Navigering af datafærdigheder i en verden af ​​augmented Analytics

Kunstig intelligens (AI)-funktioner som maskinlæring (ML) og naturlig sprogbehandling (NLP) fortsætter med at forbedres, og augmented analytics-produkter kan pålideligt automatisere mange opgaver relateret til at se og forstå data. Med kraftfulde værktøjer, der kan vise indsigt fra data, bliver ledere ofte undret: Reducerer denne teknologi faktisk behovet for datakendskab uddannelsesindsats i deres organisationer? Nej, snarere tværtimod.

Datafærdighed – evnen til at læse, skrive og kommunikere data i kontekst – er vigtigere end nogensinde. Det er afgørende for at hjælpe organisationer med at udvikle en datadrevet måde at arbejde på og give medarbejderne mulighed for at øge AI-færdigheder med deres egen kreativitet og kritiske tænkning.

Der er yderligere faktorer at overveje i rollen som datafærdigheder for en organisations vækst og succes. Det er svært at ansætte, træne og fastholde dataforskere og analytikere – og deres færdigheder er ofte nuancerede og dyre. Ifølge 365 Data Science, vil de fleste dataforskere sandsynligvis ikke bruge mere end 1.7 år på deres nuværende arbejdsplads. Data videnskabsmænd og analytikere, som er højt uddannede, modtager ofte anmodninger om opgaver som at bygge en ren datakilde til salg eller udsende grundlæggende rapporter. Med deres specialiserede evner ville deres tid og færdigheder være bedre tjent med at arbejde med at modellere og udvikle arbejdsgange til komplekse forretningsspørgsmål af højere værdi.

Når ledere investerer i AI og augmented analytics-teknologi, kan forretningsbrugeren – en mere afslappet bruger af data sammenlignet med en dedikeret analytiker – få adgang til svarene på deres spørgsmål og den information, de har brug for for at udføre deres job godt uden at bekymre sig om mekanikken ved at gøre det. så.

At udforske, hvordan AI-aktiverede løsninger kan understøtte brugeropgaver og finde den rigtige brugeroplevelse, har et enormt potentiale til at sætte værktøjet og brugeren op til succes. For eksempel kan et AI-værktøj automatisere nogle af de mere kedelige opgaver omkring dataforberedelse og derefter levere resultaterne til mennesket, som kan analysere og visualisere indholdet yderligere baseret på deres analytiske behov.

Fremskridt i Augmented Analytics hjælper folk med at besvare spørgsmål hurtigere

Forstærkede analyseløsninger kan gøre det nemmere for forretningsbrugere at forstå data, hvilket hjælper virksomheder med at maksimere værdien af ​​disse dyre teknologier. For eksempel kan udvidede analyser forstå kundernes interesse og tilbyde forudsigelser om forbrugernes præferencer, produktudvikling og marketingkanaler. De kan også give yderligere kontekst om tendenser, værdier og varianser i ens data. Sofistikerede algoritmer kan foreslå yderligere visualiseringer, der kan føjes til et dashboard, sammen med tekstforklaringer og kontekst genereret i naturligt sprog.

Her er nogle eksempler på løsninger, der kan hjælpe med at løfte din arbejdsstyrke.

1. Datahistorier. Tableau Cloud inkluderer nu Datahistorier, en dynamisk dashboard-widget-funktion, der anvender AI-algoritmer til at analysere data og skrive en simpel historie om det i enten en fortællende eller punktopstilling. Historierne sammenvæver fortællinger om data ud over blotte diagrammer og dashboards i et register, der er tilgængeligt for erhvervsbrugere, så de kan besvare mange af deres spørgsmål. Dette reducerer niveauet af datafærdigheder, som en virksomhedsbruger har brug for for at forstå den information, der er vigtigst for dem. Data Stories viser de simple spørgsmål, en bruger stiller, når de første gang ser på et søjlediagram eller et linjediagram: Var dette tal, der ligner en outlier, virkelig en outlier? Hvordan har det tal ændret sig over tid? Hvad er gennemsnittet? Dataene skal stadig fortolkes – det er ikke hele historien – men det er et stort skridt i retning af at låse op for indsigten i data.

