יכולות בינה מלאכותית (AI) כמו למידת מכונה (ML) ועיבוד שפה טבעית (NLP) ממשיכות להשתפר, ומוצרי אנליטיקה מוגברת יכולים להפוך בצורה מהימנה משימות רבות הקשורות לראייה והבנת נתונים. עם כלים רבי עוצמה שיכולים להעלות תובנות מתוך נתונים, מנהלים נותרים לעתים קרובות תוהים: האם הטכנולוגיה הזו אכן מפחיתה את הצורך ב אוריינות נתונים מאמצי הכשרה בארגונים שלהם? לא, אלא להיפך.
אוריינות נתונים - היכולת לקרוא, לכתוב ולתקשר נתונים בהקשר - חשובה מתמיד. זה קריטי בסיוע לארגונים לפתח דרך עבודה מונעת נתונים ולהעצים עובדים להגביר את כישורי הבינה המלאכותית עם היצירתיות והחשיבה הביקורתית שלהם.
ישנם גורמים נוספים שיש לקחת בחשבון בתפקיד אוריינות נתונים לצמיחתו והצלחתו של ארגון. גיוס, הכשרה ושימור של מדעני נתונים ואנליסטים הוא קשה - בנוסף, הכישורים שלהם הם לעתים קרובות ניואנסים ויקרים. על פי 365 Data Science, רוב מדעני הנתונים כנראה לא ישהו יותר מ-1.7 שנים במקום העבודה הנוכחי שלהם. מדעני נתונים ואנליסטים, בעלי הכשרה גבוהה, מקבלים לעתים קרובות בקשות למשימות כמו בניית מקור נתונים נקי למכירות או הוצאת דוחות בסיסיים. עם היכולות המיוחדות שלהם, זמנם ומערך הכישורים ישמשו טוב יותר בעבודה על מודלים ופיתוח זרימות עבודה עבור שאלות עסקיות בעלות ערך גבוה יותר ומורכבות.
כאשר מנהלים משקיעים בבינה מלאכותית וטכנולוגיית אנליטיקה מוגברת, המשתמש העסקי - משתמש מזדמן יותר בנתונים בהשוואה לאנליסט מסור - יכול לגשת לתשובות לשאלותיו ולמידע הדרוש להם כדי לבצע את עבודתם בצורה טובה מבלי לדאוג למנגנוני העשייה. כך.
לחקור כיצד פתרונות התומכים בינה מלאכותית יכולים לתמוך במשימות משתמש ולמצוא את חווית המשתמש הנכונה יש פוטנציאל עצום להגדיר את הכלי ואת המשתמש להצלחה. לדוגמה, כלי בינה מלאכותית יכול להפוך כמה מהמשימות היותר מייגעות סביב הכנת נתונים לאוטומטיות ולאחר מכן לספק את התוצאות לאדם, שיכול להמשיך לנתח ולהמחיש את התוכן על סמך הצרכים האנליטיים שלו.
ההתקדמות ב-Augmented Analytics עוזרת לאנשים לענות על שאלות מהר יותר
פתרונות אנליטיקה משופרים יכולים להקל על משתמשים עסקיים להבין נתונים, מה שעוזר לחברות למקסם את הערך של הטכנולוגיות היקרות הללו. לדוגמה, אנליטיקה מוגברת יכולה להבין את עניין הלקוחות ולהציע תחזיות לגבי העדפות צרכנים, פיתוח מוצרים וערוצי שיווק. הם יכולים גם לספק הקשר נוסף לגבי מגמות, ערכים ושונות בנתונים של האדם. אלגוריתמים מתוחכמים יכולים להציע הדמיות נוספות שניתן להוסיף ללוח המחוונים, יחד עם הסברי טקסט והקשר שנוצר בשפה טבעית.
הנה כמה דוגמאות לפתרונות שיכולים לעזור להעלות את כוח העבודה שלך.
1. סיפורי נתונים. Tableau Cloud כולל כעת סיפורי נתונים, תכונת ווידג'ט דינמית של לוח המחוונים שמשתמשת באלגוריתמים של AI כדי לנתח נתונים ולכתוב סיפור פשוט עליהם בצורה נרטיבית או בתבליטים. הסיפורים שוזרים יחד נרטיבים על נתונים מעבר לתרשימים ולוחות מחוונים בלבד בפנקס הנגיש למשתמשים עסקיים כדי לענות על רבות מהשאלות שלהם. זה מפחית את רמת אוריינות הנתונים שמשתמש עסקי צריך כדי להבין את המידע החשוב ביותר עבורו. Data Stories מעלה את השאלות הפשוטות שמשתמש שואל כאשר הוא מסתכל לראשונה על תרשים עמודות או תרשים קווים: האם המספר הזה שנראה כמו חריג באמת היה חריג? איך המספר הזה השתנה עם הזמן? מה הממוצע? הנתונים עדיין צריכים להתפרש - זה לא כל הסיפור - אבל זה צעד גדול לקראת פתיחת התובנות בנתונים.
