Навигация по грамотности данных в мире расширенной аналитики

Возможности искусственного интеллекта (ИИ), такие как машинное обучение (ML) и обработка естественного языка (NLP), продолжают совершенствоваться, а продукты расширенной аналитики могут надежно автоматизировать многие задачи, связанные с просмотром и пониманием данных. Обладая мощными инструментами, способными извлечь ценную информацию из данных, руководители часто задаются вопросом: действительно ли эта технология снижает потребность в информационная грамотность усилия по обучению в своих организациях? Нет, скорее наоборот.

Грамотность в отношении данных — способность читать, записывать и передавать данные в контексте — важна как никогда. Крайне важно помочь организациям разработать способ работы, основанный на данных, и предоставить сотрудникам возможность дополнить навыки ИИ своим творческим потенциалом и критическим мышлением.

Существуют дополнительные факторы, которые следует учитывать при оценке роли грамотности в отношении данных для роста и успеха организации. Нанимать, обучать и удерживать специалистов по данным и аналитиков сложно, к тому же их навыки часто нюансированы и дороги. По данным 365 Data Science, большинство специалистов по данным, вероятно, не проведут на своем нынешнем рабочем месте больше 1.7 года. Высококвалифицированные специалисты по данным и аналитики часто получают запросы на выполнение таких задач, как создание чистого источника данных для продаж или создание базовых отчетов. С их специальными способностями их время и набор навыков будут лучше использованы для моделирования и разработки рабочих процессов для более ценных и сложных бизнес-вопросов.

Когда руководители вкладывают средства в технологии искусственного интеллекта и расширенной аналитики, бизнес-пользователь — более случайный пользователь данных по сравнению со специализированным аналитиком — может получить ответы на свои вопросы и информацию, необходимую для качественного выполнения своей работы, не беспокоясь о механизме выполнения. так.

Изучение того, как решения с поддержкой ИИ могут поддерживать пользовательские задачи и находить правильный пользовательский интерфейс, имеет огромный потенциал для настройки инструмента и пользователя на успех. Например, инструмент ИИ может автоматизировать некоторые из наиболее утомительных задач по подготовке данных, а затем предоставлять результаты человеку, который может дополнительно анализировать и визуализировать контент в соответствии со своими аналитическими потребностями.

Достижения в расширенной аналитике помогают людям быстрее отвечать на вопросы

Решения расширенной аналитики облегчают бизнес-пользователям понимание данных, что помогает компаниям максимизировать ценность этих дорогостоящих технологий. Например, расширенная аналитика может понять интересы клиентов и предложить прогнозы о потребительских предпочтениях, разработке продуктов и каналах сбыта. Они также могут предоставить дополнительный контекст о тенденциях, значениях и отклонениях в данных. Сложные алгоритмы могут предложить дополнительные визуализации, которые можно добавить на панель мониторинга, наряду с текстовыми пояснениями и контекстом, сгенерированными на естественном языке.

Вот несколько примеров решений, которые могут помочь улучшить вашу рабочую силу.

1. Истории данных. Tableau Cloud теперь включает в себя Истории данных, функция виджета динамической панели, которая использует алгоритмы искусственного интеллекта для анализа данных и написания простой истории об этом в описательной или маркированной форме. Истории объединяют повествования о данных, помимо простых диаграмм и информационных панелей, в реестре, доступном для бизнес-пользователей для ответов на многие их вопросы. Это снижает уровень грамотности данных, необходимый бизнес-пользователю для понимания наиболее важной для него информации. Истории данных отражают простые вопросы, которые задает пользователь, впервые взглянув на гистограмму или линейную диаграмму: было ли это число, которое выглядит как выброс, действительно выбросом? Как изменилось это число с течением времени? Каково среднее значение? Данные еще нужно интерпретировать — это еще не вся история, — но это большой шаг к раскрытию информации, содержащейся в данных.

2. Покажи мне. Расширенные функции аналитики также позволяют использовать более разумные значения кодирования по умолчанию. Например, Show Me рекомендует типы диаграмм и соответствующие кодировки меток на основе интересующих атрибутов данных. Затем пользователи могут сосредоточиться на выводах высокого уровня, которые они хотят сообщить, и поделиться этими диаграммами со своей аудиторией в рамках своего визуального аналитического рабочего процесса.

3. Понимание естественного языка. Благодаря сложным исследованиям, большим обучающим наборам для языковых моделей и улучшенным вычислительным возможностям понимание естественного языка также значительно улучшилось за эти годы.

Люди могут задавать аналитические вопросы, не разбираясь в механике построения SQL-запросов. С целью лучшего понимания интерфейсы на естественном языке могут отвечать на вопросы с помощью интерактивных диаграмм, которые пользователи могут исправлять, уточнять и взаимодействовать с ними по мере того, как они понимают данные.

4. Машинное обучение. Расширенная аналитика, связанная с ML, также добилась успехов. Эти модели могут изучать сложные аналитические задачи, такие как операции преобразования данных, персонализированные для определенного типа пользователя или группы пользователей. Кроме того, многие возможности расширенной аналитики теперь имеют пользовательские интерфейсы, которые кажутся интуитивно понятными, что снижает сложность обучения и применения модели в аналитическом рабочем процессе пользователя.

Хотя ИИ обладает невероятными возможностями, он никогда полностью не заменит человека. Извлечение высокоуровневых выводов из статистических свойств более низкого уровня может быть сложным и довольно нюансированным. Люди обладают более высоким уровнем творческого познания; мы любознательны; мы можем выделить эти высокоуровневые выводы из данных.

