Menavigasi Literasi Data Di Dunia Augmented Analytics

Kemampuan kecerdasan buatan (AI) seperti pembelajaran mesin (ML) dan pemrosesan bahasa alami (NLP) terus meningkat, dan produk analitik tambahan dapat dengan andal mengotomatiskan banyak tugas yang terkait dengan melihat dan memahami data. Dengan alat canggih yang dapat memunculkan wawasan dari data, para eksekutif sering kali bertanya-tanya: Apakah teknologi ini benar-benar mengurangi kebutuhan akan literasi data upaya pelatihan di organisasi mereka? Tidak, justru sebaliknya.

Literasi data—kemampuan membaca, menulis, dan mengomunikasikan data dalam konteks—lebih penting dari sebelumnya. Sangat penting dalam membantu organisasi mengembangkan cara kerja berbasis data dan memberdayakan karyawan untuk meningkatkan keterampilan AI dengan kreativitas dan pemikiran kritis mereka sendiri.

Ada faktor tambahan yang perlu dipertimbangkan dalam peran literasi data untuk pertumbuhan dan kesuksesan organisasi. Mempekerjakan, melatih, dan mempertahankan ilmuwan dan analis data itu sulit – ditambah lagi, keterampilan mereka sering bernuansa dan mahal. Menurut 365 Data Science, sebagian besar ilmuwan data mungkin tidak akan menghabiskan lebih dari 1.7 tahun di tempat kerja mereka saat ini. Ilmuwan dan analis data, yang sangat terlatih, sering menerima permintaan untuk tugas-tugas seperti membangun sumber data yang bersih untuk penjualan atau membuat laporan dasar. Dengan kemampuan khusus mereka, waktu dan keahlian mereka akan lebih baik dalam mengerjakan pemodelan dan mengembangkan alur kerja untuk pertanyaan bisnis yang kompleks dan bernilai lebih tinggi.

Ketika para eksekutif berinvestasi dalam AI dan teknologi analitik tambahan, pengguna bisnis—pengguna data yang lebih santai dibandingkan dengan analis khusus—dapat mengakses jawaban atas pertanyaan mereka dan informasi yang mereka butuhkan untuk melakukan pekerjaan mereka dengan baik tanpa khawatir tentang mekanisme pengerjaan. jadi.

Menjelajahi bagaimana solusi berkemampuan AI dapat mendukung tugas pengguna dan menemukan pengalaman pengguna yang tepat memiliki potensi besar untuk menyiapkan alat dan pengguna agar sukses. Misalnya, alat AI dapat mengotomatiskan beberapa tugas yang lebih membosankan seputar persiapan data dan kemudian memberikan hasilnya kepada manusia, yang selanjutnya dapat menganalisis dan memvisualisasikan konten berdasarkan kebutuhan analitis mereka.

Kemajuan dalam Augmented Analytics Membantu Orang Menjawab Pertanyaan Lebih Cepat

Solusi analitik tambahan dapat memudahkan pengguna bisnis untuk memahami data, yang membantu perusahaan memaksimalkan nilai dari teknologi yang mahal ini. Misalnya, augmented analytics dapat memahami minat pelanggan dan menawarkan prediksi tentang preferensi konsumen, pengembangan produk, dan saluran pemasaran. Mereka juga dapat memberikan konteks tambahan tentang tren, nilai, dan varians dalam data seseorang. Algoritme canggih dapat menyarankan visualisasi tambahan yang dapat ditambahkan ke dasbor, bersama dengan penjelasan teks dan konteks yang dihasilkan dalam bahasa alami.

Berikut adalah beberapa contoh solusi yang dapat membantu meningkatkan tenaga kerja Anda.

1. Cerita Data. Tableau Cloud sekarang termasuk Cerita Data, fitur widget dasbor dinamis yang menggunakan algoritme AI untuk menganalisis data dan menulis cerita sederhana tentangnya dalam bentuk naratif atau bullet. Kisah-kisah tersebut menyatukan narasi tentang data di luar grafik dan dasbor belaka pada daftar yang dapat diakses oleh pengguna bisnis untuk menjawab banyak pertanyaan mereka. Ini mengurangi tingkat literasi data yang dibutuhkan pengguna bisnis untuk memahami informasi yang paling penting bagi mereka. Data Stories memunculkan pertanyaan sederhana yang diajukan pengguna saat pertama kali melihat diagram batang atau diagram garis: Apakah angka yang terlihat seperti outlier ini benar-benar outlier? Bagaimana nomor itu berubah dari waktu ke waktu? Berapa rata-ratanya? Data masih perlu ditafsirkan—ini bukan keseluruhan cerita—tetapi ini adalah langkah besar untuk membuka wawasan dalam data.

