การเอาชนะอุปสรรคแปดประการในการรู้ข้อมูล - ดาต้าแวร์ซิตี้

การเอาชนะอุปสรรคด้านความรู้ข้อมูลแปดประการ – ดาต้าแวร์ซิตี้

ประทับเวลา: 6 มิถุนายน 2023 3:35 น
โหนดต้นทาง: 2704609
อุปสรรคในการรู้ข้อมูลอุปสรรคในการรู้ข้อมูล

ผู้นำต้องการให้ “ทุกคน ทุกที่ และพร้อมๆ กันกลายเป็นผู้รอบรู้ข้อมูลระดับสูง แสดงให้เห็นถึงความสามารถระดับสูงในการอ่าน ทำงานด้วย และวิเคราะห์ข้อมูล” ดร. เวนดี ลินช์ ผู้ก่อตั้งกล่าว วิเคราะห์-Translator.com และลินช์คอนซัลติ้ง ในฐานะที่ปรึกษาของบริษัทที่ติดอันดับ Fortune 100 หลายแห่ง เธอเข้าใจดีว่าทำไมองค์กรต่างๆ จึงต้องการให้สมาชิกทุกคนมีความรู้ด้านข้อมูลในระดับสูง ดร. ลินช์เน้นย้ำถึงอุปสรรคด้านความรู้ข้อมูลที่ใหญ่ที่สุดและวิธีแก้ไขในระหว่างการสัมมนาผ่านเว็บของ DATAVERSITY “เอาชนะความท้าทายเพื่อให้ได้มาซึ่งความรู้ด้านข้อมูล” ในการนำเสนอของเธอ เธอได้อธิบายและปรับเปลี่ยนความท้าทายในการฝึกอบรม Data Literacy และสนับสนุนแนวทางสามง่ามเพื่อจัดการกับปัญหาเหล่านั้น

ในการสัมมนาผ่านเว็บ ดร. ลินช์อ้างถึงการศึกษาจาก McKinsey โดยสังเกตว่าอย่างน้อย 1 ดอลลาร์จาก 5 ดอลลาร์จากรายได้ของบริษัทก่อนหักดอกเบี้ยและภาษี (EBIT) แปลงเป็นมูลค่าจากสินทรัพย์ข้อมูล นอกจากนี้ ธุรกิจที่มีระดับความเชี่ยวชาญด้านข้อมูลสูงสุด ซึ่งรวมถึงนโยบาย บุคลากร และเทคโนโลยี จะมีรายได้ต่อคนสูงขึ้น 70%

อย่างไรก็ตาม ผู้คนเกือบ 80% ขาดความมั่นใจในตนเอง ทักษะการรู้ข้อมูลและจากการศึกษาพบว่า 90% ไม่มีความรู้ด้านข้อมูลสูง ดังนั้น ดังที่ Lynch ชี้ให้เห็นว่า “ธุรกิจต่างๆ ต้องการให้ทุกคนทำงานเป็นนักวิทยาศาสตร์ข้อมูล แต่กำลังเริ่มต้นในจุดที่ยากลำบาก”

อุปสรรคต่อการรู้ข้อมูล

ดร. ลินช์อ้างอิงแปดหัวข้อจากกลุ่มโฟกัส DATAVERSITY ที่ดำเนินการในช่วงต้นปี 2023 เพื่อทำความเข้าใจว่าเหตุใดผู้คนและองค์กรจึงพบว่าการฝึกอบรม Data Literacy เป็นเรื่องยาก พวกเขารวมถึง:

1. ซื้อเข้า: ผู้นำประเมินความสามารถของพนักงานด้วยข้อมูลสูงเกินไป และอาจไม่เข้าใจความสำคัญของการฝึกอบรมการรู้ข้อมูลหรือลำดับความสำคัญของความพยายามดังกล่าว

