XNUMX가지 데이터 리터러시 장벽 극복 - DATAVERSITY

여덟 가지 데이터 리터러시 장벽 극복 – DATAVERSITY

타임 스탬프 : 6 년 2023 월 3 일 35:XNUMX AM
소스 노드 : 2704609
데이터 리터러시 장벽데이터 리터러시 장벽

리더는 "모든 사람이 어디에서나 한 번에 고도로 데이터를 읽고, 데이터를 읽고, 작업하고, 분석할 수 있는 높은 능력을 보여주기를 원합니다." Analytic-Translastor.com 그리고 린치 컨설팅. 수많은 Fortune 100대 기업의 컨설턴트로서 그녀는 조직이 모든 구성원이 높은 수준의 데이터 리터러시를 갖기를 원하는 이유를 이해합니다. Dr. Lynch는 DATAVERSITY 웨비나에서 가장 큰 데이터 리터러시 장벽과 이를 해결하는 방법을 강조합니다.데이터 리터러시 달성에 대한 과제 극복.” 프레젠테이션에서 그녀는 데이터 리터러시 교육의 과제를 설명 및 재구성하고 이를 해결하기 위한 XNUMX가지 접근 방식을 장려했습니다.

웨비나에서 Dr. Lynch는 McKinsey의 연구를 인용하여 회사의 이자 및 세금 전 수익(EBIT)에서 $1 중 최소 $5가 데이터 자산의 가치로 전환된다고 언급했습니다. 또한 정책, 사람 및 기술을 포함하여 최고 수준의 데이터 숙달을 갖춘 비즈니스는 70인당 수익이 XNUMX% 더 높습니다.

그러나 거의 80%의 사람들이 자신에 대한 자신감이 부족합니다. 데이터 활용 능력, 그리고 연구에 따르면 90%는 데이터 리터러시가 높지 않은 것으로 나타났습니다. 따라서 Lynch가 지적한 것처럼 "기업은 모든 사람이 데이터 과학자로 기능하기를 원하지만 어려운 위치에서 시작하고 있습니다."

데이터 해독 능력의 장벽

Lynch 박사는 2023년 초에 실시된 DATAVERSITY 포커스 그룹의 XNUMX가지 주제를 인용하여 사람과 조직이 데이터 리터러시 교육을 어렵게 생각하는 이유를 이해합니다. 여기에는 다음이 포함됩니다.

1. 바이인: 리더는 데이터로 직원의 능력을 과대평가하고 데이터 리터러시 교육의 중요성이나 그러한 노력의 우선 순위를 이해하지 못할 수 있습니다.

2. 소유권: 조직은 누가 Data Literacy 노력을 주도하는지 명확히 해야 합니다. 데이터 리터러시 점수가 가장 높은 사람입니까, C 레벨 사람입니까, 아니면 새로운 역할입니까? Dr. Lynch는 직원들이 흥미나 적성이 없기 때문에 Data Literacy 학습을 주저하거나 두려워할 수 있음을 관찰합니다. 그렇다면 Data Literacy 교육을 주도하는 사람이 이러한 문제를 완화할 책임이 있습니까?

3. 측정: 조직은 어떻게 Data Literacy의 현재 수준 또는 개선 사항을 평가합니까? 좋은 수준의 데이터 리터러시를 나타내는 것은 무엇입니까? 또한 Forbes 기사에 따르면 기업이 좋은 수준의 데이터 해독 능력에 도달하지 못하면 독성 분할 데이터 생산자와 소비자 사이 – 문해력이 있는 사람과 더 높은 수준에 도달해야 하는 사람. 그렇다면 직원들 사이에 논쟁을 불러일으키는 환경을 조성하지 않고 어떻게 측정이 데이터 리터러시를 향상시키는 데 도움이 될까요?

4. 교육 방법: Lynch는 데이터 리터러시 교육에 어떻게 접근하는지 묻습니다. 조직에서 전사적으로 수행합니까? 벤더 또는 조직 내에서 교육을 선택합니까? 또한 조직의 트레이너는 아래에 나열된 대로 높은 데이터 활용 능력에 도달하기 위한 모든 중요한 단계를 어떻게 다룹니까?

  • 조직에서 사용 가능한 데이터에 대한 인식을 얻습니다.
  • 이러한 다양한 데이터 소스를 식별합니다.
  • 적시에 올바른 소스를 선택하는 방법을 알아두십시오.
  • 선택한 데이터 세트의 가치와 한계를 이해합니다.
  • 데이터를 조작하여 정보를 적절하게 정의하고 필터링합니다.
  • 거기에 도달하기 위해 계산을 사용하는 것을 포함하여 데이터를 분석하십시오.
  • 합리적으로 따르는 데이터와 결과를 해석하십시오.
  • 비즈니스 및 작업 요구 사항을 충족하려면 이 정보를 적용하십시오.