Data Stories משתמש באלגוריתמים של AI כדי לנתח נתונים ולכתוב סיפור פשוט עליהם בצורה נרטיבית או בתבליטים.
תמונת חיה
2. הראה לי. תכונות ניתוח מוגברות מאפשרות גם ברירות מחדל של קידוד חכמות יותר. לדוגמה, Show Me ממליץ על סוגי תרשימים וקידוד סימנים מתאימים בהתבסס על תכונות נתונים של עניין. לאחר מכן, המשתמשים יכולים להתמקד בטייק-אווי ברמה גבוהה שהם רוצים לתקשר ולשתף את התרשימים האלה עם הקהל שלהם כחלק מזרימת העבודה האנליטית החזותית שלהם.
Show Me היא תכונת ניתוח מוגברת הממליצה על סוגי תרשימים וקידוד סימנים מתאימים בהתבסס על תכונות נתונים של עניין.
תמונת חיה
3. הבנת שפה טבעית. עם מחקר מתוחכם, ערכות הכשרה גדולות למודלים של שפה ויכולות מחשוב משופרות, גם הבנת השפה הטבעית השתפרה משמעותית עם השנים.
אנשים יכולים לשאול שאלות אנליטיות מבלי שהם צריכים להבין את המכניקה של בניית שאילתות SQL. מתוך כוונה טובה יותר להבנה, ממשקי שפה טבעית יכולים לענות על שאלות באמצעות תרשימים אינטראקטיביים שמשתמשים יכולים לתקן, לחדד וליצור איתם אינטראקציה כשהם מבינים את הנתונים.
4. למידת מכונה. גם אנליטיקה מוגברת הקשורה ל-ML עשתה צעדים. מודלים אלה יכולים ללמוד משימות אנליטיות מתוחכמות ומורכבות כגון פעולות טרנספורמציה של נתונים המותאמות אישית לסוג ספציפי של משתמש או לקבוצת משתמשים. יתרה מזאת, לחוויות ניתוח מוגברות רבות יש כעת ממשקי משתמש שמרגישים אינטואיטיביים, מה שמפחית את המורכבות של ההדרכה ויישום מודל בזרימת העבודה האנליטית של המשתמש.
למרות של-AI יש יכולות מדהימות, הוא לעולם לא יחליף לחלוטין בני אדם. איסוף נקודות טייק-אווי ברמה גבוהה ממאפיינים סטטיסטיים ברמה נמוכה יותר יכול להיות מורכב ודי ניואנס. לאנשים יש רמה גבוהה יותר של קוגניציה יצירתית; אנחנו סקרנים; אנחנו יכולים לזקק את ההטמעות האלה ברמה גבוהה מהנתונים.
המלצות לטיפוח אוריינות נתונים
על מנת שארגונים יוכלו לפתוח תובנות ברמה גבוהה יותר מהנתונים שלהם, העובדים - משתמשים עסקיים ואנליסטים כאחד - חייבים לקבל השכלה לגבי האופן שבו עליהם לנתח את הנתונים שלהם ולקבל שיטות עבודה מומלצות להצגה והצגת נתונים. הנה איך ארגונים יכולים לפתח שיטות עבודה מומלצות בקידום אוריינות נתונים והגדלת AI עם כלי ניתוח.
1. השקיעו בהדרכה.
להחזיק בכלים הנכונים והן בחינוך/הכשרה נכונה היא קריטית לכל ארגון. ב מחקר של Forrester Consulting בנושא אוריינות נתונים, רק 40% מהעובדים אמרו שהארגון שלהם סיפק את הדרכת כישורי הנתונים שהם צפויים לקבל.1 אנשים וארגונים צריכים לחשוף אנשים להכשרה טובה יותר במונחים של שיטות עבודה מומלצות של ראייה והבנה של הנתונים שלהם. מקומות עבודה צריכים להציע קורסים בנושא הדמיית נתונים ואוריינות נתונים כדי שהעובדים יוכלו להבין דפוסים וללמוד את הדרכים הטובות ביותר ליצור ולייצג תרשימים.
כדי להכשיר את העובדים שלך, אתה יכול לגייס תוכניות צד שלישי נהדרות של חברות כמו קליק, אוריינות נתונים, האקדמיה לנתונים ואנליטיקה של Coursera, אדקס, מחנה נתונים, חאן אקדמיה, אסיפה כללית, LinkedIn, ועוד. הצעות טבלה למידה מונעת עצמית, שיעורי אימון וירטואליים חייםו קורס חינם על אוריינות נתונים. פרויקטים דומים המשלבים הכשרה, חלקם בחינם, כוללים נתונים לעם, סיפורים עם נתונים, לודג' הנתונים, פרויקט אוריינות נתונים, ואחרים.
מנהלים צריכים גם לשקול: כיצד ניתן להכשיר את העובדים שלך, לא רק בשפת התרשימים אלא גם כפרדיגמה רחבה יותר?
