Umiejętność poruszania się po danych w świecie rozszerzonej analityki

Możliwości sztucznej inteligencji (AI), takie jak uczenie maszynowe (ML) i przetwarzanie języka naturalnego (NLP), są stale udoskonalane, a produkty do rozszerzonej analityki mogą niezawodnie automatyzować wiele zadań związanych z przeglądaniem i zrozumieniem danych. Dzięki potężnym narzędziom, które mogą wyciągać wnioski z danych, kadra kierownicza często zadaje sobie pytanie: czy ta technologia faktycznie zmniejsza potrzebę znajomość danych wysiłki szkoleniowe w swoich organizacjach? Nie, raczej odwrotnie.

Umiejętność korzystania z danych — umiejętność czytania, pisania i przekazywania danych w kontekście — jest ważniejsza niż kiedykolwiek. Ma to kluczowe znaczenie, jeśli chodzi o pomaganie organizacjom w opracowaniu sposobu pracy opartego na danych i umożliwianie pracownikom rozwijania umiejętności sztucznej inteligencji dzięki własnej kreatywności i krytycznemu myśleniu.

Istnieją dodatkowe czynniki, które należy wziąć pod uwagę w kontekście roli umiejętności korzystania z danych dla rozwoju i sukcesu organizacji. Zatrudnianie, szkolenie i zatrzymywanie analityków danych i analityków jest trudne, a ich umiejętności są często zróżnicowane i kosztowne. Według 365 Data Sciencewiększość analityków danych prawdopodobnie nie spędzi w swoim obecnym miejscu pracy dłużej niż 1.7 roku. Wysoko wyszkoleni analitycy danych i analitycy często otrzymują prośby o wykonanie takich zadań, jak budowanie czystego źródła danych na potrzeby sprzedaży lub opracowywanie podstawowych raportów. Dzięki ich wyspecjalizowanym umiejętnościom ich czas i umiejętności lepiej przydadzą się podczas pracy nad modelowaniem i opracowywaniem przepływów pracy w przypadku złożonych problemów biznesowych o większej wartości.

Kiedy kadra kierownicza inwestuje w sztuczną inteligencję i technologię rozszerzonej analityki, użytkownik biznesowy – bardziej przypadkowy użytkownik danych w porównaniu z zaangażowanym analitykiem – może uzyskać dostęp do odpowiedzi na swoje pytania i informacji potrzebnych do dobrego wykonywania swojej pracy, nie martwiąc się o mechanizmy działania Więc.

Badanie, w jaki sposób rozwiązania wykorzystujące sztuczną inteligencję mogą wspierać zadania użytkownika i znajdować odpowiednie doświadczenia użytkownika, ma ogromny potencjał, jeśli chodzi o zapewnienie sukcesu narzędzia i użytkownika. Na przykład narzędzie AI może zautomatyzować niektóre z bardziej żmudnych zadań związanych z przygotowaniem danych, a następnie udostępnić wyniki człowiekowi, który może dalej analizować i wizualizować treść w oparciu o swoje potrzeby analityczne.

Postępy w rozszerzonej analityce pomagają ludziom szybciej odpowiadać na pytania

Rozszerzone rozwiązania analityczne mogą ułatwić użytkownikom biznesowym zrozumienie danych, co pomaga firmom maksymalizować wartość tych kosztownych technologii. Na przykład rozszerzona analityka może zrozumieć zainteresowania klientów i przewidywać oferty dotyczące preferencji konsumentów, rozwoju produktów i kanałów marketingowych. Mogą również zapewnić dodatkowy kontekst dotyczący trendów, wartości i wariancji w danych. Wyrafinowane algorytmy mogą sugerować dodatkowe wizualizacje, które można dodać do dashboardu, wraz z objaśnieniami tekstowymi i kontekstem wygenerowanym w języku naturalnym.

Oto kilka przykładów rozwiązań, które mogą pomóc w podniesieniu poziomu siły roboczej.

1. Historie danych. Chmura Tableau zawiera teraz Historie danych, dynamiczna funkcja widżetu pulpitu nawigacyjnego, która wykorzystuje algorytmy sztucznej inteligencji do analizowania danych i pisania na ich temat prostej historii w formie narracyjnej lub punktowanej. Historie splatają narracje o danych wykraczających poza zwykłe wykresy i dashboardy w rejestrze dostępnym dla użytkowników biznesowych, w którym można uzyskać odpowiedzi na wiele ich pytań. Zmniejsza to poziom umiejętności korzystania z danych, jakiego potrzebuje użytkownik biznesowy, aby zrozumieć najważniejsze dla niego informacje. W Data Stories pojawiają się proste pytania, które użytkownik zadaje, patrząc po raz pierwszy na wykres słupkowy lub liniowy: Czy ta liczba, która wygląda na wartość odstającą, naprawdę była wartością odstającą? Jak ta liczba zmieniała się na przestrzeni czasu? Jaka jest średnia? Dane nadal wymagają interpretacji – to nie cała historia – ale to duży krok w kierunku odblokowania spostrzeżeń zawartych w danych.

