Mengatasi Delapan Hambatan Literasi Data - DATAVERSITY

Mengatasi Delapan Hambatan Literasi Data – DATAVERSITY

Stempel Waktu: 6 Juni 2023 3
Node Sumber: 2704609
hambatan literasi datahambatan literasi data

Pemimpin ingin “semua orang, di mana pun, dan sekaligus menjadi sangat melek data, menunjukkan kemampuan tinggi untuk membaca, bekerja dengan, dan menganalisis data,” kata Dr. Wendy Lynch, pendiri Analitik-Translastor.com dan Konsultasi Lynch. Sebagai konsultan untuk banyak perusahaan Fortune 100, dia memahami mengapa organisasi ingin semua anggotanya memiliki Literasi Data tingkat tinggi. Dr. Lynch menyoroti beberapa hambatan Literasi Data terbesar dan cara mengatasinya selama webinar DATAVERSITY, “Mengatasi Tantangan Mewujudkan Literasi Data.” Dalam presentasinya, dia menjelaskan dan membingkai ulang tantangan pelatihan Literasi Data dan mendorong pendekatan tiga cabang untuk mengatasinya.

Dalam webinar, Dr. Lynch mengutip sebuah studi dari McKinsey, mencatat bahwa setidaknya $1 dari $5 dari pendapatan perusahaan sebelum bunga dan pajak (EBIT) diterjemahkan menjadi nilai dari aset data. Selain itu, bisnis dengan tingkat penguasaan data tertinggi, termasuk kebijakan, orang, dan teknologi, memiliki pendapatan per orang 70% lebih tinggi.

Namun, hampir 80% orang kurang percaya diri Keterampilan Literasi Data, dan penelitian menunjukkan bahwa 90% tidak memiliki Literasi Data yang tinggi. Jadi, seperti yang ditunjukkan Lynch, "Bisnis ingin semua orang berfungsi sebagai ilmuwan data tetapi memulai dari tempat yang sulit."

Hambatan Literasi Data

Dr. Lynch mengutip delapan tema dari kelompok fokus DATAVERSITY yang dilakukan pada awal tahun 2023 untuk memahami mengapa orang dan organisasi menganggap pelatihan Literasi Data sulit. Mereka termasuk:

1. Pembelian: Pemimpin melebih-lebihkan kemampuan pekerjanya dengan data dan mungkin tidak memahami pentingnya pelatihan Literasi Data atau prioritas upaya tersebut.

2. Kepemilikan: Organisasi perlu mengklarifikasi siapa yang mendorong upaya Literasi Data. Apakah orang dengan skor Literasi Data tertinggi, orang level C, atau peran baru? Dr. Lynch mengamati bahwa karyawan mungkin ragu atau merasa khawatir untuk mempelajari Literasi Data karena mereka tidak memiliki minat atau bakat. Jadi, apakah orang yang mendorong pelatihan Literasi Data bertanggung jawab untuk memitigasi masalah ini?

3. Pengukuran: Bagaimana organisasi menilai tingkat atau peningkatan saat ini dalam Literasi Data? Apa yang mewakili tingkat Literasi Data yang baik? Selain itu, berdasarkan artikel Forbes, dia menyebutkan bahwa jika perusahaan tidak memiliki tingkat Literasi Data yang baik, mereka akan menciptakan perpecahan beracun antara produsen data dan konsumen – mereka yang terpelajar dan mereka yang perlu naik ke tingkat yang lebih tinggi. Jadi, bagaimana pengukuran dapat membantu memajukan Literasi Data tanpa menciptakan lingkungan yang kontroversial di antara karyawan?

4. Pendekatan Pelatihan: Lynch menanyakan bagaimana pendekatan kami terhadap pelatihan Literasi Data. Apakah organisasi melakukannya di seluruh perusahaan? Apakah mereka memilih pelatihan dari vendor atau dari dalam organisasi? Selain itu, bagaimana pelatih organisasi mencakup semua langkah penting untuk mencapai Literasi Data yang tinggi, seperti yang tercantum di bawah ini?

  • Dapatkan kesadaran akan data yang tersedia di organisasi.
  • Identifikasi sumber data yang berbeda ini.
  • Ketahui cara memilih sumber yang tepat pada waktu yang tepat.
  • Pahami nilai dan batasan kumpulan data yang dipilih.
  • Memanipulasi data untuk mendefinisikan dan memfilter informasi dengan baik.
  • Menganalisis data, termasuk menggunakan perhitungan untuk sampai ke sana.
  • Menafsirkan data dan hasil yang mengikuti secara wajar.
  • Terapkan informasi ini untuk memenuhi persyaratan bisnis dan pekerjaan.

