Att övervinna åtta datakompetensbarriärer – DATAVERSITET

Att övervinna åtta datakompetensbarriärer – DATAVERSITET

Tidsstämpel: 6 juni 2023 3:35
Källnod: 2704609
datakompetensbarriärerdatakompetensbarriärer

Ledare vill att "alla, överallt och på en gång ska bli mycket datakunniga, visa en hög förmåga att läsa, arbeta med och analysera data", säger Dr. Wendy Lynch, grundare av Analytic-Translastor.com och Lynch Consulting. Som konsult för många Fortune 100-företag förstår hon varför organisationer vill att alla deras medlemmar ska ha en hög nivå av datakompetens. Dr. Lynch lyfter fram några av de största datakompetensbarriärerna och hur man löser dem under ett DATAVERSITY-webinar, "Att övervinna utmaningar för att uppnå datakompetens.” I sin presentation förklarar och omarbetar hon utmaningarna för utbildning i dataläskunnighet och uppmuntrade ett tredelat tillvägagångssätt för att ta itu med dem.

I webbinariet citerade Dr. Lynch en studie från McKinsey, och noterade att minst 1 USD av 5 USD från ett företags resultat före räntor och skatter (EBIT) översätts till värde från datatillgångar. Dessutom har företag med den högsta nivån av databehärskning, inklusive policyer, människor och teknik, 70 % högre intäkt per person.

Ändå saknar nästan 80 % av människorna förtroende för sitt Datakompetens, och studier visar att 90 % inte har hög datakompetens. Så, som Lynch påpekar, "Företag vill att alla ska fungera som datavetare men börjar på en svår plats."

Hinder för datakompetens

Dr. Lynch citerar åtta teman från DATAVERSITY-fokusgrupper som genomfördes i början av 2023 för att förstå varför människor och organisationer tycker att utbildning i dataläskunnighet är svår. De inkluderar:

1. Inköp: Ledare överskattar sina anställdas kapacitet med data och kanske inte förstår vikten av utbildning i datakunskap eller prioriteringen av sådana ansträngningar.

2. Ägande: Organisationer måste klargöra vem som driver insatserna för datakompetens. Är det personen med högst datakompetens, en person på C-nivå eller en ny roll? Dr. Lynch observerar att anställda kan tveka eller känna sig oroliga inför att lära sig datakompetens eftersom de inte har intresset eller förmågan. Så, är personen som driver utbildning i datakunskap ansvarig för att mildra dessa problem?

3. Mått: Hur gör organisationer bedöma nuvarande nivåer av eller förbättringar av datakompetens? Vad representerar en bra nivå av datakompetens? Dessutom, baserat på en Forbes-artikel, nämner hon att om företag inte skulle nå en bra nivå av datakompetens skulle de skapa en giftig klyfta mellan dataproducenter och konsumenter – de som är läskunniga och de som behöver komma till en högre nivå. Så, hur kan mätningar hjälpa till att förbättra datakunskapen utan att skapa en så omtvistad miljö bland anställda?

4. Utbildningsmetod: Lynch frågar hur vi ställer oss till utbildning i datakompetens. Gör organisationer det över hela företaget? Väljer de utbildning från en leverantör eller inifrån organisationen? Dessutom, hur täcker en organisations utbildare alla viktiga steg för att nå hög datakompetens, som listas nedan?

  • Få medvetenhet om tillgängliga data i organisationen.
  • Identifiera dessa olika datakällor.
  • Vet hur man väljer rätt källor vid rätt tidpunkt.
  • Förstå värdet och begränsningarna för de valda datamängderna.
  • Manipulera data för att definiera och filtrera information.
  • Analysera data, inklusive använda beräkningarna för att komma dit.
  • Tolka data och resultaten som följer rimligt.
  • Använd denna information för att möta affärs- och jobbkrav.

5. Varaktighet/nivåer: Hur ofta genomgår anställda utbildning? Pågår det eller en gång gjort? För att illustrera denna utmaning berättar Dr. Lynch om en erfarenhet av att undersöka AI:s implikationer i en medicinsk institution. Läkare i denna organisation misstror AI ibland och behöver lite utbildning. Men hon frågar: "Vill vi att en läkare som har genomgått 12 års läkarutbildning ska återgå till skolan för att bli datavetare?"

6. Personal: Har organisationen personer som kan hjälpa andras datakompetens till en högre nivå? Tänk på att en tredjedel av amerikanerna inte vet att en fjärdedel av ett cirkeldiagram är detsamma som 25 %, och 22 % förstår inte vardaglig numerisk information som kontoutdrag. Dessutom, 20% av personer har svår matematikångest som fryser deras hjärnor. Så, har en organisation resurserna att hantera alla dessa betydande luckor?

7. Kostnad: Har organisationen en budget för datakompetens? Att träna alla kostar mycket. Vissa organisationer kan överväga att spara pengar genom att uppmuntra anställda att ta kostnadsfria självgående onlinekurser. Men flera studier ifrågasätter effektiviteten av ett sådant tillvägagångssätt.

8. Tid: Dr. Lynch framhåller att tid representerar människors mest knappa resurs. Organisationer måste utnyttja tid för daglig verksamhet och deras dataapplikationer. Så, hur kan företag avsätta tid för att kombinera utbildning i datakunskap och få folk att lära sig, särskilt om anställda är geografiskt spridda?

