ڈیٹا لٹریسی کی آٹھ رکاوٹوں پر قابو پانا - ڈیٹاورسٹی

قائدین چاہتے ہیں کہ "ہر کوئی، ہر جگہ، اور سب ایک ہی وقت میں انتہائی ڈیٹا خواندہ بنیں، ڈیٹا کو پڑھنے، اس کے ساتھ کام کرنے اور تجزیہ کرنے کی اعلیٰ صلاحیت کا مظاہرہ کریں،" ڈاکٹر وینڈی لنچ کہتے ہیں، بانی Analytic-Translastor.com اور لنچ کنسلٹنگ۔ متعدد فارچیون 100 کمپنیوں کے مشیر کے طور پر، وہ سمجھتی ہیں کہ تنظیمیں کیوں چاہتی ہیں کہ ان کے تمام ممبران کو ڈیٹا لٹریسی کی اعلیٰ سطح حاصل ہو۔ ڈاکٹر لنچ نے ڈیٹا لٹریسی کی سب سے بڑی رکاوٹوں پر روشنی ڈالی اور ڈیٹاورسٹی ویبینار کے دوران انہیں کیسے حل کیا جائے،ڈیٹا لٹریسی کے حصول کے لیے چیلنجز پر قابو پانا" اپنی پریزنٹیشن میں، وہ ڈیٹا لٹریسی کی تربیت کو درپیش چیلنجوں کی وضاحت کرتی ہے اور ان کی اصلاح کرتی ہے اور ان سے نمٹنے کے لیے تین جہتی نقطہ نظر کی حوصلہ افزائی کرتی ہے۔

ویبینار میں، ڈاکٹر لنچ نے میک کینسی کے ایک مطالعہ کا حوالہ دیا، جس میں یہ نوٹ کیا گیا کہ سود اور ٹیکس سے پہلے کمپنی کی کمائی سے $1 میں سے کم از کم $5 (EBIT) ڈیٹا اثاثوں کی قدر میں ترجمہ ہوتا ہے۔ مزید برآں، پالیسیوں، لوگوں اور ٹیکنالوجی سمیت ڈیٹا میں مہارت کی اعلیٰ ترین سطح کے حامل کاروباروں کی فی شخص آمدنی 70% زیادہ ہوتی ہے۔

اس کے باوجود، تقریباً 80% لوگوں کو ان پر اعتماد کا فقدان ہے۔ ڈیٹا لٹریسی کی مہارت، اور مطالعات سے پتہ چلتا ہے کہ 90% کے پاس اعلیٰ ڈیٹا خواندگی نہیں ہے۔ لہذا، جیسا کہ Lynch نے بتایا، "کاروبار چاہتے ہیں کہ ہر کوئی ڈیٹا سائنسدان کے طور پر کام کرے لیکن ایک مشکل جگہ سے شروع ہو رہا ہے۔"

ڈیٹا لٹریسی میں رکاوٹیں

ڈاکٹر لنچ نے 2023 کے اوائل میں کئے گئے ڈیٹاورسٹی فوکس گروپس کے آٹھ تھیمز کا حوالہ دیا تاکہ یہ سمجھ سکیں کہ لوگ اور تنظیموں کو ڈیٹا لٹریسی کی تربیت کیوں مشکل لگتی ہے۔ ان میں شامل ہیں:

1. خریدنا: لیڈر ڈیٹا کے ساتھ اپنے کارکنوں کی صلاحیتوں کو زیادہ اہمیت دیتے ہیں اور ہو سکتا ہے کہ ڈیٹا لٹریسی کی تربیت کی اہمیت یا اس طرح کی کوششوں کی ترجیح کو نہ سمجھیں۔

2. ملکیت: تنظیموں کو یہ واضح کرنے کی ضرورت ہے کہ ڈیٹا لٹریسی کی کوششوں کو کون چلاتا ہے۔ کیا یہ وہ شخص ہے جس میں ڈیٹا لٹریسی کا سب سے زیادہ اسکور ہے، سی لیول کا فرد ہے، یا کوئی نیا کردار ہے؟ ڈاکٹر لنچ نے مشاہدہ کیا کہ ملازمین ڈیٹا لٹریسی سیکھنے میں ہچکچاہٹ یا خوف محسوس کر سکتے ہیں کیونکہ ان میں دلچسپی یا قابلیت نہیں ہے۔ تو، کیا وہ شخص جو ڈیٹا لٹریسی ٹریننگ چلاتا ہے ان مسائل کو کم کرنے کا ذمہ دار ہے؟

