Navigieren in der Datenkompetenz in der Welt der Augmented Analytics

Fähigkeiten der künstlichen Intelligenz (KI) wie maschinelles Lernen (ML) und Verarbeitung natürlicher Sprache (NLP) werden immer besser, und Augmented-Analytics-Produkte können viele Aufgaben im Zusammenhang mit dem Anzeigen und Verstehen von Daten zuverlässig automatisieren. Mit leistungsstarken Tools, die Erkenntnisse aus Daten hervorbringen können, fragen sich Führungskräfte oft: Reduziert diese Technologie tatsächlich den Bedarf an Datenkompetenz Schulungsbemühungen in ihren Organisationen? Nein, eher im Gegenteil.

Datenkompetenz – die Fähigkeit, Daten im Kontext zu lesen, zu schreiben und zu kommunizieren – ist wichtiger denn je. Es ist von entscheidender Bedeutung, um Unternehmen bei der Entwicklung einer datengesteuerten Arbeitsweise zu unterstützen und Mitarbeitern die Möglichkeit zu geben, ihre KI-Fähigkeiten durch ihre eigene Kreativität und ihr kritisches Denken zu erweitern.

Bei der Rolle der Datenkompetenz für das Wachstum und den Erfolg eines Unternehmens sind noch weitere Faktoren zu berücksichtigen. Die Einstellung, Schulung und Bindung von Datenwissenschaftlern und -analysten ist schwierig – außerdem sind ihre Fähigkeiten oft differenziert und teuer. Laut 365 Data Science, werden die meisten Data Scientists wahrscheinlich nicht länger als 1.7 Jahre an ihrem derzeitigen Arbeitsplatz verbringen. Hochqualifizierte Data Scientists und Analysten erhalten häufig Anfragen für Aufgaben wie den Aufbau einer sauberen Datenquelle für den Vertrieb oder die Erstellung grundlegender Berichte. Mit ihren spezialisierten Fähigkeiten wären ihre Zeit und Fähigkeiten besser geeignet, um an der Modellierung und Entwicklung von Workflows für höherwertige, komplexe Geschäftsfragen zu arbeiten.

Wenn Führungskräfte in KI und Augmented-Analytics-Technologie investieren, kann der Geschäftsanwender – im Vergleich zu einem engagierten Analysten ein eher gelegentlicher Datennutzer – auf die Antworten auf seine Fragen und die Informationen zugreifen, die er für die gute Erledigung seiner Arbeit benötigt, ohne sich über die Arbeitsabläufe Gedanken machen zu müssen Also.

Die Erforschung, wie KI-fähige Lösungen Benutzeraufgaben unterstützen und die richtige Benutzererfahrung finden können, hat ein enormes Potenzial, um das Tool und den Benutzer auf Erfolgskurs zu bringen. Beispielsweise kann ein KI-Tool einige der mühsameren Aufgaben rund um die Datenaufbereitung automatisieren und die Ergebnisse dann dem Menschen zur Verfügung stellen, der den Inhalt basierend auf seinen analytischen Anforderungen weiter analysieren und visualisieren kann.

Fortschritte bei Augmented Analytics helfen Menschen, Fragen schneller zu beantworten

Augmented-Analytics-Lösungen können Geschäftsanwendern das Verständnis von Daten erleichtern, was Unternehmen dabei hilft, den Wert dieser kostspieligen Technologien zu maximieren. Beispielsweise kann Augmented Analytics das Kundeninteresse verstehen und Vorhersagen über Verbraucherpräferenzen, Produktentwicklung und Marketingkanäle treffen. Sie können auch zusätzlichen Kontext zu Trends, Werten und Abweichungen in den eigenen Daten liefern. Ausgefeilte Algorithmen können zusätzliche Visualisierungen vorschlagen, die einem Dashboard hinzugefügt werden können, zusammen mit Texterklärungen und Kontext, der in natürlicher Sprache generiert wird.

Hier sind einige Beispiele für Lösungen, die Ihnen dabei helfen können, Ihre Belegschaft zu verbessern.

1. Datengeschichten. Tableau Cloud umfasst jetzt Datengeschichten, eine dynamische Dashboard-Widget-Funktion, die KI-Algorithmen verwendet, um Daten zu analysieren und eine einfache Geschichte darüber zu schreiben, entweder in Form einer Erzählung oder in Form von Aufzählungszeichen. Die Geschichten verweben Erzählungen über Daten, die über bloße Diagramme und Dashboards hinausgehen, in einem Register, auf das Geschäftsanwender zugreifen können, um viele ihrer Fragen zu beantworten. Dies verringert die Datenkompetenz, die ein Geschäftsanwender benötigt, um die für ihn wichtigsten Informationen zu verstehen. Data Stories zeigt die einfachen Fragen, die ein Benutzer stellt, wenn er zum ersten Mal ein Balkendiagramm oder ein Liniendiagramm betrachtet: War diese Zahl, die wie ein Ausreißer aussieht, wirklich ein Ausreißer? Wie hat sich diese Zahl im Laufe der Zeit verändert? Was ist der Durchschnitt? Die Daten müssen noch interpretiert werden – es ist nicht die ganze Geschichte – aber es ist ein großer Schritt, um die Erkenntnisse aus den Daten freizusetzen.

