Vượt qua tám rào cản về kiến ​​thức dữ liệu - DATAVERSITY

Vượt qua tám rào cản về kiến ​​thức dữ liệu – DATAVERSITY

Dấu thời gian: ngày 6 tháng 2023 năm 3 35:XNUMX sáng
Nút nguồn: 2704609
rào cản kiến ​​thức dữ liệurào cản kiến ​​thức dữ liệu

Các nhà lãnh đạo muốn “mọi người, ở mọi nơi, và tất cả cùng một lúc trở nên hiểu biết dữ liệu cao, thể hiện khả năng đọc, làm việc và phân tích dữ liệu cao,” Tiến sĩ Wendy Lynch, người sáng lập của Phân tích-Translastor.com và Tư vấn Lynch. Là nhà tư vấn cho nhiều công ty trong danh sách Fortune 100, cô ấy hiểu lý do tại sao các tổ chức muốn tất cả các thành viên của họ phải có Trình độ hiểu biết về dữ liệu ở mức độ cao. Tiến sĩ Lynch nêu bật một số rào cản lớn nhất về Kiến thức dữ liệu và cách giải quyết chúng trong hội thảo trực tuyến về DATAVERSITY, “Vượt qua những thách thức để đạt được hiểu biết về dữ liệu.” Trong phần trình bày của mình, cô ấy giải thích và điều chỉnh lại các thách thức đối với khóa đào tạo Kiến thức về dữ liệu và khuyến khích cách tiếp cận ba hướng để giải quyết chúng.

Trong hội thảo trên web, Tiến sĩ Lynch đã trích dẫn một nghiên cứu từ McKinsey, lưu ý rằng ít nhất 1 đô la trên 5 đô la thu được từ thu nhập trước lãi vay và thuế (EBIT) của công ty chuyển thành giá trị từ tài sản dữ liệu. Hơn nữa, những doanh nghiệp có mức độ làm chủ dữ liệu cao nhất, bao gồm chính sách, con người và công nghệ, có doanh thu trên đầu người cao hơn 70%.

Tuy nhiên, gần 80% người dân thiếu tự tin vào khả năng của mình. Kỹ năng đọc hiểu dữ liệuvà các nghiên cứu cho thấy 90% không có kiến ​​thức về dữ liệu cao. Vì vậy, như Lynch đã chỉ ra, “Các doanh nghiệp muốn mọi người hoạt động như những nhà khoa học dữ liệu nhưng đang bắt đầu ở một nơi khó khăn.”

Rào cản đối với kiến ​​thức dữ liệu

Tiến sĩ Lynch trích dẫn tám chủ đề từ các nhóm tập trung vào DATAVERSITY được thực hiện vào đầu năm 2023 để hiểu lý do tại sao mọi người và tổ chức thấy khó đào tạo Kiến thức về dữ liệu. Chúng bao gồm:

1. Mua vào: Các nhà lãnh đạo đánh giá quá cao khả năng của nhân viên với dữ liệu và có thể không hiểu tầm quan trọng của việc đào tạo Kiến thức về Dữ liệu hoặc mức độ ưu tiên của những nỗ lực đó.

2. Quyền sở hữu: Các tổ chức cần làm rõ ai thúc đẩy nỗ lực Kiến thức dữ liệu. Đó có phải là người có điểm Data Literacy cao nhất, một người ở trình độ C hay một vai trò mới không? Tiến sĩ Lynch quan sát thấy rằng nhân viên có thể ngần ngại hoặc cảm thấy e ngại về việc học Kiến thức về Dữ liệu vì họ không có hứng thú hoặc năng khiếu. Vì vậy, người thúc đẩy đào tạo Data Literacy có chịu trách nhiệm giảm thiểu những vấn đề này không?

