Pokonywanie ośmiu barier związanych z umiejętnością korzystania z danych — DATAVERSITY

Pokonywanie ośmiu barier związanych z umiejętnością korzystania z danych – DATAVERSITY

Znacznik czasu: 6 czerwca 2023 3:35
Węzeł źródłowy: 2704609
bariery związane z umiejętnością korzystania z danychbariery związane z umiejętnością korzystania z danych

Liderzy chcą, aby „wszyscy, wszędzie i wszyscy jednocześnie stali się wysoce biegli w posługiwaniu się danymi, wykazali się wysoką zdolnością do czytania, pracy z danymi i ich analizowania” — mówi dr Wendy Lynch, założycielka Analityka-Translastor.com i Lynch Consulting. Jako konsultant wielu firm z listy Fortune 100, rozumie, dlaczego organizacje chcą, aby wszyscy ich członkowie mieli wysoki poziom Data Literacy. Dr Lynch zwraca uwagę na niektóre z największych barier związanych z alfabetyzacją danych i sposoby ich rozwiązywania podczas webinaru DATAVERSITY, „Pokonywanie wyzwań w osiąganiu umiejętności korzystania z danych”. W swojej prezentacji wyjaśnia i przeformułowuje wyzwania stojące przed szkoleniami z zakresu Data Literacy i zachęca do trójtorowego podejścia do ich rozwiązywania.

Podczas webinarium dr Lynch zacytował badanie McKinsey, z którego wynika, że ​​co najmniej 1 z 5 dolarów zysku firmy przed odliczeniem odsetek i podatków (EBIT) przekłada się na wartość zasobów danych. Co więcej, firmy o najwyższym poziomie opanowania danych, w tym zasad, ludzi i technologii, mają o 70% wyższy przychód na osobę.

Jednak prawie 80% ludzi nie ma do nich zaufania Umiejętności korzystania z danych, a badania pokazują, że 90% nie ma wysokiego poziomu umiejętności korzystania z danych. Tak więc, jak zauważa Lynch, „Firmy chcą, aby wszyscy działali jako naukowcy zajmujący się danymi, ale zaczynają w trudnym miejscu”.

Bariery w zakresie umiejętności korzystania z danych

Dr Lynch przytacza osiem tematów z grup fokusowych DATAVERSITY przeprowadzonych na początku 2023 r., aby zrozumieć, dlaczego ludzie i organizacje mają trudności ze szkoleniem z zakresu Data Literacy. Zawierają:

1. Wpisowe: Liderzy przeceniają możliwości swoich pracowników w zakresie danych i mogą nie rozumieć znaczenia szkolenia w zakresie umiejętności korzystania z danych lub priorytetu takich wysiłków.

2. Własność: Organizacje muszą wyjaśnić, kto kieruje działaniami związanymi z umiejętnością korzystania z danych. Czy jest to osoba z najwyższym wynikiem Data Literacy, osoba na poziomie C, czy nowa rola? Dr Lynch zauważa, że ​​pracownicy mogą się wahać lub obawiać uczenia się Data Literacy, ponieważ nie mają zainteresowania lub zdolności. Czy zatem osoba prowadząca szkolenie z zakresu Data Literacy jest odpowiedzialna za łagodzenie tych problemów?

3. Pomiary: Jak organizacje ocenić obecne poziomy lub ulepszenia w zakresie umiejętności korzystania z danych? Co oznacza dobry poziom kompetencji Data Literacy? Ponadto, opierając się na artykule Forbesa, wspomina, że ​​gdyby firmy nie osiągnęły dobrego poziomu Data Literacy, stworzyłyby toksyczny podział między producentami danych a konsumentami – tymi, którzy znają się na piśmie i tymi, którzy muszą wejść na wyższy poziom. Jak więc pomiary mogą pomóc w rozwijaniu kompetencji związanych z danymi bez tworzenia tak kontrowersyjnego środowiska wśród pracowników?

4. Podejście szkoleniowe: Lynch pyta, jak podchodzimy do szkoleń z zakresu Data Literacy. Czy organizacje robią to w całej firmie? Czy wybierają szkolenia od dostawcy czy w ramach organizacji? Ponadto, w jaki sposób trener organizacji obejmuje wszystkie istotne kroki, aby osiągnąć wysoki poziom umiejętności korzystania z danych, jak wymieniono poniżej?