2. Vis mig. Udvidede analysefunktioner giver også mulighed for smartere kodningsstandarder. For eksempel anbefaler Vis mig diagramtyper og passende mærkekodninger baseret på dataattributter af interesse. Brugere kan derefter fokusere på den takeaway på højt niveau, de ønsker at kommunikere, og dele disse diagrammer med deres publikum som en del af deres visuelle analytiske arbejdsgang.

3. Naturlig sprogforståelse. Med sofistikeret forskning, store træningssæt til sprogmodeller og forbedrede computeregenskaber er forståelsen af ​​naturligt sprog også blevet væsentligt forbedret gennem årene.

Folk kan stille analytiske spørgsmål uden at skulle forstå mekanikken i at konstruere SQL-forespørgsler. Med en bedre hensigt om forståelse kan naturlige sproggrænseflader besvare spørgsmål med interaktive diagrammer, som brugerne kan reparere, forfine og interagere med, efterhånden som de giver mening med dataene.

4. Maskinlæring. Augmented analytics relateret til ML har også gjort fremskridt. Disse modeller kan lære sofistikerede og komplekse analytiske opgaver såsom datatransformationsoperationer, der er tilpasset til en bestemt type bruger eller en gruppe af brugere. Desuden har mange udvidede analyseoplevelser nu brugergrænseflader, der føles intuitive, hvilket reducerer kompleksiteten af ​​træning og anvendelse af en model i en brugers analytiske arbejdsgang.

Selvom kunstig intelligens har utrolige egenskaber, vil den aldrig helt erstatte mennesker. Det kan være komplekst og temmelig nuanceret at hente takeaways på højt niveau fra statistiske egenskaber på lavere niveau. Mennesker har et højere niveau af kreativ kognition; vi er nysgerrige; vi kan destillere disse takeaways på højt niveau fra data.

Anbefalinger til fremme af datafærdighed

For at organisationer kan låse op for indsigt på højere niveau fra deres data, skal medarbejdere – både forretningsbrugere og analytikere – uddannes i, hvordan de bør analysere deres data og have bedste praksis for visualisering og præsentation af data. Her er, hvordan organisationer kan udvikle bedste praksis til at fremme datafærdigheder og udvide AI med analyseværktøjer.

1. Invester i træning.

At have både de rigtige værktøjer og den rigtige uddannelse/træning er afgørende for enhver organisation. I en Forrester Consulting-undersøgelse om datafærdighed, sagde kun 40 % af medarbejderne, at deres organisation havde leveret den datafærdighedstræning, de forventes at have.¹ Enkeltpersoner og organisationer bør udsætte folk for bedre træning med hensyn til bedste praksis for at se og forstå deres data. Arbejdspladser bør tilbyde kurser omkring datavisualisering og datafærdighed, så medarbejderne kan forstå mønstre og lære de bedste måder at skabe og repræsentere diagrammer på.

For at træne dine medarbejdere kan du få fantastiske tredjepartsprogrammer fra virksomheder som f.eks QlikTech, Datalæsning, Courseras Data & Analytics Academy, EDX, datacamp, Khan Academy, Generalforsamling, LinkedIn Learning, og mere. Tableau tilbyder selvdrevet læring, live, virtuelle træningstimerOg en gratis kursus om datafærdighed. Lignende projekter, der inkorporerer træning, hvoraf nogle er gratis, omfatter Data til folket, Storytelling med data, Datalogen, Data Literacy-projektet, Og andre.

Ledere bør også overveje: Hvordan kan dine medarbejdere trænes, ikke kun i diagrammets sprog, men også som et bredere paradigme?

