Ξεπερνώντας τα οκτώ εμπόδια του αλφαβητισμού δεδομένων – ΔΙΑΒΟΛΗ ΔΕΔΟΜΕΝΩΝ

Οι ηγέτες θέλουν «όλοι, παντού και όλοι ταυτόχρονα να αποκτήσουν υψηλή γνώση δεδομένων, να επιδείξουν υψηλή ικανότητα ανάγνωσης, εργασίας και ανάλυσης δεδομένων», λέει η Δρ. Wendy Lynch, ιδρύτρια του Analytic-Translastor.com και Lynch Consulting. Ως σύμβουλος πολλών εταιρειών του Fortune 100, κατανοεί γιατί οι οργανισμοί θέλουν όλα τα μέλη τους να έχουν υψηλό επίπεδο γνώσης δεδομένων. Ο Δρ. Lynch υπογραμμίζει μερικά από τα μεγαλύτερα εμπόδια στον αλφαβητισμό δεδομένων και πώς να τα επιλύσετε κατά τη διάρκεια ενός διαδικτυακού σεμιναρίου DATAVERSITY.Ξεπερνώντας τις προκλήσεις για την επίτευξη αλφαβητισμού δεδομένων.» Στην παρουσίασή της, εξηγεί και επαναδιατυπώνει τις προκλήσεις της εκπαίδευσης στον αλφαβητισμό δεδομένων και ενθάρρυνε μια τριμερή προσέγγιση για την αντιμετώπισή τους.

Στο διαδικτυακό σεμινάριο, ο Δρ. Lynch ανέφερε μια μελέτη από τη McKinsey, σημειώνοντας ότι τουλάχιστον 1 $ στα 5 $ από τα κέρδη μιας εταιρείας προ τόκων και φόρων (EBIT) μεταφράζεται σε αξία από στοιχεία ενεργητικού. Επιπλέον, οι επιχειρήσεις με το υψηλότερο επίπεδο γνώσης δεδομένων, συμπεριλαμβανομένων των πολιτικών, των ανθρώπων και της τεχνολογίας, έχουν 70% υψηλότερα έσοδα ανά άτομο.

Ωστόσο, σχεδόν το 80% των ανθρώπων δεν έχουν εμπιστοσύνη στα δικά τους Δεξιότητες αλφαβητισμού δεδομένων, και οι μελέτες δείχνουν ότι το 90% δεν έχει υψηλό αλφαβητισμό δεδομένων. Έτσι, όπως επισημαίνει ο Lynch, «οι επιχειρήσεις θέλουν όλοι να λειτουργούν ως επιστήμονες δεδομένων, αλλά ξεκινούν από ένα δύσκολο σημείο».

Εμπόδια στον αλφαβητισμό δεδομένων

Ο Δρ. Lynch αναφέρει οκτώ θέματα από ομάδες εστίασης DATAVERSITY που πραγματοποιήθηκαν στις αρχές του 2023 για να κατανοήσουν γιατί οι άνθρωποι και οι οργανισμοί βρίσκουν δύσκολη την εκπαίδευση του Data Literacy. Περιλαμβάνουν:

1. Αγορά εισιτηρίων: Οι ηγέτες υπερεκτιμούν τις ικανότητες των εργαζομένων τους με δεδομένα και μπορεί να μην κατανοούν τη σημασία της εκπαίδευσης στον αλφαβητισμό δεδομένων ή την προτεραιότητα τέτοιων προσπαθειών.