  • Zdobądź świadomość danych dostępnych w organizacji.
  • Zidentyfikuj te różne źródła danych.
  • Dowiedz się, jak wybrać właściwe źródła we właściwym czasie.
  • Zrozumienie wartości i ograniczeń wybranych zestawów danych.
  • Manipuluj danymi, aby umiejętnie definiować i filtrować informacje.
  • Analizuj dane, w tym korzystając z obliczeń, aby się tam dostać.
  • Rozsądnie interpretuj dane i wynikające z nich wyniki.
  • Zastosuj te informacje, aby spełnić wymagania biznesowe i zawodowe.

5. Czas trwania/poziomy: Jak często pracownicy przechodzą szkolenia? Czy to jest w toku, czy raz zrobione? Aby zilustrować to wyzwanie, dr Lynch opowiada o doświadczeniu badającym implikacje sztucznej inteligencji w placówce medycznej. Lekarze w tej organizacji czasami nie ufają sztucznej inteligencji i potrzebują szkolenia. Ale pyta: „Czy chcemy, aby lekarz, który przeszedł 12 lat szkoły medycznej, wrócił do szkoły i został naukowcem danych?”

6. Personel: Czy w organizacji są osoby, które mogą pomóc w podniesieniu kompetencji innych osób do korzystania z danych na wyższy poziom? Weź pod uwagę, że jedna trzecia Amerykanów nie wie, że jedna czwarta wykresu kołowego to to samo, co 25%, a 22% nie rozumie codziennych informacji liczbowych, takich jak wyciągi bankowe. Dodatkowo, 20% osób mają silny lęk przed matematyką, który zamraża ich mózgi. Czy zatem organizacja ma zasoby, aby poradzić sobie z tymi wszystkimi znaczącymi lukami?

7. Koszt: Czy organizacja ma budżet na Data Literacy? Szkolenie wszystkich kosztuje bardzo dużo. Niektóre organizacje mogą rozważyć oszczędzanie pieniędzy, zachęcając pracowników do udziału w bezpłatnych, samodzielnych kursach online. Jednak kilka badań kwestionuje skuteczność takiego podejścia.

8. Czas: Dr Lynch podkreśla, że ​​czas jest najbardziej deficytowym zasobem człowieka. Organizacje muszą wykorzystać czas na codzienne operacje i aplikacje do obsługi danych. Jak więc firmy mogą przeznaczyć czas na połączenie szkolenia z zakresu Data Literacy i nauczenie ludzi, zwłaszcza jeśli pracownicy są rozproszeni geograficznie?

Przeformułowanie barier szkoleniowych w zakresie umiejętności korzystania z danych

Jak wspomniano powyżej, dr Lynch znajduje wiele złożonych barier szkoleniowych w zakresie Data Literacy, gdy pracownicy muszą wszędzie osiągnąć wysoki poziom Data Literacy. Dlatego zaleca przeformułowanie problemu Data Literacy na poziomie zespołu, aby jak najskuteczniej zredukować te bariery.

Nie każdy ma takie same zdolności lub zainteresowanie alfabetyzacją danych, ale ma inne, których potrzebuje firma, takie jak znajomość ludzi (dojrzałość emocjonalna i umiejętności komunikacyjne) oraz znajomość biznesu (zrozumienie priorytetów biznesowych i imperatywów strategicznych oraz tego, jak łączy się z tym praca). Patrząc na alfabetyzację danych w ten sposób, wyzwania związane z alfabetyzacją danych zmieniają się i stają się bardziej znaczące łącznie.

Następnie organizacje muszą zadać sobie pytanie, jak najlepiej wykorzystać swoje zespoły ze zbiorami ludzi o różnych mocnych stronach. Dr Lynch wyjaśnia to w ten sposób: 

„Liderzy chcą lepszej znajomości danych nie dlatego, że chcą, aby każdy pracownik pokochał matematykę. Zamiast tego chcą, aby ich organizacje uzyskały lepszy wgląd. Ponieważ więcej osób łącznie może osiągnąć wyższy poziom umiejętności korzystania z danych, tym więcej możesz uzyskać dzięki tym spostrzeżeniom”.

Innymi słowy, menedżerowie chcą zestawów umiejętności związanych z danymi lub współpracy roboczej, aby zapewnić każdemu pracownikowi wiedzę i dostęp analityczny, aby dobrze wykonywać swoją pracę.

