Πλοήγηση στον αλφαβητισμό δεδομένων στον κόσμο της επαυξημένης ανάλυσης

Οι δυνατότητες τεχνητής νοημοσύνης (AI) όπως η μηχανική εκμάθηση (ML) και η επεξεργασία φυσικής γλώσσας (NLP) συνεχίζουν να βελτιώνονται και τα προϊόντα επαυξημένης ανάλυσης μπορούν να αυτοματοποιήσουν αξιόπιστα πολλές εργασίες που σχετίζονται με την προβολή και την κατανόηση δεδομένων. Με ισχυρά εργαλεία που μπορούν να αναδείξουν πληροφορίες από δεδομένα, τα στελέχη συχνά αναρωτιούνται: Μήπως αυτή η τεχνολογία μειώνει πραγματικά την ανάγκη για γνώση δεδομένων προσπάθειες κατάρτισης στους οργανισμούς τους; Όχι, μάλλον το αντίθετο.

Η παιδεία ως προς τα δεδομένα - η ικανότητα ανάγνωσης, εγγραφής και επικοινωνίας δεδομένων στο πλαίσιο - είναι πιο σημαντική από ποτέ. Είναι ζωτικής σημασίας για να βοηθήσουμε τους οργανισμούς να αναπτύξουν έναν τρόπο εργασίας που βασίζεται σε δεδομένα και να ενδυναμώσουν τους υπαλλήλους να αυξήσουν τις δεξιότητες AI με τη δική τους δημιουργικότητα και κριτική σκέψη.

Υπάρχουν πρόσθετοι παράγοντες που πρέπει να ληφθούν υπόψη στον ρόλο της παιδείας για τα δεδομένα για την ανάπτυξη και την επιτυχία ενός οργανισμού. Η πρόσληψη, η εκπαίδευση και η διατήρηση επιστημόνων και αναλυτών δεδομένων είναι δύσκολη, επιπλέον, οι δεξιότητές τους είναι συχνά λεπτές και ακριβές. Σύμφωνα με το 365 Data Science, οι περισσότεροι επιστήμονες δεδομένων πιθανότατα δεν θα περάσουν περισσότερο από 1.7 χρόνια στον τρέχοντα χώρο εργασίας τους. Οι επιστήμονες και οι αναλυτές δεδομένων, οι οποίοι είναι άρτια εκπαιδευμένοι, λαμβάνουν συχνά αιτήματα για εργασίες όπως η δημιουργία μιας καθαρής πηγής δεδομένων για πωλήσεις ή η σύνταξη βασικών αναφορών. Με τις εξειδικευμένες ικανότητές τους, ο χρόνος και το σύνολο των δεξιοτήτων τους θα εξυπηρετούνταν καλύτερα με τη μοντελοποίηση και την ανάπτυξη ροών εργασίας για σύνθετες επιχειρηματικές ερωτήσεις υψηλότερης αξίας.

Όταν τα στελέχη επενδύουν στην τεχνητή νοημοσύνη και την τεχνολογία επαυξημένης ανάλυσης, ο επιχειρηματικός χρήστης - ένας πιο απλός χρήστης δεδομένων σε σύγκριση με έναν ειδικό αναλυτή - μπορεί να έχει πρόσβαση στις απαντήσεις στις ερωτήσεις τους και στις πληροφορίες που χρειάζονται για να κάνουν καλά τη δουλειά τους χωρίς να ανησυχούν για τους μηχανισμούς της Έτσι.

Η διερεύνηση του τρόπου με τον οποίο οι λύσεις με δυνατότητα τεχνητής νοημοσύνης μπορούν να υποστηρίξουν τις εργασίες των χρηστών και να βρουν τη σωστή εμπειρία χρήστη έχει τεράστιες δυνατότητες να ρυθμίσει το εργαλείο και τον χρήστη για επιτυχία. Για παράδειγμα, ένα εργαλείο AI μπορεί να αυτοματοποιήσει μερικές από τις πιο κουραστικές εργασίες σχετικά με την προετοιμασία δεδομένων και στη συνέχεια να παρέχει τα αποτελέσματα στον άνθρωπο, ο οποίος μπορεί περαιτέρω να αναλύσει και να οπτικοποιήσει το περιεχόμενο με βάση τις αναλυτικές του ανάγκες.