5. Durasi/ Level: Seberapa sering karyawan menjalani pelatihan? Apakah berkelanjutan atau pernah selesai? Untuk mengilustrasikan tantangan ini, Dr. Lynch menceritakan sebuah pengalaman yang meneliti implikasi AI di institusi medis. Dokter di organisasi ini terkadang tidak mempercayai AI dan membutuhkan pelatihan. Tapi dia bertanya, “Apakah kita ingin seorang dokter yang telah menjalani 12 tahun sekolah kedokteran kembali ke sekolah untuk menjadi ilmuwan data?”

6. Personil: Apakah organisasi memiliki orang-orang yang dapat membantu meningkatkan Literasi Data orang lain ke tingkat yang lebih tinggi? Pertimbangkan bahwa sepertiga orang Amerika tidak tahu bahwa seperempat diagram lingkaran sama dengan 25%, dan 22% tidak memahami informasi numerik sehari-hari seperti laporan bank. Selain itu, 20% orang memiliki kecemasan matematika yang parah yang membekukan otak mereka. Jadi, apakah suatu organisasi memiliki sumber daya untuk menangani semua kesenjangan yang signifikan ini?

7. Biaya: Apakah organisasi memiliki anggaran untuk Literasi Data? Melatih semua orang membutuhkan banyak biaya. Beberapa organisasi mungkin mempertimbangkan untuk menghemat uang dengan mendorong karyawan untuk mengikuti kursus online mandiri tanpa biaya. Namun, beberapa penelitian mempertanyakan keefektifan pendekatan semacam itu.

8. Waktu: Dr. Lynch menyoroti bahwa waktu mewakili sumber daya manusia yang paling langka. Organisasi perlu memanfaatkan waktu untuk operasi sehari-hari dan aplikasi data mereka. Jadi, bagaimana perusahaan mengalokasikan waktu untuk menggabungkan pelatihan Literasi Data dan membuat orang belajar, terutama jika karyawan tersebar secara geografis?

Membingkai Ulang Hambatan Pelatihan Literasi Data

Seperti disebutkan di atas, Dr. Lynch menemukan banyak hambatan pelatihan Literasi Data yang kompleks ketika karyawan harus mencapai Literasi Data yang tinggi di mana pun. Jadi, dia merekomendasikan untuk membingkai ulang masalah Literasi Data ini di tingkat tim untuk mengurangi hambatan ini secara paling efisien.

Tidak semua orang memiliki kemampuan atau minat yang sama dalam Literasi Data tetapi memiliki kemampuan berbeda yang dibutuhkan bisnis, seperti literasi orang (kedewasaan emosional dan keterampilan komunikasi) dan literasi bisnis (memahami prioritas bisnis dan keharusan strategis dan bagaimana pekerjaan seseorang terhubung dengan itu). Saat melihat Literasi Data dengan cara ini, tantangan Literasi Data berubah dan menjadi lebih bermakna secara agregat.

Kemudian, organisasi harus menanyakan cara terbaik memanfaatkan tim mereka dengan kumpulan orang-orang dengan kekuatan berbeda. Dr. Lynch menjelaskannya seperti ini: 

“Pemimpin menginginkan Literasi Data yang lebih baik bukan karena mereka ingin setiap karyawan menyukai matematika. Sebaliknya, mereka ingin organisasi mereka mendapatkan wawasan yang lebih baik. Karena semakin banyak orang, secara kolektif, dapat naik lebih tinggi dalam Literasi Data, semakin banyak yang bisa Anda dapatkan dari wawasan ini.”

Dengan kata lain, manajer menginginkan keahlian data atau kolaborasi kerja untuk memberi setiap karyawan pengetahuan dan akses analitis untuk melakukan pekerjaan dengan baik.

