Навігаційна грамотність даних у світі розширеної аналітики

Можливості штучного інтелекту (AI), як-от машинне навчання (ML) і обробка природної мови (NLP), продовжують удосконалюватися, а продукти розширеної аналітики можуть надійно автоматизувати багато завдань, пов’язаних із переглядом і розумінням даних. Завдяки потужним інструментам, які можуть отримувати інформацію з даних, керівники часто залишаються задуматися: чи справді ця технологія зменшує потребу в грамотність даних навчання в своїх організаціях? Ні, скоріше навпаки.

Грамотність даних — здатність читати, писати та передавати дані в контексті — важлива, ніж будь-коли. Це має вирішальне значення для того, щоб допомогти організаціям розробити спосіб роботи, що керується даними, і надати співробітникам можливість розширювати навички ШІ за допомогою власної креативності та критичного мислення.

Існують додаткові фактори, які слід враховувати в ролі грамотності даних для зростання та успіху організації. Важко наймати, навчати й утримувати спеціалістів із обробки даних і аналітиків, до того ж їхні навички часто мають нюанси та дорогі. За матеріалами 365 Data Science, більшість дослідників даних, ймовірно, не пропрацюють більше 1.7 року на поточному робочому місці. Спеціалісти з обробки даних і аналітики, які пройшли високу підготовку, часто отримують запити на виконання таких завдань, як створення чистого джерела даних для продажів або створення основних звітів. З їхніми спеціалізованими здібностями їхній час і набір навичок краще витрачатимуться на моделювання та розробку робочих процесів для більш цінних складних бізнес-питань.

Коли керівники інвестують у технологію штучного інтелекту та розширену аналітику, бізнес-користувач — більш звичайний користувач даних порівняно зі спеціальним аналітиком — може отримати доступ до відповідей на свої запитання та інформації, необхідної для якісного виконання своєї роботи, не турбуючись про механізми виконання тому.

Вивчення того, як рішення з підтримкою штучного інтелекту можуть підтримувати завдання користувача та знаходити правильний досвід користувача, має величезний потенціал, щоб налаштувати інструмент і користувача на успіх. Наприклад, інструмент штучного інтелекту може автоматизувати деякі нудніші завдання, пов’язані з підготовкою даних, а потім надавати результати людині, яка може далі аналізувати та візуалізувати вміст на основі своїх аналітичних потреб.

Удосконалення розширеної аналітики допомагають людям швидше відповідати на запитання

Розширені аналітичні рішення можуть полегшити бізнес-користувачам розуміння даних, що допомагає компаніям максимізувати цінність цих дорогих технологій. Наприклад, розширена аналітика може зрозуміти інтерес клієнтів і запропонувати прогнози щодо споживчих уподобань, розвитку продукту та маркетингових каналів. Вони також можуть надати додатковий контекст щодо тенденцій, значень і відхилень у даних. Складні алгоритми можуть запропонувати додаткові візуалізації, які можна додати до інформаційної панелі разом із текстовими поясненнями та контекстом, згенерованим природною мовою.

Ось кілька прикладів рішень, які можуть допомогти підвищити рівень вашої робочої сили.

1. Історії даних. Tableau Cloud тепер включає Історії даних, функція динамічного віджета інформаційної панелі, яка використовує алгоритми штучного інтелекту для аналізу даних і написання простої історії про них у розповідній або маркірованій формі. Історії об’єднують розповіді про дані, окрім простих діаграм і інформаційних панелей, у реєстрі, доступному бізнес-користувачам для відповідей на багато їхніх запитань. Це знижує рівень грамотності даних, необхідний бізнес-користувачам, щоб зрозуміти найважливішу для них інформацію. Історії даних висвітлюють прості запитання, які задають користувачі, коли вони вперше дивляться на гістограму чи лінійну діаграму: чи було це число, яке виглядає як викид, справді викидом? Як це число змінилося з часом? Який середній показник? Дані все ще потребують інтерпретації — це ще не вся історія, — але це великий крок до розкриття розуміння даних.

