غلبه بر هشت مانع سواد داده - DATAVERSITY

غلبه بر هشت مانع سواد داده - DATAVERSITY

تمبر زمان: 6 ژوئن 2023 ساعت 3:35 صبح
گره منبع: 2704609
موانع سواد دادهموانع سواد داده

دکتر وندی لینچ، بنیانگذار این موسسه، می‌گوید: رهبران می‌خواهند «همه، همه جا و به یکباره سواد داده‌ای بالایی داشته باشند، توانایی بالایی در خواندن، کار کردن و تجزیه و تحلیل داده‌ها نشان دهند». Analytic-Translastor.com و مشاوره لینچ او به عنوان مشاور بسیاری از شرکت‌های فورچون 100، می‌داند که چرا سازمان‌ها می‌خواهند همه اعضایشان سطح بالایی از سواد داده‌ای داشته باشند. دکتر لینچ برخی از بزرگترین موانع سواد داده و نحوه حل آنها را در طول یک وبینار DATAVERSITY برجسته می کند.غلبه بر چالش ها برای دستیابی به سواد داده" او در ارائه خود، چالش‌های مربوط به آموزش سواد داده‌ای را توضیح می‌دهد و دوباره چارچوب‌بندی می‌کند و رویکردی سه جانبه را برای رسیدگی به آنها تشویق می‌کند.

در این وبینار، دکتر لینچ به مطالعه ای از مک کینزی اشاره کرد و اشاره کرد که حداقل 1 دلار از 5 دلار از درآمد یک شرکت قبل از بهره و مالیات (EBIT) به ارزش دارایی های داده تبدیل می شود. علاوه بر این، کسب‌وکارهایی با بالاترین سطح تسلط بر داده‌ها، از جمله سیاست‌ها، افراد و فناوری، 70 درصد درآمد بیشتری به ازای هر نفر دارند.

با این حال، نزدیک به 80 درصد از مردم به خود اعتماد ندارند مهارت های سواد داده، و مطالعات نشان می دهد که 90٪ سواد داده بالایی ندارند. بنابراین، همانطور که لینچ اشاره می کند، "کسب و کارها می خواهند همه به عنوان دانشمند داده عمل کنند، اما از یک مکان دشوار شروع می کنند."

موانع سواد داده

دکتر لینچ به هشت موضوع از گروه‌های متمرکز DATAVERSITY اشاره می‌کند که در اوایل سال 2023 انجام شد تا بفهمد چرا آموزش سواد داده برای مردم و سازمان‌ها دشوار است. آنها عبارتند از:

1. خرید در: رهبران توانایی های کارگران خود را با داده ها بیش از حد ارزیابی می کنند و ممکن است اهمیت آموزش سواد داده یا اولویت چنین تلاش هایی را درک نکنند.

2. مالکیت: سازمان‌ها باید روشن کنند چه کسی تلاش‌های سواد داده را هدایت می‌کند. آیا این فردی است که بالاترین امتیاز سواد داده را دارد، یک فرد سطح C یا یک نقش جدید؟ دکتر لینچ مشاهده می کند که کارمندان ممکن است در مورد یادگیری سواد داده ها تردید کنند یا احساس نگرانی کنند، زیرا آنها علاقه یا استعدادی ندارند. بنابراین، آیا شخصی که آموزش سواد داده را هدایت می کند، مسئول کاهش این مسائل است؟

3. اندازه گیری ها: چگونه سازمان ها سطح فعلی سواد داده یا پیشرفت در آن را ارزیابی کنید؟ سطح خوبی از سواد داده چیست؟ علاوه بر این، بر اساس مقاله فوربس، او اشاره می کند که اگر شرکت ها به سطح خوبی از سواد داده نرسند، یک تقسیم سمی بین تولیدکنندگان و مصرف کنندگان داده – آنهایی که باسواد هستند و کسانی که باید به سطح بالاتری برسند. بنابراین، چگونه اندازه‌گیری‌ها می‌توانند به پیشرفت سواد داده‌ای بدون ایجاد چنین محیطی بحث‌انگیز در میان کارکنان کمک کنند؟

4. رویکرد آموزشی: لینچ می پرسد چگونه به آموزش سواد داده نزدیک می شویم. آیا سازمان ها این کار را در سطح شرکت انجام می دهند؟ آیا آنها آموزش را از یک فروشنده یا از داخل سازمان انتخاب می کنند؟ علاوه بر این، چگونه مربی یک سازمان تمام مراحل مهم برای رسیدن به سواد داده ای بالا را که در زیر فهرست شده است پوشش می دهد؟

  • کسب آگاهی از داده های موجود در سازمان.
  • این منابع داده های مختلف را شناسایی کنید.
  • بدانید چگونه منابع مناسب را در زمان مناسب انتخاب کنید.
  • ارزش و محدودیت های مجموعه داده های انتخاب شده را درک کنید.
  • دستکاری داده ها برای تعریف و فیلتر کردن اطلاعات به صورت توانا.
  • تجزیه و تحلیل داده ها، از جمله استفاده از محاسبات برای رسیدن به آنجا.
  • داده ها و نتایج به دست آمده را به طور منطقی تفسیر کنید.
  • این اطلاعات را برای برآورده کردن الزامات شغلی و تجاری اعمال کنید.

