Navigéiere vun Daten Alphabetiséierung an der Welt vun Augmented Analytics

Kënschtlech Intelligenz (AI) Fäegkeeten wéi Maschinn Léieren (ML) an natierlech Sproochveraarbechtung (NLP) verbesseren sech weider, an augmentéiert Analyseprodukter kënne vill Aufgaben zouverlässeg automatiséieren am Zesummenhang mat Daten ze gesinn an ze verstoen. Mat mächtegen Tools, déi Abléck aus Daten kënnen iwwerflächlech sinn, ginn d'Exekutoren dacks gefrot: Reduzéiert dës Technologie tatsächlech de Besoin fir Daten Alphabetiséierung Training Efforten an hiren Organisatiounen? Nee, éischter am Géigendeel.

Daten Alphabetiséierung - d'Fäegkeet Daten am Kontext ze liesen, ze schreiwen an ze kommunizéieren - ass méi wichteg wéi jee. Et ass kritesch fir Organisatiounen ze hëllefen eng dategedriwwen Manéier fir ze schaffen an d'Mataarbechter z'erméiglechen fir AI Fäegkeeten mat hirer eegener Kreativitéit a kriteschen Denken ze vergréisseren.

Et ginn zousätzlech Faktoren ze berücksichtegen an der Roll vun der Date Alphabetiséierung fir de Wuesstum an den Erfolleg vun enger Organisatioun. Astellen, trainéieren an Datewëssenschaftler an Analysten behalen ass schwéier - plus, hir Fäegkeeten sinn dacks nuancéiert an deier. Laut 365 Data Science, déi meescht Datewëssenschaftler wäerten wahrscheinlech net méi wéi 1.7 Joer op hirer aktueller Aarbechtsplaz verbréngen. Datewëssenschaftler an Analysten, déi héich trainéiert sinn, kréien dacks Ufroe fir Aufgaben wéi zum Beispill eng propper Datequell fir Verkaf ze bauen oder Basisberichter auszeschaffen. Mat hire spezialiséierte Fäegkeete wieren hir Zäit a Fäegkeete besser zerwéiert ze schaffen un der Modellerung an der Entwécklung vu Workflows fir méi héichwäerteg, komplex Geschäftsfroen.

Wann d'Exekutoren an AI an augmentéiert Analysetechnologie investéieren, kann de Geschäftsbenotzer - e méi Casual User vun Daten am Verglach zu engem engagéierten Analyst - Zougang zu den Äntwerten op hir Froen an d'Informatioun déi se brauchen fir hir Aarbecht gutt ze maachen ouni sech Suergen iwwer d'Mechanik ze maachen. esou.

Entdeckt wéi AI-aktivéiert Léisunge Benotzer Aufgaben ënnerstëtzen kënnen an déi richteg Benotzererfarung fannen, huet en enorme Potenzial fir den Tool an de Benotzer op Erfolleg ze setzen. Zum Beispill kann en AI-Tool e puer vun de méi langweilegen Aufgaben ronderëm d'Datepräparatioun automatiséieren an dann d'Resultater dem Mënsch ubidden, deen den Inhalt weider analyséiere kann a visualiséieren op Basis vun hiren analytesche Bedierfnesser.

Fortschrëtter an Augmentéiert Analytics hëllefen d'Leit méi séier Froen ze beäntweren

Augmentéiert Analyseléisungen kënnen et méi einfach maachen fir Geschäftsbenotzer Daten ze verstoen, wat Firmen hëlleft de Wäert vun dësen deier Technologien ze maximéieren. Zum Beispill, augmentéiert Analyse kann d'Interesse vum Client verstoen a Prognosen iwwer Konsumentevirléiften, Produktentwécklung a Marketingkanäl ubidden. Si kënnen och zousätzlech Kontext iwwer Trends, Wäerter a Varianzen an engem sengen Donnéeën ubidden. Raffinéiert Algorithmen kënnen zousätzlech Visualiséierunge proposéieren, déi op en Dashboard bäigefüügt kënne ginn, zesumme mat Texterklärungen a Kontext generéiert an der natierlecher Sprooch.

Hei sinn e puer Beispiller vu Léisungen déi hëllefe kënnen Är Aarbechtskräft z'erhéijen.