3. Các phép đo: Làm thế nào để các tổ chức đánh giá mức độ hoặc cải tiến hiện tại về Kiến thức dữ liệu? Điều gì thể hiện mức độ hiểu biết về dữ liệu tốt? Hơn nữa, dựa trên một bài báo của Forbes, cô ấy đề cập rằng nếu các công ty không đạt được mức độ hiểu biết về dữ liệu tốt, họ sẽ tạo ra một phân chia độc hại giữa người sản xuất dữ liệu và người tiêu dùng – những người đã biết chữ và những người cần đạt trình độ cao hơn. Vì vậy, làm cách nào các phép đo có thể giúp nâng cao Kiến thức về dữ liệu mà không tạo ra môi trường gây tranh cãi như vậy giữa các nhân viên?

4. Phương pháp đào tạo: Lynch hỏi cách chúng tôi tiếp cận khóa đào tạo Kiến thức về Dữ liệu. Các tổ chức có làm điều đó trên toàn công ty không? Họ chọn đào tạo từ nhà cung cấp hay từ bên trong tổ chức? Ngoài ra, làm cách nào để người đào tạo của tổ chức bao gồm tất cả các bước quan trọng để đạt được Kiến thức dữ liệu cao, như được liệt kê bên dưới?

  • Có được nhận thức về dữ liệu có sẵn trong tổ chức.
  • Xác định các nguồn dữ liệu khác nhau này.
  • Biết cách chọn đúng nguồn vào đúng thời điểm.
  • Hiểu giá trị và hạn chế của các bộ dữ liệu đã chọn.
  • Thao tác dữ liệu để xác định và lọc thông tin có khả năng.
  • Phân tích dữ liệu, bao gồm sử dụng các tính toán để đạt được điều đó.
  • Diễn giải dữ liệu và kết quả theo sau một cách hợp lý.
  • Áp dụng thông tin này để đáp ứng yêu cầu kinh doanh và công việc.

5. Thời lượng/Cấp độ: Nhân viên có thường xuyên được đào tạo không? Nó đang diễn ra hay đã từng được thực hiện? Để minh họa cho thách thức này, Tiến sĩ Lynch kể lại một kinh nghiệm kiểm tra tác động của AI trong một cơ sở y tế. Các bác sĩ trong tổ chức này đôi khi không tin tưởng vào AI và cần được đào tạo. Nhưng cô ấy hỏi, "Chúng ta có muốn một bác sĩ đã trải qua 12 năm học y trở lại trường để trở thành một nhà khoa học dữ liệu không?"

6. Nhân sự: Tổ chức có những người có thể giúp nâng cao kiến ​​thức dữ liệu của người khác lên cấp cao hơn không? Hãy xem xét rằng một phần ba người Mỹ không biết rằng một phần tư của biểu đồ hình tròn giống như 25% và 22% không hiểu thông tin số hàng ngày như báo cáo ngân hàng. Ngoài ra, 20% người lo lắng về toán học nghiêm trọng đến mức đóng băng bộ não của họ. Vì vậy, liệu một tổ chức có đủ nguồn lực để xử lý tất cả những lỗ hổng đáng kể này không?

7. Chi phí: Tổ chức có ngân sách dành cho Kiến thức dữ liệu không? Đào tạo tất cả mọi người chi phí rất nhiều. Một số tổ chức có thể cân nhắc việc tiết kiệm tiền bằng cách khuyến khích nhân viên tham gia các khóa học trực tuyến miễn phí. Tuy nhiên, một số nghiên cứu đặt câu hỏi về hiệu quả của cách tiếp cận như vậy.

8. thời gian: Tiến sĩ Lynch nhấn mạnh rằng thời gian là nguồn lực khan hiếm nhất của con người. Các tổ chức cần tận dụng thời gian cho các hoạt động hàng ngày và các ứng dụng dữ liệu của họ. Vì vậy, làm thế nào các công ty có thể phân bổ thời gian để kết hợp đào tạo Kiến thức về dữ liệu và để mọi người học hỏi, đặc biệt nếu nhân viên trải rộng về mặt địa lý?