5. 기간/레벨: 직원들은 얼마나 자주 교육을 받습니까? 진행 중입니까 아니면 한 번 완료되었습니까? 이 문제를 설명하기 위해 Dr. Lynch는 의료 기관에서 AI의 영향을 조사한 경험을 설명합니다. 이 조직의 의사들은 때때로 AI를 불신하고 약간의 교육이 필요합니다. 그러나 그녀는 “의대 12년을 수료한 의사가 데이터 과학자가 되기 위해 학교로 돌아가길 원하는가?”라고 묻습니다.

6. 인원: 조직에 다른 사람의 데이터 리터러시를 더 높은 수준으로 발전시키는 데 도움을 줄 수 있는 사람들이 있습니까? 미국인의 25/22은 파이 차트의 XNUMX/XNUMX이 XNUMX%와 같다는 사실을 모르고 XNUMX%는 은행 명세서와 같은 일상적인 숫자 정보를 이해하지 못한다는 점을 고려하십시오. 추가적으로, 사람들의 20의 % 뇌가 얼어붙는 심각한 수학 불안이 있습니다. 그렇다면 조직은 이러한 모든 중요한 격차를 처리할 수 있는 리소스를 가지고 있습니까?

7. 비용 : 조직에 데이터 리터러시를 위한 예산이 있습니까? 모든 사람을 훈련시키는 데는 많은 비용이 듭니다. 일부 조직에서는 직원이 무료 자가 주도 온라인 과정을 수강하도록 권장하여 비용을 절감할 수 있습니다. 그러나 여러 연구에서 이러한 접근 방식의 효과에 의문을 제기하고 있습니다.

8. 시간: Lynch 박사는 시간이 인간의 가장 희소한 자원임을 강조합니다. 조직은 일상적인 운영과 데이터 애플리케이션에 시간을 활용해야 합니다. 그렇다면 특히 직원이 지리적으로 분산되어 있는 경우 회사에서 데이터 리터러시 교육을 결합하고 사람들이 학습하도록 시간을 할당할 수 있는 방법은 무엇입니까?

데이터 리터러시 교육 장벽 재구성

위에서 언급했듯이 Dr. Lynch는 직원들이 모든 곳에서 높은 데이터 리터러시를 달성해야 할 때 복잡한 데이터 리터러시 교육 장벽을 많이 발견했습니다. 따라서 그녀는 이러한 장벽을 가장 효율적으로 줄이기 위해 팀 수준에서 이 데이터 리터러시 문제를 재구성할 것을 권장합니다.

모든 사람이 데이터 리터러시에 대해 동일한 능력이나 관심을 가지고 있는 것은 아니지만 사람 리터러시(감정적 성숙도 및 의사소통 기술) 및 비즈니스 리터러시(비즈니스 우선 순위 및 전략적 명령과 자신의 업무가 어떻게 연결되는지 이해)와 같이 비즈니스에 필요한 능력이나 관심은 다릅니다. 이러한 방식으로 데이터 리터러시를 볼 때 데이터 리터러시 과제는 변화하고 총체적으로 더 의미가 있습니다.

그런 다음 조직은 서로 다른 강점을 가진 사람들의 집합으로 팀을 가장 잘 활용하는 방법을 물어야 합니다. 린치 박사는 이렇게 설명합니다. 

“리더들은 모든 직원이 수학을 좋아하기를 원해서가 아니라 더 나은 데이터 활용 능력을 원합니다. 대신 그들은 조직이 더 나은 통찰력을 얻기를 원합니다. 더 많은 사람들이 집합적으로 Data Literacy에서 더 높은 수준으로 올라갈수록 이러한 인사이트를 더 많이 얻을 수 있습니다.”

즉, 관리자는 각 직원이 업무를 잘 수행할 수 있는 지식과 분석 액세스 권한을 부여하기 위해 데이터 기술 또는 공동 작업을 원합니다.

XNUMX가지 접근 방식: 교육, 역할 및 액세스

이러한 새로운 관점에서 Dr. Lynch는 조직이 교육, 역할 및 접근성을 통해 세 가지 접근 방식을 사용하여 목표를 달성할 것을 제안합니다. 더 높은 데이터 리터러시 조직 통찰력을 위해. 그녀는 각각에 대해 자세히 설명합니다.

훈련: 과거 데이터를 기반으로 Dr. Lynch는 Data Literacy를 수행할 때 다음과 같은 모범 사례를 조언합니다.

