Navigera i datakompetens i en värld av utökad analys

Artificiell intelligens (AI) som maskininlärning (ML) och naturlig språkbehandling (NLP) fortsätter att förbättras, och utökade analysprodukter kan på ett tillförlitligt sätt automatisera många uppgifter relaterade till att se och förstå data. Med kraftfulla verktyg som kan ta fram insikter från data, undrar chefer ofta: Minskar denna teknik verkligen behovet av datakunskap utbildningsinsatser i sina organisationer? Nej, snarare tvärtom.

Datakompetens – förmågan att läsa, skriva och kommunicera data i ett sammanhang – är viktigare än någonsin. Det är avgörande för att hjälpa organisationer att utveckla ett datadrivet sätt att arbeta och ge anställda möjlighet att utöka AI-färdigheter med sin egen kreativitet och kritiska tänkande.

Det finns ytterligare faktorer att ta hänsyn till i rollen som datakompetens för en organisations tillväxt och framgång. Det är svårt att anställa, utbilda och behålla datavetare och analytiker – plus att deras kunskaper ofta är nyanserade och dyra. Enligt 365 Data Science, de flesta dataforskare kommer förmodligen inte att tillbringa mer än 1.7 år på sin nuvarande arbetsplats. Datavetare och analytiker, som är högutbildade, får ofta förfrågningar om uppgifter som att bygga en ren datakälla för försäljning eller att ta fram grundläggande rapporter. Med sina specialiserade förmågor skulle deras tid och färdigheter tjänat bättre på att arbeta med att modellera och utveckla arbetsflöden för mer värdefulla, komplexa affärsfrågor.

När chefer investerar i AI och utökad analysteknik kan affärsanvändaren – en mer tillfällig användare av data jämfört med en dedikerad analytiker – få tillgång till svaren på sina frågor och den information de behöver för att göra sitt jobb bra utan att oroa sig för hur det fungerar. så.

Att utforska hur AI-aktiverade lösningar kan stödja användaruppgifter och hitta rätt användarupplevelse har enorm potential för att ställa verktyget och användaren för framgång. Till exempel kan ett AI-verktyg automatisera några av de mer tråkiga uppgifterna kring databeredning och sedan ge resultaten till människan, som kan analysera och visualisera innehållet ytterligare baserat på deras analytiska behov.

Framsteg i Augmented Analytics hjälper människor att svara på frågor snabbare

Förstärkta analyslösningar kan göra det lättare för företagsanvändare att förstå data, vilket hjälper företag att maximera värdet av dessa kostsamma tekniker. Till exempel kan utökad analys förstå kundernas intresse och erbjuda förutsägelser om konsumenternas preferenser, produktutveckling och marknadsföringskanaler. De kan också ge ytterligare sammanhang om trender, värderingar och varianser i ens data. Sofistikerade algoritmer kan föreslå ytterligare visualiseringar som kan läggas till en instrumentpanel, tillsammans med textförklaringar och sammanhang som genereras på naturligt språk.

Här är några exempel på lösningar som kan hjälpa dig att lyfta din personalstyrka.

1. Databerättelser. Tableau Cloud inkluderar nu Databerättelser, en dynamisk instrumentpanel-widgetfunktion som använder AI-algoritmer för att analysera data och skriva en enkel berättelse om det i antingen en berättelse eller punktform. Berättelserna väver samman berättelser om data bortom bara diagram och instrumentpaneler i ett register som är tillgängligt för företagsanvändare för att svara på många av deras frågor. Detta minskar nivån på datakompetens som en företagsanvändare behöver för att förstå den information som är viktigast för dem. Databerättelser visar de enkla frågorna en användare ställer när de först tittar på ett stapeldiagram eller ett linjediagram: Var det här talet som ser ut som en extremvärde verkligen en extremvärde? Hur har den siffran förändrats över tid? Vad är genomsnittet? Data behöver fortfarande tolkas – det är inte hela historien – men det är ett stort steg mot att låsa upp insikterna i data.

2. Visa mig. Förstärkta analysfunktioner möjliggör också smartare kodningsstandarder. Till exempel rekommenderar Show Me diagramtyper och lämpliga märkeskodningar baserat på dataattribut av intresse. Användare kan sedan fokusera på den takeaway på hög nivå som de vill kommunicera och dela dessa diagram med sin publik som en del av deras visuella analytiska arbetsflöde.

3. Naturlig språkförståelse. Med sofistikerad forskning, stora utbildningsuppsättningar för språkmodeller och förbättrade beräkningsmöjligheter har förståelsen av naturligt språk också förbättrats avsevärt under åren.

Människor kan ställa analytiska frågor utan att behöva förstå mekaniken i att konstruera SQL-frågor. Med bättre avsikt att förstå kan naturliga språkgränssnitt svara på frågor med interaktiva diagram som användare kan reparera, förfina och interagera med när de förstår data.

4. Maskininlärning. Augmented analytics relaterad till ML har också gjort framsteg. Dessa modeller kan lära sig sofistikerade och komplexa analytiska uppgifter som datatransformationsoperationer som är anpassade till en specifik typ av användare eller en grupp användare. Dessutom har många utökade analysupplevelser nu användargränssnitt som känns intuitiva, vilket minskar komplexiteten i utbildning och tillämpning av en modell i en användares analytiska arbetsflöde.

Även om AI har otroliga möjligheter, kommer det aldrig helt att ersätta människor. Att hämta uttag på hög nivå från statistiska egenskaper på lägre nivå kan vara komplext och ganska nyanserat. Människor har en högre nivå av kreativ kognition; vi är nyfikna; vi kan destillera dessa högnivå takeaways från data.