Định hình lại các rào cản đào tạo hiểu biết về dữ liệu

Như đã đề cập ở trên, Tiến sĩ Lynch nhận thấy nhiều rào cản đào tạo Kiến thức dữ liệu phức tạp khi nhân viên cần đạt được Kiến thức dữ liệu cao ở mọi nơi. Vì vậy, cô ấy khuyên bạn nên điều chỉnh lại vấn đề Kiến thức dữ liệu này ở cấp độ nhóm để giảm thiểu những rào cản này một cách hiệu quả nhất.

Không phải ai cũng có khả năng hoặc sở thích giống nhau về Kiến thức dữ liệu mà có những khả năng khác nhau mà doanh nghiệp cần, chẳng hạn như kiến ​​thức về con người (sự trưởng thành về mặt cảm xúc và kỹ năng giao tiếp) và kiến ​​thức về kinh doanh (hiểu các ưu tiên kinh doanh và mệnh lệnh chiến lược và cách công việc của một người kết nối với điều đó). Khi xem Kiến thức dữ liệu theo cách này, các thách thức Kiến thức dữ liệu thay đổi và trở nên có ý nghĩa hơn về tổng thể.

Sau đó, các tổ chức phải hỏi làm thế nào để tận dụng tốt nhất các nhóm của họ với những tập hợp những người có sức mạnh khác nhau. Tiến sĩ Lynch giải thích như sau: 

“Các nhà lãnh đạo muốn Kiến thức về dữ liệu tốt hơn không phải vì họ muốn mọi nhân viên yêu thích môn toán. Thay vào đó, họ muốn tổ chức của mình có được thông tin chi tiết tốt hơn. Khi càng có nhiều người, cùng nhau, có thể tiến lên cao hơn trong Kiến thức dữ liệu, thì bạn càng có thể nhận được nhiều thông tin chi tiết hơn.”

Nói cách khác, các nhà quản lý muốn bộ kỹ năng dữ liệu hoặc cộng tác làm việc để cung cấp cho mỗi nhân viên kiến ​​thức và khả năng phân tích để thực hiện tốt công việc.

Cách tiếp cận ba hướng: Đào tạo, Vai trò và Quyền truy cập

Với quan điểm mới này, Tiến sĩ Lynch đề xuất các tổ chức sử dụng cách tiếp cận ba hướng thông qua đào tạo, vai trò và khả năng tiếp cận để đạt được kiến thức dữ liệu cao hơn cho những hiểu biết sâu sắc về tổ chức. Cô ấy giải thích thêm về từng điều này:

Đào tạo: Dựa trên dữ liệu trong quá khứ, Tiến sĩ Lynch khuyên các phương pháp hay nhất sau đây khi thực hiện Kiến thức về Dữ liệu:

  • Chỉ định một chuyên gia có năng lực sở hữu nỗ lực cải thiện khả năng đọc viết và người này phải đến từ một lĩnh vực khác ngoài Quản trị dữ liệu hoặc một khu vực dữ liệu.
  • Có một trường hợp kinh doanh rõ ràng về những gì tổ chức sẽ đạt được khi đạt được Kiến thức dữ liệu cao hơn.
  • Cấu trúc giáo dục để phù hợp với các hoạt động kinh doanh thông thường và đưa ra các ví dụ có liên quan ràng buộc bất kỳ việc giảng dạy nào với vai trò của nhân viên khi người đó học.

vai trò: Khi Tiến sĩ Lynch cùng nhau khám phá việc nâng cao Kiến thức về dữ liệu, cô ấy băn khoăn về việc chỉ định công việc để tận dụng điểm mạnh của mọi người và khắc phục điểm yếu của họ bên cạnh việc đào tạo. Cô ấy thậm chí còn gợi ý những vai trò kết hợp có thể.

Ví dụ, khi Lynch làm việc với khách hàng y tế của mình, cô ấy gặp các chuyên gia AI (hiểu biết về công nghệ hơn) và các chuyên gia lâm sàng (có khả năng chẩn đoán và điều trị bệnh nhân tốt hơn). Vì vậy, trong khi cho phép các thành viên trong nhóm cải thiện kỹ năng dữ liệu của họ, cô ấy thực hiện vai trò phiên dịch giữa AI và các chuyên gia lâm sàng.