2. Ιδιοκτησία: Οι οργανισμοί πρέπει να διευκρινίσουν ποιος καθοδηγεί τις προσπάθειες του Data Literacy. Είναι το άτομο με την υψηλότερη βαθμολογία Data Literacy, άτομο επιπέδου C ή νέος ρόλος; Ο Δρ. Lynch παρατηρεί ότι οι εργαζόμενοι μπορεί να διστάζουν ή να αισθάνονται ανήσυχοι σχετικά με την εκμάθηση του γραμματισμού δεδομένων επειδή δεν έχουν το ενδιαφέρον ή την ικανότητα. Λοιπόν, είναι υπεύθυνο για τον μετριασμό αυτών των ζητημάτων το άτομο που οδηγεί την εκπαίδευση στο Data Literacy;

3. Μετρήσεις: Πώς κάνουν οι οργανισμοί αξιολογήσει τα τρέχοντα επίπεδα ή βελτιώσεις στον αλφαβητισμό δεδομένων; Τι αντιπροσωπεύει ένα καλό επίπεδο αλφαβητισμού δεδομένων; Επιπλέον, με βάση ένα άρθρο του Forbes, αναφέρει ότι εάν οι εταιρείες δεν φτάσουν σε ένα καλό επίπεδο παιδείας δεδομένων, θα δημιουργήσουν τοξικό χάσμα μεταξύ παραγωγών δεδομένων και καταναλωτών – εκείνων που είναι εγγράμματοι και εκείνων που πρέπει να φτάσουν σε υψηλότερο επίπεδο. Λοιπόν, πώς μπορούν οι μετρήσεις να βοηθήσουν στην προώθηση του αλφαβητισμού δεδομένων χωρίς να δημιουργηθεί ένα τόσο αμφιλεγόμενο περιβάλλον μεταξύ των εργαζομένων;

4. Εκπαιδευτική Προσέγγιση: Ο Lynch ρωτά πώς προσεγγίζουμε την εκπαίδευση του Data Literacy. Το κάνουν οι οργανισμοί σε όλη την εταιρεία; Επιλέγουν εκπαίδευση από έναν προμηθευτή ή μέσα από τον οργανισμό; Επιπλέον, πώς ο εκπαιδευτής ενός οργανισμού καλύπτει όλα τα σημαντικά βήματα για την επίτευξη υψηλού αλφαβητισμού δεδομένων, όπως αναφέρονται παρακάτω;

• Αποκτήστε επίγνωση των δεδομένων που είναι διαθέσιμα στον οργανισμό.
• Προσδιορίστε αυτές τις διαφορετικές πηγές δεδομένων.
• Μάθετε πώς να επιλέγετε τις σωστές πηγές τη σωστή στιγμή.
• Κατανοήστε την τιμή και τους περιορισμούς των επιλεγμένων συνόλων δεδομένων.
• Χειριστείτε δεδομένα για να ορίσετε και να φιλτράρετε τις πληροφορίες με ικανότητα.
• Αναλύστε δεδομένα, συμπεριλαμβανομένης της χρήσης των υπολογισμών για να φτάσετε εκεί.
• Ερμηνεύστε εύλογα τα δεδομένα και τα αποτελέσματα που ακολουθούν.
• Εφαρμόστε αυτές τις πληροφορίες για να καλύψετε τις επιχειρηματικές και εργασιακές απαιτήσεις.

5. Διάρκεια/ Επίπεδα: Πόσο συχνά εκπαιδεύονται οι εργαζόμενοι; Είναι σε εξέλιξη ή μια φορά γίνεται; Για να καταδείξει αυτήν την πρόκληση, ο Δρ. Lynch αφηγείται μια εμπειρία που εξετάζει τις επιπτώσεις της τεχνητής νοημοσύνης σε ένα ιατρικό ίδρυμα. Οι γιατροί σε αυτόν τον οργανισμό δεν εμπιστεύονται την τεχνητή νοημοσύνη κατά καιρούς και χρειάζονται κάποια εκπαίδευση. Αλλά ρωτά: «Θέλουμε ένας γιατρός που έχει περάσει 12 χρόνια ιατρικής σχολής να επιστρέψει στο σχολείο για να γίνει επιστήμονας δεδομένων;»

