti-e a adattudás képzési erőfeszítéseket szervezeteikben? Nem, inkább ellenkezőleg.

Az adatműveltség – az adatok kontextusban történő olvasásának, írásának és közlésének képessége – minden eddiginél fontosabb. Ez kritikus fontosságú abban, hogy segítse a szervezeteket adatvezérelt munkamódszer kidolgozásában, és hogy az alkalmazottakat képessé tegyék arra, hogy saját kreativitásukkal és kritikus gondolkodásukkal bővítsék mesterséges intelligencia-készségeiket.

Az adatműveltségnek a szervezet növekedésében és sikerében játszott szerepében további tényezőket is figyelembe kell venni. Az adattudósok és elemzők felvétele, képzése és megtartása nehéz – ráadásul tudásuk gyakran árnyalt és költséges. A 365 Data Science szerint, a legtöbb adattudós valószínűleg nem tölt 1.7 évnél többet jelenlegi munkahelyén. A magasan képzett adattudósok és elemzők gyakran kapnak felkéréseket olyan feladatokra, mint például tiszta adatforrás létrehozása az értékesítéshez vagy alapvető jelentések elkészítése. Speciális képességeik révén idejüket és készségeiket jobban szolgálná a munkafolyamatok modellezése és fejlesztése nagyobb értékű, összetett üzleti kérdésekhez.

Amikor a vezetők befektetnek a mesterséges intelligenciába és a kibővített analitikai technológiába, az üzleti felhasználó – egy elhivatott elemzőhöz képest hétköznapibb adatfelhasználó – hozzáférhet a kérdéseire adott válaszokhoz és a munkájuk megfelelő elvégzéséhez szükséges információkhoz anélkül, hogy aggódnia kellene a munka mechanikája miatt. így.

Annak feltárása, hogy az AI-kompatibilis megoldások hogyan támogathatják a felhasználói feladatokat, és hogyan találhatják meg a megfelelő felhasználói élményt, óriási lehetőségeket rejt magában az eszköz és a felhasználó sikerére való felkészülésben. Például egy mesterséges intelligencia eszköz automatizálhat néhány unalmasabb adat-előkészítési feladatot, majd az eredményeket eljuttatja az emberhez, aki tovább elemezheti és megjelenítheti a tartalmat az elemzési szükségletei alapján.

Az Augmented Analytics fejlesztései segítenek az embereknek gyorsabban válaszolni a kérdésekre

A kiterjesztett elemzési megoldások megkönnyíthetik az üzleti felhasználók számára az adatok megértését, ami segít a vállalatoknak e költséges technológiák értékének maximalizálásában. Például a kibővített elemzés megértheti az ügyfelek érdeklődését, és előrejelzéseket kínálhat a fogyasztói preferenciákról, a termékfejlesztésről és a marketingcsatornákról. További kontextust is biztosíthatnak az adatok trendjeivel, értékeivel és eltéréseivel kapcsolatban. A kifinomult algoritmusok további vizualizációkat javasolhatnak, amelyek hozzáadhatók az irányítópulthoz, valamint szöveges magyarázatok és természetes nyelven generált kontextus.

Íme néhány példa azokra a megoldásokra, amelyek segíthetik a munkaerő növelését.

1. Adattörténetek. A Tableau Cloud már tartalmazza Adattörténetek, egy dinamikus irányítópult widget funkció, amely mesterséges intelligencia algoritmusokat alkalmaz az adatok elemzésére, és egyszerű történetet ír róla narratív vagy felsorolás formájában. A történetek az adatokról szóló narratívákat szövik össze a puszta diagramokon és műszerfalakon túl az üzleti felhasználók számára elérhető regiszterben, ahol sok kérdésükre választ kaphatnak. Ez csökkenti az adatműveltség szintjét, amelyre egy üzleti felhasználónak szüksége van ahhoz, hogy megértse a számára legfontosabb információkat. A Data Stories felszínre hozza azokat az egyszerű kérdéseket, amelyeket a felhasználó feltesz, amikor először néz meg egy oszlopdiagramot vagy vonaldiagramot: Ez a kiugró értéknek tűnő szám valóban kiugró volt? Hogyan változott ez a szám az idők során? Mi az átlag? Az adatokat még értelmezni kell – ez nem a teljes történet –, de ez egy nagy lépés az adatokban rejlő betekintések felszabadítása felé.