Pendekatan Tiga Cabang: Pelatihan, Peran, dan Akses

Mengingat perspektif baru ini, Dr. Lynch menyarankan organisasi menggunakan pendekatan tiga arah melalui pelatihan, peran, dan aksesibilitas untuk mencapai Literasi Data yang lebih tinggi untuk wawasan organisasi. Dia menjelaskan masing-masing lebih lanjut:

Latihan: Berdasarkan data sebelumnya, Dr. Lynch menyarankan praktik terbaik berikut saat melakukan Literasi Data:

  • Tunjuk ahli yang kompeten yang memiliki upaya untuk meningkatkan literasi, dan orang ini harus berasal dari sesuatu selain Tata Kelola Data atau area data.
  • Memiliki kasus bisnis yang jelas tentang apa yang akan dicapai organisasi ketika mencapai Literasi Data yang lebih tinggi.
  • Menyusun pendidikan agar sesuai dengan operasi bisnis normal dan memberikan contoh yang relevan yang mengikat setiap pengajaran dengan peran karyawan ketika orang tersebut belajar.

peran: Saat Dr. Lynch mengeksplorasi peningkatan Literasi Data secara kolektif, dia bertanya-tanya tentang menunjuk pekerjaan untuk memanfaatkan kekuatan orang dan mengakomodasi kelemahan mereka selain pelatihan. Dia bahkan menyarankan kemungkinan peran kombinasi.

Misalnya, saat Lynch bekerja dengan klien medisnya, dia menemui pakar AI (lebih paham teknologi) dan pakar klinis (lebih mampu mendiagnosis dan merawat pasien). Jadi, sambil mengizinkan anggota tim untuk meningkatkan keterampilan data mereka, dia mengimplementasikan peran penerjemah antara AI dan pakar klinis.

Peran penerjemah ini membantu AI, dan karyawan klinis mendapatkan wawasan data. Dr. Lynch menegaskan:

“Mungkin penerjemah yang akrab dengan wawasan data yang berbeda dan yang memiliki keterampilan SQL dasar memberikan informasi kepada orang lain. Kemudian setiap orang memiliki akses ke wawasan yang lebih maju dari data tersebut.”

Dengan cara ini, tim dapat memproses informasi dengan lebih baik dan menyelesaikan setiap pekerjaan. Pendekatan ini juga menghemat waktu dan uang yang dibutuhkan untuk melatih setiap individu memanipulasi data, terutama jika orang tersebut tidak tertarik untuk melakukan perhitungan.

Akses: Teknologi yang rumit membatasi berapa banyak pelatihan yang dibutuhkan, membutuhkan waktu ekstra untuk menunjukkan kepada peserta pelatihan cara menemukan, mengambil, dan memanipulasi data. Untuk mengatasi masalah ini, Dr. Lynch mengadvokasi platform yang menggunakan antarmuka data yang membutuhkan lebih sedikit keterampilan teknis, membuka penggunaan organisasi, seperti yang dilakukan pasar dengan komputer.

Dia menjelaskan bahwa pada tahun 1970-an, pemrogram dan insinyur khusus hanya menggunakan komputer karena mereka tahu caranya. Kemudian, kemajuan perangkat keras, PC, dan GUI membuka akses komputasi untuk semua orang. Sekarang, kebanyakan orang dengan mulus menggunakan komputer untuk pekerjaan mereka, terlepas dari pengetahuan mereka tentang algoritme.

Dengan cara yang sama, Dr. Lynch berkata:

“Kita dapat mulai menganggap analitik lebih mudah diakses. Misalnya, alih-alih membatasi analisis data pada interaksi dasbor dan kueri SQL, kami dapat memikirkan teknologi yang mengubah kueri, yang dibentuk dalam bahasa alami, menjadi analitik.”

Uang muka AI dan machine learning (ML) berpotensi meningkatkan akses ke data analitik. Lynch menunjukkan bahwa GPT-4 dapat mengubah pertanyaan lisan menjadi SQL dan menghasilkan grafik, menunjukkan analisis, menurunkan persyaratan Literasi Data untuk wawasan.

Kesimpulan

Hambatan Literasi Data terlihat kompleks dan sulit, terutama dalam meningkatkan setiap karyawan ke level yang lebih tinggi. Jadi, sementara pelatihan menyediakan alat, organisasi memerlukan pendekatan lain.

Peran penerjemah menjanjikan jembatan antara anggota tim yang melek data dan non-teknis. Selain itu, kemajuan teknologi dapat menurunkan standar untuk mendapatkan wawasan dengan membuka akses ke anggota yang kurang teknis. Dengan perspektif baru ini, para eksekutif dapat memikirkan kembali pelatihan Literasi Data untuk mengatasi delapan hambatan yang tercantum dalam artikel ini.

Tonton webinarnya di sini:

Gambar yang digunakan di bawah lisensi dari Shutterstock.com

Stempel Waktu:

Lebih dari DATAVERSITAS