Навигација писменошћу података у свету проширене аналитике

Могућности вештачке интелигенције (АИ) као што су машинско учење (МЛ) и обрада природног језика (НЛП) настављају да се побољшавају, а производи проширене аналитике могу поуздано да аутоматизују многе задатке који се односе на увид и разумевање података. Са моћним алатима који могу да открију увиде из података, руководиоци се често питају: да ли ова технологија заправо смањује потребу за писменост података напори за обуку у својим организацијама? Не, напротив.

Писменост података – способност читања, писања и саопштавања података у контексту – важнија је него икад. Од кључне је важности за помагање организацијама да развију начин рада заснован на подацима и оснаживање запослених да прошире вештине вештачке интелигенције сопственом креативношћу и критичким мишљењем.

Постоје додатни фактори које треба узети у обзир у улози писмености података за раст и успех организације. Запошљавање, обука и задржавање научника и аналитичара података је тешко – плус, њихове вештине су често нијансиране и скупе. Према 365 Дата Сциенце, већина научника података вероватно неће провести више од 1.7 година на свом тренутном радном месту. Научници и аналитичари података, који су високо обучени, често добијају захтеве за задатке као што су изградња чистог извора података за продају или прављење основних извештаја. Са њиховим специјализованим способностима, њихово време и скуп вештина би боље послужили радећи на моделирању и развоју токова посла за сложена пословна питања веће вредности.

Када руководиоци улажу у вештачку интелигенцију и технологију проширене аналитике, пословни корисник – повременији корисник података у поређењу са посвећеним аналитичарем – може да приступи одговорима на своја питања и информацијама које су им потребне да добро обављају свој посао без бриге о механици рада. тако.

Истраживање како решења са АИ-ом могу да подрже корисничке задатке и пронађу право корисничко искуство има огроман потенцијал за постављање алата и корисника за успех. На пример, АИ алат може да аутоматизује неке од досаднијих задатака око припреме података, а затим да резултате пружи човеку, који може даље да анализира и визуелизује садржај на основу својих аналитичких потреба.

Напредак у проширеној аналитици помаже људима да брже одговоре на питања

Решења за проширену аналитику могу олакшати пословним корисницима да разумеју податке, што помаже компанијама да максимизирају вредност ових скупих технологија. На пример, проширена аналитика може разумети интересовање купаца и понудити предвиђања о преференцијама потрошача, развоју производа и маркетиншким каналима. Они такође могу пружити додатни контекст о трендовима, вредностима и варијацијама у нечијим подацима. Софистицирани алгоритми могу предложити додатне визуализације које се могу додати на контролну таблу, заједно са објашњењима текста и контекстом генерисаним на природном језику.

Ево неколико примера решења која вам могу помоћи да унапредите своју радну снагу.

1. Приче о подацима. Таблеау Цлоуд сада укључује Дата Сториес, динамичка функција виџета контролне табле која користи АИ алгоритме за анализу података и писање једноставне приче о њима у наративном или набрајаном облику. Приче спајају наративе о подацима изван пуких графикона и контролних табли у регистру доступном пословним корисницима за одговоре на многа њихова питања. Ово смањује ниво писмености података пословном кориснику који је потребан да би разумео информације које су му најважније. Приче о подацима постављају једноставна питања која корисник поставља када први пут погледа тракасти или линијски графикон: да ли је овај број који изгледа као изузетак заиста био изванредан? Како се тај број мењао током времена? Колики је просек? Податке још треба тумачити – то није цела прича – али то је велики корак ка откључавању увида у податке.

2. Покажи ми. Функције проширене аналитике такође омогућавају паметније подразумеване вредности кодирања. На пример, Схов Ме препоручује типове графикона и одговарајућа кодирања ознака на основу атрибута података од интереса. Корисници се затим могу фокусирати на садржај високог нивоа који желе да комуницирају и поделе ове графиконе са својом публиком као део свог визуелног аналитичког тока посла.

3. Разумевање природног језика. Са софистицираним истраживањем, великим сетовима за обуку за језичке моделе и побољшаним рачунарским могућностима, разумевање природног језика се такође значајно побољшало током година.

Људи могу постављати аналитичка питања без потребе да разумеју механику конструисања СКЛ упита. Са бољом намером разумевања, интерфејси природног језика могу да одговоре на питања са интерактивним графиконима које корисници могу да поправе, прецизирају и са њима ступају у интеракцију док дају смисао подацима.

4. Машинско учење. Проширена аналитика везана за МЛ такође је направила кораке. Ови модели могу научити софистициране и сложене аналитичке задатке као што су операције трансформације података које су персонализоване за одређени тип корисника или групу корисника. Штавише, многа проширена аналитичка искуства сада имају корисничке интерфејсе који су интуитивни, смањујући сложеност обуке и примену модела у аналитичком радном току корисника.

Иако АИ има невероватне могућности, никада неће у потпуности заменити људе. Сакупљање података високог нивоа из статистичких својстава нижег нивоа може бити сложено и прилично нијансирано. Људи имају виши ниво креативне спознаје; ми смо радознали; можемо извући ове закључке на високом нивоу из података.

