Premagovanje osmih ovir podatkovne pismenosti – DATAVERSITY

Voditelji želijo, da »vsi, povsod in vsi naenkrat postanejo visoko podatkovno pismeni, izkažejo visoko sposobnost branja, dela in analize podatkov,« pravi dr. Wendy Lynch, ustanoviteljica Analytic-Translastor.com in Lynch Consulting. Kot svetovalka številnim podjetjem s seznama Fortune 100 razume, zakaj organizacije želijo, da imajo vsi njihovi člani visoko raven podatkovne pismenosti. Dr. Lynch med spletnim seminarjem DATAVERSITY izpostavlja nekatere največje ovire podatkovne pismenosti in kako jih rešiti, “Premagovanje izzivov pri doseganju podatkovne pismenosti.” V svoji predstavitvi pojasnjuje in preoblikuje izzive pri usposabljanju podatkovne pismenosti ter spodbuja tristranski pristop k njihovemu reševanju.

V spletnem seminarju je dr. Lynch citiral študijo podjetja McKinsey, ki ugotavlja, da se vsaj 1 USD od 5 USD dobička podjetja pred obrestmi in davki (EBIT) pretvori v vrednost podatkovnih sredstev. Poleg tega imajo podjetja z najvišjo stopnjo obvladovanja podatkov, vključno s politikami, ljudmi in tehnologijo, 70 % višji prihodek na osebo.

Kljub temu pa skoraj 80 % ljudi nima zaupanja v svoje Veščine podatkovne pismenosti, študije pa kažejo, da 90 % nima visoke podatkovne pismenosti. Torej, kot poudarja Lynch, "podjetja želijo, da vsi delujejo kot podatkovni znanstveniki, vendar začenjajo na težkem mestu."

Ovire za podatkovno pismenost

Dr. Lynch navaja osem tem iz ciljnih skupin DATAVERSITY, ki so bile izvedene v začetku leta 2023, da bi razumel, zakaj se ljudem in organizacijam zdi težko usposabljanje podatkovne pismenosti. Vključujejo:

1. Prijavnina: Vodje precenjujejo zmogljivosti svojih delavcev s podatki in morda ne razumejo pomena usposabljanja o podatkovni pismenosti ali prednostne naloge takih prizadevanj.

2. Lastništvo: Organizacije morajo pojasniti, kdo spodbuja prizadevanja za podatkovno pismenost. Je to oseba z najvišjo oceno podatkovne pismenosti, oseba na ravni C ali nova vloga? Dr. Lynch opaža, da lahko zaposleni oklevajo ali se bojijo učenja podatkovne pismenosti, ker nimajo zanimanja ali sposobnosti. Torej, ali je oseba, ki vodi usposabljanje podatkovne pismenosti, odgovorna za ublažitev teh težav?

3. Meritve: Kako organizacije oceniti trenutne ravni ali izboljšave podatkovne pismenosti? Kaj predstavlja dobro raven podatkovne pismenosti? Poleg tega na podlagi članka pri Forbesu omenja, da bi podjetja, če ne bi dosegla dobre ravni podatkovne pismenosti, ustvarila toksična ločnica med proizvajalci podatkov in potrošniki – tistimi, ki so pismeni, in tistimi, ki morajo priti na višjo raven. Kako lahko torej meritve pomagajo izboljšati podatkovno pismenost, ne da bi ustvarili tako sporno okolje med zaposlenimi?

4. Pristop usposabljanja: Lynch sprašuje, kako pristopamo k usposabljanju podatkovne pismenosti. Ali organizacije to počnejo v celotnem podjetju? Ali izberejo usposabljanje pri prodajalcu ali znotraj organizacije? Poleg tega, kako trener v organizaciji pokriva vse pomembne korake za doseganje visoke podatkovne pismenosti, kot je navedeno spodaj?

• Pridobite zavest o podatkih, ki so na voljo v organizaciji.
• Prepoznajte te različne vire podatkov.
• Znati izbrati prave vire ob pravem času.
• Razumeti vrednost in omejitve izbranih nizov podatkov.
• Manipulirajte s podatki za učinkovito definiranje in filtriranje informacij.
• Analizirajte podatke, vključno z uporabo izračunov, da pridete do njih.
• Razumno interpretirajte podatke in rezultate, ki sledijo.
• Uporabite te podatke za izpolnjevanje poslovnih in delovnih zahtev.