2. Покажи мені. Функції розширеної аналітики також дозволяють розумніше використовувати кодування за замовчуванням. Наприклад, Show Me рекомендує типи діаграм і відповідне кодування позначок на основі цікавих атрибутів даних. Потім користувачі можуть зосередитися на висновках високого рівня, які вони хочуть повідомити, і поділитися цими діаграмами зі своєю аудиторією в рамках свого візуального аналітичного робочого процесу.

3. Розуміння природної мови. Завдяки складним дослідженням, великим наборам навчальних моделей для мовних моделей і вдосконаленим обчислювальним можливостям розуміння природної мови також значно покращилося з роками.

Люди можуть задавати аналітичні запитання, не розуміючи механізмів побудови SQL-запитів. З кращим наміром розуміння інтерфейси природної мови можуть відповідати на запитання за допомогою інтерактивних діаграм, які користувачі можуть виправляти, уточнювати та взаємодіяти з ними, коли вони розуміють дані.

4. Машинне навчання. Розширена аналітика, пов’язана з машинним навчанням, також досягла успіхів. Ці моделі можуть вивчати складні та складні аналітичні завдання, такі як операції перетворення даних, персоналізовані для певного типу користувачів або групи користувачів. Крім того, багато можливостей розширеної аналітики тепер мають інтуїтивно зрозумілі інтерфейси користувача, що зменшує складність навчання та застосування моделі в аналітичному робочому процесі користувача.

Хоча ШІ має неймовірні можливості, він ніколи повністю не замінить людину. Отримання високорівневих висновків зі статистичних властивостей нижчого рівня може бути складним і досить тонким. У людей вищий рівень творчого пізнання; ми допитливі; ми можемо вивести ці висновки високого рівня з даних.

Рекомендації щодо сприяння грамотності даних

Для того, щоб організації могли отримати інформацію вищого рівня зі своїх даних, співробітники — як бізнес-користувачі, так і аналітики — повинні бути навчені тому, як вони повинні аналізувати свої дані, і мати найкращі методи візуалізації та представлення даних. Ось як організації можуть розробити найкращі практики для сприяння грамотності даних і доповненню ШІ інструментами аналітики.

1. Інвестуйте в навчання.

Наявність як правильних інструментів, так і відповідної освіти/підготовки є критично важливою для будь-якої організації. В Дослідження Forrester Consulting щодо грамотності даних, лише 40% співробітників сказали, що їхня організація забезпечила навчання навикам обробки даних, яке вони очікують.¹ Окремі особи та організації повинні надавати людям кращу підготовку з точки зору найкращих практик перегляду та розуміння своїх даних. На робочих місцях слід пропонувати курси щодо візуалізації даних і грамотності в роботі з даними, щоб співробітники могли зрозуміти шаблони та навчитися найкращим способам створення та представлення діаграм.

Щоб навчити своїх співробітників, ви можете залучити чудові сторонні програми таких компаній, як Qlik, Грамотність даних, Академія даних і аналітики Coursera, EdX, datacamp, Khan Academy, Генеральна Асамблея, Навчання LinkedIn, і більше. Tableau пропонує самостійне навчання, живі, віртуальні навчальні класи, А в безкоштовний курс з обробки даних. Подібні проекти, які включають навчання, деякі з яких безкоштовні, включають Дані людям, Розповідь з даними, Data Lodge, Проект грамотності данихІ інші.

Керівництво також має розглянути: як можна навчати ваших співробітників не лише мовою діаграм, але й як ширшу парадигму?

Одним із недоліків інструментів створення, які мають багато розширених можливостей, зокрема штучного інтелекту та машинного навчання, є те, що вони можуть виглядати оманливо просто, і вони можуть дуже швидко розвинути користувачів. Але недостатньо підготовлені користувачі можуть створити діаграму або статистику на винос із діаграми, яка може вводити в оману чи певним чином хибно орієнтуватися.