1. Donnéeën Geschichte. Tableau Cloud enthält elo Daten Geschichten, eng dynamesch Dashboard Widget Feature déi AI Algorithmen benotzt fir Daten ze analyséieren an eng einfach Geschicht doriwwer ze schreiwen an entweder narrativ oder bulleted Form. D'Geschichten wéckelen narrativen iwwer Daten iwwer nëmmen Charts an Dashboards zesummen an engem Register zougänglech fir Geschäftsbenotzer fir vill vun hire Froen ze beäntweren. Dëst reduzéiert den Niveau vun der Datekompetenz, déi e Geschäftsbenotzer brauch fir d'Informatioun am wichtegsten ze verstoen. Data Stories werfen déi einfach Froen déi e Benotzer stellt wa se fir d'éischt e Staangdiagramm oder e Zeildiagramm kucken: War dës Zuel déi ausgesäit wéi en Outlier wierklech en Outlier? Wéi huet dës Zuel sech mat der Zäit geännert? Wat ass den Duerchschnëtt? D'Daten mussen nach ëmmer interpretéiert ginn - et ass net déi ganz Geschicht - awer et ass e grousse Schrëtt fir d'Abléck an d'Daten opzemaachen.

2. Weis mech. Augmentéiert Analysefeatures erlaben och méi schlau Kodéierungsdefaults. Zum Beispill, Show Me recommandéiert Diagrammtypen a passend Markkodéierungen op Basis vun Interessidatenattributer. D'Benotzer kënnen dann op den High-Level Takeaway konzentréieren, deen se wëllen kommunizéieren an dës Charts mat hirem Publikum deelen als Deel vun hirem visuellen analytesche Workflow.

3. Natierlech Sprooch Versteesdemech. Mat sophistikéierter Fuerschung, grousse Trainingssets fir Sproochmodeller a verbesserte Rechenfäegkeeten, ass natierlecht Sproochverständnis och iwwer d'Jore wesentlech verbessert.

D'Leit kënnen analytesch Froen stellen ouni d'Mechanik ze verstoen fir SQL Ufroen ze konstruéieren. Mat besseren Absicht vum Verständnis kënnen natierlech Sprooche-Interfaces Froen mat interaktiven Charts beäntweren, déi d'Benotzer kënne reparéieren, verfeineren an interagéieren mat wéi se Sënn vun den Daten maachen.

4. Maschinn Léieren. Augmentéiert Analyse am Zesummenhang mat ML huet och Schrëtt gemaach. Dës Modeller kënne sophistikéiert a komplex analytesch Aufgaben léieren wéi Datentransformatiounsoperatiounen, déi personaliséiert sinn op eng spezifesch Aart vu Benotzer oder e Grupp vu Benotzer. Ausserdeem hu vill augmentéiert analytesch Erfahrungen elo User-Interfaces déi intuitiv fillen, d'Komplexitéit vum Training reduzéieren an e Modell an engem analytesche Workflow vun engem Benotzer applizéieren.

Och wann AI onheemlech Fäegkeeten huet, wäert et de Mënsch ni komplett ersetzen. Gleaning héich-Niveau Takeaways aus niddereg-Niveau statistesch Eegeschafte kann komplex an éischter nuancéiert ginn. D'Leit hunn e méi héije Niveau vu kreativer Erkenntnis; mir si virwëtzeg; mir kënnen dës héich-Niveau Takeaways aus Daten distilléieren.

Empfehlungen fir d'Fërderung vun Daten Alphabetiséierung

Fir Organisatiounen méi héijen Abléck aus hiren Donnéeën ze spären, mussen d'Mataarbechter - Geschäftsbenotzer an Analysten - gebilt ginn wéi se hir Donnéeën analyséiere sollen a bescht Praktiken hunn fir Daten ze visualiséieren an ze presentéieren. Hei ass wéi Organisatiounen déi bescht Praktiken entwéckelen fir Daten Alphabetiséierung ze förderen an AI mat analyteschen Tools ze vergréisseren.

1. Invest an Training.

Souwuel déi richteg Tools an déi richteg Ausbildung / Training ze hunn ass kritesch fir all Organisatioun. An engem Forrester Consulting Etude iwwer Daten Alphabetiséierung, nëmmen 40% vun de Mataarbechter soten datt hir Organisatioun d'Datenfäegkeetstraining geliwwert huet, déi se erwaart hunn.¹ Eenzelpersounen an Organisatiounen sollten d'Leit op eng besser Ausbildung ausstelle wat déi bescht Praktiken ugeet fir hir Donnéeën ze gesinn an ze verstoen. Aarbechtsplaze solle Coursen iwwer Datevisualiséierung an Date Alphabetiséierung ubidden, sou datt d'Mataarbechter Mustere kënne verstoen an déi bescht Weeër léiere fir Charts ze kreéieren an ze representéieren.

