Overvindelse af otte datakompetencebarrierer - DATAVERSITET

Overvindelse af otte datakompetencebarrierer – DATAVERSITET

Tidsstempel: 6. juni 2023 kl. 3
Kildeknude: 2704609
barrierer for datafærdighederbarrierer for datafærdigheder

Ledere ønsker, at "alle, overalt og på én gang bliver yderst datakyndige, demonstrerer en høj evne til at læse, arbejde med og analysere data," siger Dr. Wendy Lynch, grundlægger af Analytic-Translastor.com og Lynch Consulting. Som konsulent for adskillige Fortune 100-virksomheder forstår hun, hvorfor organisationer ønsker, at alle deres medlemmer skal have et højt niveau af datafærdigheder. Dr. Lynch fremhæver nogle af de største datafærdighedsbarrierer, og hvordan man løser dem under et DATAVERSITY-webinar, "Overvindelse af udfordringer for at opnå datafærdighed." I sin præsentation forklarer og omformulerer hun udfordringerne til Data Literacy-træning og opfordrede til en trestrenget tilgang til at løse dem.

I webinaret citerede Dr. Lynch en undersøgelse fra McKinsey og bemærkede, at mindst $1 ud af $5 fra en virksomheds indtjening før renter og skat (EBIT) omsættes til værdi fra dataaktiver. Desuden har virksomheder med det højeste niveau af databeherskelse, herunder politikker, mennesker og teknologi, en 70 % højere omsætning pr. person.

Alligevel mangler næsten 80 % af mennesker tillid til deres Datafærdigheder, og undersøgelser viser, at 90 % ikke har høj datafærdighed. Så, som Lynch påpeger, "Virksomheder ønsker, at alle skal fungere som dataforskere, men de starter et vanskeligt sted."

Barrierer for datafærdighed

Dr. Lynch citerer otte temaer fra DATAVERSITY-fokusgrupper, der blev gennemført i begyndelsen af ​​2023 for at forstå, hvorfor mennesker og organisationer finder træning i datakompetence vanskelig. De omfatter:

1. Buy-in: Ledere overvurderer deres medarbejders evner med data og forstår måske ikke vigtigheden af ​​træning i datafærdigheder eller prioriteringen af ​​en sådan indsats.

2. Ejerskab: Organisationer skal afklare, hvem der driver Data Literacy-indsatsen. Er det personen med den højeste score for datafærdigheder, en person på C-niveau eller en ny rolle? Dr. Lynch bemærker, at medarbejderne kan tøve eller føle sig bekymrede over at lære Data Literacy, fordi de ikke har interessen eller evnerne. Så er den person, der driver Data Literacy-uddannelse ansvarlig for at afbøde disse problemer?

3. Mål: Hvordan gør organisationer vurdere nuværende niveauer af eller forbedringer i datafærdigheder? Hvad repræsenterer et godt niveau af datafærdighed? Desuden nævner hun baseret på en Forbes-artikel, at hvis virksomheder ikke når et godt niveau af datafærdigheder, ville de skabe en giftig kløft mellem dataproducenter og forbrugere – dem, der er læsekyndige, og dem, der skal op på et højere niveau. Så hvordan kan målinger hjælpe med at fremme Data Literacy uden at skabe et så omstridt miljø blandt medarbejderne?

4. Træningstilgang: Lynch spørger, hvordan vi griber undervisningen i Data Literacy an. Gør organisationer det i hele virksomheden? Vælger de uddannelse fra en leverandør eller fra organisationen? Derudover, hvordan dækker en organisations træner alle væsentlige trin for at nå høj datafærdighed, som angivet nedenfor?

  • Få kendskab til tilgængelige data i organisationen.
  • Identificer disse forskellige datakilder.
  • Ved, hvordan du vælger de rigtige kilder på det rigtige tidspunkt.
  • Forstå værdien og begrænsningerne for de valgte datasæt.
  • Manipuler data for at definere og filtrere information på en effektiv måde.
  • Analyser data, herunder brug beregningerne for at komme dertil.
  • Fortolk data og de resultater, der følger med rimelighed.
  • Anvend disse oplysninger til at opfylde forretnings- og jobkrav.

5. Varighed/ niveauer: Hvor ofte gennemgår medarbejderne uddannelse? Er det igangværende eller én gang gjort? For at illustrere denne udfordring fortæller Dr. Lynch en oplevelse, der undersøger AI's implikationer i en medicinsk institution. Læger i denne organisation har til tider mistillid til AI og har brug for noget træning. Men hun spørger: "Vil vi have, at en læge, der har gennemgået 12 års medicinsk skolegang, vender tilbage til skolen for at blive dataforsker?"

6. Personale: Har organisationen folk, der kan hjælpe med at fremme andres datafærdigheder til et højere niveau? Tænk på, at en tredjedel af amerikanerne ikke ved, at en fjerdedel af et cirkeldiagram er det samme som 25 %, og 22 % forstår ikke dagligdags numeriske oplysninger som kontoudtog. Derudover 20% af mennesker har svær matematikangst, der fryser deres hjerner. Så har en organisation ressourcerne til at håndtere alle disse væsentlige huller?

7. Omkostninger: Har organisationen budgettet til Data Literacy? Træning af alle koster meget. Nogle organisationer kan overveje at spare penge ved at tilskynde medarbejderne til at tage gratis selvdrevne onlinekurser. Men flere undersøgelser stiller spørgsmålstegn ved effektiviteten af ​​en sådan tilgang.

8. Tid: Dr. Lynch fremhæver, at tid repræsenterer folks mest knappe ressource. Organisationer skal udnytte tid til daglig drift og deres dataapplikationer. Så hvordan kan virksomheder afsætte tid til at kombinere Data Literacy-træning og få folk til at lære, især hvis medarbejderne er spredt ud geografisk?

