领导者希望“每个人,任何地方,同时都具备高度的数据素养,表现出阅读、处理和分析数据的高能力,”Wendy Lynch 博士说,他是 Analytic-Translastor.com 和林奇咨询。 作为众多财富 100 强公司的顾问,她理解为什么组织希望其所有成员都具有高水平的数据素养。 Lynch 博士在 DATAVERSITY 网络研讨会上强调了一些最大的数据素养障碍以及如何解决这些障碍,“克服实现数据素养的挑战” 在她的演讲中,她解释并重构了数据素养培训面临的挑战,并鼓励采用三管齐下的方法来解决这些问题。
在网络研讨会上,林奇博士引用了麦肯锡的一项研究,指出公司的息税前利润 (EBIT) 中至少有 1 美元中有 5 美元转化为数据资产的价值。 此外,对数据(包括政策、人员和技术)掌握程度最高的企业的人均收入要高出 70%。
然而,近 80% 的人对自己的生活缺乏信心 数据素养技能,研究表明 90% 的人没有很高的数据素养。 因此,正如 Lynch 指出的那样,“企业希望每个人都能担任数据科学家的角色,但却处在一个困难的地方。”
数据素养的障碍
Lynch 博士引用了 2023 年初进行的 DATAVERSITY 焦点小组的八个主题,以了解为什么人们和组织发现数据素养培训很困难。 他们包括:
1. 买入: 领导者高估了员工使用数据的能力,可能不了解数据素养培训的重要性或此类工作的优先级。
2.所有权: 组织需要明确谁在推动数据素养工作。 是数据素养得分最高的人、C 级人员还是新角色? 林奇博士观察到,员工可能对学习数据素养犹豫不决或感到担忧,因为他们没有兴趣或能力。 那么,推动数据素养培训的人是否有责任缓解这些问题?
3. 测量: 组织如何 评估数据素养的当前水平或改进? 什么代表良好的数据素养水平? 此外,根据福布斯的一篇文章,她提到如果公司没有达到良好的数据素养水平,他们会创建一个 有毒鸿沟 数据生产者和消费者之间——有文化的人和需要达到更高水平的人。 那么,测量如何在不在员工之间造成这种有争议的环境的情况下帮助提高数据素养?
4. 训练方法: Lynch 问我们如何进行数据素养培训。 组织是否在全公司范围内这样做? 他们是从供应商还是从组织内部选择培训? 此外,组织的培训师如何涵盖达到高数据素养的所有重要步骤,如下所列?
- 了解组织中可用的数据。
- 识别这些不同的数据源。
- 知道如何在正确的时间选择正确的来源。
- 了解所选数据集的价值和局限性。
- 操纵数据以有效地定义和过滤信息。
- 分析数据,包括使用计算结果。
- 合理解释数据和结果。
- 应用此信息以满足业务和工作要求。
5. 持续时间/级别: 员工多久接受一次培训? 是持续进行还是一次完成? 为了说明这一挑战,Lynch 博士讲述了检查 AI 在医疗机构中的影响的经历。 这个组织的医生有时不信任人工智能,需要接受一些培训。 但她问道,“我们是否希望一位接受过 12 年医学院教育的医生回到学校成为一名数据科学家?”
三、人员: 组织是否有人可以帮助将其他人的数据素养提升到更高水平? 考虑一下,三分之一的美国人不知道饼图的四分之一与 25% 相同,而 22% 的人不了解银行对账单等日常数字信息。 此外, 人20% 有严重的数学焦虑,冻结他们的大脑。 那么,一个组织是否有资源来处理所有这些重大差距?
7.费用: 组织是否有数据素养的预算? 培训每个人的成本很高。 一些组织可能会考虑通过鼓励员工参加免费的自学在线课程来节省资金。 然而,一些研究质疑这种方法的有效性。
8. 时间: 林奇博士强调,时间是人们最稀缺的资源。 组织需要将时间用于日常运营及其数据应用程序。 那么,公司如何分配时间来结合数据素养培训并让人们学习,尤其是当员工分散在各地时?
