Navigācija datu pratībā paplašinātās analīzes pasaulē

Mākslīgā intelekta (AI) iespējas, piemēram, mašīnmācīšanās (ML) un dabiskās valodas apstrāde (NLP), turpina uzlaboties, un paplašinātie analītikas produkti var droši automatizēt daudzus uzdevumus, kas saistīti ar datu skatīšanu un izpratni. Izmantojot jaudīgus rīkus, kas var iegūt ieskatu no datiem, vadītājiem bieži rodas jautājums: vai šī tehnoloģija patiešām samazina nepieciešamību pēc datu pratība apmācību centienus savās organizācijās? Nē, drīzāk otrādi.

Datu pratība — spēja lasīt, rakstīt un komunicēt datus kontekstā — ir svarīgāka nekā jebkad agrāk. Tas ir ļoti svarīgi, lai palīdzētu organizācijām izstrādāt uz datiem balstītu darba veidu un sniegtu darbiniekiem iespēju papildināt AI prasmes ar savu radošumu un kritisko domāšanu.

Ir papildu faktori, kas jāņem vērā saistībā ar datu pratības nozīmi organizācijas izaugsmei un panākumiem. Datu zinātnieku un analītiķu nolīgšana, apmācība un noturēšana ir sarežģīta, turklāt viņu prasmes bieži ir niansētas un dārgas. Saskaņā ar 365 Data Science, lielākā daļa datu zinātnieku, iespējams, savā pašreizējā darba vietā nepavadīs ilgāk par 1.7 gadiem. Datu zinātnieki un analītiķi, kas ir augsti apmācīti, bieži saņem pieprasījumus veikt tādus uzdevumus kā tīra datu avota izveide pārdošanai vai pamata pārskatu sagatavošana. Pateicoties viņu specializētajām spējām, viņu laiks un prasmju kopums būtu labāk izmantojams, strādājot pie darbplūsmu modelēšanas un izstrādes augstākas vērtības, sarežģītiem biznesa jautājumiem.

Kad vadītāji iegulda AI un paplašinātās analītikas tehnoloģijās, biznesa lietotājs — ikdienišķāks datu lietotājs, salīdzinot ar īpašu analītiķi — var piekļūt atbildēm uz saviem jautājumiem un informācijai, kas nepieciešama, lai labi veiktu savu darbu, neuztraucoties par darbības mehānismiem. tātad.

Izpētot, kā ar AI iespējoti risinājumi var atbalstīt lietotāju uzdevumus un atrast pareizo lietotāja pieredzi, ir milzīgs potenciāls, lai rīks un lietotājs varētu gūt panākumus. Piemēram, AI rīks var automatizēt dažus nogurdinošākos uzdevumus saistībā ar datu sagatavošanu un pēc tam sniegt rezultātus cilvēkam, kurš var tālāk analizēt un vizualizēt saturu, pamatojoties uz savām analītiskajām vajadzībām.

Papildinātās analīzes uzlabojumi palīdz cilvēkiem ātrāk atbildēt uz jautājumiem

Papildinātie analītikas risinājumi var atvieglot biznesa lietotājiem datu izpratni, kas palīdz uzņēmumiem maksimāli palielināt šo dārgo tehnoloģiju vērtību. Piemēram, paplašinātā analīze var izprast klientu interesi un piedāvāt prognozes par patērētāju vēlmēm, produktu attīstību un mārketinga kanāliem. Tie var arī sniegt papildu kontekstu par tendencēm, vērtībām un datu novirzēm. Izsmalcināti algoritmi var ieteikt papildu vizualizācijas, ko var pievienot informācijas panelim, kā arī teksta skaidrojumus un kontekstu, kas ģenerēts dabiskā valodā.

Šeit ir daži risinājumu piemēri, kas var palīdzēt paaugstināt jūsu darbaspēku.

1. Datu stāsti. Tableau Cloud tagad ietver Datu stāsti, dinamiska informācijas paneļa logrīka funkcija, kas izmanto AI algoritmus, lai analizētu datus un uzrakstītu vienkāršu stāstu par to stāstījuma vai aizzīmju veidā. Stāsti apvieno stāstus par datiem, kas nav tikai diagrammas un informācijas paneļi reģistrā, kas pieejams biznesa lietotājiem, lai atbildētu uz daudziem viņu jautājumiem. Tas samazina datu pratības līmeni, kas biznesa lietotājam ir nepieciešams, lai saprastu viņam vissvarīgāko informāciju. Datu stāsti atklāj vienkāršus jautājumus, ko lietotājs uzdod, pirmo reizi aplūkojot joslu diagrammu vai līniju diagrammu: vai šis skaitlis, kas izskatās kā izņēmums, patiešām bija novirze? Kā šis skaitlis laika gaitā ir mainījies? Kāds ir vidējais? Dati joprojām ir jāinterpretē — tas nav viss stāsts, taču tas ir liels solis ceļā uz ieskatu datos.