3. پیمائش: تنظیمیں کیسے کرتی ہیں۔ ڈیٹا لٹریسی کی موجودہ سطح یا بہتری کا اندازہ لگانا؟ ڈیٹا لٹریسی کی اچھی سطح کی کیا نمائندگی کرتی ہے؟ مزید برآں، فوربس کے ایک مضمون کی بنیاد پر، وہ بتاتی ہیں کہ اگر کمپنیاں ڈیٹا لٹریسی کی اچھی سطح تک نہ پہنچیں، تو وہ ایک تخلیق کریں گی۔ زہریلا تقسیم ڈیٹا پروڈیوسرز اور صارفین کے درمیان – وہ لوگ جو پڑھے لکھے ہیں اور جن کو اعلی سطح تک پہنچنے کی ضرورت ہے۔ لہذا، ملازمین کے درمیان ایسا متنازعہ ماحول پیدا کیے بغیر پیمائش ڈیٹا لٹریسی کو آگے بڑھانے میں کیسے مدد کر سکتی ہے؟

4. تربیت کا طریقہ: Lynch پوچھتا ہے کہ ہم ڈیٹا لٹریسی کی تربیت سے کیسے رجوع کرتے ہیں۔ کیا تنظیمیں اسے کمپنی بھر میں کرتی ہیں؟ کیا وہ کسی وینڈر سے تربیت کا انتخاب کرتے ہیں یا تنظیم کے اندر سے؟ مزید برآں، کس طرح تنظیم کا ٹرینر اعلیٰ ڈیٹا لٹریسی تک پہنچنے کے لیے تمام اہم اقدامات کا احاطہ کرتا ہے، جیسا کہ ذیل میں درج ہے؟

• تنظیم میں دستیاب ڈیٹا سے آگاہی حاصل کریں۔
• ان مختلف ڈیٹا ذرائع کی شناخت کریں۔
• صحیح وقت پر صحیح ذرائع کا انتخاب کرنے کا طریقہ جانیں۔
• منتخب کردہ ڈیٹا سیٹس کی قدر اور حدود کو سمجھیں۔
• قابلیت سے معلومات کی وضاحت اور فلٹر کرنے کے لیے ڈیٹا میں ہیرا پھیری کریں۔
• ڈیٹا کا تجزیہ کریں، بشمول وہاں جانے کے لیے حسابات کا استعمال۔
• اعداد و شمار اور نتائج کی تشریح کریں جو معقول طریقے سے پیروی کریں۔
• کاروبار اور ملازمت کی ضروریات کو پورا کرنے کے لیے اس معلومات کا اطلاق کریں۔

5. دورانیہ/ سطح: ملازمین کتنی بار تربیت سے گزرتے ہیں؟ کیا یہ جاری ہے یا ایک بار ہو گیا ہے؟ اس چیلنج کو واضح کرنے کے لیے، ڈاکٹر لنچ ایک طبی ادارے میں AI کے مضمرات کا جائزہ لینے کے تجربے سے متعلق ہیں۔ اس تنظیم کے معالج بعض اوقات AI پر عدم اعتماد کرتے ہیں اور انہیں کچھ تربیت کی ضرورت ہوتی ہے۔ لیکن وہ پوچھتی ہے، "کیا ہم ایک ایسا ڈاکٹر چاہتے ہیں جس نے میڈیکل اسکول کے 12 سال گزارے ہوں اور ڈیٹا سائنسدان بننے کے لیے اسکول واپس آئے؟"