2. Zeig es mir. Erweiterte Analysefunktionen ermöglichen auch intelligentere Codierungsvorgaben. Beispielsweise empfiehlt Show Me Diagrammtypen und geeignete Markierungscodierungen basierend auf den interessierenden Datenattributen. Die Benutzer können sich dann auf die wichtigsten Erkenntnisse konzentrieren, die sie kommunizieren möchten, und diese Diagramme als Teil ihres visuellen Analyse-Workflows mit ihrem Publikum teilen.

3. Verständnis natürlicher Sprache. Durch ausgefeilte Forschung, umfangreiche Trainingssätze für Sprachmodelle und verbesserte Rechenkapazitäten hat sich im Laufe der Jahre auch das Verständnis natürlicher Sprache erheblich verbessert.

Menschen können analytische Fragen stellen, ohne die Mechanismen der Erstellung von SQL-Abfragen verstehen zu müssen. Mit einer besseren Verständnisabsicht können Schnittstellen in natürlicher Sprache Fragen mit interaktiven Diagrammen beantworten, die Benutzer reparieren, verfeinern und mit ihnen interagieren können, während sie die Daten verstehen.

4. Maschinelles Lernen. Augmented Analytics im Zusammenhang mit ML hat ebenfalls Fortschritte gemacht. Diese Modelle können ausgefeilte und komplexe analytische Aufgaben lernen, wie z. B. Datentransformationsvorgänge, die für einen bestimmten Benutzertyp oder eine Benutzergruppe personalisiert sind. Darüber hinaus verfügen viele Augmented-Analytics-Erfahrungen jetzt über Benutzeroberflächen, die sich intuitiv anfühlen, wodurch die Komplexität des Trainings und der Anwendung eines Modells im analytischen Arbeitsablauf eines Benutzers reduziert wird.

Obwohl KI über unglaubliche Fähigkeiten verfügt, wird sie den Menschen nie vollständig ersetzen. Die Gewinnung von Erkenntnissen auf hoher Ebene aus statistischen Eigenschaften auf niedrigerer Ebene kann komplex und recht differenziert sein. Menschen haben ein höheres Maß an kreativer Erkenntnis; wir sind neugierig; Wir können diese hochrangigen Erkenntnisse aus Daten destillieren.

Empfehlungen zur Förderung der Datenkompetenz

Damit Unternehmen aus ihren Daten umfassendere Erkenntnisse gewinnen können, müssen Mitarbeiter – Geschäftsanwender und Analysten gleichermaßen – darüber aufgeklärt werden, wie sie ihre Daten analysieren sollten, und über Best Practices für die Visualisierung und Präsentation von Daten verfügen. Hier erfahren Sie, wie Unternehmen Best Practices zur Förderung der Datenkompetenz und zur Erweiterung der KI um Analysetools entwickeln können.

1. Investieren Sie in Ausbildung.

Sowohl die richtigen Tools als auch die richtige Ausbildung/Schulung sind für jedes Unternehmen von entscheidender Bedeutung. In einem Studie von Forrester Consulting zur DatenkompetenzNur 40 % der Mitarbeiter gaben an, dass ihr Unternehmen die von ihnen erwartete Schulung zu Datenkompetenzen angeboten habe.¹ Einzelpersonen und Organisationen sollten den Menschen eine bessere Schulung in Bezug auf die besten Praktiken zum Anzeigen und Verstehen ihrer Daten anbieten. Arbeitsplätze sollten Kurse zu Datenvisualisierung und Datenkompetenz anbieten, damit Mitarbeiter Muster verstehen und lernen können, wie Diagramme am besten erstellt und dargestellt werden.

Um Ihre Mitarbeiter zu schulen, können Sie tolle Drittanbieterprogramme von Unternehmen wie z. B. in Anspruch nehmen Qlik, Datenkompetenz, Courseras Data & Analytics Academy, EDX, Datencamp, Khan Academy, Generalversammlung, LinkedIn Learning, und mehr. Tableau-Angebote selbstgesteuertes Lernen, Live-, virtuelle SchulungskurseUnd eine Kostenloser Kurs zur Datenkompetenz. Ähnliche Projekte, die Schulungen beinhalten, von denen einige kostenlos sind, umfassen Daten für die Menschen, Storytelling mit Daten, Die Datenloge, Das Data Literacy-ProjektUnd andere.

Führungskräfte sollten außerdem überlegen: Wie können Ihre Mitarbeiter geschult werden, und zwar nicht nur in der Sprache der Diagramme, sondern auch in einem umfassenderen Paradigma?

Ein Nachteil beim Erstellen von Tools mit vielen erweiterten Funktionen – zu denen KI und maschinelles Lernen gehören – ist, dass sie täuschend einfach aussehen und Benutzer sehr schnell auf Hochtouren bringen können. Ungeschulte Benutzer könnten jedoch ein Diagramm erstellen oder aus einem Diagramm Erkenntnisse gewinnen, die irreführend oder in irgendeiner Weise fehlgeleitet sein könnten.