2. Parādiet man. Papildinātās analīzes funkcijas nodrošina arī viedākus kodēšanas noklusējuma iestatījumus. Piemēram, Show Me iesaka diagrammu veidus un atbilstošus atzīmju kodējumus, pamatojoties uz interesējošo datu atribūtiem. Lietotāji pēc tam var koncentrēties uz augsta līmeņa paņēmieniem, ar kuriem viņi vēlas sazināties, un koplietot šīs diagrammas ar savu auditoriju kā daļu no savas vizuālās analītiskās darbplūsmas.

3. Dabiskās valodas izpratne. Pateicoties sarežģītiem pētījumiem, lieliem valodu modeļu apmācības komplektiem un uzlabotām skaitļošanas iespējām, arī dabiskās valodas izpratne gadu gaitā ir ievērojami uzlabojusies.

Cilvēki var uzdot analītiskos jautājumus, neizprotot SQL vaicājumu veidošanas mehānismus. Lai labāk izprastu, dabiskās valodas saskarnes var atbildēt uz jautājumiem, izmantojot interaktīvās diagrammas, kuras lietotāji var labot, uzlabot un mijiedarboties, izprotot datus.

4. Mašīnmācība. Ar ML saistītā paplašinātā analītika arī ir guvusi panākumus. Šie modeļi var apgūt sarežģītus un sarežģītus analītiskos uzdevumus, piemēram, datu pārveidošanas darbības, kas ir personalizētas noteiktam lietotāja veidam vai lietotāju grupai. Turklāt daudzām paplašinātajām analītikas pieredzēm tagad ir intuitīvas lietotāja saskarnes, kas samazina apmācības sarežģītību un modeļa piemērošanu lietotāja analītiskajā darbplūsmā.

Lai gan AI ir neticamas iespējas, tas nekad pilnībā neaizstās cilvēkus. Augsta līmeņa datu iegūšana no zemāka līmeņa statistikas īpašībām var būt sarežģīta un diezgan niansēta. Cilvēkiem ir augstāks radošās izziņas līmenis; mēs esam zinātkāri; mēs varam destilēt šos augsta līmeņa datus no datiem.

Ieteikumi datu pratības veicināšanai

Lai organizācijas varētu iegūt augstāka līmeņa ieskatus no saviem datiem, darbiniekiem — gan biznesa lietotājiem, gan analītiķiem — ir jābūt izglītotiem par to, kā viņiem vajadzētu analizēt savus datus, un viņiem ir jābūt datu vizualizēšanas un prezentēšanas paraugpraksei. Lūk, kā organizācijas var izstrādāt paraugpraksi datu pratības veicināšanā un mākslīgā intelekta papildināšanā ar analītikas rīkiem.

1. Investējiet apmācībā.

Gan pareizie rīki, gan pareiza izglītība/apmācība ir ļoti svarīga jebkurai organizācijai. Iekšā Forrester Consulting pētījums par datu pratību, tikai 40% darbinieku teica, ka viņu organizācija ir nodrošinājusi datu prasmju apmācību, kas viņiem ir nepieciešama.¹ Privātpersonām un organizācijām vajadzētu labāk apmācīt cilvēkus par labāko praksi, kā redzēt un izprast savus datus. Darbavietās ir jāpiedāvā kursi par datu vizualizāciju un datu pratību, lai darbinieki varētu izprast modeļus un apgūt labākos veidus, kā izveidot un attēlot diagrammas.

Lai apmācītu savus darbiniekus, varat piesaistīt lieliskas trešo pušu programmas, piemēram, uzņēmumiem Qlik, Datu pratība, Coursera datu un analīzes akadēmija, EdX, Datacamp, Khan akadēmija, Ģenerālā Asambleja, LinkedIn mācīšanās, un vēl. Tableau piedāvājumi pašmācība, tiešraides, virtuālās apmācības nodarbības, Un bezmaksas datu pratības kurss. Ir iekļauti līdzīgi projekti, kas ietver apmācību, no kuriem daži ir bezmaksas Dati tautai, Stāstīšana ar datiem, Datu māja, Datu pratības projekts, Un citi.

Vadītājiem arī jāapsver: kā jūsu darbiniekus var apmācīt ne tikai diagrammu valodā, bet arī plašākā paradigmā?

Viens no rīkiem, kuriem ir daudz paplašinātu iespēju, tostarp AI un mašīnmācības, trūkums ir tas, ka tie var izskatīties maldinoši vienkārši un var ļoti ātri piesaistīt lietotājus. Taču nepietiekami apmācīti lietotāji var izveidot diagrammu vai no diagrammas iegūtus ieskatus, kas varētu būt maldinoši vai maldīgi.