2. Tunjukkan padaku. Fitur analitik yang ditingkatkan juga memungkinkan default encoding yang lebih cerdas. Misalnya, Show Me merekomendasikan jenis bagan dan penyandian tanda yang sesuai berdasarkan atribut data yang diinginkan. Pengguna kemudian dapat fokus pada takeaway tingkat tinggi yang ingin mereka komunikasikan dan berbagi bagan ini dengan audiens mereka sebagai bagian dari alur kerja analitik visual mereka.

3. Pemahaman bahasa alami. Dengan penelitian yang canggih, set pelatihan yang besar untuk model bahasa, dan kemampuan komputasi yang ditingkatkan, pemahaman bahasa alami juga telah meningkat secara signifikan selama bertahun-tahun.

Orang dapat mengajukan pertanyaan analitis tanpa harus memahami mekanisme pembuatan kueri SQL. Dengan pemahaman yang lebih baik, antarmuka bahasa alami dapat menjawab pertanyaan dengan bagan interaktif yang dapat diperbaiki, disempurnakan, dan berinteraksi dengan pengguna saat mereka memahami data.

4. Pembelajaran mesin. Analisis tambahan yang terkait dengan ML juga telah membuat kemajuan. Model-model ini dapat mempelajari tugas-tugas analitis yang canggih dan kompleks seperti operasi transformasi data yang dipersonalisasi untuk tipe pengguna tertentu atau sekelompok pengguna. Selain itu, banyak pengalaman analitik yang ditingkatkan sekarang memiliki antarmuka pengguna yang terasa intuitif, mengurangi kerumitan pelatihan dan menerapkan model dalam alur kerja analitik pengguna.

Meskipun AI memiliki kemampuan luar biasa, itu tidak akan pernah sepenuhnya menggantikan manusia. Mengumpulkan takeaways tingkat tinggi dari properti statistik tingkat yang lebih rendah bisa menjadi kompleks dan agak bernuansa. Orang memiliki tingkat kognisi kreatif yang lebih tinggi; kami ingin tahu; kita dapat menyaring takeaways tingkat tinggi ini dari data.

Rekomendasi untuk Menumbuhkan Literasi Data

Agar organisasi dapat membuka wawasan tingkat yang lebih tinggi dari data mereka, karyawan—pengguna bisnis dan analis—harus dididik tentang bagaimana mereka harus menganalisis data mereka dan memiliki praktik terbaik untuk memvisualisasikan dan menyajikan data. Inilah cara organisasi dapat mengembangkan praktik terbaik dalam mempromosikan literasi data dan meningkatkan AI dengan alat analitik.

1. Investasikan dalam pelatihan.

Memiliki alat yang tepat dan pendidikan/pelatihan yang tepat sangat penting untuk organisasi mana pun. Di sebuah Studi Forrester Consulting tentang literasi data, hanya 40% karyawan yang mengatakan bahwa organisasi mereka telah memberikan pelatihan keterampilan data yang diharapkan akan mereka miliki.¹ Individu dan organisasi harus memaparkan orang pada pelatihan yang lebih baik dalam hal praktik terbaik dalam melihat dan memahami data mereka. Tempat kerja harus menawarkan kursus seputar visualisasi data dan literasi data sehingga karyawan dapat memahami pola dan mempelajari cara terbaik untuk membuat dan merepresentasikan bagan.

Untuk melatih karyawan Anda, Anda dapat meminta program pihak ketiga yang hebat dari perusahaan seperti Qlik, Literasi Data, Akademi Data & Analisis Coursera, EDX, kamp data, Khan Academy, Majelis Umum, Belajar LinkedIn, dan banyak lagi. Tableau menawarkan belajar mandiri, kelas pelatihan virtual langsung, Dan kursus gratis tentang literasi data. Proyek serupa yang menggabungkan pelatihan, beberapa di antaranya gratis, termasuk Data untuk Rakyat, Bercerita dengan Data, Pondok Data, Proyek Literasi Data, Dan lain-lain.

Eksekutif juga harus mempertimbangkan: Bagaimana karyawan Anda dapat dilatih, tidak hanya dalam bahasa bagan tetapi juga sebagai paradigma yang lebih luas?