6. Προσωπικό: Έχει ο οργανισμός άτομα που μπορούν να βοηθήσουν στην προώθηση του αλφαβητισμού δεδομένων άλλων σε υψηλότερο επίπεδο; Σκεφτείτε ότι το ένα τρίτο των Αμερικανών δεν γνωρίζει ότι το ένα τέταρτο του γραφήματος πίτας είναι το ίδιο με το 25%, και το 22% δεν κατανοεί καθημερινές αριθμητικές πληροφορίες, όπως τα αντίγραφα κίνησης τραπεζών. Επιπροσθέτως, 20% των ανθρώπων έχουν έντονο άγχος για τα μαθηματικά που παγώνει τον εγκέφαλό τους. Άρα, έχει ένας οργανισμός τους πόρους για να χειριστεί όλα αυτά τα σημαντικά κενά;

7. Κόστος: Έχει ο οργανισμός τον προϋπολογισμό για την παιδεία δεδομένων; Η εκπαίδευση όλων κοστίζει πολύ. Ορισμένοι οργανισμοί μπορεί να εξετάσουν το ενδεχόμενο εξοικονόμησης χρημάτων ενθαρρύνοντας τους υπαλλήλους να παρακολουθήσουν διαδικτυακά μαθήματα χωρίς κόστος. Ωστόσο, αρκετές μελέτες αμφισβητούν την αποτελεσματικότητα μιας τέτοιας προσέγγισης.

8. Χρόνος: Ο Δρ. Λιντς τονίζει ότι ο χρόνος αντιπροσωπεύει τον πιο σπάνιο πόρο των ανθρώπων. Οι οργανισμοί πρέπει να αξιοποιήσουν χρόνο για τις καθημερινές λειτουργίες και τις εφαρμογές δεδομένων τους. Λοιπόν, πώς μπορούν οι εταιρείες να διαθέσουν χρόνο για να συνδυάσουν την εκπαίδευση στον αλφαβητισμό δεδομένων και να κάνουν τους ανθρώπους να μάθουν, ειδικά εάν οι εργαζόμενοι είναι κατανεμημένοι γεωγραφικά;

Αναπλαισίωση των φραγμών εκπαίδευσης για την παιδεία δεδομένων

Όπως αναφέρθηκε παραπάνω, ο Δρ. Lynch βρίσκει πολλά σύνθετα εμπόδια εκπαίδευσης στον αλφαβητισμό δεδομένων, όταν οι εργαζόμενοι πρέπει να επιτύχουν υψηλό αλφαβητισμό δεδομένων παντού. Έτσι, συνιστά να επαναδιατυπωθεί αυτό το πρόβλημα του αλφαβητισμού δεδομένων σε επίπεδο ομάδας για να μειωθούν αυτά τα εμπόδια πιο αποτελεσματικά.

Δεν έχουν όλοι τις ίδιες ικανότητες ή ενδιαφέρον για το Data Literacy, αλλά έχουν διαφορετικές ικανότητες που χρειάζεται μια επιχείρηση, όπως η παιδεία ατόμων (συναισθηματική ωριμότητα και δεξιότητες επικοινωνίας) και η επιχειρηματική παιδεία (κατανόηση των επιχειρηματικών προτεραιοτήτων και των στρατηγικών επιταγών και του τρόπου με τον οποίο συνδέεται η δουλειά κάποιου με αυτά). Όταν βλέπετε το Data Literacy με αυτόν τον τρόπο, οι προκλήσεις του Data Literacy αλλάζουν και αποκτούν μεγαλύτερη σημασία συνολικά.

Στη συνέχεια, οι οργανισμοί πρέπει να ρωτήσουν πώς να αξιοποιήσουν καλύτερα τις ομάδες τους με συλλογές ανθρώπων με διαφορετικές δυνάμεις. Ο Δρ Λιντς το εξηγεί ως εξής: 

«Οι ηγέτες θέλουν καλύτερο αλφαβητισμό δεδομένων όχι επειδή θέλουν κάθε εργαζόμενος να αγαπά τα μαθηματικά. Αντίθετα, θέλουν οι οργανώσεις τους να αποκτήσουν καλύτερες γνώσεις. Καθώς περισσότεροι άνθρωποι, συλλογικά, μπορούν να ανέβουν υψηλότερα στον αλφαβητισμό δεδομένων, τόσο περισσότερα μπορείτε να αποκτήσετε σε αυτές τις πληροφορίες."