Препоруке за неговање писмености података

Да би организације могле да откључају увиде вишег нивоа из својих података, запослени — и пословни корисници и аналитичари — морају бити образовани о томе како треба да анализирају своје податке и да имају најбоље праксе за визуелизацију и презентовање података. Ево како организације могу да развију најбоље праксе у промовисању писмености са подацима и проширењу вештачке интелигенције помоћу аналитичких алата.

1. Инвестирајте у обуку.

Поседовање правих алата и правог образовања/обуке је кључно за сваку организацију. У а Форрестер Цонсултинг студија о писмености података, само 40% запослених је рекло да је њихова организација обезбедила обуку за вештине података коју се очекује.¹ Појединци и организације треба да изложе људе бољој обуци у смислу најбоље праксе увида и разумевања њихових података. Радна места би требало да нуде курсеве о визуелизацији података и писмености података како би запослени могли да разумеју обрасце и науче најбоље начине за креирање и представљање графикона.

Да бисте обучили своје запослене, можете ангажовати сјајне програме трећих страна компанија као што су Клик, Писменост података, Цоурсера Академија података и аналитике, ЕдКс, Датацамп, Кхан академија, Генерална скупштина, ЛинкедИн Леарнинг, и још. Таблеау понуде самостално учење, ливе, виртуелни часови обукеИ бесплатан курс о писмености података. Слични пројекти који укључују обуку, од којих су неки бесплатни, укључују Подаци за народ, Приповедање са подацима, Тхе Дата Лодге, Пројекат писмености података, И други.

Руководиоци такође треба да размотре: Како ваши запослени могу бити обучени, не само у језику графикона, већ и као широј парадигми?

Једна од лоших страна алата за прављење који имају много проширених могућности — које укључују вештачку интелигенцију и машинско учење — јесте да могу изгледати варљиво једноставно и да могу веома брзо да повећају кориснике. Али недовољно обучени корисници могли би да генеришу графикон или увиде за понети из графикона који би на неки начин могли да доведу у заблуду или заблуде.

Важно је образовати људе о језику визуелног представљања и науци која стоји иза тога како би они, у најмању руку, били информисани о подацима, ако не и писмени. На пример, како људи идентификују шта је оутлиер? Како треба да дизајнирају контролне табле које су поуздане? Такође би требало да буду у стању да разумеју разлику између корелације и узрочности. Ово ће осигурати да су подаци тачни и да се могу користити за анализу.

2. Доносите одлуке засноване на подацима.

Прелазак са усмености података – где људи говоре о доношењу одлука заснованих на подацима – до писмености података – где људи имају способност да истражују, разумеју и комуницирају са подацима – захтева демократски приступ визуелизацији података. Ово подразумева фокус на индивидуалном учењу и применљивости, али би то требало да буде више организациона промена. Права демократизација писмености података узима у обзир цео екосистем података. Он препознаје пролиферацију графикона у свакодневном животу корисника и ради на томе да их учини разумљивим широм.

Људи би требало да доносе одлуке на основу података, а не само на субјективним мишљењима; ово се враћа на важност обуке која образује кориснике о разликовању између корелације и узрочности. Како треба доносити одлуке засноване на подацима? Који је медиј представљања података и кључних закључака како би дискусија могла остати објективна како би се донеле ефикасне одлуке? На пример, технолошке компаније би требало да користе податке телеметрије корисника да би одредиле које карактеристике да направе, карактеристике коришћења и идентификују сва трења у корисничком искуству.

3. Развити и одржавати адекватну инфраструктуру.

Да би подржали прве две препоруке, руководиоци морају да осигурају да је њихова организација изградила адекватну, скалабилну инфраструктуру за смештај и управљање подацима. Такође би требало да помогну својим организацијама да идентификују и добију приступ технологији вештачке интелигенције која решава проблеме и потребе њихових купаца.

Штавише, доносиоци одлука морају бити пажљиви и промишљени у погледу приватности и поверења података. То не може бити накнадна мисао; мора се озбиљно узети у обзир од самог почетка. Одговорност за приватност података и поверење треба да се сведе на појединачног корисника, што свеобухватне политике управљања подацима и управљања могу да покрију.

Наставите да се фокусирате на напоре за писменост података

Улагање у АИ и алате за проширену аналитику као што су Дата Сториес је одличан корак ка оснаживању пословних корисника да пронађу одговоре из својих података, али ови алати ће допунити напоре за писменост података, а не заменити их. Штавише, прави облици улагања у технологију вештачке интелигенције и обуку могу ефикасно да подрже људе да раде оно у чему су најбољи: осмишљавају и креирају решења док решавају потребе купаца, а све је усредсређено на податке.

Наставак фокусирања на писменост података у целој вашој организацији обезбедиће да више ваших запослених — повремених пословних корисника и софистицираних аналитичара података — поставља права питања о вашим подацима која ће довести до даљих увида.

ИЗАБЕРИТЕ ФЛЕКСИБИЛНОГ ПАРТНЕРА ЗА АНАЛИТИКУ

Партнер за аналитику као што је Таблеау нуди ширину и дубину у могућностима, као и обуку засновану на улогама – што га чини флексибилним партнером на путу ка откривању шта најбоље функционише за вашу компанију. Сазнајте више о Таблеау Цлоуд.

УВИДИ ПОДАТАКА ЗА ПОСЛОВНЕ КОРИСНИКЕ

Подесите своје пословне кориснике за успех. Сазнајте више о причама о подацима овде.