Reframing Data Literacy Training Barriärer

Som nämnts ovan, hittar Dr. Lynch många komplexa hinder för dataläskunnighet när anställda behöver uppnå hög datakompetens överallt. Så hon rekommenderar att omformulera detta datakompetensproblem på teamnivå för att minska dessa hinder mest effektivt.

Alla har inte samma förmåga eller intresse för datakompetens men har olika sådana som ett företag behöver, som människors läskunnighet (emotionell mognad och kommunikationsförmåga) och affärskunnighet (förstå affärsprioriteringar och strategiska imperativ och hur ens jobb hänger ihop med det). När man tittar på Data Literacy på det här sättet förändras Data Literacy-utmaningarna och blir mer meningsfulla totalt sett.

Sedan måste organisationer fråga hur man bäst utnyttjar sina team med samlingar av människor med olika styrkor. Dr. Lynch förklarar det så här: 

"Ledare vill ha bättre datakompetens, inte för att de vill att alla anställda ska älska matematik. Istället vill de att deras organisationer ska få bättre insikter. Eftersom fler människor, kollektivt, kan gå högre upp i Data Literacy, desto mer kan du få av dessa insikter.”

Med andra ord vill chefer ha datakompetenser eller arbetssamarbeten för att ge varje anställd kunskap och analytisk tillgång för att göra jobbet bra.

En tredelad strategi: utbildning, roller och tillgång

Med tanke på detta nya perspektiv föreslår Dr. Lynch att organisationer använder ett tredelat tillvägagångssätt genom utbildning, roller och tillgänglighet för att uppnå högre datakompetens för organisatoriska insikter. Hon förklarar var och en av dessa ytterligare:

Träning: Baserat på tidigare data rekommenderar Dr. Lynch följande bästa praxis när du gör dataläsbarhet:

  • Utse en kompetent expert som äger ansträngningen att förbättra läskunnigheten, och denna person bör komma från något annat än datastyrningen eller ett dataområde.
  • Ha ett tydligt affärscase för vad organisationen kommer att uppnå när den når högre datakompetens.
  • Strukturera utbildning så att den passar in i normal affärsverksamhet och ge relevanta exempel som knyter all undervisning till en anställds roll när den personen lär sig.

roller: När Dr. Lynch utforskar utvecklingen av datakompetens gemensamt, undrar hon över att utse arbete för att dra nytta av människors styrkor och tillgodose deras svagheter utöver träning. Hon föreslår till och med möjliga kombinationsroller.

Till exempel, när Lynch arbetar med sin medicinska klient, träffar hon AI-experter (mer tekniskt kunniga) och kliniska experter (som bättre kan diagnostisera och behandla patienter). Så samtidigt som hon tillåter teammedlemmar att förbättra sina datafärdigheter, implementerar hon översättarroller mellan AI och kliniska experter.

Dessa översättarroller hjälper AI:n, och de kliniska anställda får datainsikter. Dr. Lynch hävdar:

”Kanske översättare som är bekanta med olika datainsikter och som har grundläggande SQL-kunskaper ger information till alla andra. Då har alla tillgång till mer avancerade insikter från datan.”

På så sätt kan teamet bättre bearbeta informationen och slutföra varje jobb. Detta tillvägagångssätt sparar också tid och pengar som behövs för att träna varje individ att manipulera data, särskilt om den personen inte är intresserad av att göra matematiken.

Tillgång: Komplex teknik begränsar hur mycket träning som behövs, vilket kräver extra tid för att visa praktikanter hur man hittar, hämtar och manipulerar data. För att motverka detta problem förespråkar Dr. Lynch för plattformar som använder datagränssnitt som kräver mindre teknisk skicklighet, vilket öppnar en organisations användning, som marknaden har gjort med datorer.

Hon förklarar att på 1970-talet använde programmerare och specialiserade ingenjörer bara datorer för att de visste hur. Sedan öppnade framsteg inom hårdvara, datorer och GUI:er datoråtkomst för alla. Nu använder de flesta människor sömlöst datorer för sitt arbete, oavsett deras kunskap om algoritmer.

På samma sätt säger Dr Lynch:

"Vi kan börja tänka på analys som mer tillgänglig. Till exempel, istället för att begränsa dataanalys till instrumentpanelsinteraktioner och SQL-frågor, skulle vi kunna tänka oss teknik som omvandlar frågor, som är utformade på ett naturligt språk, till analyser."

Förskott i AI och maskininlärning (ML) kan potentiellt öka tillgången till analytisk data. Lynch påpekar att GPT-4 kan konvertera talade frågor till SQL och producera grafik, som visar analysen, vilket sänker kraven på datakompetens för insikt.

Slutsats

Datakompetensbarriärer ser komplexa och svåra ut, särskilt för att få upp varje anställd till en högre nivå. Så även om utbildning är ett verktyg behöver organisationer andra tillvägagångssätt.

Översättarroller lovar en brygga mellan datakunniga och icke-tekniska teammedlemmar. Dessutom kan tekniska framsteg sänka ribban för att få insikter genom att öppna tillgång till mindre tekniska medlemmar. Med detta nya perspektiv kan chefer ompröva dataläskunnighetsutbildning för att ta itu med de åtta hinder som anges i den här artikeln.

Se webbinariet här:

Bilden används under licens från Shutterstock.com

Tidsstämpel:

Mer från DATAVERSITET