Рекомендации по развитию грамотности в отношении данных

Для того, чтобы организации могли получать ценную информацию более высокого уровня из своих данных, сотрудники — как бизнес-пользователи, так и аналитики — должны быть осведомлены о том, как им следует анализировать свои данные, и иметь передовые методы визуализации и представления данных. Вот как организации могут разработать передовые методы повышения грамотности данных и дополнения ИИ инструментами аналитики.

1. Инвестируйте в обучение.

Наличие как правильных инструментов, так и правильного образования/обучения имеет решающее значение для любой организации. В Исследование Forrester Consulting о грамотности данных, только 40% сотрудников заявили, что их организация провела обучение навыкам работы с данными, которое они должны пройти.¹ Отдельные лица и организации должны предоставлять людям возможность лучше обучаться передовым методам просмотра и понимания своих данных. Рабочие места должны предлагать курсы по визуализации данных и грамотности данных, чтобы сотрудники могли понимать закономерности и изучать лучшие способы создания и представления диаграмм.

Для обучения своих сотрудников вы можете задействовать отличные сторонние программы таких компаний, как Qlik, Грамотность данных, Академия данных и аналитики Coursera, EDX, Датакемп, Khan Academy, Генеральная Ассамблея, LinkedIn обучения, и более. Табло предлагает самостоятельное обучение, живые, виртуальные учебные классыИ бесплатный курс по грамотности данных. Подобные проекты, включающие обучение, некоторые из которых бесплатны, включают Данные людям, Рассказывание историй с данными, Дата Лодж, Проект грамотности данныхИ другие.

Руководителям также следует подумать: как можно обучить ваших сотрудников не только языку графиков, но и более широкой парадигме?

Одним из недостатков создания инструментов с множеством расширенных возможностей, включая ИИ и машинное обучение, является то, что они могут выглядеть обманчиво простыми и могут очень быстро вовлечь пользователей. Но недостаточно обученные пользователи могут создать диаграмму или извлечь из нее информацию, которая может ввести в заблуждение или каким-то образом ввести в заблуждение.

Важно обучать людей языку визуального представления и науке, стоящей за ним, чтобы они, по крайней мере, были информированы о данных, если не грамотны в отношении данных. Например, как люди определяют, что такое выброс? Как они должны проектировать информационные панели, которые заслуживают доверия? Они также должны быть в состоянии понять различие между корреляцией и причинно-следственной связью. Это обеспечит точность данных и возможность их использования для анализа.

2. Принимайте решения на основе данных.

Переход от гласности данных, когда люди говорят о принятии решений на основе данных, к грамотности данных, когда люди имеют возможность исследовать, понимать и взаимодействовать с данными, требует демократизации доступа к визуализации данных. Это влечет за собой акцент на индивидуальном обучении и применимости, но это должно быть больше организационным изменением. Настоящая демократизация грамотности в отношении данных учитывает всю экосистему данных. Он признает распространение диаграмм в повседневной жизни пользователей и работает над тем, чтобы сделать их понятными в широком смысле.

Люди должны принимать решения на основе данных, а не только субъективных мнений; это восходит к важности обучения, которое знакомит пользователей с различием между корреляцией и причинно-следственной связью. Как должны приниматься решения на основе данных? Каковы средства представления данных и основных выводов, чтобы обсуждение оставалось объективным для принятия эффективных решений? Например, технологические компании должны использовать данные телеметрии пользователей, чтобы определить, какие функции создавать, характеристики использования и выявлять любые трения в пользовательском опыте.

3. Развивать и поддерживать соответствующую инфраструктуру.

Чтобы выполнить первые две рекомендации, руководители должны убедиться, что в их организации создана адекватная масштабируемая инфраструктура для размещения данных и управления ими. Они также должны помочь своим организациям определить и получить доступ к технологии искусственного интеллекта, которая решает проблемы и потребности их клиентов.

Кроме того, лица, принимающие решения, должны быть вдумчивыми и предусмотрительными в отношении конфиденциальности и доверия к данным. Это не может быть запоздалой мыслью; с самого начала это следует серьезно учитывать. Ответственность за конфиденциальность и доверие к данным должна возлагаться на каждого отдельного пользователя, что может охватывать комплексные политики управления данными.

Продолжайте фокусироваться на усилиях по грамотности данных

Инвестиции в ИИ и инструменты расширенной аналитики, такие как Data Stories, — отличный шаг к тому, чтобы предоставить бизнес-пользователям возможность извлекать ответы из своих данных, но эти инструменты будут дополнять усилия по грамотности данных, а не заменять их. Кроме того, правильные формы инвестиций как в технологию искусственного интеллекта, так и в обучение могут эффективно помочь людям делать то, что у них получается лучше всего: придумывать идеи и создавать решения, удовлетворяя потребности клиентов, и все это сосредоточено на данных.

Постоянное внимание к грамотности данных в вашей организации гарантирует, что больше ваших сотрудников — случайных бизнес-пользователей и опытных аналитиков данных — будут задавать правильные вопросы о ваших данных, которые приведут к более глубокому пониманию.

ВЫБЕРИТЕ ГИБКОГО ПАРТНЕРА ПО АНАЛИТИКЕ

Партнер по аналитике, такой как Tableau, предлагает широкий спектр возможностей, а также обучение на основе ролей, что делает его гибким партнером на пути к поиску того, что лучше всего подходит для вашей компании. Узнать больше о Табло Облако.

ДАННЫЕ ДЛЯ БИЗНЕС-ПОЛЬЗОВАТЕЛЕЙ

Настройте своих бизнес-пользователей на успех. Узнать больше об историях данных здесь.