5. مدت / سطوح: کارمندان هر چند وقت یک بار تحت آموزش قرار می گیرند؟ ادامه دارد یا یک بار انجام شده است؟ برای نشان دادن این چالش، دکتر لینچ تجربه ای را بیان می کند که پیامدهای هوش مصنوعی را در یک موسسه پزشکی بررسی می کند. پزشکان این سازمان گاهی به هوش مصنوعی بی اعتمادند و نیاز به آموزش دارند. اما او می پرسد: "آیا ما می خواهیم پزشکی که 12 سال دوره پزشکی را گذرانده است به مدرسه بازگردد تا دانشمند داده شود؟"

6. پرسنل: آیا سازمان افرادی دارد که می توانند به ارتقای سواد داده ای دیگران به سطح بالاتر کمک کنند؟ در نظر بگیرید که یک سوم آمریکایی‌ها نمی‌دانند که یک چهارم نمودار دایره‌ای برابر با 25 درصد است و 22 درصد اطلاعات عددی روزمره مانند صورت‌حساب‌های بانکی را درک نمی‌کنند. علاوه بر این، 20٪ از مردم اضطراب شدید ریاضی دارند که مغز آنها را منجمد می کند. بنابراین، آیا یک سازمان منابع لازم برای رسیدگی به تمام این شکاف های مهم را دارد؟

7. هزینه: آیا سازمان بودجه ای برای سواد داده ای دارد؟ آموزش همه هزینه های زیادی دارد. برخی از سازمان‌ها ممکن است با تشویق کارکنان به شرکت در دوره‌های آنلاین بدون هزینه، در هزینه‌های خود صرفه‌جویی کنند. با این حال، چندین مطالعه اثربخشی چنین رویکردی را زیر سوال می برند.

8. زمان: دکتر لینچ تاکید می کند که زمان معرف کمیاب ترین منبع مردم است. سازمان ها باید از زمان برای عملیات روزانه و برنامه های داده خود استفاده کنند. بنابراین، چگونه شرکت‌ها می‌توانند زمانی را برای ترکیب آموزش سواد داده‌ای اختصاص دهند و افراد را بیاموزند، به خصوص اگر کارمندان از نظر جغرافیایی پراکنده باشند؟

قالب بندی مجدد موانع آموزش سواد داده

همانطور که در بالا ذکر شد، دکتر لینچ بسیاری از موانع پیچیده آموزشی سواد داده را در زمانی که کارمندان نیاز دارند در همه جا به سواد داده بالایی دست یابند، پیدا می کند. بنابراین، او توصیه می کند که این مشکل سواد داده را در سطح تیمی مجدداً چارچوب بندی کنید تا این موانع را به بهترین نحو کاهش دهید.

همه افراد توانایی یا علاقه یکسانی به سواد داده ندارند، اما دارای توانایی‌های متفاوتی هستند که یک کسب‌وکار به آن نیاز دارد، مانند سواد افراد (بلوغ عاطفی و مهارت‌های ارتباطی) و سواد تجاری (درک اولویت‌های تجاری و الزامات استراتژیک و نحوه ارتباط شغل با آن). هنگام مشاهده سواد داده به این صورت، چالش‌های سواد داده تغییر می‌کنند و در مجموع معنادارتر می‌شوند.

سپس، سازمان‌ها باید بپرسند که چگونه از تیم‌های خود با مجموعه‌ای از افراد با نقاط قوت مختلف به بهترین شکل استفاده کنند. دکتر لینچ آن را اینگونه توضیح می دهد: 

رهبران خواهان سواد داده ای بهتر هستند نه به این دلیل که می خواهند هر کارمندی عاشق ریاضی باشد. در عوض، آنها می خواهند که سازمان هایشان بینش بهتری کسب کنند. از آنجایی که افراد بیشتر، در مجموع، می توانند در سواد داده بالاتر بروند، می توانید در این بینش بیشتر به دست آورید."

به عبارت دیگر، مدیران مجموعه مهارت‌های داده یا همکاری‌های کاری را می‌خواهند تا به هر کارمند دانش و دسترسی تحلیلی برای انجام خوب کار را بدهد.

یک رویکرد سه جانبه: آموزش، نقش ها و دسترسی

با توجه به این دیدگاه جدید، دکتر لینچ پیشنهاد می‌کند که سازمان‌ها از یک رویکرد سه جانبه از طریق آموزش، نقش‌ها و دسترسی برای رسیدن به هدف استفاده کنند. سواد داده ای بالاتر برای بینش سازمانی او هر یک از این موارد را بیشتر توضیح می دهد:

آموزش: بر اساس داده های گذشته، دکتر لینچ بهترین شیوه های زیر را هنگام انجام سواد داده توصیه می کند:

  • یک کارشناس ذی صلاح را تعیین کنید که تلاش برای بهبود سواد داشته باشد، و این شخص باید از چیزی غیر از اداره داده یا حوزه داده باشد.
  • برای اینکه سازمان وقتی به سواد داده بالاتری برسد، یک مورد تجاری واضح داشته باشید.
  • آموزش را به گونه‌ای ساختار دهید که با عملیات عادی کسب‌وکار مطابقت داشته باشد و مثال‌های مرتبطی ارائه دهید که هر آموزش را با نقش یک کارمند در هنگام یادگیری آن شخص مرتبط می‌کند.