En ulempe ved at bygge værktøjer, der har en masse udvidede muligheder – som inkluderer kunstig intelligens og maskinlæring – er, at de kan se vildledende enkle ud, og de kan få brugerne meget hurtigt opad. Men undertrænede brugere kunne generere et diagram eller takeaway-indsigt fra et diagram, der kunne være vildledende eller vildledende på en eller anden måde.

Det er vigtigt at uddanne folk i sproget for visuel repræsentation og videnskaben bag det, så de i det mindste er datainformerede, hvis ikke datakyndige. For eksempel, hvordan identificerer folk, hvad en outlier er? Hvordan skal de designe dashboards, der er troværdige? De skal også være i stand til at forstå sondringen mellem sammenhæng og årsagssammenhæng. Dette sikrer, at dataene er nøjagtige og kan bruges til analyse.

2. Træf datadrevne beslutninger.

At bevæge sig fra datamundtlighed – hvor folk taler om at tage datadrevne beslutninger – til datafærdighed – hvor folk har evnen til at udforske, forstå og kommunikere med data – kræver demokratisk adgang til datavisualiseringer. Dette indebærer fokus på individuel læring og anvendelighed, men det burde være mere en organisatorisk forandring. Den sande demokratisering af datafærdigheder tager højde for hele dataøkosystemet. Den anerkender udbredelsen af ​​diagrammer i brugernes dagligdag og arbejder på at gøre dem forståelige bredt.

Folk burde træffe beslutninger baseret på data og ikke kun på subjektive meninger; dette går tilbage til vigtigheden af ​​træning, der uddanner brugerne i skelnen mellem sammenhæng og årsagssammenhæng. Hvordan skal datadrevne beslutninger træffes? Hvad er mediet for at præsentere data og de vigtigste ting, så diskussionen kan forblive objektiv for at træffe effektive beslutninger? For eksempel bør teknologivirksomheder bruge brugertelemetridata til at bestemme, hvilke funktioner der skal bygges, brugskarakteristika og identificere enhver friktion i brugeroplevelsen.

3. Udvikle og vedligeholde passende infrastruktur.

For at understøtte de to første anbefalinger skal ledere sikre, at deres organisation har bygget en passende, skalerbar infrastruktur til at huse og styre dens data. De bør også hjælpe deres organisationer med at identificere og få adgang til AI-teknologi, der løser deres kundeproblemer og behov.

Desuden skal beslutningstagere være betænksomme og bevidste om databeskyttelse og tillid. Det kan ikke være en eftertanke; det skal tages alvorligt lige fra begyndelsen. Ansvaret for databeskyttelse og tillid bør destilleres helt ned til den enkelte bruger, hvilket omfattende datastyrings- og administrationspolitikker kan dække.

Fortsæt med at fokusere på bestræbelser på at læse data

Investering i kunstig intelligens og udvidede analyseværktøjer som Data Stories er et glimrende skridt i retning af at give forretningsbrugere mulighed for at finde svar fra deres data, men disse værktøjer vil supplere indsatsen for datafærdighed i stedet for at erstatte dem. Ydermere kan de rigtige former for investering i både AI-teknologi og træning effektivt støtte mennesker til at gøre det, de er bedst til: at ide og skabe løsninger, mens de løser kundernes behov, alt centreret omkring data.

Hvis du fortsætter med at fokusere på datafærdigheder i hele din organisation, vil det sikre, at flere af dine medarbejdere – den afslappede virksomhedsbruger og den sofistikerede dataanalytiker – stiller de rigtige spørgsmål om dine data, som vil føre til yderligere indsigt.

VÆLG EN FLEKSIBEL ANALYTIKPARTNER

En analysepartner som Tableau tilbyder bredde og dybde i kapaciteter samt rollebaseret træning – hvilket gør den til en fleksibel partner på rejsen til at opdage, hvad der fungerer bedst for din virksomhed. Lær mere om Tableau Cloud.

DATAINDSIGT FOR VIRKSOMHEDSBRUGERE

Indstil dine forretningsbrugere til succes. Få mere at vide om datahistorier her.