5. Trajanje/stopnje: Kako pogosto se zaposleni izobražujejo? Je to v teku ali enkrat opravljeno? Za ponazoritev tega izziva dr. Lynch pripoveduje izkušnjo, ko preučuje posledice umetne inteligence v zdravstveni ustanovi. Zdravniki v tej organizaciji včasih ne zaupajo umetni inteligenci in potrebujejo nekaj usposabljanja. Vendar sprašuje: "Ali želimo, da se zdravnik, ki je opravil 12 let študija medicine, vrne v šolo in postane podatkovni znanstvenik?"

6. Osebje: Ali ima organizacija ljudi, ki lahko pomagajo dvigniti podatkovno pismenost drugih na višjo raven? Upoštevajte, da ena tretjina Američanov ne ve, da je četrtina tortnega grafikona enaka 25 %, 22 % pa ne razume vsakodnevnih številskih informacij, kot so bančni izpiski. Poleg tega 20% ljudi imajo hudo matematično tesnobo, ki jim zamrzne možgane. Torej, ali ima organizacija sredstva za obvladovanje vseh teh pomembnih vrzeli?

7. Stroški: Ali ima organizacija proračun za podatkovno pismenost? Usposabljanje vseh stane veliko. Nekatere organizacije lahko razmislijo o varčevanju denarja s spodbujanjem zaposlenih k brezplačnim samostojnim spletnim tečajem. Vendar več študij dvomi o učinkovitosti takšnega pristopa.

8. čas: Dr. Lynch poudarja, da je čas najbolj redek vir ljudi. Organizacije morajo izkoristiti čas za vsakodnevne operacije in svoje podatkovne aplikacije. Kako si lahko torej podjetja zagotovijo čas za kombiniranje usposabljanja o podatkovni pismenosti in spodbujanja ljudi k učenju, zlasti če so zaposleni geografsko razpršeni?

Preoblikovanje ovir pri usposabljanju podatkovne pismenosti

Kot že omenjeno, dr. Lynch najde veliko zapletenih ovir pri usposabljanju podatkovne pismenosti, ko morajo zaposleni povsod doseči visoko podatkovno pismenost. Zato priporoča, da se ta problem podatkovne pismenosti preoblikuje na ravni ekipe, da se te ovire najučinkoviteje zmanjšajo.

Nimajo vsi enakih sposobnosti ali zanimanja za podatkovno pismenost, ampak imajo različne, ki jih podjetje potrebuje, na primer pismenost za ljudi (čustvena zrelost in komunikacijske spretnosti) in poslovna pismenost (razumevanje poslovnih prednostnih nalog in strateških imperativov ter kako je delo posameznika povezano s tem). Če podatkovno pismenost gledate na ta način, se izzivi podatkovne pismenosti spremenijo in skupaj postanejo bolj smiselni.

Nato se morajo organizacije vprašati, kako najbolje izkoristiti svoje ekipe z zbirkami ljudi z različnimi močmi. Dr. Lynch to razloži takole: 

»Vodje si želijo boljše podatkovne pismenosti, ne zato, ker želijo, da bi vsi zaposleni imeli radi matematiko. Namesto tega želijo, da njihove organizacije dobijo boljše vpoglede. Ko lahko več ljudi skupaj napreduje v podatkovni pismenosti, več lahko pridobite na teh vpogledih.«

Z drugimi besedami, menedžerji želijo, da nabor podatkov ali delovno sodelovanje vsakemu zaposlenemu zagotovi znanje in analitični dostop za dobro opravljanje dela.

Tristranski pristop: usposabljanje, vloge in dostop

Glede na to novo perspektivo dr. Lynch predlaga, da organizacije uporabijo tristranski pristop z usposabljanjem, vlogami in dostopnostjo, da dosežejo višja podatkovna pismenost za organizacijske vpoglede. Vsako od teh podrobneje razloži:

Usposabljanje: Na podlagi preteklih podatkov dr. Lynch svetuje naslednje najboljše prakse pri izvajanju podatkovne pismenosti:

• Določite kompetentnega strokovnjaka, ki si prizadeva izboljšati pismenost, in ta oseba mora biti iz nečesa drugega kot s področja upravljanja podatkov ali podatkovnega področja.
• Imeti jasen poslovni primer, kaj bo organizacija dosegla, ko bo dosegla višjo podatkovno pismenost.
• Izobraževanje strukturirajte tako, da bo ustrezalo običajnim poslovnim operacijam, in navedite ustrezne primere, ki poučevanje povezujejo z vlogo zaposlenega, ko se ta oseba uči.

vloge: Medtem ko dr. Lynch skupaj raziskuje napredek podatkovne pismenosti, se sprašuje o določitvi dela za izkoriščanje prednosti ljudi in prilagajanje njihovih slabosti poleg usposabljanja. Predlaga celo možne kombinacije vlog.