Οι προόδους στο Augmented Analytics βοηθούν τους ανθρώπους να απαντούν σε ερωτήσεις πιο γρήγορα

Οι λύσεις επαυξημένης ανάλυσης μπορούν να διευκολύνουν τους επιχειρησιακούς χρήστες να κατανοήσουν δεδομένα, κάτι που βοηθά τις εταιρείες να μεγιστοποιήσουν την αξία αυτών των δαπανηρών τεχνολογιών. Για παράδειγμα, τα επαυξημένα αναλυτικά στοιχεία μπορούν να κατανοήσουν το ενδιαφέρον των πελατών και να προσφέρουν προβλέψεις σχετικά με τις προτιμήσεις των καταναλωτών, την ανάπτυξη προϊόντων και τα κανάλια μάρκετινγκ. Μπορούν επίσης να παρέχουν πρόσθετο πλαίσιο σχετικά με τις τάσεις, τις τιμές και τις διακυμάνσεις στα δεδομένα κάποιου. Οι εξελιγμένοι αλγόριθμοι μπορούν να προτείνουν πρόσθετες απεικονίσεις που μπορούν να προστεθούν σε έναν πίνακα εργαλείων, μαζί με επεξηγήσεις κειμένου και περιβάλλον που δημιουργούνται σε φυσική γλώσσα.

Ακολουθούν μερικά παραδείγματα λύσεων που μπορούν να βοηθήσουν στην ανύψωση του εργατικού σας δυναμικού.

1. Ιστορίες δεδομένων. Το Tableau Cloud περιλαμβάνει πλέον Ιστορίες δεδομένων, μια δυνατότητα δυναμικού γραφικού πίνακα εργαλείων που χρησιμοποιεί αλγόριθμους τεχνητής νοημοσύνης για την ανάλυση δεδομένων και τη σύνταξη μιας απλής ιστορίας για αυτά είτε σε αφηγηματική είτε σε μορφή κουκκίδων. Οι ιστορίες συνδυάζουν αφηγήσεις για δεδομένα πέρα ​​από απλούς πίνακες και πίνακες εργαλείων σε ένα μητρώο προσβάσιμο σε επιχειρηματίες χρήστες για να απαντήσουν σε πολλές από τις ερωτήσεις τους. Αυτό μειώνει το επίπεδο παιδείας ως προς τα δεδομένα που χρειάζεται ένας επιχειρηματίας χρήστης για να κατανοήσει τις πιο σημαντικές πληροφορίες για αυτόν. Οι ιστορίες δεδομένων εμφανίζουν τις απλές ερωτήσεις που κάνει ένας χρήστης όταν κοιτάζει για πρώτη φορά ένα γράφημα ράβδων ή ένα γραμμικό γράφημα: Ήταν αυτός ο αριθμός που μοιάζει με ακραίο σημείο όντως ακραίο; Πώς έχει αλλάξει αυτός ο αριθμός με την πάροδο του χρόνου; Ποιος είναι ο μέσος όρος; Τα δεδομένα πρέπει ακόμα να ερμηνευτούν - δεν είναι ολόκληρη η ιστορία - αλλά είναι ένα μεγάλο βήμα προς την απελευθέρωση των πληροφοριών στα δεδομένα.

2. Δείξε μου. Οι δυνατότητες επαυξημένης ανάλυσης επιτρέπουν επίσης πιο έξυπνες προεπιλογές κωδικοποίησης. Για παράδειγμα, το Show Me προτείνει τύπους γραφημάτων και κατάλληλες κωδικοποιήσεις σήμανσης με βάση τα χαρακτηριστικά δεδομένων που ενδιαφέρουν. Στη συνέχεια, οι χρήστες μπορούν να επικεντρωθούν στο πακέτο υψηλού επιπέδου που θέλουν να επικοινωνήσουν και να μοιραστούν αυτά τα γραφήματα με το κοινό τους ως μέρος της οπτικής αναλυτικής ροής εργασιών τους.

3. Κατανόηση φυσικής γλώσσας. Με εξελιγμένη έρευνα, μεγάλα σετ εκπαίδευσης για γλωσσικά μοντέλα και βελτιωμένες υπολογιστικές δυνατότητες, η κατανόηση της φυσικής γλώσσας έχει επίσης βελτιωθεί σημαντικά με τα χρόνια.