نقش ها: همانطور که دکتر لینچ به طور جمعی پیشرفت سواد داده را بررسی می کند، او در مورد تعیین کاری برای سرمایه گذاری بر نقاط قوت افراد و انطباق با نقاط ضعف آنها علاوه بر آموزش متعجب است. او حتی نقش های ترکیبی احتمالی را پیشنهاد می کند.

به عنوان مثال، زمانی که لینچ با مشتری پزشکی خود کار می کند، متخصصان هوش مصنوعی (مسلط به فناوری) و کارشناسان بالینی (بهتر قادر به تشخیص و درمان بیماران هستند) را می بیند. بنابراین، در حالی که به اعضای تیم اجازه می دهد تا مهارت های داده خود را بهبود بخشند، او نقش های مترجم را بین هوش مصنوعی و کارشناسان بالینی اجرا می کند.

این نقش‌های مترجم به هوش مصنوعی کمک می‌کند و کارمندان بالینی بینش داده‌ها را دریافت می‌کنند. دکتر لینچ می گوید:

«شاید مترجمانی که با بینش‌های داده‌های مختلف آشنا هستند و مهارت‌های اولیه SQL را دارند، اطلاعات را به دیگران می‌دهند. سپس همه به بینش های پیشرفته تری از داده ها دسترسی خواهند داشت."

به این ترتیب تیم می تواند اطلاعات را بهتر پردازش کند و هر کار را تکمیل کند. این رویکرد همچنین باعث صرفه جویی در زمان و هزینه مورد نیاز برای آموزش هر فرد برای دستکاری داده ها می شود، به خصوص اگر آن شخص علاقه ای به انجام ریاضیات نداشته باشد.

دسترسی: فناوری پیچیده میزان آموزش مورد نیاز را محدود می‌کند و به زمان بیشتری نیاز دارد تا به کارآموزان نشان دهد چگونه داده‌ها را پیدا، بازیابی و دستکاری کنند. برای مقابله با این مسئله، دکتر لینچ از پلتفرم‌هایی دفاع می‌کند که از رابط‌های داده‌ای استفاده می‌کنند که به مهارت فنی کمتری نیاز دارند و استفاده سازمان را باز می‌کنند، همانطور که بازار با رایانه‌ها انجام داده است.

او توضیح می دهد که در دهه 1970، برنامه نویسان و مهندسان متخصص فقط از رایانه استفاده می کردند، زیرا آنها می دانستند چگونه. سپس، پیشرفت‌ها در سخت‌افزار، رایانه‌های شخصی و رابط‌های کاربری گرافیکی، دسترسی محاسباتی را برای همه باز کرد. در حال حاضر، اکثر مردم بدون توجه به دانش خود در مورد الگوریتم‌ها، به‌طور یکپارچه از رایانه برای کار خود استفاده می‌کنند.

به همین ترتیب دکتر لینچ می گوید:

ما می‌توانیم در مورد تجزیه و تحلیل به عنوان قابل دسترس‌تر فکر کنیم. به عنوان مثال، به جای محدود کردن تجزیه و تحلیل داده ها به تعاملات داشبورد و پرس و جوهای SQL، می توانیم به فناوری ای فکر کنیم که پرس و جوهایی را که به زبان طبیعی شکل گرفته اند، به تجزیه و تحلیل تبدیل می کند.

پیشرفت در AI و یادگیری ماشین (ML) به طور بالقوه می تواند دسترسی به داده های تحلیلی را افزایش دهد. لینچ اشاره می‌کند که GPT-4 می‌تواند سؤالات گفتاری را به SQL تبدیل کند و گرافیک تولید کند، تجزیه و تحلیل را نشان دهد و الزامات سواد داده برای بینش را کاهش دهد.

نتیجه

موانع سواد داده پیچیده و دشوار به نظر می رسند، به خصوص در بالا بردن هر کارمندی به سطح بالاتر. بنابراین، در حالی که آموزش ابزاری را فراهم می کند، سازمان ها به رویکردهای دیگری نیاز دارند.

نقش های مترجم پل ارتباطی بین اعضای تیم با سواد داده و غیر فنی را می دهد. همچنین، پیشرفت‌های فن‌آوری می‌تواند با باز کردن دسترسی به اعضای کمتر فنی، مانع دستیابی به بینش را کاهش دهد. با این دیدگاه جدید، مدیران می توانند آموزش سواد داده را برای رفع هشت مانع ذکر شده در این مقاله تجدید نظر کنند.

وبینار را اینجا ببینید:

تصویر تحت مجوز Shutterstock.com استفاده می شود

تمبر زمان:

بیشتر از DATAVERSITY