2. Mutasd meg. A kiterjesztett analitikai funkciók intelligensebb kódolási alapértelmezéseket is lehetővé tesznek. A Show Me például diagramtípusokat és megfelelő jelöléskódolásokat ajánl az érdeklődésre számot tartó adatattribútumok alapján. A felhasználók ezután a kommunikálni kívánt magas szintű információkra összpontosíthatnak, és vizuális elemzési munkafolyamataik részeként megoszthatják ezeket a diagramokat közönségükkel.

3. Természetes nyelvi megértés. A kifinomult kutatásoknak, a nyelvi modellekhez való nagy képzési készleteknek és a továbbfejlesztett számítási képességeknek köszönhetően a természetes nyelv megértése is jelentősen javult az évek során.

Az emberek analitikus kérdéseket tehetnek fel anélkül, hogy érteniük kellene az SQL-lekérdezések létrehozásának mechanikáját. A jobb megértés érdekében a természetes nyelvű felületek interaktív diagramokkal válaszolhatnak a kérdésekre, amelyeket a felhasználók javíthatnak, finomíthatnak, és interakcióba léphetnek velük, miközben értelmezik az adatokat.

4. Gépi tanulás. Az ML-hez kapcsolódó kiterjesztett analitika is előrelépést tett. Ezek a modellek kifinomult és összetett elemzési feladatokat tanulhatnak meg, például adatátalakítási műveleteket, amelyek egy adott típusú felhasználóhoz vagy felhasználói csoporthoz vannak személyre szabva. Ezen túlmenően sok kibővített analitikai élmény immár intuitív felhasználói felülettel rendelkezik, csökkentve a képzés bonyolultságát, és modellt alkalmazva a felhasználó analitikai munkafolyamatában.

Bár az AI hihetetlen képességekkel rendelkezik, soha nem fogja teljesen leváltani az embereket. Az alacsonyabb szintű statisztikai tulajdonságok magas szintű kivonatainak gyűjtése összetett és meglehetősen árnyalt lehet. Az emberek kreatív megismerésének szintje magasabb; kíváncsiak vagyunk; desztillálhatjuk ezeket a magas szintű kivonatokat az adatokból.

Javaslatok az adatműveltség elősegítésére

Annak érdekében, hogy a szervezetek magasabb szintű betekintést nyerhessenek adataikból, az alkalmazottakat – az üzleti felhasználókat és az elemzőket egyaránt – fel kell tanítani arra vonatkozóan, hogyan kell elemezniük adataikat, és rendelkezniük kell az adatok megjelenítésére és bemutatására vonatkozó bevált gyakorlatokkal. Így alakíthatják ki a szervezetek a bevált gyakorlatokat az adatműveltség előmozdítása és a mesterséges intelligencia elemző eszközökkel való kiegészítése terén.

1. Fektessen be a képzésbe.

A megfelelő eszközök és a megfelelő oktatás/képzés egyaránt elengedhetetlen minden szervezet számára. Az a A Forrester Consulting tanulmány az adatműveltségről, az alkalmazottak mindössze 40%-a mondta azt, hogy szervezete biztosította az elvárt adatkezelési képzést.¹ Az egyéneknek és a szervezeteknek jobb képzésben kell részesíteniük az embereket az adataik látásának és megértésének legjobb gyakorlatairól. A munkahelyeknek tanfolyamokat kell kínálniuk az adatvizualizációról és az adatértésről, hogy az alkalmazottak megértsék a mintákat, és megtanulják a diagramok létrehozásának és ábrázolásának legjobb módjait.

Alkalmazottai képzéséhez nagyszerű, harmadik féltől származó programokat vehet igénybe olyan cégektől, mint például Qlik, Adattudás, Coursera Data & Analytics Academy, EDX, adattábor, Khan Academy, Közgyűlés, LinkedIn tanulás, és több. Tableau ajánlatok önvezérelt tanulás, élő, virtuális edzések, És egy ingyenes adatismereti tanfolyam. Hasonló, képzést is magában foglaló projektek, amelyek közül néhány ingyenes Adatok a népnek, Történetmesélés adatokkal, A Data Lodge, Az adatműveltségi projekt, És mások.

A vezetőknek azt is meg kell fontolniuk: Hogyan képezhetik alkalmazottait nemcsak a diagramok nyelvén, hanem tágabb paradigmaként is?

A sok kibővített képességgel rendelkező eszközök építésének egyik hátránya – köztük az AI és a gépi tanulás –, hogy megtévesztően egyszerűnek tűnhetnek, és nagyon gyorsan felpörgetik a felhasználókat. Az alulképzett felhasználók azonban létrehozhatnak egy diagramot vagy áttekinthető betekintést a diagramból, amely valamilyen módon félrevezető vagy félrevezető lehet.