Οι άνθρωποι μπορούν να κάνουν αναλυτικές ερωτήσεις χωρίς να χρειάζεται να κατανοήσουν τους μηχανισμούς κατασκευής ερωτημάτων SQL. Με καλύτερη πρόθεση κατανόησης, οι διεπαφές φυσικής γλώσσας μπορούν να απαντήσουν σε ερωτήσεις με διαδραστικά γραφήματα τα οποία οι χρήστες μπορούν να επιδιορθώσουν, να βελτιώσουν και να αλληλεπιδράσουν καθώς κατανοούν τα δεδομένα.

4. Μηχανική μάθηση. Η επαυξημένη ανάλυση που σχετίζεται με την ML έχει επίσης κάνει βήματα προόδου. Αυτά τα μοντέλα μπορούν να μάθουν περίπλοκες και σύνθετες αναλυτικές εργασίες, όπως λειτουργίες μετασχηματισμού δεδομένων που είναι εξατομικευμένες σε έναν συγκεκριμένο τύπο χρήστη ή μια ομάδα χρηστών. Επιπλέον, πολλές εμπειρίες επαυξημένης ανάλυσης έχουν πλέον διεπαφές χρήστη που είναι εύχρηστες, μειώνοντας την πολυπλοκότητα της εκπαίδευσης και εφαρμόζοντας ένα μοντέλο στη ροή αναλυτικών εργασιών ενός χρήστη.

Αν και η τεχνητή νοημοσύνη έχει απίστευτες δυνατότητες, ποτέ δεν θα αντικαταστήσει πλήρως τους ανθρώπους. Η συλλογή στοιχείων υψηλού επιπέδου από στατιστικές ιδιότητες χαμηλότερου επιπέδου μπορεί να είναι περίπλοκη και μάλλον διαφοροποιημένη. Οι άνθρωποι έχουν υψηλότερο επίπεδο δημιουργικής γνώσης. είμαστε περίεργοι. μπορούμε να αποστάξουμε αυτά τα στοιχεία υψηλού επιπέδου από δεδομένα.

Συστάσεις για την προώθηση του αλφαβητισμού δεδομένων

Προκειμένου οι οργανισμοί να ξεκλειδώσουν γνώσεις υψηλότερου επιπέδου από τα δεδομένα τους, οι εργαζόμενοι —επιχειρηματικοί χρήστες όσο και αναλυτές— πρέπει να εκπαιδεύονται για το πώς πρέπει να αναλύουν τα δεδομένα τους και να έχουν βέλτιστες πρακτικές οπτικοποίησης και παρουσίασης δεδομένων. Δείτε πώς οι οργανισμοί μπορούν να αναπτύξουν βέλτιστες πρακτικές για την προώθηση της παιδείας δεδομένων και την ενίσχυση της τεχνητής νοημοσύνης με εργαλεία ανάλυσης.

1. Επενδύστε στην εκπαίδευση.

Η ύπαρξη και των σωστών εργαλείων και της σωστής εκπαίδευσης/κατάρτισης είναι κρίσιμη για κάθε οργανισμό. Σε ένα Μελέτη Forrester Consulting για την παιδεία δεδομένων, μόνο το 40% των εργαζομένων είπε ότι ο οργανισμός τους είχε παράσχει την εκπαίδευση δεξιοτήτων δεδομένων που αναμένεται να έχουν.¹ Τα άτομα και οι οργανισμοί θα πρέπει να εκθέτουν τους ανθρώπους σε καλύτερη εκπαίδευση όσον αφορά τις βέλτιστες πρακτικές για την προβολή και την κατανόηση των δεδομένων τους. Οι χώροι εργασίας θα πρέπει να προσφέρουν μαθήματα σχετικά με την οπτικοποίηση δεδομένων και τον αλφαβητισμό δεδομένων, ώστε οι εργαζόμενοι να μπορούν να κατανοήσουν τα μοτίβα και να μάθουν τους καλύτερους τρόπους δημιουργίας και αναπαράστασης γραφημάτων.