  • 문해력 향상을 위해 노력하는 유능한 전문가를 지정하고, 이 사람은 데이터 거버넌스 또는 데이터 영역이 아닌 다른 사람이어야 합니다.
  • 더 높은 데이터 활용 능력에 도달했을 때 조직이 달성할 수 있는 것에 대한 명확한 비즈니스 사례가 있어야 합니다.
  • 정상적인 비즈니스 운영에 적합하도록 교육을 구성하고 직원이 학습할 때 교육을 직원의 역할과 연결하는 관련 예를 제공합니다.

역할 : Dr. Lynch는 공동으로 데이터 리터러시 향상을 탐구하면서 교육 외에도 사람들의 강점을 활용하고 약점을 수용하는 작업을 지정하는 것에 대해 궁금해합니다. 그녀는 가능한 조합 역할을 제안하기도 합니다.

예를 들어, Lynch는 의료 고객과 함께 일하면서 AI 전문가(기술에 정통함)와 임상 전문가(환자를 더 잘 진단하고 치료할 수 있음)를 봅니다. 그래서 팀원들이 데이터 기술을 향상할 수 있도록 하면서 AI와 임상 전문가 사이에서 번역자 역할을 구현합니다.

이러한 번역가 역할은 AI와 임상 직원이 데이터 통찰력을 얻는 데 도움이 됩니다. 린치 박사는 다음과 같이 주장합니다.

“아마도 다양한 데이터 통찰력에 익숙하고 기본 SQL 기술을 갖춘 번역가가 다른 모든 사람에게 정보를 제공할 것입니다. 그러면 모든 사람이 데이터에서 고급 통찰력에 액세스할 수 있습니다.”

이렇게 하면 팀에서 정보를 더 잘 처리하고 각 작업을 완료할 수 있습니다. 또한 이 접근 방식은 모든 개인이 데이터를 조작하도록 교육하는 데 필요한 시간과 비용을 절약합니다. 특히 해당 사람이 수학에 관심이 없는 경우 더욱 그렇습니다.

액세스 : 복잡한 기술은 필요한 교육의 양을 제한하므로 교육생에게 데이터를 찾고, 검색하고, 조작하는 방법을 보여주는 데 추가 시간이 필요합니다. 이 문제에 대응하기 위해 Dr. Lynch는 기술이 덜 요구되는 데이터 인터페이스를 사용하는 플랫폼을 옹호하여 시장이 컴퓨터와 마찬가지로 조직의 사용을 개방합니다.

그녀는 1970년대에 프로그래머와 전문 엔지니어들이 방법을 알고 있었기 때문에 컴퓨터를 사용했다고 설명합니다. 그런 다음 하드웨어, PC 및 GUI의 발전으로 모든 사람에게 컴퓨팅 액세스가 가능해졌습니다. 이제 대부분의 사람들은 알고리즘에 대한 지식과 상관없이 작업에 원활하게 컴퓨터를 사용합니다.

같은 방식으로 Dr. Lynch는 다음과 같이 말합니다.

“분석에 대해 더 쉽게 접근할 수 있다고 생각하기 시작할 수 있습니다. 예를 들어 데이터 분석을 대시보드 상호 작용 및 SQL 쿼리로 제한하는 대신 자연어로 구성된 쿼리를 분석으로 변환하는 기술을 생각할 수 있습니다.”

전진 AI 머신 러닝(ML)은 잠재적으로 분석 데이터에 대한 액세스를 증가시킬 수 있습니다. Lynch는 GPT-4가 음성 질문을 SQL로 변환하고 그래픽을 생성하여 분석을 보여주고 통찰력을 위한 데이터 리터러시 요구 사항을 낮출 수 있다고 지적합니다.

결론

데이터 리터러시 장벽은 특히 모든 직원을 더 높은 수준으로 끌어올리는 데 있어서 복잡하고 어려워 보입니다. 따라서 교육은 도구를 제공하지만 조직에는 다른 접근 방식이 필요합니다.

번역가 역할은 데이터에 정통한 팀 구성원과 비기술적인 팀 구성원 간의 다리 역할을 약속합니다. 또한 기술 발전으로 인해 기술 수준이 낮은 회원에게 액세스 권한을 개방하여 통찰력 확보에 대한 기준을 낮출 수 있습니다. 이 새로운 관점을 통해 경영진은 이 문서에 나열된 XNUMX가지 장벽을 해결하기 위해 데이터 리터러시 교육을 재고할 수 있습니다.

여기에서 웨비나를 시청하세요:

Shutterstock.com의 라이센스에 따라 사용 된 이미지

타임 스탬프 :

더보기 데이터 버 시티