מנהיגים רוצים ש"כולם, בכל מקום, ובבת אחת יהיו בעלי ידע רב בנתונים, יפגינו יכולת גבוהה לקרוא, לעבוד איתם ולנתח נתונים", אומרת ד"ר וונדי לינץ', מייסדת של Analytic-Translastor.com וייעוץ לינץ'. כיועצת לחברות Fortune 100 רבות, היא מבינה מדוע ארגונים רוצים שלכל החברים שלהם תהיה רמה גבוהה של אוריינות נתונים. ד"ר לינץ' מדגיש כמה מהמחסומים הגדולים ביותר של אוריינות נתונים וכיצד לפתור אותם במהלך סמינר מקוון של DATAVERSITY, "התגברות על אתגרים להשגת אוריינות נתונים." במצגת שלה, היא מסבירה וממסגרת מחדש את האתגרים להכשרת אוריינות נתונים ועודדה גישה משולשת להתמודדות איתם.
בסמינר המקוון ציטט ד"ר לינץ' מחקר של מקינזי, וציין שלפחות 1 דולר מתוך 5 דולר מהרווחים של חברה לפני ריבית ומיסים (EBIT) מתורגם לערך מנכסי נתונים. יתרה מכך, לעסקים עם הרמה הגבוהה ביותר של שליטה בנתונים, כולל מדיניות, אנשים וטכנולוגיה, יש הכנסה גבוהה ב-70% לאדם.
עם זאת, כמעט 80% מהאנשים חסרי אמון בעצמם כישורי אוריינות נתונים, ומחקרים מראים של-90% אין אוריינות נתונים גבוהה. אז, כפי שמציין לינץ', "עסקים רוצים שכולם יתפקדו כמדעני נתונים אבל מתחילים במקום קשה."
חסמים בפני אוריינות נתונים
ד"ר לינץ' מצטט שמונה נושאים מקבוצות מיקוד של DATAVERSITY שנערכו בתחילת 2023 כדי להבין מדוע אנשים וארגונים מתקשים באימון אוריינות נתונים. הם כוללים:
1. רכישה: מנהיגים מעריכים יתר על המידה את יכולות העובדים שלהם עם נתונים ואולי לא יבינו את החשיבות של הכשרת אוריינות נתונים או את העדיפות של מאמצים כאלה.
2. בעלות: ארגונים צריכים להבהיר מי מניע מאמצי אוריינות נתונים. האם זה האדם עם הציון הגבוה ביותר של אוריינות נתונים, אדם ברמת C או תפקיד חדש? ד"ר לינץ' מבחין שעובדים עשויים להסס או לחוש חשש מלמידת אוריינות נתונים מכיוון שאין להם את העניין או הכישרון. אז, האם האדם שמנחה את הדרכה בנושא אוריינות נתונים אחראי להפחתת הבעיות הללו?
3. מידות: איך עושים ארגונים להעריך את הרמות הנוכחיות של אוריינות נתונים או שיפורים? מה מייצג רמה טובה של אוריינות נתונים? יתרה מכך, בהתבסס על מאמר של פורבס, היא מזכירה שאם חברות לא יגיעו לרמה טובה של אוריינות נתונים, הן ייצור חלוקה רעילה בין יצרני נתונים וצרכנים - אלו שיודעים קרוא וכתוב ואלה שצריכים להגיע לרמה גבוהה יותר. אז איך מדידות יכולות לעזור לקדם אוריינות נתונים מבלי ליצור סביבה כל כך שנויה במחלוקת בין העובדים?
4. גישת אימון: לינץ' שואל כיצד אנו ניגשים לאימון אוריינות נתונים. האם ארגונים עושים זאת בכל החברה? האם הם בוחרים הכשרה מספק או מתוך הארגון? בנוסף, כיצד מכסה המאמן של הארגון את כל השלבים המשמעותיים כדי להגיע ליכולת אוריינות נתונים גבוהה, כמפורט להלן?
- קבל מודעות לנתונים הזמינים בארגון.
- זהה את מקורות הנתונים השונים הללו.
- לדעת לבחור את המקורות הנכונים בזמן הנכון.
- הבן את הערך והמגבלות של מערכי הנתונים שנבחרו.
- טפל בנתונים כדי להגדיר ולסנן מידע בצורה מוכשרת.