重塑数据素养培训障碍
如上所述,当员工需要在任何地方实现高数据素养时,林奇博士发现许多复杂的数据素养培训障碍。 因此,她建议在团队层面重新定义这个数据素养问题,以最有效地减少这些障碍。
并非每个人都对数据素养具有相同的能力或兴趣,但具有不同的业务需求,例如人员素养(情感成熟度和沟通技巧)和业务素养(了解业务优先级和战略要务以及一个人的工作如何与之相关)。 当以这种方式查看数据素养时,数据素养挑战发生了变化,并且在总体上变得更有意义。
然后,组织必须思考如何最好地利用他们的团队与具有不同优势的人的集合。 林奇博士是这样解释的:
“领导者想要更好的数据素养,并不是因为他们希望每个员工都热爱数学。 相反,他们希望他们的组织获得更好的洞察力。 随着越来越多的人集体在数据素养方面取得更高的进步,您对这些见解的了解也就越多。”
换句话说,经理们希望数据技能组合或工作协作能够为每位员工提供知识和分析访问权限,以更好地完成工作。
三管齐下的方法:培训、角色和访问
鉴于这种新观点,Lynch 博士建议组织通过培训、角色和可访问性使用三管齐下的方法来实现 更高的数据素养 以获得组织洞察力。 她进一步解释了每一个:
训练: 根据过去的数据,林奇博士在进行数据素养时建议以下最佳实践:
- 指定一位有能力提高素养的专家,这个人应该来自数据治理或数据领域之外的其他领域。
- 为组织在达到更高数据素养时将实现的目标制定清晰的业务案例。
- 组织教育以适应正常的业务运营,并提供相关示例,将任何教学与员工学习时的角色联系起来。
角色: 当 Lynch 博士共同探索提高数据素养时,她想知道除了培训之外,是否可以指定工作来利用人们的优势并适应他们的弱点。 她甚至建议可能的组合角色。
例如,当 Lynch 与她的医疗客户一起工作时,她会看到 AI 专家(更精通技术)和临床专家(能够更好地诊断和治疗患者)。 因此,在允许团队成员提高数据技能的同时,她在 AI 和临床专家之间扮演了翻译角色。
这些翻译角色帮助 AI 和临床员工获得数据洞察力。 林奇博士断言:
“也许熟悉不同数据洞察力并具有基本 SQL 技能的翻译人员可以将信息提供给其他人。 然后每个人都可以从数据中获得更高级的见解。”
这样,团队可以更好地处理信息并完成每项工作。 这种方法还节省了培训每个人处理数据所需的时间和金钱,特别是如果那个人对做数学不感兴趣的话。
权限: 复杂的技术限制了需要多少培训,需要额外的时间来向受训者展示如何查找、检索和操作数据。 为了解决这个问题,林奇博士提倡使用需要较少技术技能的数据接口的平台,开放组织的使用,就像市场对计算机所做的那样。
她解释说,在 1970 世纪 XNUMX 年代,程序员和专业工程师使用计算机只是因为他们知道如何操作。 然后,硬件、PC 和 GUI 的进步为每个人打开了计算的大门。 现在,大多数人都可以无缝地使用计算机进行工作,而不管他们是否了解算法。
同样,林奇博士说:
“我们可以开始考虑更易于访问的分析。 例如,我们可以考虑将以自然语言形成的查询转换为分析的技术,而不是将数据分析限制在仪表板交互和 SQL 查询中。”
进步 AI 机器学习 (ML) 可能会增加对分析数据的访问。 Lynch 指出,GPT-4 可以将口语问题转换为 SQL 并生成图形,显示分析,降低洞察力的数据素养要求。
结论
数据素养障碍看起来既复杂又困难,尤其是在让每个员工都达到更高水平方面。 因此,虽然培训提供了一种工具,但组织还需要其他方法。
翻译角色承诺在数据素养和非技术团队成员之间架起一座桥梁。 此外,技术进步可以通过向技术水平较低的成员开放访问权限来降低获得见解的门槛。 有了这个新视角,高管们可以重新考虑数据素养培训,以解决本文列出的八个障碍。
在这里观看网络研讨会:
图片经Shutterstock.com许可使用
- SEO 支持的内容和 PR 分发。 今天得到放大。
- 柏拉图爱流。 Web3 数据智能。 知识放大。 访问这里。
- 与 Adryenn Ashley 一起铸造未来。 访问这里。
- 使用 PREIPO® 买卖 PRE-IPO 公司的股票。 访问这里。
- Sumber: https://www.dataversity.net/overcoming-eight-data-literacy-barriers/
- :具有
- :是
- :不是
- $UP
- 100
- 12
- 2023
- 224
- a
- 对,能力--
- Able
- 关于
- 以上
- ACCESS
- 访问
- 无障碍
- 容纳
- 实现
- 增加
- 另外
- 地址
- 推进
- 高级
- 进步
- 前进
- 倡导者
- AI
- 算法
- 所有类型
- 允许
- 还
- 美国人
- 其中
- an
- 分析
- 分析
- 分析
- 分析
- 和
- 焦虑
- 任何
- 应用领域
- 的途径
- 方法
- 保健
- 国家 / 地区
- 刊文
- AS
- 办公室文员:
- At
- 可使用
- 意识
- 银行
- 酒吧
- 障碍
- 基于
- 基本包
- BE
- 因为
- 成为
- before
- 如下。
- 最佳
- 最佳实践
- 更好