Με άλλα λόγια, οι διευθυντές θέλουν σύνολα δεξιοτήτων δεδομένων ή εργασιακές συνεργασίες για να δώσουν σε κάθε εργαζόμενο τη γνώση και την αναλυτική πρόσβαση για να κάνει καλά τη δουλειά.

Μια Τριπλή Προσέγγιση: Εκπαίδευση, Ρόλοι και Πρόσβαση

Δεδομένης αυτής της νέας προοπτικής, ο Δρ. Lynch προτείνει στους οργανισμούς να χρησιμοποιούν μια προσέγγιση τριών πλευρών μέσω εκπαίδευσης, ρόλων και προσβασιμότητας για να επιτύχουν υψηλότερος αλφαβητισμός δεδομένων για οργανωτικές γνώσεις. Εξηγεί περαιτέρω καθένα από αυτά:

Εκπαίδευση: Με βάση προηγούμενα δεδομένα, ο Δρ. Lynch συμβουλεύει τις ακόλουθες βέλτιστες πρακτικές κατά την εφαρμογή του Data Literacy:

• Ορίστε έναν ικανό εμπειρογνώμονα στον οποίο ανήκει η προσπάθεια βελτίωσης του αλφαβητισμού και αυτό το άτομο θα πρέπει να προέρχεται από κάτι διαφορετικό από τη Διακυβέρνηση δεδομένων ή από μια περιοχή δεδομένων.
• Έχετε μια ξεκάθαρη επιχειρησιακή άποψη για το τι θα επιτύχει ο οργανισμός όταν φτάσει σε υψηλότερο επίπεδο παιδείας δεδομένων.
• Δομήστε την εκπαίδευση ώστε να ταιριάζει με τις συνήθεις επιχειρηματικές λειτουργίες και δώστε σχετικά παραδείγματα που συνδέουν οποιαδήποτε διδασκαλία με τον ρόλο ενός υπαλλήλου όταν το άτομο μαθαίνει.

ρόλοι: Καθώς η Δρ. Lynch διερευνά συλλογικά την προώθηση του αλφαβητισμού δεδομένων, αναρωτιέται να ορίσει εργασία για να αξιοποιήσει τα δυνατά σημεία των ανθρώπων και να αντιμετωπίσει τις αδυναμίες τους εκτός από την εκπαίδευση. Προτείνει ακόμη και πιθανούς συνδυαστικούς ρόλους.

Για παράδειγμα, καθώς η Lynch εργάζεται με τον ιατρικό πελάτη της, βλέπει ειδικούς της τεχνητής νοημοσύνης (πιο τεχνικούς) και κλινικούς ειδικούς (καλύτερα σε θέση να διαγνώσουν και να θεραπεύσουν ασθενείς). Έτσι, ενώ επιτρέπει στα μέλη της ομάδας να βελτιώσουν τις δεξιότητές τους στα δεδομένα, υλοποιεί ρόλους μεταφραστή μεταξύ της τεχνητής νοημοσύνης και των κλινικών ειδικών.

Αυτοί οι ρόλοι μεταφραστή βοηθούν την τεχνητή νοημοσύνη και οι κλινικοί υπάλληλοι λαμβάνουν πληροφορίες για τα δεδομένα. Ο Δρ Λιντς ισχυρίζεται:

«Ίσως μεταφραστές που είναι εξοικειωμένοι με διαφορετικές γνώσεις δεδομένων και έχουν βασικές δεξιότητες SQL δίνουν πληροφορίες σε όλους τους άλλους. Στη συνέχεια, όλοι έχουν πρόσβαση σε πιο προηγμένες πληροφορίες από τα δεδομένα."

Με αυτόν τον τρόπο, η ομάδα μπορεί να επεξεργαστεί καλύτερα τις πληροφορίες και να ολοκληρώσει κάθε εργασία. Αυτή η προσέγγιση εξοικονομεί επίσης χρόνο και χρήμα που απαιτούνται για να εκπαιδεύσει κάθε άτομο να χειρίζεται δεδομένα, ειδικά εάν το άτομο αυτό δεν ενδιαφέρεται να κάνει τα μαθηματικά.