Ir svarīgi izglītot cilvēkus par vizuālā attēlojuma valodu un zinātni, kas ir aiz tā, lai viņi vismaz būtu informēti par datiem, ja ne pratīgi. Piemēram, kā cilvēki nosaka, kas ir novirze? Kā viņiem vajadzētu izveidot uzticamus informācijas paneļus? Viņiem arī jāspēj saprast atšķirību starp korelāciju un cēloņsakarību. Tas nodrošinās, ka dati ir precīzi un tos var izmantot analīzei.

2. Pieņemiet uz datiem balstītus lēmumus.

Pārejot no datu mutiskuma — kur cilvēki runā par uz datiem balstītu lēmumu pieņemšanu — uz datu pratību — kur cilvēkiem ir iespēja izpētīt, izprast datus un sazināties ar tiem — ir nepieciešama demokratizējoša piekļuve datu vizualizācijām. Tas ir saistīts ar koncentrēšanos uz individuālu mācīšanos un pielietojamību, taču tai vairāk vajadzētu būt organizatoriskām pārmaiņām. Īstā datu pratības demokratizācijā tiek ņemta vērā visa datu ekosistēma. Tas atzīst diagrammu izplatību lietotāju ikdienas dzīvē un strādā, lai padarītu tās plaši saprotamas.

Cilvēkiem būtu jāpieņem lēmumi, pamatojoties uz datiem, nevis tikai uz subjektīviem viedokļiem; tas attiecas uz apmācību nozīmi, kas izglīto lietotājus par atšķirību starp korelāciju un cēloņsakarību. Kā būtu jāpieņem uz datiem balstīti lēmumi? Kāds ir datu prezentēšanas līdzeklis un galvenie ieteikumi, lai diskusija varētu būt objektīva, lai pieņemtu efektīvus lēmumus? Piemēram, tehnoloģiju uzņēmumiem vajadzētu izmantot lietotāju telemetrijas datus, lai noteiktu, kuras funkcijas ir jāveido, lietošanas raksturlielumus un jebkādas berzes lietotāja pieredzē.

3. Attīstīt un uzturēt atbilstošu infrastruktūru.

Lai atbalstītu pirmos divus ieteikumus, vadītājiem ir jāpārliecinās, ka viņu organizācija ir izveidojusi atbilstošu, mērogojamu infrastruktūru datu glabāšanai un pārvaldībai. Viņiem arī jāpalīdz savām organizācijām noteikt un piekļūt AI tehnoloģijai, kas risina viņu klientu problēmas un vajadzības.

Turklāt lēmumu pieņēmējiem ir jābūt pārdomātiem un apzinātiem attiecībā uz datu privātumu un uzticēšanos. Tā nevar būt pēcpārdoma; tas ir nopietni jāņem vērā jau no paša sākuma. Atbildība par datu privātumu un uzticamību būtu pilnībā jāattiecina uz atsevišķu lietotāju, ko var aptvert visaptverošas datu pārvaldības un pārvaldības politikas.

Turpiniet koncentrēties uz datu pratības centieniem

Ieguldījumi mākslīgā intelekta un paplašinātos analītikas rīkos, piemēram, Data Stories, ir lielisks solis ceļā uz to, lai biznesa lietotāji varētu atrast atbildes no saviem datiem, taču šie rīki papildinās datu pratības centienus, nevis tos aizstās. Turklāt pareizie ieguldījumu veidi gan mākslīgā intelekta tehnoloģijā, gan apmācībā var efektīvi palīdzēt cilvēkiem darīt to, ko viņi prot vislabāk: idejot un radīt risinājumus, vienlaikus risinot klientu vajadzības, koncentrējoties uz datiem.

Turpinot koncentrēties uz datu pratību visā jūsu organizācijā, tiks nodrošināts, ka vairāk jūsu darbinieku — ikdienas biznesa lietotāju un izsmalcinātu datu analītiķu — uzdos pareizos jautājumus par jūsu datiem, kas ļaus gūt papildu ieskatus.

IZVĒLIES ELASTĪGU ANALĪTIKAS PARTNERI

Analītikas partneris, piemēram, Tableau, piedāvā plašu un dziļu iespēju, kā arī uz lomām balstītu apmācību, padarot to par elastīgu partneri ceļā uz to, kas vislabāk darbojas jūsu uzņēmumam. Uzziniet vairāk par Tableau mākonis.

DATU IESKATI UZŅĒMĒJDARBĪBAS LIETOTĀJIEM

Iestatiet savus biznesa lietotājus panākumiem. Uzziniet vairāk par datu stāstiem šeit.