- נתח נתונים, כולל שימוש בחישובים כדי להגיע לשם.
- פרש את הנתונים ואת התוצאות הבאות באופן סביר.
- החל מידע זה כדי לעמוד בדרישות העסקיות והתפקיד.
5. משך/רמות: באיזו תדירות עובדים עוברים הכשרה? האם זה נמשך או נעשה פעם אחת? כדי להמחיש את האתגר הזה, ד"ר לינץ' מספר ניסיון שבוחן את ההשלכות של AI במוסד רפואי. רופאים בארגון הזה אינם סומכים על AI לפעמים וזקוקים להכשרה מסוימת. אבל היא שואלת, "האם אנחנו רוצים שרופא שעבר 12 שנות לימודי רפואה יחזור לבית הספר כדי להיות מדען נתונים?"
6. כוח אדם: האם יש לארגון אנשים שיכולים לעזור לקדם את אוריינות הנתונים של אחרים לרמה גבוהה יותר? קחו בחשבון ששליש מהאמריקאים לא יודעים שרבע מתרשים עוגה זהה ל-25%, ו-22% אינם מבינים מידע מספרי יומיומי כמו דפי חשבון בנק. בנוסף, 20% של אנשים יש להם חרדת מתמטיקה קשה שמקפיאה את המוח שלהם. אז, האם לארגון יש את המשאבים להתמודד עם כל הפערים המשמעותיים הללו?
7. עלות: האם לארגון יש תקציב ל-Data Literacy? אימון לכולם עולה הרבה. ארגונים מסוימים עשויים לשקול לחסוך כסף על ידי עידוד עובדים לקחת קורסים מקוונים ללא עלות. עם זאת, מספר מחקרים מפקפקים ביעילות של גישה כזו.
8. זמן: ד"ר לינץ' מדגיש שהזמן מייצג את המשאב הדל ביותר של אנשים. ארגונים צריכים למנף זמן לפעולות יומיומיות ויישומי הנתונים שלהם. אז איך חברות יכולות להקצות זמן לשלב הדרכת אוריינות נתונים ולגרום לאנשים ללמוד, במיוחד אם העובדים מפוזרים גיאוגרפית?
מסגור מחדש של מחסומי אימון אוריינות נתונים
כפי שצוין לעיל, ד"ר לינץ' מוצא מחסומי הכשרה רבים ומורכבים ל-Data Literacy כאשר העובדים צריכים להגיע ל-Data Literacy גבוהה בכל מקום. לכן, היא ממליצה לנסח מחדש את בעיית אוריינות נתונים זו ברמת צוות כדי לצמצם את החסמים הללו בצורה היעילה ביותר.
לא לכולם יש את אותה יכולת או עניין ב-Data Literacy, אבל יש להם כאלה שונים שעסק צריך, כמו אוריינות אנשים (בגרות רגשית וכישורי תקשורת) ואוריינות עסקית (הבנת סדרי עדיפויות וציוויים אסטרטגיים ואיך העבודה של האדם מתחבר לזה). כאשר רואים אוריינות נתונים בצורה זו, אתגרי אוריינות נתונים משתנים והופכים למשמעותיים יותר במצטבר.
לאחר מכן, ארגונים חייבים לשאול כיצד לנצל בצורה הטובה ביותר את הצוותים שלהם עם אוספים של אנשים עם חוזקות שונות. ד"ר לינץ' מסביר זאת כך:
"מנהיגים רוצים אוריינות נתונים טובים יותר לא בגלל שהם רוצים שכל עובד יאהב מתמטיקה. במקום זאת, הם רוצים שהארגונים שלהם יקבלו תובנות טובות יותר. ככל שיותר אנשים, באופן קולקטיבי, יכולים להגיע גבוה יותר ב-Data Literacy, כך אתה יכול לקבל יותר מהתובנות האלה."
במילים אחרות, מנהלים רוצים מערכי מיומנויות נתונים או שיתופי פעולה בעבודה כדי לתת לכל עובד את הידע והגישה האנליטית לבצע את העבודה בצורה טובה.