2. ความเป็นเจ้าของ: องค์กรจำเป็นต้องชี้แจงว่าใครเป็นผู้ขับเคลื่อนความพยายามในการรู้ข้อมูล เป็นบุคคลที่มีคะแนน Data Literacy สูงสุด เป็นบุคคลระดับ C หรือมีบทบาทใหม่หรือไม่ ดร. ลินช์สังเกตว่าพนักงานอาจลังเลหรือรู้สึกวิตกเกี่ยวกับการเรียนรู้ Data Literacy เนื่องจากไม่มีความสนใจหรือความถนัด ดังนั้น บุคคลที่ขับเคลื่อนการฝึกอบรม Data Literacy มีหน้าที่รับผิดชอบในการบรรเทาปัญหาเหล่านี้หรือไม่?

3. การวัด: องค์กรทำอย่างไร ประเมินระดับปัจจุบันหรือการปรับปรุงใน Data Literacy? อะไรแสดงถึงระดับที่ดีของ Data Literacy? ยิ่งไปกว่านั้น จากบทความของ Forbes เธอกล่าวว่าหากบริษัทต่างๆ ไม่ได้รับ Data Literacy ในระดับที่ดี พวกเขาจะสร้าง การแบ่งที่เป็นพิษ ระหว่างผู้ผลิตข้อมูลและผู้บริโภค – ผู้ที่รู้หนังสือและผู้ที่ต้องการก้าวไปสู่ระดับที่สูงขึ้น ดังนั้น การวัดผลจะช่วยพัฒนา Data Literacy ได้อย่างไรโดยไม่สร้างสภาพแวดล้อมที่ขัดแย้งในหมู่พนักงาน

4. แนวทางการฝึกอบรม: Lynch ถามว่าเราเข้าใกล้การฝึกอบรม Data Literacy อย่างไร องค์กรทำทั่วทั้งบริษัทหรือไม่? พวกเขาเลือกการฝึกอบรมจากผู้ขายหรือจากภายในองค์กรหรือไม่? นอกจากนี้ ผู้ฝึกอบรมขององค์กรจะครอบคลุมขั้นตอนสำคัญทั้งหมดเพื่อเข้าถึง Data Literacy ระดับสูงได้อย่างไร ดังที่แสดงด้านล่าง

  • รับรู้ข้อมูลที่มีอยู่ในองค์กร
  • ระบุแหล่งข้อมูลที่แตกต่างกันเหล่านี้
  • รู้วิธีเลือกแหล่งข้อมูลที่ถูกต้องในเวลาที่เหมาะสม
  • เข้าใจคุณค่าและข้อจำกัดของชุดข้อมูลที่เลือก
  • จัดการข้อมูลเพื่อกำหนดและกรองข้อมูลตามความสามารถ
  • วิเคราะห์ข้อมูล รวมถึงใช้การคำนวณเพื่อให้ได้มาซึ่งข้อมูล
  • ตีความข้อมูลและผลลัพธ์ที่ตามมาอย่างสมเหตุสมผล
  • ใช้ข้อมูลนี้เพื่อตอบสนองความต้องการของธุรกิจและงาน

5. ระยะเวลา/ ระดับ: พนักงานเข้ารับการฝึกอบรมบ่อยแค่ไหน? มันกำลังดำเนินอยู่หรือทำครั้งเดียว? เพื่อแสดงให้เห็นถึงความท้าทายนี้ ดร. ลินช์เล่าถึงประสบการณ์ในการตรวจสอบผลกระทบของ AI ในสถาบันทางการแพทย์ แพทย์ในองค์กรนี้ไม่ไว้วางใจ AI ในบางครั้งและต้องการการฝึกอบรม แต่เธอกลับถามว่า “เราต้องการให้แพทย์ที่เรียนแพทย์มา 12 ปี กลับเข้าโรงเรียนเพื่อเป็นนักวิทยาศาสตร์ข้อมูลหรือไม่”