2. Pokaż mi. Rozszerzone funkcje analityczne pozwalają również na inteligentniejsze domyślne kodowanie. Na przykład Show Me zaleca typy wykresów i odpowiednie kodowanie znaczników w oparciu o interesujące atrybuty danych. Użytkownicy mogą następnie skupić się na najważniejszych informacjach, które chcą przekazać, i udostępnić te wykresy swoim odbiorcom w ramach wizualnej analizy analitycznej.

3. Rozumienie języka naturalnego. Dzięki wyrafinowanym badaniom, dużym zestawom szkoleniowym modeli językowych i ulepszonym możliwościom obliczeniowym, zrozumienie języka naturalnego również znacznie się poprawiło na przestrzeni lat.

Ludzie mogą zadawać pytania analityczne bez konieczności rozumienia mechaniki konstruowania zapytań SQL. Przy lepszym zrozumieniu interfejsy języka naturalnego mogą odpowiadać na pytania za pomocą interaktywnych wykresów, które użytkownicy mogą naprawiać, udoskonalać i wchodzić z nimi w interakcję, gdy tylko zrozumieją dane.

4. Uczenie maszynowe. Rozszerzona analityka związana z ML również poczyniła postępy. Modele te mogą uczyć się wyrafinowanych i złożonych zadań analitycznych, takich jak operacje transformacji danych, które są personalizowane pod kątem określonego typu użytkownika lub grupy użytkowników. Co więcej, wiele rozszerzonych rozwiązań analitycznych ma teraz interfejsy użytkownika, które są intuicyjne, co zmniejsza złożoność szkolenia i stosowania modelu w analitycznym przepływie pracy użytkownika.

Choć sztuczna inteligencja ma niesamowite możliwości, nigdy całkowicie nie zastąpi człowieka. Wyciąganie wniosków wysokiego poziomu z właściwości statystycznych niższego poziomu może być złożone i raczej zróżnicowane. Ludzie mają wyższy poziom twórczego poznania; jesteśmy dociekliwi; możemy wydobyć te wnioski z wysokiego poziomu z danych.

Zalecenia dotyczące wspierania umiejętności korzystania z danych

Aby organizacje mogły uzyskać lepszy wgląd w swoje dane, pracownicy — zarówno użytkownicy biznesowi, jak i analitycy — muszą zostać przeszkoleni w zakresie tego, w jaki sposób powinni analizować swoje dane, oraz posiadać najlepsze praktyki w zakresie wizualizacji i prezentacji danych. Oto, w jaki sposób organizacje mogą opracować najlepsze praktyki w zakresie promowania umiejętności korzystania z danych i rozszerzania sztucznej inteligencji za pomocą narzędzi analitycznych.

1. Zainwestuj w szkolenia.

Posiadanie zarówno odpowiednich narzędzi, jak i odpowiedniego wykształcenia/szkolenia ma kluczowe znaczenie dla każdej organizacji. W Badanie Forrester Consulting dotyczące umiejętności korzystania z danychtylko 40% pracowników stwierdziło, że ich organizacja zapewniła szkolenie w zakresie umiejętności związanych z danymi, którego się od nich oczekuje.¹ Osoby i organizacje powinny zapewnić pracownikom lepsze szkolenie w zakresie najlepszych praktyk w zakresie przeglądania i rozumienia ich danych. Miejsca pracy powinny oferować kursy dotyczące wizualizacji danych i umiejętności korzystania z danych, aby pracownicy mogli zrozumieć wzorce i poznać najlepsze sposoby tworzenia i przedstawiania wykresów.

Aby przeszkolić swoich pracowników, możesz skorzystać ze świetnych programów innych firm, takich jak Qlik, Znajomość danych, Akademia danych i analityki Coursera, EdX, datacamp, Khan Academy, Walne Zgromadzenie, LinkedIn Learning, i więcej. Oferty Tableau samodzielne uczenie się, wirtualne zajęcia szkoleniowe na żywoI bezpłatny kurs umiejętności korzystania z danych. Podobne projekty obejmujące szkolenia, z których niektóre są bezpłatne, obejmują Dane dla ludzi, Opowiadanie historii za pomocą danych, Loża Danych, Projekt umiejętności korzystania z danych, I inne.

Menedżerowie powinni również rozważyć: W jaki sposób można przeszkolić pracowników, nie tylko w zakresie języka wykresów, ale także w szerszym paradygmacie?

Wadą tworzenia narzędzi oferujących wiele rozszerzonych możliwości — w tym sztuczną inteligencję i uczenie maszynowe — jest to, że mogą wyglądać na zwodniczo proste i mogą bardzo szybko przyspieszyć korzystanie z nich przez użytkowników. Jednak niedostatecznie przeszkoleni użytkownicy mogą wygenerować wykres lub wnioski na podstawie wykresu, które mogą wprowadzać w błąd lub w jakiś sposób wprowadzać w błąd.