Για να εκπαιδεύσετε τους υπαλλήλους σας, μπορείτε να στρατολογήσετε εξαιρετικά προγράμματα τρίτων από εταιρείες όπως Qlik, Αλφαβητισμός δεδομένων, Coursera's Data & Analytics Academy, EdX, Κάμερα δεδομένων, Khan Ακαδημία, Γενική Συνέλευση, LinkedIn Μάθησης, κι αλλα. Προσφορές ταμπλό αυτοοδηγούμενη μάθηση, ζωντανά, εικονικά μαθήματα εκπαίδευσης, και ένα δωρεάν μάθημα για την παιδεία στα δεδομένα. Παρόμοια έργα που ενσωματώνουν εκπαίδευση, μερικά από τα οποία είναι δωρεάν, περιλαμβάνουν Δεδομένα για τους ανθρώπους, Αφήγηση με δεδομένα, The Data Lodge, The Data Literacy Project, Και άλλοι.

Τα στελέχη θα πρέπει επίσης να εξετάσουν: Πώς μπορούν οι υπάλληλοί σας να εκπαιδευτούν, όχι μόνο στη γλώσσα των διαγραμμάτων αλλά και ως ένα ευρύτερο παράδειγμα;

Ένα μειονέκτημα της κατασκευής εργαλείων που έχουν πολλές επαυξημένες δυνατότητες —που περιλαμβάνουν την τεχνητή νοημοσύνη και τη μηχανική μάθηση— είναι ότι μπορούν να φαίνονται παραπλανητικά απλά και μπορούν να αυξήσουν γρήγορα τους χρήστες. Ωστόσο, οι ανεπαρκώς εκπαιδευμένοι χρήστες θα μπορούσαν να δημιουργήσουν ένα γράφημα ή πληροφορίες από ένα γράφημα που θα μπορούσε να είναι παραπλανητικό ή λανθασμένο κατά κάποιο τρόπο.

Είναι σημαντικό να εκπαιδεύονται οι άνθρωποι σχετικά με τη γλώσσα της οπτικής αναπαράστασης και την επιστήμη πίσω από αυτήν, έτσι ώστε, τουλάχιστον, να ενημερώνονται σχετικά με τα δεδομένα, αν όχι να γνωρίζουν τα δεδομένα. Για παράδειγμα, πώς αναγνωρίζουν οι άνθρωποι τι είναι ακραίο; Πώς πρέπει να σχεδιάζουν πίνακες εργαλείων που είναι αξιόπιστοι; Θα πρέπει επίσης να είναι σε θέση να κατανοήσουν τη διάκριση μεταξύ συσχέτισης και αιτιώδους συνάφειας. Αυτό θα διασφαλίσει ότι τα δεδομένα είναι ακριβή και μπορούν να χρησιμοποιηθούν για ανάλυση.

2. Λάβετε αποφάσεις που βασίζονται σε δεδομένα.

Η μετάβαση από την προφορικότητα των δεδομένων -όπου οι άνθρωποι μιλούν για τη λήψη αποφάσεων βάσει δεδομένων - στην παιδεία δεδομένων - όπου οι άνθρωποι έχουν την ικανότητα να εξερευνούν, να κατανοούν και να επικοινωνούν με δεδομένα - απαιτεί εκδημοκρατική πρόσβαση σε οπτικοποιήσεις δεδομένων. Αυτό συνεπάγεται εστίαση στην ατομική μάθηση και τη δυνατότητα εφαρμογής, αλλά θα πρέπει να είναι περισσότερο μια οργανωτική αλλαγή. Ο πραγματικός εκδημοκρατισμός της παιδείας δεδομένων λαμβάνει υπόψη ολόκληρο το οικοσύστημα δεδομένων. Αναγνωρίζει τον πολλαπλασιασμό των γραφημάτων στην καθημερινή ζωή των χρηστών και εργάζεται για να τα κάνει κατανοητά ευρέως.

Οι άνθρωποι πρέπει να λαμβάνουν αποφάσεις βάσει δεδομένων και όχι μόνο σε υποκειμενικές απόψεις. αυτό ανάγεται στη σημασία της εκπαίδευσης που εκπαιδεύει τους χρήστες σχετικά με τη διάκριση μεταξύ συσχέτισης και αιτιώδους συνάφειας. Πώς πρέπει να λαμβάνονται αποφάσεις βάσει δεδομένων; Ποιο είναι το μέσο παρουσίασης των δεδομένων και των βασικών οδηγιών ώστε η συζήτηση να παραμείνει αντικειμενική για τη λήψη αποτελεσματικών αποφάσεων; Για παράδειγμα, οι εταιρείες τεχνολογίας θα πρέπει να χρησιμοποιούν δεδομένα τηλεμετρίας χρήστη για να καθορίσουν ποιες δυνατότητες θα δημιουργήσουν, τα χαρακτηριστικά χρήσης και να εντοπίσουν τυχόν τριβές στην εμπειρία του χρήστη.