Es ist wichtig, die Menschen über die Sprache der visuellen Darstellung und die Wissenschaft dahinter aufzuklären, damit sie zumindest über Daten informiert, wenn nicht gar datenkompetent sind. Wie erkennen Menschen beispielsweise, was ein Ausreißer ist? Wie sollten sie Dashboards gestalten, die vertrauenswürdig sind? Sie sollten auch in der Lage sein, den Unterschied zwischen Korrelation und Kausalität zu verstehen. Dadurch wird sichergestellt, dass die Daten korrekt sind und für die Analyse verwendet werden können.

2. Treffen Sie datengesteuerte Entscheidungen.

Der Übergang von der Datenmündigkeit – wo Menschen darüber sprechen, datengesteuerte Entscheidungen zu treffen – hin zu Datenkompetenz – wo Menschen die Fähigkeit haben, Daten zu erforschen, zu verstehen und mit ihnen zu kommunizieren – erfordert die Demokratisierung des Zugangs zu Datenvisualisierungen. Dies bedeutet einen Fokus auf individuelles Lernen und Anwendbarkeit, sollte aber eher eine organisatorische Veränderung sein. Die wahre Demokratisierung der Datenkompetenz berücksichtigt das gesamte Datenökosystem. Es erkennt die Verbreitung von Diagrammen im täglichen Leben der Benutzer an und arbeitet daran, sie allgemein verständlich zu machen.

Menschen sollten Entscheidungen auf der Grundlage von Daten treffen und nicht nur auf subjektiven Meinungen; dies geht zurück auf die Bedeutung von Schulungen, die die Benutzer über die Unterscheidung zwischen Korrelation und Kausalität aufklären. Wie sollen datengetriebene Entscheidungen getroffen werden? Was ist das Medium zur Präsentation von Daten und den wichtigsten Erkenntnissen, damit die Diskussion objektiv bleiben kann, um effektive Entscheidungen zu treffen? Technologieunternehmen sollten beispielsweise Benutzertelemetriedaten verwenden, um zu bestimmen, welche Funktionen entwickelt werden sollen, welche Nutzungsmerkmale sie haben und um Reibungspunkte in der Benutzererfahrung zu identifizieren.

3. Entwickeln und pflegen Sie eine angemessene Infrastruktur.

Um die ersten beiden Empfehlungen zu unterstützen, müssen Führungskräfte sicherstellen, dass ihre Organisation eine angemessene, skalierbare Infrastruktur zur Speicherung und Verwaltung ihrer Daten aufgebaut hat. Sie sollten ihren Organisationen auch dabei helfen, KI-Technologie zu identifizieren und darauf zuzugreifen, die auf die Probleme und Bedürfnisse ihrer Kunden eingeht.

Darüber hinaus müssen Entscheidungsträger über Datenschutz und Vertrauen nachdenken und sich Gedanken machen. Es kann kein nachträglicher Einfall sein; es muss von Anfang an ernsthaft berücksichtigt werden. Die Verantwortung für Datenschutz und -vertrauen sollte bis hinunter zum einzelnen Benutzer destilliert werden, was umfassende Daten-Governance- und -Verwaltungsrichtlinien abdecken können.

Konzentrieren Sie sich weiterhin auf die Bemühungen zur Datenkompetenz

Die Investition in KI- und Augmented-Analytics-Tools wie Data Stories ist ein ausgezeichneter Schritt, um Geschäftsanwendern die Möglichkeit zu geben, Antworten aus ihren Daten zu gewinnen, aber diese Tools werden die Bemühungen um Datenkompetenz ergänzen, anstatt sie zu ersetzen. Darüber hinaus können die richtigen Investitionsformen sowohl in KI-Technologie als auch in Schulungen Menschen effektiv dabei unterstützen, das zu tun, was sie am besten können: Ideen entwickeln und Lösungen entwickeln und gleichzeitig Kundenbedürfnisse erfüllen, alles rund um Daten.

Wenn Sie sich in Ihrem gesamten Unternehmen weiterhin auf die Datenkompetenz konzentrieren, stellen Sie sicher, dass mehr Ihrer Mitarbeiter – der gelegentliche Geschäftsanwender und der erfahrene Datenanalyst – die richtigen Fragen zu Ihren Daten stellen, die zu weiteren Erkenntnissen führen.

WÄHLEN SIE EINEN FLEXIBLEN ANALYSE-PARTNER

Ein Analysepartner wie Tableau bietet umfassende und tiefgreifende Fähigkeiten sowie rollenbasierte Schulungen und ist damit ein flexibler Partner auf dem Weg, herauszufinden, was für Ihr Unternehmen am besten funktioniert. Lerne mehr über Tableau-Wolke.

DATENEINBLICKE FÜR GESCHÄFTSANWENDER

Richten Sie Ihre Geschäftsbenutzer auf den Erfolg ein. Erfahren Sie mehr über Data Stories .