Rekommendationer för att främja datakompetens

För att organisationer ska kunna låsa upp insikter på högre nivå från sina data måste anställda – både affärsanvändare och analytiker – utbildas om hur de ska analysera sin data och ha bästa praxis för att visualisera och presentera data. Så här kan organisationer utveckla bästa praxis för att främja datakompetens och utöka AI med analysverktyg.

1. Satsa på utbildning.

Att ha både rätt verktyg och rätt utbildning/utbildning är avgörande för alla organisationer. I en Forrester Consulting-studie om datakompetens, bara 40 % av de anställda sa att deras organisation hade tillhandahållit den datafärdighetsträning de förväntas ha.¹ Individer och organisationer bör utsätta människor för bättre utbildning när det gäller bästa praxis för att se och förstå deras data. Arbetsplatser bör erbjuda kurser kring datavisualisering och datakompetens så att anställda kan förstå mönster och lära sig de bästa sätten att skapa och representera diagram.

För att utbilda dina anställda kan du anlita fantastiska tredjepartsprogram från företag som Tycka om, Datakunskap, Courseras Data & Analytics Academy, EDX, datacamp, Khan Academy, Generalförsamling, LinkedIn Learning, och mer. Tableau erbjuder självdrivet lärande, live, virtuella träningsklasserOch en gratis kurs i datakompetens. Liknande projekt som innehåller utbildning, varav några är gratis, inkluderar Data till folket, Storytelling med data, Datalogen, Datakompetensprojektet, och andra.

Chefer bör också överväga: Hur kan dina anställda utbildas, inte bara i diagramspråket utan också som ett bredare paradigm?

En nackdel med att bygga verktyg som har många utökade funktioner – som inkluderar AI och maskininlärning – är att de kan se bedrägligt enkla ut, och de kan få användarna att öka snabbt. Men undertränade användare kan generera ett diagram eller insikter från ett diagram som kan vara vilseledande eller missriktat på något sätt.

Det är viktigt att utbilda människor i språket för visuell representation och vetenskapen bakom det så att de åtminstone är datainformerade, om inte datakunniga. Till exempel, hur identifierar människor vad en extremvärde är? Hur ska de designa instrumentpaneler som är pålitliga? De ska också kunna förstå skillnaden mellan korrelation och orsakssamband. Detta kommer att säkerställa att data är korrekta och kan användas för analys.

2. Ta datadrivna beslut.

Att gå från data muntlighet – där människor talar om att fatta datadrivna beslut – till datakompetens – där människor har förmågan att utforska, förstå och kommunicera med data – kräver demokratiserande tillgång till datavisualiseringar. Detta innebär ett fokus på individuellt lärande och applicerbarhet, men det borde vara mer en organisatorisk förändring. Den verkliga demokratiseringen av datakompetens tar hänsyn till hela ekosystemet av data. Den erkänner spridningen av diagram i användarnas dagliga liv och arbetar för att göra dem begripliga i stort sett.

Människor borde fatta beslut baserat på data och inte bara på subjektiva åsikter; detta går tillbaka till vikten av utbildning som utbildar användarna om skillnaden mellan korrelation och orsakssamband. Hur ska datadrivna beslut fattas? Vad är mediet för att presentera data och de viktigaste alternativen så att diskussionen kan förbli objektiv för att fatta effektiva beslut? Till exempel bör teknikföretag använda användartelemetridata för att avgöra vilka funktioner som ska byggas, användningsegenskaper och identifiera eventuella friktioner i användarupplevelsen.

3. Utveckla och underhålla adekvat infrastruktur.

För att stödja de två första rekommendationerna måste chefer se till att deras organisation har byggt en adekvat, skalbar infrastruktur för att hysa och styra dess data. De bör också hjälpa sina organisationer att identifiera och få tillgång till AI-teknik som löser deras kundproblem och behov.

Dessutom måste beslutsfattare vara eftertänksamma och medvetna om datasekretess och förtroende. Det kan inte vara en eftertanke; det måste tas i beaktande på allvar redan från början. Ansvaret för datasekretess och förtroende bör destilleras ända ner till den enskilda användaren, vilket omfattande datastyrning och hanteringspolicyer kan täcka.

Fortsätt fokusera på insatser för datakompetens

Att investera i AI och utökade analysverktyg som Data Stories är ett utmärkt steg mot att ge företagsanvändare möjlighet att hitta svar från sina data, men dessa verktyg kommer att komplettera insatserna för datakompetens snarare än att ersätta dem. Dessutom kan de rätta formerna av investeringar i både AI-teknik och utbildning effektivt stödja människor att göra det de är bäst på: att skapa idéer och skapa lösningar samtidigt som de löser kundernas behov, allt centrerat kring data.

Att fortsätta fokusera på datakompetens i hela din organisation kommer att säkerställa att fler av dina anställda – den tillfälliga affärsanvändaren och den sofistikerade dataanalytikern – ställer de rätta frågorna om din data som kommer att leda till ytterligare insikter.

VÄLJ EN FLEXIBEL ANALYTIKPARTNER

En analyspartner som Tableau erbjuder bredd och djup i kapacitet samt rollbaserad utbildning – vilket gör den till en flexibel partner på resan mot att upptäcka vad som fungerar bäst för ditt företag. Lära sig mer om Tablåmoln.

DATAINSIKT FÖR AFFÄRSANVÄNDARE

Ställ in dina företagsanvändare för framgång. Läs mer om databerättelser här.