Overvinne åtte barrierer for datakompetanse – DATAVERSITET

Ledere ønsker at "alle, overalt og på en gang skal bli svært datakyndige, demonstrere en høy evne til å lese, jobbe med og analysere data," sier Dr. Wendy Lynch, grunnlegger av Analytic-Translastor.com og Lynch Consulting. Som konsulent for en rekke Fortune 100-selskaper forstår hun hvorfor organisasjoner ønsker at alle medlemmene deres skal ha et høyt nivå av datakompetanse. Dr. Lynch fremhever noen av de største datakompetanse-barrierene og hvordan du løser dem under et DATAVERSITY-webinar, "Overvinne utfordringer for å oppnå datakompetanse." I sin presentasjon forklarer hun og omformulerer utfordringene til opplæring i datakunnskap og oppmuntret til en tredelt tilnærming for å håndtere dem.

I webinaret siterte Dr. Lynch en studie fra McKinsey, og bemerket at minst $1 av $5 fra et selskaps inntjening før renter og skatter (EBIT) omsettes til verdi fra dataeiendeler. Dessuten har bedrifter med det høyeste nivået av datamestring, inkludert retningslinjer, mennesker og teknologi, 70 % høyere inntekt per person.

Likevel, nesten 80% av folk mangler tillit til sine Datakompetanse, og studier viser at 90 % ikke har høy datakompetanse. Så, som Lynch påpeker, "Bedrifter vil at alle skal fungere som dataforskere, men de begynner på et vanskelig sted."

Barrierer for datakompetanse

Dr. Lynch siterer åtte temaer fra DATAVERSITY-fokusgrupper som ble gjennomført tidlig i 2023 for å forstå hvorfor mennesker og organisasjoner synes det er vanskelig med opplæring i datakunnskap. De inkluderer:

1. Innkjøp: Ledere overvurderer medarbeidernes evner med data og forstår kanskje ikke viktigheten av opplæring i datakunnskap eller prioriteringen av slik innsats.

2. Eierskap: Organisasjoner må avklare hvem som driver datakunnskap. Er det personen med høyest poengsum for datakunnskap, en person på C-nivå eller en ny rolle? Dr. Lynch observerer at ansatte kan nøle eller føle seg bekymret for å lære datakompetanse fordi de ikke har interessen eller evnen. Så, er personen som driver opplæring i datakunnskap ansvarlig for å redusere disse problemene?

3. Mål: Hvordan gjør organisasjoner vurdere nåværende nivåer av eller forbedringer i datakompetanse? Hva representerer et godt nivå av datakompetanse? Basert på en Forbes-artikkel nevner hun dessuten at dersom bedrifter ikke kommer til et godt nivå av datakompetanse, vil de skape en giftig skille mellom dataprodusenter og forbrukere – de som er litterære og de som trenger å komme opp på et høyere nivå. Så hvordan kan målinger bidra til å fremme datakunnskap uten å skape et så omstridt miljø blant ansatte?

4. Opplæringstilnærming: Lynch spør hvordan vi stiller oss til opplæring i datakunnskap. Gjør organisasjoner det i hele bedriften? Velger de opplæring fra en leverandør eller fra organisasjonen? I tillegg, hvordan dekker en organisasjons trener alle viktige trinn for å oppnå høy datakompetanse, som listet nedenfor?

• Få bevissthet om tilgjengelige data i organisasjonen.
• Identifiser disse forskjellige datakildene.
• Vet hvordan du velger riktige kilder til rett tid.
• Forstå verdien og begrensningene til de valgte datasettene.
• Manipuler data for å definere og filtrere informasjon på en effektiv måte.
• Analyser data, inkludert bruk av beregningene for å komme dit.
• Tolk data og resultatene som følger rimelig.
• Bruk denne informasjonen for å møte forretnings- og jobbkrav.

5. Varighet/nivåer: Hvor ofte gjennomgår ansatte opplæring? Er det pågående eller en gang gjort? For å illustrere denne utfordringen forteller Dr. Lynch om en erfaring med å undersøke implikasjonene til kunstig intelligens i en medisinsk institusjon. Leger i denne organisasjonen mistror AI til tider og trenger litt opplæring. Men hun spør: "Vil vi at en lege som har gjennomgått 12 års medisinsk skolegang skal gå tilbake til skolen for å bli dataforsker?"

6. Personell: Har organisasjonen folk som kan bidra til å fremme andres datakompetanse til et høyere nivå? Tenk på at en tredjedel av amerikanerne ikke vet at en fjerdedel av et sektordiagram er det samme som 25 %, og 22 % forstår ikke daglig numerisk informasjon som kontoutskrifter. I tillegg, 20% av mennesker har alvorlig matteangst som fryser hjernen deres. Så, har en organisasjon ressursene til å håndtere alle disse betydelige hullene?

7. Kostnad: Har organisasjonen budsjett for datakompetanse? Å trene alle koster mye. Noen organisasjoner kan vurdere å spare penger ved å oppmuntre ansatte til å ta gratis selvdrevne nettkurs. Flere studier stiller imidlertid spørsmål ved effektiviteten av en slik tilnærming.

8. Tid: Dr. Lynch fremhever at tid representerer folks mest knappe ressurs. Organisasjoner må utnytte tid til daglig drift og deres dataapplikasjoner. Så, hvordan kan bedrifter bruke tid på å kombinere opplæring i datakunnskap og få folk til å lære, spesielt hvis ansatte er spredt geografisk?

Reframing Data Literacy Training Barriers

Som nevnt ovenfor, finner Dr. Lynch mange komplekse datakompetanse-treningsbarrierer når ansatte trenger å oppnå høy datakompetanse overalt. Så hun anbefaler å omformulere dette datakunnskapsproblemet på teamnivå for å redusere disse barrierene mest effektivt.