Những vai trò phiên dịch này giúp AI và nhân viên lâm sàng hiểu rõ hơn về dữ liệu. Tiến sĩ Lynch khẳng định:

“Có lẽ những người dịch quen thuộc với những hiểu biết sâu sắc về dữ liệu khác nhau và những người có kỹ năng SQL cơ bản sẽ cung cấp thông tin cho những người khác. Sau đó, mọi người đều có quyền truy cập vào những hiểu biết nâng cao hơn từ dữ liệu.”

Bằng cách này, nhóm có thể xử lý thông tin tốt hơn và hoàn thành từng công việc. Cách tiếp cận này cũng tiết kiệm thời gian và tiền bạc cần thiết để đào tạo mọi cá nhân thao tác dữ liệu, đặc biệt nếu người đó không quan tâm đến việc tính toán.

Truy cập: Công nghệ phức tạp hạn chế số lượng đào tạo cần thiết, đòi hỏi thêm thời gian để chỉ cho học viên cách tìm, truy xuất và thao tác dữ liệu. Để giải quyết vấn đề này, Tiến sĩ Lynch ủng hộ các nền tảng sử dụng giao diện dữ liệu ít yêu cầu kỹ năng kỹ thuật hơn, mở ra cách sử dụng của tổ chức, giống như thị trường đã làm với máy tính.

Cô giải thích rằng vào những năm 1970, các lập trình viên và kỹ sư chuyên ngành chỉ sử dụng máy tính vì họ biết cách sử dụng. Sau đó, những tiến bộ về phần cứng, PC và GUI đã mở ra khả năng tiếp cận máy tính cho mọi người. Giờ đây, hầu hết mọi người đều sử dụng máy tính cho công việc của họ, bất kể họ có kiến ​​thức về thuật toán hay không.

Theo cách tương tự, Tiến sĩ Lynch nói:

“Chúng ta có thể bắt đầu nghĩ về việc phân tích dễ tiếp cận hơn. Ví dụ: thay vì giới hạn phân tích dữ liệu đối với các tương tác trên bảng điều khiển và truy vấn SQL, chúng tôi có thể nghĩ đến công nghệ chuyển đổi truy vấn, được hình thành bằng ngôn ngữ tự nhiên, thành phân tích.”

Tiến bộ trong AI và máy học (ML) có khả năng tăng khả năng truy cập vào dữ liệu phân tích. Lynch chỉ ra rằng GPT-4 có thể chuyển đổi các câu hỏi nói thành SQL và tạo đồ họa, hiển thị phân tích, hạ thấp các yêu cầu về Kiến thức dữ liệu để có cái nhìn sâu sắc.

Kết luận

Các rào cản về Kiến thức Dữ liệu có vẻ phức tạp và khó khăn, đặc biệt là trong việc đưa mọi nhân viên lên cấp cao hơn. Vì vậy, trong khi đào tạo cung cấp một công cụ, các tổ chức cần các cách tiếp cận khác.

Vai trò người phiên dịch hứa hẹn là cầu nối giữa các thành viên nhóm hiểu biết về dữ liệu và phi kỹ thuật. Ngoài ra, những tiến bộ công nghệ có thể hạ thấp tiêu chuẩn để có được thông tin chi tiết bằng cách mở quyền truy cập cho các thành viên ít kỹ thuật hơn. Với quan điểm mới này, các giám đốc điều hành có thể suy nghĩ lại về việc đào tạo Kiến thức dữ liệu để giải quyết tám rào cản được liệt kê trong bài viết này.

Xem hội thảo trên web tại đây:

Hình ảnh được sử dụng theo giấy phép từ Shutterstock.com

Dấu thời gian:

Thêm từ PHỔ THÔNG DỮ LIỆU