גישה משולשת: הדרכה, תפקידים וגישה
בהתחשב בפרספקטיבה חדשה זו, ד"ר לינץ' מציע לארגונים להשתמש בגישה משולשת באמצעות הכשרה, תפקידים ונגישות כדי להשיג הישגים. אוריינות נתונים גבוהה יותר לתובנות ארגוניות. היא מסבירה כל אחד מאלה עוד יותר:
הַדְרָכָה: בהתבסס על נתוני עבר, ד"ר לינץ' מייעץ לשיטות העבודה המומלצות הבאות בעת ביצוע אוריינות נתונים:
- הגדר מומחה מוסמך שבבעלותו המאמץ לשפר את האוריינות, והאדם הזה צריך להיות ממשהו אחר מלבד ניהול הנתונים או תחום נתונים.
- יש דוגמה עסקית ברורה למה הארגון ישיג כשהוא יגיע ליכולת אוריינות נתונים גבוהה יותר.
- לבנות את החינוך כך שיתאים לפעילות העסקית הרגילה ולתת דוגמאות רלוונטיות הקושרות כל הוראה לתפקיד של עובד כאשר אותו אדם לומד.
תפקידים: בעוד ד"ר לינץ' בוחנת את קידום אוריינות נתונים באופן קולקטיבי, היא תוהה לגבי ייעוד עבודה כדי לנצל את החוזקות של אנשים ולהתאים את החולשות שלהם בנוסף לאימון. היא אפילו מציעה תפקידי שילוב אפשריים.
לדוגמה, כאשר לינץ' עובדת עם הלקוחה הרפואית שלה, היא רואה מומחי בינה מלאכותית (בקיאים יותר בטכנולוגיה) ומומחים קליניים (בעלי יכולת טובה יותר לאבחן ולטפל בחולים). לכן, בעוד היא מאפשרת לחברי הצוות לשפר את כישורי הנתונים שלהם, היא מיישמת תפקידי מתרגם בין ה-AI למומחים קליניים.
תפקידי המתרגם הללו עוזרים ל-AI, והעובדים הקליניים מקבלים תובנות נתונים. ד"ר לינץ' טוען:
"אולי מתרגמים שמכירים תובנות נתונים שונות ובעלי כישורי SQL בסיסיים נותנים מידע לכל השאר. אז לכולם יש גישה לתובנות מתקדמות יותר מהנתונים".
כך, הצוות יכול לעבד טוב יותר את המידע ולהשלים כל עבודה. גישה זו גם חוסכת את הזמן והכסף הדרושים כדי להכשיר כל אדם לתפעל נתונים, במיוחד אם אותו אדם אינו מעוניין לבצע את החישוב.
גישה: טכנולוגיה מורכבת מגבילה את כמות האימון הדרושה, ודורשת זמן נוסף כדי להראות למתאמנים כיצד למצוא, לאחזר ולתפעל נתונים. כדי להתמודד עם בעיה זו, ד"ר לינץ' תומך בפלטפורמות המשתמשות בממשקי נתונים הדורשים פחות מיומנות טכנית, ופותחות את השימוש בארגון, כפי שעשה השוק עם מחשבים.
היא מסבירה שבשנות ה-1970, מתכנתים ומהנדסים מומחים השתמשו במחשבים רק כי ידעו איך. לאחר מכן, ההתקדמות בחומרה, במחשבים וב-GUI פתחה גישה למחשוב לכולם. כעת, רוב האנשים משתמשים בצורה חלקה במחשבים לעבודתם, ללא קשר לידע שלהם באלגוריתמים.
באותו אופן, ד"ר לינץ' אומר:
"אנחנו יכולים להתחיל לחשוב על אנליטיקה כנגישה יותר. לדוגמה, במקום להגביל את ניתוח הנתונים לאינטראקציות עם לוח המחוונים ושאילתות SQL, נוכל לחשוב על טכנולוגיה שממירה שאילתות, שנוצרו בשפה טבעית, לניתוחים".
ההתקדמות ב AI ולמידת מכונה (ML) עשויה להגדיל את הגישה לנתונים אנליטיים. Lynch מציין ש-GPT-4 יכול להמיר שאלות מדוברות ל-SQL ולייצר גרפיקה, מראה את הניתוח, להפחית את דרישות אוריינות נתונים לתובנה.
סיכום
מחסומי אוריינות נתונים נראים מורכבים וקשים, במיוחד בהעלאת כל עובד לרמה גבוהה יותר. לכן, בעוד שההדרכה מספקת כלי, ארגונים זקוקים לגישות אחרות.