Ważne jest, aby edukować ludzi w zakresie języka reprezentacji wizualnej i leżącej u jej podstaw nauki, tak aby przynajmniej posiadali wiedzę na temat danych, jeśli nie umieli z nich korzystać. Na przykład, w jaki sposób ludzie identyfikują, co to jest wartość odstająca? Jak powinni projektować dashboardy, aby były godne zaufania? Powinni także być w stanie zrozumieć różnicę między korelacją a przyczynowością. Dzięki temu dane będą dokładne i będą mogły zostać wykorzystane do analizy.

2. Podejmuj decyzje oparte na danych.

Przejście od oralizmu danych – kiedy ludzie mówią o podejmowaniu decyzji w oparciu o dane – do umiejętności korzystania z danych – gdzie ludzie mają możliwość eksplorowania, rozumienia i komunikowania się z danymi – wymaga demokratyzacji dostępu do wizualizacji danych. Wymaga to skupienia się na indywidualnym uczeniu się i możliwościach zastosowania, ale powinno to mieć raczej charakter zmiany organizacyjnej. Prawdziwa demokratyzacja umiejętności korzystania z danych uwzględnia cały ekosystem danych. Dostrzega coraz częstsze występowanie wykresów w codziennym życiu użytkowników i stara się zapewnić ich szeroką zrozumiałość.

Ludzie powinni podejmować decyzje w oparciu o dane, a nie tylko na podstawie subiektywnych opinii; wraca to do znaczenia szkoleń, które kształcą użytkowników w zakresie rozróżnienia między korelacją a związkiem przyczynowym. W jaki sposób należy podejmować decyzje oparte na danych? Jaki jest sposób prezentacji danych i kluczowych wniosków, aby dyskusja mogła pozostać obiektywna i umożliwić podejmowanie skutecznych decyzji? Na przykład firmy technologiczne powinny korzystać z danych telemetrycznych użytkownika, aby określić, jakie funkcje należy zbudować, charakterystykę użytkowania i zidentyfikować wszelkie tarcia w doświadczeniu użytkownika.

3. Rozwijaj i utrzymuj odpowiednią infrastrukturę.

Aby spełnić dwa pierwsze zalecenia, kadra kierownicza musi upewnić się, że ich organizacja zbudowała odpowiednią, skalowalną infrastrukturę do przechowywania danych i zarządzania nimi. Powinni także pomagać swoim organizacjom w identyfikowaniu technologii sztucznej inteligencji, która rozwiązuje problemy i potrzeby ich klientów, oraz w uzyskiwaniu do niej dostępu.

Ponadto decydenci muszą rozważnie i rozważnie podchodzić do kwestii prywatności i zaufania danych. To nie może być refleksja; należy to poważnie wziąć pod uwagę od samego początku. Odpowiedzialność za prywatność i zaufanie danych powinna spoczywać na indywidualnym użytkowniku, co może obejmować kompleksowe zasady zarządzania danymi i zarządzania nimi.

W dalszym ciągu koncentruj się na wysiłkach w zakresie umiejętności korzystania z danych

Inwestowanie w sztuczną inteligencję i narzędzia do rozszerzonej analizy, takie jak Data Stories, to doskonały krok w kierunku umożliwienia użytkownikom biznesowym wydobywania odpowiedzi z ich danych, ale narzędzia te będą raczej uzupełniać wysiłki na rzecz umiejętności korzystania z danych, a nie je zastępować. Co więcej, odpowiednie formy inwestycji, zarówno w technologię sztucznej inteligencji, jak i szkolenia, mogą skutecznie wspierać ludzi w robieniu tego, w czym są najlepsi: wymyślaniu i tworzeniu rozwiązań przy jednoczesnym zaspokajaniu potrzeb klientów, a wszystko to w oparciu o dane.

Dalsze skupianie się na umiejętności korzystania z danych w całej organizacji sprawi, że więcej pracowników – przypadkowy użytkownik biznesowy i wyrafinowany analityk danych – będzie zadawało właściwe pytania na temat Twoich danych, które doprowadzą do dalszych spostrzeżeń.

WYBIERZ ELASTYCZNEGO PARTNERA ANALITYCZNEGO

Partner analityczny, taki jak Tableau, oferuje szerokie i dogłębne możliwości, a także szkolenia oparte na rolach, co czyni go elastycznym partnerem na drodze do odkrycia tego, co jest najlepsze dla Twojej firmy. Dowiedz się więcej o Chmury Tabeli.

Wgląd w dane dla użytkowników biznesowych

Skonfiguruj użytkowników biznesowych tak, aby odnosili sukcesy. Dowiedz się więcej o historiach danych tutaj.