- 之间
- 最大
- 大脑
- 桥
- 预算
- 商业
- 商业运营
- 企业
- 但是
- by
- CAN
- 可以得到
- 能力
- 利用
- 案件
- 挑战
- 挑战
- 更改
- 图表
- 引
- 清除
- 客户
- 临床资料
- 合作
- 收藏
- 统
- 组合
- 结合
- 沟通
- 沟通技巧
- 公司
- 公司的
- 胜任
- 完成
- 复杂
- 电脑
- 计算
- 进行
- 信心
- 所连接
- 考虑
- 顾问
- 咨询
- 消费者
- 兑换
- 价格
- 成本
- 可以
- Counter
- 课程
- 外壳
- 创建信息图
- 创造
- 电流
- 每天
- XNUMX月XNUMX日
- data
- 数据分析
- 数据科学家
- 数据集
- 数据多样性
- 演示
- 不同
- 难
- 怀疑
- do
- 医生
- 不
- 做
- 完成
- 别
- dr
- 驱动器
- ,我们将参加
- 每
- 早
- 佣金
- 教育
- 效用
- 有效
- 努力
- 工作的影响。
- 其他
- 员工
- 员工
- 鼓励
- 鼓励
- 工程师
- 环境
- 特别
- 醚(ETH)
- 甚至
- 所有的
- 日常
- 每个人
- 检查
- 例子
- 例子
- 管理人员
- 体验
- 技术专家
- 专家
- 介绍
- 探讨
- 额外
- 熟悉
- 感觉
- 过滤
- 找到最适合您的地方
- 发现
- 适合
- 专注焦点
- 遵循
- 以下
- 针对
- “福布斯”
- 形成
- 运气
- 创办人
- 止
- 功能
- 进一步
- 获得
- 差距
- 得到
- 越来越
- 给
- Go
- 非常好
- 治理
- 图像
- 组的
- 处理
- 硬件
- 有
- 帮助
- 这里
- 此处
- 高
- 更高
- 最高
- 亮点
- 创新中心
- How To
- 但是
- HTTPS
- if
- 器物
- 启示
- 重要性
- 改善
- 改善
- in
- 包括
- 包含
- 增加
- 个人
- 信息
- 洞察
- 可行的洞见
- 代替
- 机构
- 互动
- 兴趣
- 有兴趣
- 接口
- 成
- 问题
- 问题
- IT
- 工作
- JPG
- 知道
- 知识
- 缺乏
- 语言
- 学习用品
- 学习
- 减
- Level
- 各级
- 杠杆作用
- 执照
- 喜欢
- 限制
- 已发布
- 文化
- 识字
- 看
- 占地
- 爱
- 降低
- 机
- 经理
- 许多
- 市场
- 掌握
- 数学
- 到期
- 最大宽度
- 可能..
- 麦肯锡
- 有意义的
- 测量
- 医生
- 满足
- 成员
- 提到
- 提到
- 缓解
- ML
- 钱
- 更多
- 此外
- 最先进的
- 许多
- 必须
- 自然
- 自然语言
- 几乎
- 需求
- 打印车票
- 需要
- 全新
- 非技术
- 正常
- 注意
- 现在
- 众多
- 观察
- of
- 经常
- on
- 一旦
- 三分之一
- 那些
- 正在进行
- 在线
- 仅由
- 打开
- 开放
- 运营
- or
- 组织
- 组织
- 组织
- 其他名称
- 输出
- 所有权
- 拥有
- 过去
- 患者
- 个人电脑
- 员工
- 人的
- 人
- 人员
- 透视
- 地方
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 点
- 政策
- 可能
- 可能
- 做法
- 优先
- 市场问题
- 过程
- 生产
- 生产者
- 程序员
- 承诺
- 提供
- 季
- 查询
- 题
- 有疑问吗?
- 达到
- 上游
- 阅读
- 建议
- 减少
- 而不管
- 相应
- 代表
- 要求
- 岗位要求
- 资源
- 资源
- 提供品牌战略规划
- 成果
- 回报
- 收入
- 右
- 角色
- 角色
- 同
- 保存
- 说
- 稀缺
- 学校
- 科学家
- 科学家
- 得分了
- 无缝
- 看到
- 选
- 套数
- 几个
- 严重
- 她
- 应该
- 显示
- 存在Shutterstock
- 显著
- 技能
- 技能
- So
- 解决
- 一些
- 东西
- 来源
- 专门
- 说
- 传播
- SQL
- 开始
- 开始
- 声明
- 步骤
- 善用
- 优势
- 研究
- 学习
- 这样
- 提示
- 采取
- 税
- 教诲
- 团队
- 团队成员
- 队
- 文案
- 技术性
- 专业技术
- 比
- 这
- 信息
- 其
- 他们
- 然后
- 那里。
- 博曼
- 他们
- 认为
- Free Introduction
- 那些
- 通过
- 领带
- 次
- 时
- 至
- 工具
- 培训
- 产品培训
- 治疗
- 下
- 经历
- 理解
- 理解
- 理解
- 用法
- 使用
- 用过的
- 运用
- 利用
- 折扣值
- 供应商
- 查看
- 想
- 方法..
- we
- 网络研讨会
- 井
- 什么是
- ,尤其是
- 而
- WHO
- 为什么
- 将
- 中
- 也完全不需要
- 话
- 工作
- 合作
- 将
- 年
- 您
- 和风网