חיסרון אחד של בניית כלים שיש להם הרבה יכולות מוגברות - הכוללות בינה מלאכותית ולמידת מכונה - הוא שהם יכולים להיראות פשוטים בצורה מטעה, והם יכולים להגדיל את המשתמשים מהר מאוד. אבל משתמשים לא מאומנים יכולים ליצור תרשים או תובנות לקחת מתרשים שעלולות להיות מטעות או מוטעות בדרך כלשהי.
חשוב ללמד אנשים על שפת הייצוג החזותי והמדע שמאחוריו כך שהם, לפחות, יהיו מעודכנים בנתונים, אם לא יודעים נתונים. לדוגמה, איך אנשים מזהים מה זה חריג? כיצד עליהם לעצב לוחות מחוונים אמינים? הם צריכים גם להיות מסוגלים להבין את ההבחנה בין מתאם לסיבתיות. זה יבטיח שהנתונים מדויקים וניתן להשתמש בהם לניתוח.
2. קבל החלטות מונעות נתונים.
מעבר מ-Oral Data - שבו אנשים מדברים על קבלת החלטות מונעות נתונים - לאוריינות נתונים - שבו לאנשים יש את היכולת לחקור, להבין ולתקשר עם נתונים - מצריך גישה לדמוקרטיזציה להדמיות נתונים. זה כרוך בהתמקדות בלמידה ובהחלמה אישית, אבל זה צריך להיות יותר שינוי ארגוני. הדמוקרטיזציה האמיתית של אוריינות נתונים לוקחת בחשבון את כל המערכת האקולוגית של הנתונים. הוא מזהה את התפשטות התרשימים בחיי היומיום של המשתמשים ופועל כדי להפוך אותם למובנים באופן רחב.
אנשים צריכים לקבל החלטות על סמך נתונים ולא רק על דעות סובייקטיביות; זה חוזר לחשיבות ההדרכה שמלמדת את המשתמשים על ההבחנה בין מתאם לסיבתיות. כיצד יש לקבל החלטות מונעות נתונים? מהו המדיום של הצגת הנתונים והאפשרויות העיקריות כדי שהדיון יוכל להישאר אובייקטיבי כדי לקבל החלטות אפקטיביות? לדוגמה, חברות טכנולוגיה צריכות להשתמש בנתוני טלמטריה של משתמשים כדי לקבוע אילו תכונות לבנות, מאפייני שימוש ולזהות חיכוך כלשהו בחוויית המשתמש.
3. לפתח ולתחזק תשתית נאותה.
כדי לתמוך בשתי ההמלצות הראשונות, מנהלים חייבים להבטיח שהארגון שלהם בנה תשתית נאותה וניתנת להרחבה כדי לאכלס ולשלוט בנתונים שלו. הם צריכים גם לעזור לארגונים שלהם לזהות ולקבל גישה לטכנולוגיית AI הנותנת מענה לבעיות וצרכי הלקוחות שלהם.
יתר על כן, מקבלי ההחלטות חייבים להיות מתחשבים ומכוונים לגבי פרטיות הנתונים ואמון. זה לא יכול להיות מחשבה שלאחר מכן; יש לקחת זאת בחשבון ברצינות כבר מההתחלה. יש לזקק את האחריות על פרטיות הנתונים והאמון עד למשתמש הבודד, אשר מדיניות ניהול וניהול נתונים מקיפה יכולה לכסות.
המשך להתמקד במאמצי אוריינות נתונים
השקעה בבינה מלאכותית ובכלי ניתוח מוגדלים כמו Data Stories היא צעד מצוין לקראת העצמת משתמשים עסקיים לחשוף תשובות מהנתונים שלהם, אבל הכלים האלה ישלימו את מאמצי האוריינות הנתונים במקום להחליף אותם. יתרה מזאת, צורות ההשקעה הנכונות הן בטכנולוגיית AI והן בהדרכה יכולות לתמוך בבני אדם לעשות את מה שהם הכי טובים בו: רעיונות ויצירת פתרונות תוך פתרון צרכי הלקוח, הכל מרוכז סביב נתונים.
המשך התמקדות באוריינות נתונים ברחבי הארגון שלך תבטיח שיותר מהעובדים שלך - המשתמש העסקי המזדמן ומנתח הנתונים המתוחכם - שואלים את השאלות הנכונות לגבי הנתונים שלך שיובילו לתובנות נוספות.
בחר שותף אנליטיקה גמיש
שותף ניתוח כמו Tableau מציע רוחב ועומק ביכולות כמו גם הכשרה מבוססת תפקידים - מה שהופך אותו לשותף גמיש במסע לגילוי מה הכי מתאים לחברה שלך. למידע נוסף על ענן טבלה.
תובנות נתונים למשתמשים עסקיים
הגדר את המשתמשים העסקיים שלך להצלחה. למידע נוסף על Data Stories כאן.
מקור: https://www.forbes.com/sites/tableau/2022/07/26/navigating-data-literacy-in-the-world-of-augmented-analytics/