Salah satu kelemahan dari membangun alat yang memiliki banyak kemampuan yang ditingkatkan—termasuk AI dan pembelajaran mesin—adalah mereka dapat terlihat sangat sederhana, dan mereka dapat meningkatkan pengguna dengan sangat cepat. Tetapi pengguna yang kurang terlatih dapat menghasilkan bagan atau wawasan yang dapat diambil dari bagan yang dapat menyesatkan atau salah arah dalam beberapa hal.

Penting untuk mendidik orang tentang bahasa representasi visual dan ilmu di baliknya sehingga mereka, setidaknya, memiliki informasi data, jika tidak melek data. Misalnya, bagaimana orang mengidentifikasi apa itu outlier? Bagaimana seharusnya mereka mendesain dasbor yang dapat dipercaya? Mereka juga harus dapat memahami perbedaan antara korelasi dan sebab-akibat. Ini akan memastikan data akurat dan dapat digunakan untuk analisis.

2. Membuat keputusan berdasarkan data.

Berpindah dari data lisan—di mana orang berbicara tentang membuat keputusan berdasarkan data—ke literasi data—di mana orang memiliki kemampuan untuk mengeksplorasi, memahami, dan berkomunikasi dengan data—membutuhkan akses demokratisasi ke visualisasi data. Ini memerlukan fokus pada pembelajaran individu dan penerapan, tetapi harus lebih dari perubahan organisasi. Demokratisasi literasi data yang sebenarnya memperhitungkan seluruh ekosistem data. Ini mengenali proliferasi grafik dalam kehidupan sehari-hari pengguna dan bekerja untuk membuatnya dapat dipahami secara luas.

Orang seharusnya membuat keputusan berdasarkan data dan bukan hanya berdasarkan opini subjektif; ini kembali ke pentingnya pelatihan yang mendidik pengguna tentang perbedaan antara korelasi dan sebab-akibat. Bagaimana seharusnya keputusan berbasis data dibuat? Apa media untuk menyajikan data dan hal-hal penting yang dapat diambil agar diskusi tetap objektif untuk membuat keputusan yang efektif? Misalnya, perusahaan teknologi harus menggunakan data telemetri pengguna untuk menentukan fitur apa yang akan dibuat, karakteristik penggunaan, dan mengidentifikasi setiap gesekan dalam pengalaman pengguna.

3. Mengembangkan dan memelihara infrastruktur yang memadai.

Untuk mendukung dua rekomendasi pertama, eksekutif harus memastikan organisasi mereka telah membangun infrastruktur yang memadai dan terukur untuk menampung dan mengatur datanya. Mereka juga harus membantu organisasi mereka mengidentifikasi dan mendapatkan akses ke teknologi AI yang mengatasi masalah dan kebutuhan pelanggan mereka.

Selanjutnya, pembuat keputusan harus bijaksana dan mempertimbangkan privasi dan kepercayaan data. Itu tidak bisa menjadi renungan; itu harus diperhitungkan dengan serius sejak awal. Tanggung jawab privasi dan kepercayaan data harus disaring sampai ke pengguna individu, yang dapat dicakup oleh kebijakan pengelolaan dan tata kelola data yang komprehensif.

Terus Fokus pada Upaya Literasi Data

Berinvestasi dalam AI dan alat analitik tambahan seperti Data Stories adalah langkah yang sangat baik untuk memberdayakan pengguna bisnis untuk menemukan jawaban dari data mereka, tetapi alat ini akan melengkapi upaya literasi data daripada menggantikannya. Selain itu, bentuk investasi yang tepat baik dalam teknologi dan pelatihan AI dapat secara efektif mendukung manusia untuk melakukan yang terbaik: membuat ide dan menciptakan solusi sambil memecahkan kebutuhan pelanggan, semuanya berpusat pada data.

Terus berfokus pada literasi data di seluruh organisasi Anda akan memastikan bahwa lebih banyak karyawan Anda—pengguna bisnis biasa dan analis data yang canggih—mengajukan pertanyaan yang tepat tentang data Anda yang akan mengarah pada wawasan lebih lanjut.

PILIH MITRA ANALITIK FLEKSIBEL

Mitra analitik seperti Tableau menawarkan kemampuan yang luas dan mendalam serta pelatihan berbasis peran—menjadikannya mitra yang fleksibel dalam perjalanan untuk menemukan apa yang terbaik untuk perusahaan Anda. Belajar lebih tentang Awan Tablo.

WAWASAN DATA UNTUK PENGGUNA BISNIS

Siapkan pengguna bisnis Anda untuk sukses. Pelajari lebih lanjut tentang Data Stories sini.