3. Ανάπτυξη και διατήρηση επαρκών υποδομών.

Για να υποστηρίξουν τις δύο πρώτες συστάσεις, τα στελέχη πρέπει να διασφαλίσουν ότι ο οργανισμός τους έχει δημιουργήσει μια επαρκή, επεκτάσιμη υποδομή για τη στέγαση και τη διαχείριση των δεδομένων του. Θα πρέπει επίσης να βοηθήσουν τους οργανισμούς τους να εντοπίσουν και να αποκτήσουν πρόσβαση στην τεχνολογία AI που αντιμετωπίζει τα προβλήματα και τις ανάγκες των πελατών τους.

Επιπλέον, οι υπεύθυνοι λήψης αποφάσεων πρέπει να είναι προσεκτικοί και συνειδητοποιημένοι σχετικά με το απόρρητο και την εμπιστοσύνη των δεδομένων. Δεν μπορεί να είναι εκ των υστέρων σκέψη. πρέπει να ληφθεί σοβαρά υπόψη από την αρχή. Η ευθύνη του απορρήτου και της εμπιστοσύνης των δεδομένων θα πρέπει να αποσταχθεί στον μεμονωμένο χρήστη, κάτι που μπορούν να καλύψουν ολοκληρωμένες πολιτικές διακυβέρνησης και διαχείρισης δεδομένων.

Συνεχίστε να εστιάζετε στις προσπάθειες παιδείας δεδομένων

Η επένδυση σε εργαλεία τεχνητής νοημοσύνης και επαυξημένης ανάλυσης, όπως το Data Stories, είναι ένα εξαιρετικό βήμα προς την ενδυνάμωση των επιχειρηματικών χρηστών να ανακαλύπτουν απαντήσεις από τα δεδομένα τους, αλλά αυτά τα εργαλεία θα συμπληρώσουν τις προσπάθειες παιδείας δεδομένων αντί να τα αντικαταστήσουν. Επιπλέον, οι σωστές μορφές επένδυσης τόσο στην τεχνολογία τεχνητής νοημοσύνης όσο και στην εκπαίδευση μπορούν να υποστηρίξουν αποτελεσματικά τους ανθρώπους να κάνουν αυτό που είναι καλύτερο: να δημιουργούν ιδέες και να δημιουργούν λύσεις κατά την επίλυση των αναγκών των πελατών, με επίκεντρο τα δεδομένα.

Αν συνεχίσετε να επικεντρώνεστε στην παιδεία δεδομένων σε όλο τον οργανισμό σας, θα διασφαλιστεί ότι περισσότεροι από τους υπαλλήλους σας—ο απλός επιχειρησιακός χρήστης και ο εξελιγμένος αναλυτής δεδομένων—θέτουν τις σωστές ερωτήσεις σχετικά με τα δεδομένα σας που θα οδηγήσουν σε περαιτέρω πληροφορίες.

ΕΠΙΛΕΞΤΕ ΕΝΑ ΕΥΕΛΙΚΤΟ ΣΥΝΕΡΓΑΤΗ ΑΝΑΛΥΤΙΚΗΣ

Ένας συνεργάτης ανάλυσης, όπως το Tableau, προσφέρει εύρος και βάθος σε δυνατότητες, καθώς και εκπαίδευση βάσει ρόλων, καθιστώντας τον ευέλικτο συνεργάτη στο ταξίδι προς την ανακάλυψη του τι λειτουργεί καλύτερα για την εταιρεία σας. Μάθε περισσότερα για Tableau Cloud.

ΠΛΗΡΟΦΟΡΙΕΣ ΔΕΔΟΜΕΝΩΝ ΓΙΑ ΕΠΙΧΕΙΡΗΜΑΤΙΟΥΣ ΧΡΗΣΤΕΣ

Ρυθμίστε τους χρήστες της επιχείρησής σας για επιτυχία. Μάθετε περισσότερα για τις Ιστορίες δεδομένων εδώ.