Ikke alle har den samme evnen eller interessen for datakompetanse, men har forskjellige som en bedrift trenger, som folks leseferdighet (emosjonell modenhet og kommunikasjonsevner) og forretningskompetanse (forstå forretningsprioriteringer og strategiske imperativer og hvordan ens jobb henger sammen med det). Når du ser på Data Literacy på denne måten, endres data Literacy-utfordringene og blir mer meningsfylte samlet sett.

Deretter må organisasjoner spørre hvordan de best kan utnytte teamene sine med samlinger av mennesker med ulike styrker. Dr. Lynch forklarer det på denne måten: 

"Ledere vil ha bedre datakunnskap, ikke fordi de vil at alle ansatte skal elske matematikk. I stedet ønsker de at organisasjonene deres skal få bedre innsikt. Ettersom flere mennesker til sammen kan gå høyere opp i datakunnskap, jo mer kan du få av denne innsikten."

Med andre ord ønsker ledere datakompetanse eller arbeidssamarbeid for å gi hver ansatt kunnskap og analytisk tilgang til å gjøre jobben godt.

En tredelt tilnærming: Opplæring, roller og tilgang

Gitt dette nye perspektivet, foreslår Dr. Lynch at organisasjoner bruker en tredelt tilnærming gjennom opplæring, roller og tilgjengelighet for å oppnå høyere datakompetanse for organisatorisk innsikt. Hun forklarer hver av disse ytterligere:

Opplæring: Basert på tidligere data anbefaler Dr. Lynch følgende beste fremgangsmåter for datakompetanse:

• Utpek en kompetent ekspert som eier innsatsen for å forbedre leseferdigheten, og denne personen bør være fra noe annet enn Data Governance eller et dataområde.
• Ha en klar business case for hva organisasjonen vil oppnå når den når høyere datakompetanse.
• Strukturere utdanning for å passe inn i normal forretningsdrift og gi relevante eksempler som knytter all undervisning til en ansatts rolle når vedkommende lærer.

Roller: Mens Dr. Lynch utforsker utviklingen av datakunnskap i fellesskap, lurer hun på å utpeke arbeid for å utnytte folks styrker og imøtekomme deres svakheter i tillegg til trening. Hun foreslår til og med mulige kombinasjonsroller.

For eksempel, når Lynch jobber med sin medisinske klient, ser hun AI-eksperter (mer teknisk kunnskapsrike) og kliniske eksperter (bedre i stand til å diagnostisere og behandle pasienter). Så mens hun lar teammedlemmer forbedre dataferdighetene sine, implementerer hun oversetterroller mellom AI og kliniske eksperter.

Disse oversetterrollene hjelper AI, og de kliniske ansatte får datainnsikt. Dr. Lynch hevder:

«Kanskje oversettere som er kjent med forskjellig datainnsikt og som har grunnleggende SQL-ferdigheter, gir informasjon til alle andre. Da har alle tilgang til mer avansert innsikt fra dataene.»

På denne måten kan teamet bedre behandle informasjonen og fullføre hver jobb. Denne tilnærmingen sparer også tiden og pengene som trengs for å trene hver enkelt person til å manipulere data, spesielt hvis den personen ikke er interessert i å gjøre regnestykket.

Tilgang: Kompleks teknologi begrenser hvor mye trening som trengs, og krever ekstra tid for å vise traineer hvordan de finner, henter og manipulerer data. For å motvirke dette problemet, tar Dr. Lynch til orde for plattformer som bruker datagrensesnitt som krever mindre tekniske ferdigheter, noe som åpner for en organisasjons bruk, slik markedet har gjort med datamaskiner.

Hun forklarer at på 1970-tallet brukte programmerere og spesialiserte ingeniører bare datamaskiner fordi de visste hvordan. Deretter åpnet fremskritt innen maskinvare, PC-er og GUI-er datatilgang for alle. Nå bruker de fleste sømløst datamaskiner til arbeidet sitt, uavhengig av deres kunnskap om algoritmer.

På samme måte sier Dr. Lynch:

"Vi kan begynne å tenke på analyse som mer tilgjengelig. For eksempel, i stedet for å begrense dataanalyse til dashbordinteraksjoner og SQL-spørringer, kan vi tenke på teknologi som konverterer spørringer, laget på et naturlig språk, til analyser.»

Fremskritt i AI og maskinlæring (ML) kan potensielt øke tilgangen til analytiske data. Lynch påpeker at GPT-4 kan konvertere talte spørsmål til SQL og produsere grafikk, som viser analysen, og senker kravene til datakompetanse for innsikt.

konklusjonen

Datakompetanse-barrierer ser komplekse og vanskelige ut, spesielt for å få alle ansatte opp på et høyere nivå. Så mens opplæring er et verktøy, trenger organisasjoner andre tilnærminger.

Oversetterroller lover en bro mellom datakyndige og ikke-tekniske teammedlemmer. Dessuten kan teknologiske fremskritt senke nivået for å få innsikt ved å åpne tilgang til mindre tekniske medlemmer. Med dette nye perspektivet kan ledere tenke nytt om opplæring i datakunnskap for å ta tak i de åtte barrierene som er oppført i denne artikkelen.

Se webinaret her:

Bildet brukes under lisens fra Shutterstock.com

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoAiStream. Web3 Data Intelligence. Kunnskap forsterket. Tilgang her.
• Minting the Future med Adryenn Ashley. Tilgang her.
• Kjøp og selg aksjer i PRE-IPO-selskaper med PREIPO®. Tilgang her.
• kilde: https://www.dataversity.net/overcoming-eight-data-literacy-barriers/