Reframing af barrierer for datakompetencetræning

Som nævnt ovenfor, finder Dr. Lynch mange komplekse barrierer for Data Literacy-træning, når medarbejdere skal opnå høj Data Literacy overalt. Så hun anbefaler at omformulere dette Data Literacy-problem på teamniveau for at reducere disse barrierer mest effektivt.

Ikke alle har de samme evner eller interesse for datafærdigheder, men de har forskellige, som en virksomhed har brug for, såsom folks læsefærdigheder (emotionel modenhed og kommunikationsevner) og forretningsfærdigheder (forståelse af forretningsprioriteter og strategiske imperativer, og hvordan ens job hænger sammen med det). Når man ser på Data Literacy på denne måde, ændres Data Literacy-udfordringerne og bliver mere meningsfulde samlet set.

Derefter skal organisationer spørge, hvordan man bedst udnytter deres teams med samlinger af mennesker med forskellige styrker. Dr. Lynch forklarer det på denne måde: 

"Ledere ønsker bedre datafærdigheder, ikke fordi de ønsker, at alle medarbejdere elsker matematik. I stedet ønsker de, at deres organisationer får bedre indsigt. Efterhånden som flere mennesker tilsammen kan gå højere op i Data Literacy, jo mere kan du få ud af disse indsigter."

Med andre ord ønsker ledere datafærdighedssæt eller arbejdssamarbejder for at give hver medarbejder viden og analytisk adgang til at udføre arbejdet godt.

En trestrenget tilgang: Træning, roller og adgang

I lyset af dette nye perspektiv foreslår Dr. Lynch, at organisationer bruger en trestrenget tilgang gennem træning, roller og tilgængelighed for at opnå højere datafærdighed for organisatorisk indsigt. Hun forklarer hver af disse yderligere:

Uddannelse: Baseret på tidligere data anbefaler Dr. Lynch følgende bedste praksis, når du udfører datafærdigheder:

  • Udpeg en kompetent ekspert, der ejer indsatsen for at forbedre læsefærdigheden, og denne person bør være fra noget andet end Data Governance eller et dataområde.
  • Hav en klar business case for, hvad organisationen vil opnå, når den når højere Data Literacy.
  • Strukturer uddannelsen, så den passer ind i normal forretningsdrift, og giv relevante eksempler, der binder enhver undervisning til en medarbejders rolle, når den pågældende lærer.

Roller: Mens Dr. Lynch i fællesskab udforsker udviklingen af ​​datafærdigheder, undrer hun sig over at udpege arbejde for at udnytte folks styrker og imødekomme deres svagheder ud over træning. Hun foreslår endda mulige kombinationsroller.

For eksempel, da Lynch arbejder med sin medicinske klient, ser hun AI-eksperter (mere teknologikyndige) og kliniske eksperter (bedre i stand til at diagnosticere og behandle patienter). Så mens hun tillader teammedlemmer at forbedre deres datafærdigheder, implementerer hun oversætterroller mellem AI og kliniske eksperter.

Disse oversætterroller hjælper AI, og de kliniske medarbejdere får dataindsigt. Dr. Lynch hævder:

"Måske giver oversættere, der er fortrolige med forskellige dataindsigter, og som har grundlæggende SQL-færdigheder, information til alle andre. Så har alle adgang til mere avanceret indsigt fra dataene.”

På denne måde kan teamet bedre behandle oplysningerne og fuldføre hvert enkelt job. Denne tilgang sparer også den tid og de penge, der er nødvendige for at træne hver enkelt person til at manipulere data, især hvis denne person ikke er interesseret i at lave regnestykket.

Adgang: Kompleks teknologi begrænser, hvor meget træning der er nødvendig, hvilket kræver ekstra tid til at vise eleverne, hvordan de finder, henter og manipulerer data. For at imødegå dette problem advokerer Dr. Lynch for platforme, der bruger datagrænseflader, der kræver mindre tekniske færdigheder, hvilket åbner en organisations brug, som markedet har gjort med computere.

Hun forklarer, at i 1970'erne brugte programmører og specialiserede ingeniører kun computere, fordi de vidste hvordan. Derefter åbnede fremskridt inden for hardware, pc'er og GUI'er computeradgang for alle. Nu bruger de fleste mennesker problemfrit computere til deres arbejde, uanset deres viden om algoritmer.

På samme måde siger Dr. Lynch:

"Vi kan begynde at tænke på analyser som mere tilgængelige. For eksempel, i stedet for at begrænse dataanalyse til dashboard-interaktioner og SQL-forespørgsler, kunne vi tænke på teknologi, der konverterer forespørgsler, dannet i et naturligt sprog, til analyser."

Forskud i AI og maskinlæring (ML) kan potentielt øge adgangen til analytiske data. Lynch påpeger, at GPT-4 kan konvertere talte spørgsmål til SQL og producere grafik, der viser analysen, hvilket sænker kravene til datafærdigheder for indsigt.

Konklusion

Barrierer for datafærdigheder ser komplekse og vanskelige ud, især for at få hver enkelt medarbejder op på et højere niveau. Så selvom træning er et værktøj, har organisationer brug for andre tilgange.

Oversætterroller lover en bro mellem datakyndige og ikke-tekniske teammedlemmer. Også teknologiske fremskridt kan sænke barren for at få indsigt ved at åbne adgang til mindre tekniske medlemmer. Med dette nye perspektiv kan ledere genoverveje Data Literacy-træning for at løse de otte barrierer, der er angivet i denne artikel.

Se webinaret her:

Billede brugt under licens fra Shutterstock.com

Tidsstempel:

Mere fra DATAVERSITET