6. عملہ: کیا تنظیم کے پاس ایسے لوگ ہیں جو دوسروں کی ڈیٹا لٹریسی کو اعلیٰ سطح تک لے جانے میں مدد کر سکتے ہیں؟ غور کریں کہ ایک تہائی امریکی یہ نہیں جانتے کہ پائی چارٹ کا ایک چوتھائی حصہ 25% کے برابر ہے، اور 22% روزانہ کی عددی معلومات جیسے بینک اسٹیٹمنٹس کو نہیں سمجھتے۔ مزید برآں، لوگوں کے 20٪ ریاضی کی شدید پریشانی ہے جو ان کے دماغ کو منجمد کر دیتی ہے۔ تو، کیا کسی تنظیم کے پاس ان تمام اہم خلا کو سنبھالنے کے لیے وسائل ہیں؟

7. لاگت: کیا تنظیم کے پاس ڈیٹا لٹریسی کے لیے بجٹ ہے؟ ہر ایک کو تربیت دینے میں بہت زیادہ خرچ آتا ہے۔ کچھ تنظیمیں ملازمین کو بغیر لاگت کے خود سے چلنے والے آن لائن کورسز کرنے کی ترغیب دے کر رقم بچانے پر غور کر سکتی ہیں۔ تاہم، متعدد مطالعات اس طرح کے نقطہ نظر کی تاثیر پر سوال اٹھاتے ہیں۔

8. کے لئے وقت: ڈاکٹر لنچ نے اس بات پر روشنی ڈالی کہ وقت لوگوں کے انتہائی نایاب وسائل کی نمائندگی کرتا ہے۔ تنظیموں کو روزانہ کی کارروائیوں اور ان کے ڈیٹا ایپلی کیشنز کے لیے وقت کا فائدہ اٹھانے کی ضرورت ہے۔ تو، کمپنیاں ڈیٹا لٹریسی کی تربیت کو یکجا کرنے اور لوگوں کو سیکھنے کے لیے کیسے وقت مختص کر سکتی ہیں، خاص طور پر اگر ملازمین جغرافیائی طور پر پھیلے ہوئے ہوں؟

ڈیٹا لٹریسی ٹریننگ بیریئرز کو ری فریم کرنا

جیسا کہ اوپر ذکر کیا گیا ہے، جب ملازمین کو ہر جگہ اعلیٰ ڈیٹا خواندگی حاصل کرنے کی ضرورت ہوتی ہے تو ڈاکٹر لنچ کو ڈیٹا لٹریسی کی تربیت کی بہت سی پیچیدہ رکاوٹیں ملتی ہیں۔ لہذا، وہ ان رکاوٹوں کو مؤثر طریقے سے کم کرنے کے لیے ٹیم کی سطح پر ڈیٹا لٹریسی کے اس مسئلے کو دوبارہ ترتیب دینے کی تجویز کرتی ہے۔

ہر کسی کی ڈیٹا لٹریسی میں یکساں قابلیت یا دلچسپی نہیں ہوتی ہے لیکن وہ مختلف ہوتی ہیں جن کی کاروبار کو ضرورت ہوتی ہے، جیسے لوگوں کی خواندگی (جذباتی پختگی اور مواصلات کی مہارت) اور کاروباری خواندگی (کاروباری ترجیحات اور اسٹریٹجک ضروریات کو سمجھنا اور کسی کا کام اس سے کیسے جڑتا ہے)۔ ڈیٹا لٹریسی کو اس طرح دیکھتے وقت، ڈیٹا لٹریسی چیلنجز کا سامنا کرتی ہے اور مجموعی طور پر زیادہ معنی خیز بن جاتی ہے۔

پھر، تنظیموں کو یہ پوچھنا چاہیے کہ مختلف طاقتوں کے حامل لوگوں کے مجموعے کے ساتھ اپنی ٹیموں کا بہترین استعمال کیسے کریں۔ ڈاکٹر لنچ اس کی وضاحت اس طرح کرتے ہیں: 

"لیڈرز بہتر ڈیٹا لٹریسی چاہتے ہیں اس لیے نہیں کہ وہ چاہتے ہیں کہ ہر ملازم ریاضی سے محبت کرے۔ اس کے بجائے، وہ چاہتے ہیں کہ ان کی تنظیمیں بہتر بصیرت حاصل کریں۔ جیسا کہ زیادہ سے زیادہ لوگ، اجتماعی طور پر، ڈیٹا لٹریسی میں اوپر جا سکتے ہیں، اتنا ہی زیادہ آپ ان بصیرت کو حاصل کر سکتے ہیں۔"