Fontos, hogy az embereket megtanítsuk a vizuális ábrázolás nyelvére és a mögötte rejlő tudományra, hogy legalább az adatokkal tájékozottak legyenek, ha nem is tájékozottak. Például hogyan azonosítják az emberek, hogy mi a kiugró érték? Hogyan tervezzenek megbízható műszerfalakat? Képesnek kell lenniük arra is, hogy megértsék a korreláció és az ok-okozati összefüggés közötti különbséget. Ez biztosítja, hogy az adatok pontosak és elemzésre használhatók legyenek.

2. Hozz adatvezérelt döntéseket.

Az adatok szóbeliségétől – ahol az emberek az adatvezérelt döntések meghozataláról beszélnek – az adatműveltség felé – ahol az emberek képesek feltárni, megérteni és kommunikálni az adatokkal – demokratizálni kell az adatvizualizációkhoz való hozzáférést. Ez magában foglalja az egyéni tanulásra és alkalmazhatóságra való összpontosítást, de inkább szervezeti változtatásnak kell lennie. Az adatműveltség valódi demokratizálása az adatok teljes ökoszisztémáját figyelembe veszi. Felismeri a diagramok terjedését a felhasználók mindennapi életében, és azon dolgozik, hogy széles körben érthetővé tegye őket.

Az embereknek adatok és nem csupán szubjektív vélemények alapján kellene döntéseket hozniuk; ez a képzés fontosságára nyúlik vissza, amely a korreláció és az ok-okozat közötti különbségtételre oktatja a felhasználókat. Hogyan kell adatvezérelt döntéseket hozni? Mi az a médium az adatok és a legfontosabb tudnivalók bemutatására, hogy a vita tárgyilagos maradhasson a hatékony döntések meghozatalához? Például a technológiai cégeknek felhasználói telemetriai adatokat kell használniuk annak meghatározására, hogy milyen funkciókat építsenek ki, a használati jellemzőket, és azonosítsák a felhasználói élményben jelentkező esetleges súrlódásokat.

3. Megfelelő infrastruktúra kialakítása és fenntartása.

Az első két ajánlás alátámasztása érdekében a vezetőknek gondoskodniuk kell arról, hogy szervezetük megfelelő, méretezhető infrastruktúrát épített ki az adatok tárolására és kezelésére. Segíteniük kell szervezeteiket abban is, hogy azonosítsák és hozzáférjenek az AI-technológiához, amely kezeli az ügyfelek problémáit és igényeit.

Ezenkívül a döntéshozóknak megfontoltnak és megfontoltnak kell lenniük az adatvédelem és a bizalom tekintetében. Ez nem lehet utólagos gondolat; már az elején komolyan kell venni. Az adatvédelem és a bizalom iránti felelősséget egészen az egyéni felhasználóra kell hárítani, amelyre kiterjedhet az átfogó adatkezelési és adatkezelési szabályzat.

Továbbra is összpontosítson az adatműveltségre irányuló erőfeszítésekre

Az AI-ba és a kiterjesztett elemzőeszközökbe, például a Data Stories-ba való befektetés kiváló lépést jelent az üzleti felhasználók számára, hogy válaszokat találjanak adataikból, de ezek az eszközök kiegészítik az adatműveltségre irányuló erőfeszítéseket, nem pedig helyettesítik azokat. Ezenkívül a mesterséges intelligencia technológiájába és a képzésbe történő befektetés megfelelő formái hatékonyan támogathatják az embereket abban, hogy azt tegyék, amiben a legjobbak: megoldásokat találjanak ki és alkossanak, miközben az ügyfelek igényeit kielégítik, mindezt az adatok köré összpontosítva.

Ha továbbra is az adatműveltségre összpontosít az egész szervezetben, akkor több alkalmazottja – az alkalmi üzleti felhasználó és a kifinomult adatelemző – teszi fel a megfelelő kérdéseket az Ön adataival kapcsolatban, amelyek további betekintést nyerhetnek.

VÁLASSZON RUGALMAS ANALITIKAI PARTNERT

Az olyan elemzőpartnerek, mint a Tableau, széleskörű és mélyreható képességeket, valamint szerepalapú képzést kínálnak – így rugalmas partnerré válik a cége számára legmegfelelőbb megoldás felfedezéséhez vezető úton. Tudj meg többet Tableau Cloud.

ADATBETEKINTÉS ÜZLETI FELHASZNÁLÓK SZÁMÁRA

Állítsa be üzleti felhasználóit a siker érdekében. További információ az adatsztorikról itt.