Podejście trójtorowe: szkolenie, role i dostęp

Biorąc pod uwagę tę nową perspektywę, dr Lynch sugeruje, aby organizacje stosowały trójstronne podejście poprzez szkolenie, role i dostępność, aby osiągnąć wyższa umiejętność korzystania z danych za spostrzeżenia organizacyjne. Wyjaśnia każdy z nich dalej:

Dedykowane szkolenia: Na podstawie danych z przeszłości dr Lynch zaleca następujące najlepsze praktyki w zakresie Data Literacy:

  • Wyznacz kompetentnego eksperta, który jest odpowiedzialny za wysiłki na rzecz poprawy umiejętności czytania i pisania, a osoba ta powinna pochodzić z czegoś innego niż zarządzanie danymi lub obszar danych.
  • Miej jasne uzasadnienie biznesowe tego, co organizacja osiągnie, gdy osiągnie wyższy poziom kompetencji w zakresie danych.
  • Organizuj edukację tak, aby pasowała do normalnej działalności biznesowej i podawaj odpowiednie przykłady, które wiążą nauczanie z rolą pracownika, gdy ten się uczy.

role: Gdy dr Lynch wspólnie bada postępy w zakresie umiejętności korzystania z danych, zastanawia się nad wyznaczeniem pracy tak, aby oprócz szkolenia wykorzystać mocne strony ludzi i uwzględnić ich słabości. Sugeruje nawet możliwe kombinacje ról.

Na przykład, gdy Lynch pracuje ze swoim klientem medycznym, widzi ekspertów AI (bardziej obeznanych z technologią) i ekspertów klinicznych (lepiej zdolnych do diagnozowania i leczenia pacjentów). Tak więc, pozwalając członkom zespołu na doskonalenie umiejętności związanych z danymi, wdraża role tłumacza między sztuczną inteligencją a ekspertami klinicznymi.

Te role tłumacza pomagają sztucznej inteligencji i pracownikom klinicznym uzyskiwać wgląd w dane. Dr Lynch twierdzi:

„Być może tłumacze zaznajomieni z różnymi wglądami w dane i posiadający podstawowe umiejętności SQL przekazują informacje wszystkim innym. Wtedy każdy ma dostęp do bardziej zaawansowanych spostrzeżeń z danych”.

W ten sposób zespół może lepiej przetwarzać informacje i wykonywać każde zadanie. Takie podejście oszczędza również czas i pieniądze potrzebne do szkolenia każdej osoby w zakresie manipulowania danymi, zwłaszcza jeśli ta osoba nie jest zainteresowana matematyką.

Dostęp: Złożona technologia ogranicza liczbę potrzebnych szkoleń, wymagając dodatkowego czasu na pokazanie uczestnikom, jak wyszukiwać, pobierać i manipulować danymi. Aby przeciwdziałać temu problemowi, dr Lynch opowiada się za platformami wykorzystującymi interfejsy danych, które wymagają mniejszych umiejętności technicznych, otwierając możliwości organizacji, tak jak zrobił to rynek z komputerami.

Wyjaśnia, że ​​w latach 1970. programiści i wyspecjalizowani inżynierowie używali komputerów tylko dlatego, że wiedzieli, jak to zrobić. Następnie postęp w sprzęcie, komputerach osobistych i graficznych interfejsach użytkownika otworzył dostęp do komputerów dla wszystkich. Obecnie większość ludzi płynnie używa komputerów do pracy, niezależnie od znajomości algorytmów.

W ten sam sposób dr Lynch mówi:

„Możemy zacząć myśleć o analityce jako bardziej dostępnej. Na przykład, zamiast ograniczać analizę danych do interakcji na pulpicie nawigacyjnym i zapytań SQL, moglibyśmy pomyśleć o technologii, która konwertuje zapytania utworzone w języku naturalnym na dane analityczne”.

Postępy w AI a uczenie maszynowe (ML) może potencjalnie zwiększyć dostęp do danych analitycznych. Lynch zwraca uwagę, że GPT-4 może konwertować pytania mówione na język SQL i generować grafikę, pokazując analizę, obniżając wymagania dotyczące umiejętności korzystania z danych w celu uzyskania wglądu.

Wnioski

Bariery związane z alfabetyzacją danych wyglądają na złożone i trudne, zwłaszcza w przypadku podnoszenia każdego pracownika na wyższy poziom. Tak więc, chociaż szkolenie zapewnia narzędzie, organizacje potrzebują innych podejść.

Role tłumaczy obiecują pomost między członkami zespołu znającymi się na danych i nietechnicznymi. Ponadto postęp technologiczny może obniżyć poprzeczkę uzyskiwania wglądu, otwierając dostęp mniej technicznym członkom. Dzięki tej nowej perspektywie kadra kierownicza może przemyśleć szkolenia z zakresu Data Literacy, aby zająć się ośmioma barierami wymienionymi w tym artykule.

Obejrzyj webinarium tutaj:

Obraz używany na licencji Shutterstock.com

Znak czasu:

Więcej z WSZECHSTRONNOŚĆ DANYCH