6. บุคลากร: องค์กรมีบุคคลที่สามารถช่วยพัฒนา Data Literacy ของผู้อื่นไปสู่ระดับที่สูงขึ้นหรือไม่? พิจารณาว่าหนึ่งในสามของชาวอเมริกันไม่รู้ว่าหนึ่งในสี่ของแผนภูมิวงกลมนั้นเหมือนกันกับ 25% และ 22% ไม่เข้าใจข้อมูลตัวเลขในชีวิตประจำวัน เช่น ใบแจ้งยอดธนาคาร นอกจากนี้ % 20 ของผู้คน มีความวิตกกังวลทางคณิตศาสตร์อย่างรุนแรงซึ่งทำให้สมองหยุดทำงาน ดังนั้น องค์กรมีทรัพยากรเพียงพอที่จะจัดการกับช่องว่างที่สำคัญเหล่านี้หรือไม่?

7. ค่าใช้จ่าย: องค์กรมีงบประมาณสำหรับ Data Literacy หรือไม่? การฝึกอบรมทุกคนมีค่าใช้จ่ายมาก บางองค์กรอาจพิจารณาประหยัดเงินโดยสนับสนุนให้พนักงานเรียนหลักสูตรออนไลน์ที่ขับเคลื่อนด้วยตนเองโดยไม่มีค่าใช้จ่าย อย่างไรก็ตาม งานวิจัยหลายชิ้นตั้งคำถามถึงประสิทธิผลของวิธีการดังกล่าว

8. เวลา: ดร. ลินช์เน้นว่าเวลาเป็นตัวแทนของทรัพยากรที่หายากที่สุดของผู้คน องค์กรจำเป็นต้องใช้ประโยชน์จากเวลาสำหรับการดำเนินงานประจำวันและการประยุกต์ใช้ข้อมูล แล้วบริษัทต่างๆ จะจัดสรรเวลาเพื่อรวมการฝึกอบรม Data Literacy เข้าด้วยกันและให้ผู้คนเรียนรู้ได้อย่างไร โดยเฉพาะอย่างยิ่งหากพนักงานกระจายกันตามพื้นที่ทางภูมิศาสตร์

การปรับโครงสร้างอุปสรรคในการฝึกอบรมการรู้ข้อมูล

ตามที่กล่าวไว้ข้างต้น Dr. Lynch พบอุปสรรคในการฝึกอบรม Data Literacy ที่ซับซ้อนมากมาย เมื่อพนักงานจำเป็นต้องบรรลุ Data Literacy ในระดับสูงในทุกที่ ดังนั้น เธอจึงแนะนำให้ปรับโครงสร้างปัญหา Data Literacy นี้ใหม่ในระดับทีมเพื่อลดอุปสรรคเหล่านี้อย่างมีประสิทธิภาพมากที่สุด

ไม่ใช่ทุกคนที่มีความสามารถหรือความสนใจในการรู้ข้อมูลเหมือนกัน แต่มีสิ่งที่แตกต่างกันซึ่งธุรกิจต้องการ เช่น ความรู้ด้านบุคลากร (วุฒิภาวะทางอารมณ์และทักษะในการสื่อสาร) และความรู้ด้านธุรกิจ เมื่อดู Data Literacy ด้วยวิธีนี้ ความท้าทายของ Data Literacy จะเปลี่ยนไปและมีความหมายมากขึ้นโดยรวม

จากนั้น องค์กรต้องตั้งคำถามว่าจะใช้ทีมอย่างไรให้เกิดประโยชน์สูงสุดด้วยกลุ่มคนที่มีจุดแข็งต่างกัน ดร. ลินช์อธิบายด้วยวิธีนี้: 

“ผู้นำต้องการ Data Literacy ที่ดีขึ้น ไม่ใช่เพราะต้องการให้พนักงานทุกคนรักคณิตศาสตร์ แต่ต้องการให้องค์กรของตนได้รับข้อมูลเชิงลึกที่ดีขึ้น เมื่อมีผู้คนจำนวนมากขึ้น โดยรวมแล้วสามารถก้าวไปสู่ระดับที่สูงขึ้นในด้าน Data Literacy คุณก็ยิ่งได้รับข้อมูลเชิงลึกเหล่านี้มากขึ้นเท่านั้น”