Na primer, ko Lynch sodeluje s svojo medicinsko stranko, vidi strokovnjake za umetno inteligenco (bolj tehnično podkovane) in klinične strokovnjake (bolj sposobni za diagnosticiranje in zdravljenje bolnikov). Torej, medtem ko omogoča članom skupine, da izboljšajo svoje sposobnosti podatkov, ona izvaja vloge prevajalca med AI in kliničnimi strokovnjaki.

Te vloge prevajalcev pomagajo AI, klinični zaposleni pa dobijo vpogled v podatke. Dr. Lynch trdi:

»Morda prevajalci, ki so seznanjeni z različnimi vpogledi v podatke in imajo osnovno znanje SQL, dajejo informacije vsem drugim. Potem ima vsak dostop do naprednejših vpogledov iz podatkov.«

Tako lahko ekipa bolje obdela informacije in dokonča vsako delo. Ta pristop tudi prihrani čas in denar, potreben za usposabljanje vsakega posameznika za manipulacijo s podatki, še posebej, če ta oseba ne zanima računanje.

Dostop: Kompleksna tehnologija omejuje, koliko usposabljanja je potrebno, in zahteva dodaten čas, da udeležencem pokaže, kako najti, pridobiti in manipulirati s podatki. Da bi preprečil to težavo, dr. Lynch zagovarja platforme, ki uporabljajo podatkovne vmesnike, ki zahtevajo manj tehničnega znanja in odpirajo uporabo v organizaciji, kot je trg naredil z računalniki.

Pojasnjuje, da so v sedemdesetih letih prejšnjega stoletja programerji in specializirani inženirji uporabljali računalnike samo zato, ker so vedeli, kako. Nato je napredek v strojni opremi, osebnih računalnikih in GUI odprl dostop do računalništva vsem. Zdaj večina ljudi nemoteno uporablja računalnike za svoje delo, ne glede na njihovo poznavanje algoritmov.

Na enak način dr. Lynch pravi:

»O analitiki lahko začnemo razmišljati kot o bolj dostopni. Na primer, namesto da analizo podatkov omejimo na interakcije nadzorne plošče in poizvedbe SQL, bi si lahko omislili tehnologijo, ki pretvori poizvedbe, oblikovane v naravnem jeziku, v analitiko.«

Napredek v letu AI in strojno učenje (ML) lahko potencialno poveča dostop do analitičnih podatkov. Lynch poudarja, da lahko GPT-4 pretvori izgovorjena vprašanja v SQL in ustvari grafiko, ki prikazuje analizo, s čimer zniža zahteve glede podatkovne pismenosti za vpogled.

zaključek

Ovire podatkovne pismenosti so videti zapletene in težke, zlasti pri pridobivanju vsakega zaposlenega na višjo raven. Medtem ko je usposabljanje orodje, potrebujejo organizacije druge pristope.

Vloge prevajalcev obljubljajo most med podatkovno pismenimi in netehničnimi člani ekipe. Poleg tega lahko tehnološki napredek zniža prag pridobivanja vpogledov, tako da odpre dostop manj tehničnim članom. S to novo perspektivo lahko vodstveni delavci ponovno razmislijo o usposabljanju podatkovne pismenosti, da bi odpravili osem ovir, navedenih v tem članku.

Oglejte si spletni seminar tukaj:

Slika, uporabljena pod licenco Shutterstock.com

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoAiStream. Podatkovna inteligenca Web3. Razširjeno znanje. Dostopite tukaj.
• Kovanje prihodnosti z Adryenn Ashley. Dostopite tukaj.
• Kupujte in prodajajte delnice podjetij pred IPO s PREIPO®. Dostopite tukaj.
• vir: https://www.dataversity.net/overcoming-eight-data-literacy-barriers/