Важливо навчати людей мові візуального представлення та науковій основі, щоб вони, принаймні, були поінформовані про дані, якщо не грамотні. Наприклад, як люди визначають, що таке викид? Як вони повинні розробляти надійні панелі інструментів? Вони також повинні вміти розуміти різницю між кореляцією та причинно-наслідковим зв’язком. Це забезпечить точність даних і їх можна використовувати для аналізу.

2. Приймайте рішення на основі даних.

Перехід від усності даних, коли люди говорять про прийняття рішень на основі даних, до грамотності даних, де люди мають можливість досліджувати, розуміти та спілкуватися з даними, вимагає демократизації доступу до візуалізації даних. Це передбачає зосередження на індивідуальному навчанні та застосуванні, але це має бути більше організаційна зміна. Справжня демократизація грамотності даних бере до уваги всю екосистему даних. Він визнає поширення діаграм у повсякденному житті користувачів і працює над тим, щоб зробити їх зрозумілими широкому загалу.

Люди повинні приймати рішення на основі даних, а не лише на основі суб’єктивних думок; це сходить до важливості навчання, яке навчає користувачів розрізняти кореляцію та причинно-наслідковий зв’язок. Як слід приймати рішення на основі даних? Який засіб представлення даних і ключових висновків, щоб дискусія залишалася об’єктивною для прийняття ефективних рішень? Наприклад, технологічним компаніям слід використовувати телеметричні дані користувачів, щоб визначити, які функції створювати, характеристики використання та виявити будь-які перешкоди в взаємодії з користувачем.

3. Розвивати та підтримувати відповідну інфраструктуру.

Щоб підтримати перші дві рекомендації, керівники повинні переконатися, що їх організація створила адекватну, масштабовану інфраструктуру для розміщення та керування своїми даними. Вони також повинні допомогти своїм організаціям визначити та отримати доступ до технології ШІ, яка вирішує проблеми та потреби їхніх клієнтів.

Крім того, особи, які приймають рішення, повинні ретельно та обдумано ставитися до конфіденційності та довіри до даних. Це не може бути запізнілою думкою; це потрібно серйозно взяти до уваги з самого початку. Відповідальність за конфіденційність і довіру даних має покладатися на кожного окремого користувача, що може охоплювати політика комплексного управління та управління даними.

Продовжуйте зосереджуватися на роботі з підвищення кваліфікації даних

Інвестиції в штучний інтелект та інструменти доповненої аналітики, такі як Data Stories, є чудовим кроком до розширення можливостей бізнес-користувачів знаходити відповіді зі своїх даних, але ці інструменти доповнюватимуть зусилля з підвищення грамотності даних, а не замінять їх. Крім того, правильні форми інвестицій як у технологію штучного інтелекту, так і в навчання можуть ефективно підтримувати людей у ​​тому, у чому вони найкращі: створювати ідеї та рішення, одночасно вирішуючи потреби клієнтів, і все це зосереджено навколо даних.

Продовжуючи зосереджуватися на грамотності даних у вашій організації, ви гарантуєте, що більше ваших співробітників — випадкових бізнес-користувачів і досвідчених аналітиків даних — ставитимуть правильні запитання про ваші дані, що призведе до подальшого розуміння.

ОБЕРІТЬ ГНУЧКОГО ПАРТНЕРА З АНАЛІТИКИ

Такий аналітичний партнер, як Tableau, пропонує широкі та глибокі можливості, а також рольове навчання, що робить його гнучким партнером на шляху до виявлення того, що найкраще працює для вашої компанії. Дізнайтеся більше про Хмара таблиці.

АНАЛІТИЧНІ ДАНІ ДЛЯ БІЗНЕС-КОРИСТУВАЧІВ

Налаштуйте своїх бізнес-користувачів на успіх. Дізнайтеся більше про Data Stories тут.