תפקידי מתרגם מבטיחים גשר בין חברי צוות בעלי ידע נתונים ובלתי טכני. כמו כן, התקדמות טכנולוגית יכולה להוריד את הרף להשגת תובנות על ידי פתיחת גישה לחברים פחות טכניים. עם נקודת מבט חדשה זו, מנהלים יכולים לחשוב מחדש על הכשרת אוריינות נתונים כדי להתמודד עם שמונת החסמים המפורטים במאמר זה.
צפו בוובינר כאן:
תמונה בשימוש ברישיון מ- Shutterstock.com
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoAiStream. Web3 Data Intelligence. הידע מוגבר. גישה כאן.
- הטבעת העתיד עם אדריאן אשלי. גישה כאן.
- קנה ומכירה של מניות בחברות PRE-IPO עם PREIPO®. גישה כאן.
- מקור: https://www.dataversity.net/overcoming-eight-data-literacy-barriers/
- :יש ל
- :הוא
- :לֹא
- $ למעלה
- 100
- 12
- 2023
- 224
- a
- יכולת
- יכול
- אודות
- מֵעַל
- גישה
- נגישות
- נגיש
- להתאים
- להשיג
- השגתי
- תוספת
- בנוסף
- כתובת
- לקדם
- מתקדם
- התקדמות
- מתקדם
- עורכי דין
- AI
- אלגוריתמים
- תעשיות
- מאפשר
- גם
- אמריקאים
- בין
- an
- אנליזה
- אנליטית
- ניתוח
- לנתח
- ו
- חֲרָדָה
- כל
- יישומים
- גישה
- גישות
- ARE
- AREA
- מאמר
- AS
- נכסים
- At
- זמין
- מודעות
- בנק
- בָּר
- מחסומים
- מבוסס
- בסיסי
- BE
- כי
- להיות
- לפני
- להלן
- הטוב ביותר
- שיטות עבודה מומלצות
- מוטב
- בֵּין
- הגדול ביותר
- מוח
- לְגַשֵׁר
- תקציב
- עסקים
- פעילות עסקית
- עסקים
- אבל
- by
- CAN
- יכול לקבל
- יכולות
- לְנַצֵל
- מקרה
- לאתגר
- האתגרים
- שינוי
- תרשים
- מצוטט
- ברור
- לקוחות
- קליני
- שיתופי פעולה
- אוספים
- יַחַד
- שילוב
- לשלב
- תקשורת
- מיומנויות תקשורת
- חברות
- של החברה
- מוסמך
- להשלים
- מורכב
- מחשבים
- מחשוב
- מנוהל
- אמון
- מתחבר
- לשקול
- יועץ
- ייעוץ
- צרכנים
- להמיר
- עלות
- עלויות
- יכול
- דלפק
- קורסים
- לכסות
- לִיצוֹר
- יוצרים
- נוֹכְחִי
- יומי
- לוח מחוונים
- נתונים
- ניתוח נתונים
- מדען נתונים
- ערכות נתונים
- קושי
- להפגין
- אחר
- קשה
- לחשוד
- do
- דוֹקטוֹר
- עושה
- עושה
- עשה
- לא
- dr
- כוננים
- בְּמַהֲלָך
- כל אחד
- מוקדם
- שכר
- חינוך
- יְעִילוּת
- יעילות
- מאמץ
- מַאֲמָצִים
- אחר
- עובד
- עובדים
- עודד
- מעודד
- מהנדסים
- סביבה
- במיוחד
- Ether (ETH)
- אֲפִילוּ
- כל
- כל יום
- כולם
- בוחן
- דוגמה
- דוגמאות
- כעובדים בכירים
- ניסיון
- מומחה
- מומחים
- מסביר
- חוקר
- נוסף
- מוכר
- להרגיש
- לסנן
- ממצאים
- מתאים
- להתמקד
- לעקוב
- הבא
- בעד
- פורבס
- נוצר
- הון עתק
- מייסד
- החל מ-
- פונקציה
- נוסף
- זכייה
- פערים
- לקבל
- מקבל
- לתת
- Go
- טוב
- ממשל
- גרפיקה
- קבוצה
- לטפל
- חומרה
- יש
- לעזור
- לה
- כאן
- גָבוֹהַ
- גבוה יותר
- הגבוה ביותר
- פסים
- איך
- איך
- אולם
- HTTPS
- if
- מיישמים
- השלכות
- חשיבות
- לשפר
- שיפורים
- in
- לכלול
- כולל
- להגדיל
- בנפרד
- מידע
- תובנה
- תובנות
- במקום
- מוסד
- יחסי גומלין
- אינטרס
- מעוניין
- ממשקים
- אל תוך
- סוגיה
- בעיות
- IT
- עבודה
- jpg
- לדעת
- ידע
- חוסר
- שפה
- לִלמוֹד
- למידה
- פחות
- רמה
- רמות
- תנופה
- רישיון
- כמו
- מגבלות
- ברשימה
- ידיעת קרוא וכתוב
- יוֹדֵעַ קְרוֹא וּכְתוֹב
- נראה
- מגרש
- אהבה
- הורדה
- מכונה
- מנהלים
- רב
- שוק
- שליטה
- מתמטיקה
- בגרות
- max-width
- מאי..