Πρόσβαση: Η σύνθετη τεχνολογία περιορίζει την ποσότητα εκπαίδευσης που απαιτείται, απαιτώντας επιπλέον χρόνο για να δείξει στους εκπαιδευόμενους πώς να βρίσκουν, να ανακτούν και να χειρίζονται δεδομένα. Για να αντιμετωπίσει αυτό το ζήτημα, ο Δρ. Lynch υποστηρίζει πλατφόρμες που χρησιμοποιούν διεπαφές δεδομένων που απαιτούν λιγότερες τεχνικές δεξιότητες, ανοίγοντας τη χρήση ενός οργανισμού, όπως έκανε η αγορά με τους υπολογιστές.

Εξηγεί ότι στη δεκαετία του 1970, οι προγραμματιστές και οι εξειδικευμένοι μηχανικοί χρησιμοποιούσαν υπολογιστές μόνο επειδή ήξεραν πώς. Στη συνέχεια, οι εξελίξεις στο υλικό, τους υπολογιστές και τα γραφικά γραφικά άνοιξαν την υπολογιστική πρόσβαση σε όλους. Τώρα, οι περισσότεροι άνθρωποι χρησιμοποιούν απρόσκοπτα υπολογιστές για την εργασία τους, ανεξάρτητα από τις γνώσεις τους στους αλγόριθμους.

Με τον ίδιο τρόπο, ο Δρ Λιντς λέει:

«Μπορούμε να αρχίσουμε να θεωρούμε τα αναλυτικά στοιχεία ως πιο προσιτά. Για παράδειγμα, αντί να περιορίζουμε την ανάλυση δεδομένων σε αλληλεπιδράσεις στον πίνακα εργαλείων και ερωτήματα SQL, θα μπορούσαμε να σκεφτούμε την τεχνολογία που μετατρέπει ερωτήματα, που σχηματίζονται σε μια φυσική γλώσσα, σε αναλυτικά στοιχεία».

Προκαταβολές στο AI και η μηχανική μάθηση (ML) μπορεί ενδεχομένως να αυξήσει την πρόσβαση σε αναλυτικά δεδομένα. Ο Lynch επισημαίνει ότι το GPT-4 μπορεί να μετατρέψει προφορικές ερωτήσεις σε SQL και να παράγει γραφικά, δείχνοντας την ανάλυση, μειώνοντας τις απαιτήσεις παιδείας δεδομένων για πληροφορίες.

Συμπέρασμα

Τα εμπόδια του αλφαβητισμού δεδομένων φαίνονται περίπλοκα και δύσκολα, ειδικά για να ανεβάσουν κάθε εργαζόμενο σε υψηλότερο επίπεδο. Έτσι, ενώ η εκπαίδευση παρέχει ένα εργαλείο, οι οργανισμοί χρειάζονται άλλες προσεγγίσεις.

Οι ρόλοι των μεταφραστών υπόσχονται μια γέφυρα μεταξύ των μελών της ομάδας με γνώση δεδομένων και μη τεχνικών. Επίσης, οι τεχνολογικές εξελίξεις μπορούν να μειώσουν τον πήχη στην απόκτηση γνώσεων ανοίγοντας την πρόσβαση σε λιγότερο τεχνικά μέλη. Με αυτή τη νέα προοπτική, τα στελέχη μπορούν να επανεξετάσουν την εκπαίδευση του Data Literacy για να αντιμετωπίσουν τα οκτώ εμπόδια που αναφέρονται σε αυτό το άρθρο.

Δείτε το διαδικτυακό σεμινάριο εδώ:

Εικόνα που χρησιμοποιείται με άδεια από το Shutterstock.com

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoAiStream. Web3 Data Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• Minting the Future με την Adryenn Ashley. Πρόσβαση εδώ.
• Αγορά και πώληση μετοχών σε εταιρείες PRE-IPO με το PREIPO®. Πρόσβαση εδώ.
• πηγή: https://www.dataversity.net/overcoming-eight-data-literacy-barriers/