กล่าวอีกนัยหนึ่ง ผู้จัดการต้องการชุดทักษะข้อมูลหรือการทำงานร่วมกันเพื่อให้พนักงานแต่ละคนได้รับความรู้และการเข้าถึงเชิงวิเคราะห์เพื่อให้ทำงานได้ดี

แนวทางสามง่าม: การฝึกอบรม บทบาท และการเข้าถึง

จากมุมมองใหม่นี้ ดร. ลินช์แนะนำให้องค์กรใช้แนวทางสามง่ามผ่านการฝึกอบรม บทบาท และการเข้าถึงเพื่อให้บรรลุ การรู้ข้อมูลที่สูงขึ้น สำหรับข้อมูลเชิงลึกขององค์กร เธออธิบายสิ่งเหล่านี้เพิ่มเติม:

การฝึกอบรม: จากข้อมูลที่ผ่านมา Dr. Lynch แนะนำแนวทางปฏิบัติที่ดีที่สุดต่อไปนี้เมื่อทำ Data Literacy:

  • กำหนดผู้เชี่ยวชาญที่มีความสามารถซึ่งเป็นเจ้าของความพยายามในการปรับปรุงการรู้หนังสือ และบุคคลนี้ควรมาจากที่อื่นนอกเหนือจากการกำกับดูแลข้อมูลหรือพื้นที่ข้อมูล
  • มีกรณีศึกษาทางธุรกิจที่ชัดเจนเกี่ยวกับสิ่งที่องค์กรจะบรรลุเมื่อถึงระดับ Data Literacy ที่สูงขึ้น
  • จัดโครงสร้างการศึกษาให้สอดคล้องกับการดำเนินธุรกิจปกติและยกตัวอย่างที่เกี่ยวข้องซึ่งเชื่อมโยงการสอนใด ๆ กับบทบาทของพนักงานเมื่อบุคคลนั้นเรียนรู้

บทบาท: ขณะที่ Dr. Lynch สำรวจความก้าวหน้าของ Data Literacy ร่วมกัน เธอสงสัยเกี่ยวกับการมอบหมายงานเพื่อใช้ประโยชน์จากจุดแข็งของผู้คนและรองรับจุดอ่อนของพวกเขานอกเหนือจากการฝึกอบรม เธอยังแนะนำบทบาทการรวมกันที่เป็นไปได้

ตัวอย่างเช่น เมื่อลินช์ทำงานร่วมกับลูกค้าทางการแพทย์ เธอได้พบกับผู้เชี่ยวชาญด้าน AI (เชี่ยวชาญด้านเทคโนโลยีมากขึ้น) และผู้เชี่ยวชาญทางคลินิก (สามารถวินิจฉัยและรักษาผู้ป่วยได้ดีขึ้น) ดังนั้น ในขณะที่อนุญาตให้สมาชิกในทีมพัฒนาทักษะด้านข้อมูล เธอใช้บทบาทนักแปลระหว่าง AI และผู้เชี่ยวชาญทางคลินิก

บทบาทนักแปลเหล่านี้ช่วยให้ AI และพนักงานทางคลินิกได้รับข้อมูลเชิงลึก ดร. ลินช์ยืนยันว่า:

“บางทีนักแปลที่คุ้นเคยกับข้อมูลเชิงลึกที่แตกต่างกันและผู้ที่มีทักษะ SQL พื้นฐานอาจให้ข้อมูลกับคนอื่นๆ ได้ จากนั้นทุกคนจะสามารถเข้าถึงข้อมูลเชิงลึกขั้นสูงจากข้อมูลได้”