دوسرے لفظوں میں، مینیجرز ہر ملازم کو اچھی طرح سے کام کرنے کے لیے علم اور تجزیاتی رسائی فراہم کرنے کے لیے ڈیٹا کی مہارتیں یا کام کا تعاون چاہتے ہیں۔

تین جہتی نقطہ نظر: تربیت، کردار، اور رسائی

اس نئے تناظر کو دیکھتے ہوئے، ڈاکٹر لنچ تجویز کرتے ہیں کہ تنظیمیں تربیت، کردار، اور رسائی کے ذریعے تین جہتی نقطہ نظر کا استعمال کریں اعلیٰ ڈیٹا لٹریسی تنظیمی بصیرت کے لیے۔ وہ ان میں سے ہر ایک کی مزید وضاحت کرتی ہے:

تربیت: ماضی کے ڈیٹا کی بنیاد پر، ڈاکٹر لنچ ڈیٹا لٹریسی کرتے وقت درج ذیل بہترین طریقوں کا مشورہ دیتے ہیں:

• ایک قابل ماہر کو نامزد کریں جو خواندگی کو بہتر بنانے کی کوشش کا مالک ہو، اور اس شخص کو ڈیٹا گورننس یا ڈیٹا ایریا کے علاوہ کسی اور چیز سے ہونا چاہیے۔
• ایک واضح کاروباری معاملہ رکھیں کہ جب تنظیم اعلیٰ ڈیٹا لٹریسی تک پہنچ جائے گی تو وہ کیا حاصل کرے گی۔
• عام کاروباری کارروائیوں کے ساتھ فٹ ہونے کے لیے ساختی تعلیم اور متعلقہ مثالیں دیں جو کسی بھی تعلیم کو ملازم کے کردار سے جوڑتی ہیں جب وہ شخص سیکھتا ہے۔

کردار: جیسا کہ ڈاکٹر لنچ ڈیٹا لٹریسی کو اجتماعی طور پر آگے بڑھانے کی تلاش کر رہی ہے، وہ لوگوں کی طاقتوں سے فائدہ اٹھانے اور تربیت کے علاوہ ان کی کمزوریوں کو ایڈجسٹ کرنے کے لیے کام کو نامزد کرنے کے بارے میں سوچ رہی ہے۔ یہاں تک کہ وہ ممکنہ امتزاج کردار بھی تجویز کرتی ہے۔

مثال کے طور پر، جیسا کہ Lynch اپنے میڈیکل کلائنٹ کے ساتھ کام کرتی ہے، وہ AI ماہرین (زیادہ ٹیک سیوی) اور طبی ماہرین (مریضوں کی تشخیص اور علاج کرنے کے بہتر اہل) کو دیکھتی ہے۔ لہذا، ٹیم کے اراکین کو اپنی ڈیٹا کی مہارت کو بہتر بنانے کی اجازت دیتے ہوئے، وہ AI اور طبی ماہرین کے درمیان مترجم کے کردار کو نافذ کرتی ہے۔

یہ مترجم کردار AI کی مدد کرتے ہیں، اور طبی ملازمین کو ڈیٹا کی بصیرت ملتی ہے۔ ڈاکٹر لنچ کا دعویٰ ہے:

"شاید مختلف ڈیٹا بصیرت سے واقف مترجمین اور جن کے پاس بنیادی SQL مہارتیں ہیں وہ ہر کسی کو معلومات فراہم کرتے ہیں۔ پھر ہر کسی کو ڈیٹا سے مزید جدید بصیرت تک رسائی حاصل ہوتی ہے۔"

اس طرح، ٹیم معلومات پر بہتر کارروائی کر سکتی ہے اور ہر کام کو مکمل کر سکتی ہے۔ یہ نقطہ نظر ہر فرد کو ڈیٹا میں ہیرا پھیری کرنے کی تربیت دینے کے لیے درکار وقت اور پیسے کی بھی بچت کرتا ہے، خاص طور پر اگر وہ شخص ریاضی کرنے میں دلچسپی نہیں رکھتا ہے۔