- מקינזי
- משמעותי
- מידות
- רפואי
- לִפְגוֹשׁ
- להרשם/להתחבר
- מוּזְכָּר
- אזכורים
- מקלה
- ML
- כסף
- יותר
- יתר על כן
- רוב
- הרבה
- צריך
- טבעי
- שפה טבעית
- כמעט
- צורך
- נחוץ
- צרכי
- חדש
- לא טכני
- נוֹרמָלִי
- וציין
- עַכשָׁיו
- רב
- מתבונן
- of
- לעתים קרובות
- on
- פעם
- שליש
- יחידות
- מתמשך
- באינטרנט
- רק
- נפתח
- פתיחה
- תפעול
- or
- ארגון
- אִרְגוּנִי
- ארגונים
- אחר
- הַחוּצָה
- בעלות
- בעלים של
- עבר
- חולים
- מחשבים
- אֲנָשִׁים
- אנשיו של
- אדם
- כוח אדם
- פרספקטיבה
- מקום
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- נקודות
- מדיניות
- אפשרי
- פוטנציאל
- פרקטיקות
- הצגה
- עדיפות
- בעיה
- תהליך
- לייצר
- מפיק
- מתכנתים
- הבטחה
- מספק
- רובע
- שאילתות
- שאלה
- שאלות
- לְהַגִיעַ
- מגיע
- חומר עיוני
- ממליצה
- להפחית
- ללא קשר
- רלוונטי
- מייצג
- לדרוש
- דרישות
- משאב
- משאבים
- אחראי
- תוצאות
- לַחֲזוֹר
- הכנסה
- תקין
- תפקיד
- תפקידים
- אותו
- חסכת
- אומר
- נדיר
- בית ספר
- מַדְעָן
- מדענים
- ציון
- בצורה חלקה
- רואה
- נבחר
- סטים
- כמה
- קשה
- היא
- צריך
- לְהַצִיג
- Shutterstock
- משמעותי
- מְיוּמָנוּת
- מיומנויות
- So
- לפתור
- כמה
- משהו
- מקורות
- מיוחד
- דיבר
- התפשטות
- SQL
- התחלה
- החל
- הצהרות
- צעדים
- אסטרטגי
- חוזק
- מחקרים
- לימוד
- כזה
- מציע
- לקחת
- מסים
- הוראה
- נבחרת
- חברי צוות
- צוותי
- טכני
- טכנולוגי
- טכנולוגיה
- מֵאֲשֶׁר
- זֶה
- השמיים
- המידע
- שֶׁלָהֶם
- אותם
- אז
- שם.
- אלה
- הֵם
- לחשוב
- זֶה
- אלה
- דרך
- עניבה
- זמן
- פִּי
- ל
- כלי
- רכבת
- הדרכה
- טיפול
- תחת
- עבר
- להבין
- הבנה
- מבין
- נוֹהָג
- להשתמש
- מְשׁוּמָשׁ
- באמצעות
- לנצל
- ערך
- מוכר
- צפייה
- רוצה
- דֶרֶך..
- we
- סמינר
- טוֹב
- מה
- מתי
- בזמן
- מי
- למה
- יצטרך
- עם
- בתוך
- לְלֹא
- מילים
- תיק עבודות
- עובד
- היה
- שנים
- אתה
- זפירנט