วิธีนี้ทำให้ทีมสามารถประมวลผลข้อมูลและทำงานแต่ละงานให้สำเร็จได้ดีขึ้น วิธีการนี้ยังช่วยประหยัดเวลาและเงินที่จำเป็นในการฝึกให้ทุกคนจัดการกับข้อมูล โดยเฉพาะอย่างยิ่งหากบุคคลนั้นไม่สนใจที่จะทำคณิตศาสตร์

Access: เทคโนโลยีที่ซับซ้อนจำกัดจำนวนการฝึกอบรมที่จำเป็น ทำให้ต้องใช้เวลามากขึ้นในการแสดงให้ผู้เข้ารับการฝึกอบรมทราบวิธีค้นหา ดึงข้อมูล และจัดการข้อมูล เพื่อแก้ปัญหานี้ ดร. ลินช์สนับสนุนแพลตฟอร์มที่ใช้อินเทอร์เฟซข้อมูลที่ต้องใช้ทักษะด้านเทคนิคน้อยลง ซึ่งเปิดการใช้งานขององค์กร เช่นเดียวกับที่ตลาดกลางทำกับคอมพิวเตอร์

เธออธิบายว่าในปี 1970 โปรแกรมเมอร์และวิศวกรเฉพาะทางใช้คอมพิวเตอร์เพียงเพราะพวกเขารู้วิธี จากนั้น ความก้าวหน้าในด้านฮาร์ดแวร์ พีซี และ GUI ทำให้ทุกคนสามารถเข้าถึงคอมพิวเตอร์ได้ ปัจจุบัน คนส่วนใหญ่ใช้คอมพิวเตอร์ในการทำงานอย่างราบรื่น โดยไม่คำนึงถึงความรู้เรื่องอัลกอริทึม

ในทำนองเดียวกัน ดร. ลินช์กล่าวว่า:

“เราสามารถเริ่มคิดเกี่ยวกับการวิเคราะห์ที่เข้าถึงได้มากขึ้น ตัวอย่างเช่น แทนที่จะจำกัดการวิเคราะห์ข้อมูลไว้ที่การโต้ตอบบนแดชบอร์ดและการสืบค้น SQL เราอาจนึกถึงเทคโนโลยีที่แปลงการสืบค้นซึ่งสร้างจากภาษาธรรมชาติให้เป็นการวิเคราะห์”

ความก้าวหน้าใน AI และแมชชีนเลิร์นนิง (ML) สามารถเพิ่มการเข้าถึงข้อมูลการวิเคราะห์ได้ Lynch ชี้ให้เห็นว่า GPT-4 สามารถแปลงคำถามที่พูดเป็น SQL และสร้างกราฟิก แสดงการวิเคราะห์ ลดข้อกำหนดด้าน Data Literacy สำหรับข้อมูลเชิงลึก

สรุป

อุปสรรคในการรู้ข้อมูลดูซับซ้อนและยาก โดยเฉพาะอย่างยิ่งในการทำให้พนักงานทุกคนก้าวไปสู่ระดับที่สูงขึ้น ดังนั้น ในขณะที่การฝึกอบรมให้เครื่องมือ องค์กรต้องการแนวทางอื่น

บทบาทของนักแปลสัญญาว่าจะเป็นสะพานเชื่อมระหว่างสมาชิกในทีมที่รู้ข้อมูลและไม่ใช่ด้านเทคนิค นอกจากนี้ ความก้าวหน้าทางเทคโนโลยียังช่วยลดขีดจำกัดในการได้รับข้อมูลเชิงลึกโดยเปิดให้สมาชิกด้านเทคนิคน้อยลง ด้วยมุมมองใหม่นี้ ผู้บริหารสามารถคิดใหม่เกี่ยวกับการฝึกอบรม Data Literacy เพื่อจัดการกับอุปสรรคแปดประการที่ระบุไว้ในบทความนี้

ชมการสัมมนาผ่านเว็บที่นี่:

รูปภาพที่ใช้ภายใต้ลิขสิทธิ์จาก Shutterstock.com

ประทับเวลา:

เพิ่มเติมจาก ข้อมูล