: رسائی پیچیدہ ٹیکنالوجی اس بات پر پابندی لگاتی ہے کہ کتنی تربیت کی ضرورت ہے، تربیت یافتہ افراد کو یہ دکھانے کے لیے اضافی وقت درکار ہوتا ہے کہ ڈیٹا کو کیسے تلاش کرنا، بازیافت کرنا اور ہیرا پھیری کرنا ہے۔ اس مسئلے کا مقابلہ کرنے کے لیے، ڈاکٹر لنچ ایسے پلیٹ فارمز کی وکالت کرتے ہیں جو ڈیٹا انٹرفیس استعمال کرتے ہیں جن کے لیے کم تکنیکی مہارت کی ضرورت ہوتی ہے، تنظیم کے استعمال کو کھولنا، جیسا کہ مارکیٹ پلیس نے کمپیوٹر کے ساتھ کیا ہے۔

وہ بتاتی ہیں کہ 1970 کی دہائی میں، پروگرامرز اور خصوصی انجینئر صرف کمپیوٹر استعمال کرتے تھے کیونکہ وہ جانتے تھے کہ کیسے۔ پھر، ہارڈ ویئر، پی سی، اور جی یو آئی میں پیشرفت نے ہر کسی کے لیے کمپیوٹنگ تک رسائی کھول دی۔ اب، زیادہ تر لوگ بغیر کسی رکاوٹ کے کمپیوٹر کو اپنے کام کے لیے استعمال کرتے ہیں، قطع نظر اس کے کہ وہ الگورتھم کے بارے میں کچھ بھی جانتے ہیں۔

اسی طرح، ڈاکٹر لنچ کہتے ہیں:

"ہم تجزیات کے بارے میں زیادہ قابل رسائی کے طور پر سوچنا شروع کر سکتے ہیں۔ مثال کے طور پر، ڈیٹا کے تجزیے کو ڈیش بورڈ کے تعاملات اور SQL سوالات تک محدود کرنے کے بجائے، ہم ایسی ٹیکنالوجی کے بارے میں سوچ سکتے ہیں جو قدرتی زبان میں بنائے گئے سوالات کو تجزیات میں تبدیل کرتی ہے۔

میں ترقی AI اور مشین لرننگ (ML) ممکنہ طور پر تجزیاتی ڈیٹا تک رسائی کو بڑھا سکتی ہے۔ Lynch بتاتا ہے کہ GPT-4 بولے گئے سوالات کو SQL میں تبدیل کر سکتا ہے اور گرافکس تیار کر سکتا ہے، تجزیہ دکھا کر، بصیرت کے لیے ڈیٹا لٹریسی کے تقاضوں کو کم کر سکتا ہے۔

نتیجہ

ڈیٹا لٹریسی کی رکاوٹیں پیچیدہ اور مشکل نظر آتی ہیں، خاص طور پر ہر ملازم کو اعلیٰ سطح تک پہنچانے میں۔ لہذا، جب کہ تربیت ایک آلہ فراہم کرتی ہے، تنظیموں کو دوسرے طریقوں کی ضرورت ہوتی ہے۔

مترجم کے کردار ڈیٹا لٹریٹ اور غیر تکنیکی ٹیم کے اراکین کے درمیان ایک پل کا وعدہ کرتے ہیں۔ اس کے علاوہ، تکنیکی ترقی کم تکنیکی اراکین تک رسائی کو کھول کر بصیرت حاصل کرنے کی راہ کو کم کر سکتی ہے۔ اس نئے تناظر کے ساتھ، ایگزیکٹوز اس مضمون میں درج آٹھ رکاوٹوں کو دور کرنے کے لیے ڈیٹا لٹریسی کی تربیت پر دوبارہ غور کر سکتے ہیں۔

ویبینار یہاں دیکھیں:

Shutterstock.com سے لائسنس کے تحت استعمال شدہ تصویر

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹوآئ اسٹریم۔ ویب 3 ڈیٹا انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• ایڈریین ایشلے کے ساتھ مستقبل کا نقشہ بنانا۔ یہاں تک رسائی حاصل کریں۔
• PREIPO® کے ساتھ PRE-IPO کمپنیوں میں حصص خریدیں اور بیچیں۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://www.dataversity.net/overcoming-eight-data-literacy-barriers/