Fir Är Mataarbechter ze trainéieren, kënnt Dir super Drëtt-Partei Programmer vu Firmen wéi Qlik, Daten Alphabetiséierung, Coursera's Data & Analytics Academy, EdX, Datacamp, Khan Academy, Generalversammlung, LinkedIn Learning, a méi. Tableau offréiert selbstgedriwwen Léieren, liewen, virtuell Training Klassen, An engem gratis Cours iwwer daten Alphabetiséierung. Ähnlech Projeten déi Training integréieren, e puer vun deenen gratis sinn, enthalen Daten un d'Leit, Storytelling mat Daten, D'Daten Lodge, Den Data Alphabetiséierung Project, an anerer.

Exekutive sollen och berücksichtegen: Wéi kënnen Är Mataarbechter trainéiert ginn, net nëmmen an der Sprooch vun den Charts, awer och als méi breet Paradigma?

Een Nodeel vum Bau vun Tools déi vill augmentéiert Fäegkeeten hunn - déi AI a Maschinnléieren enthalen - ass datt se täuschend einfach kënne ausgesinn, a si kënnen d'Benotzer ganz séier eropklammen. Awer ënnertrainéiert Benotzer kéinten eng Diagramm oder Takeaway Abléck aus enger Diagramm generéieren déi op iergendeng Manéier irféierend oder falsch sinn.

Et ass wichteg d'Leit iwwer d'Sprooch vun der visueller Representatioun an d'Wëssenschaft hannendrun ze educéieren, sou datt se op d'mannst Donnéeën informéiert sinn, wann net Donnéeën. Zum Beispill, wéi identifizéieren d'Leit wat en Outlier ass? Wéi solle se Dashboards designen déi vertrauenswierdeg sinn? Si sollten och fäeg sinn den Ënnerscheed tëscht Korrelatioun a Kausatioun ze verstoen. Dëst garantéiert datt d'Donnéeën korrekt sinn a kënne fir Analyse benotzt ginn.

2. Maachen daten-ugedriwwen Entscheedungen.

Plënneren vun Dateoralitéit - wou d'Leit schwätzen iwwer Date-Undriff Entscheedungen ze huelen - op Date Alphabetiséierung - wou d'Leit d'Fäegkeet hunn ze entdecken, ze verstoen a mat Daten ze kommunizéieren - erfuerdert den demokrateschen Zougang zu Datenvisualiséierungen. Dëst beinhalt e Fokus op individuell Léieren an Uwendung, awer et sollt méi eng organisatoresch Ännerung sinn. Déi richteg Demokratiséierung vun Daten Alphabetiséierung berücksichtegt de ganzen Ökosystem vun Daten. Et erkennt d'Verbreedung vun Charts am Alldag vun de Benotzer a schafft fir se breed verständlech ze maachen.

D'Leit sollen Entscheedungen baséieren op Daten an net nëmmen op subjektiv Meenungen; dëst geet zréck op d'Wichtegkeet vum Training, deen d'Benotzer iwwer d'Ënnerscheedung tëscht Korrelatioun a Causatioun educéiert. Wéi sollen date-driven Entscheedungen getraff ginn? Wat ass d'Mëttel fir Daten ze presentéieren an déi wichtegst Takeaways sou datt d'Diskussioun objektiv ka bleiwen fir effektiv Entscheedungen ze treffen? Zum Beispill, Tech Firmen sollen Benotzer Telemetrie Daten benotzen ze bestëmmen wat Fonctiounen ze bauen, Benotzen Charakteristiken, an all Reiwung an der Benotzer Erfahrung z'identifizéieren.

3. Entwéckelen an erhalen adäquate Infrastruktur.

Fir déi éischt zwou Empfehlungen z'ënnerstëtzen, mussen d'Exekutoren suergen, datt hir Organisatioun eng adäquat, skalierbar Infrastruktur gebaut huet fir hir Donnéeën ze ënnerhalen an ze regéieren. Si sollten och hëllefen hir Organisatiounen z'identifizéieren an Zougang zu AI Technologie ze kréien, déi hir Clientsproblemer a Bedierfnesser adresséiert.

Ausserdeem mussen Entscheedungshändler nodenklech a bewosst sinn iwwer Dateschutz a Vertrauen. Et kann net eng Nofro sinn; et muss vun Ufank un eescht berücksichtegt ginn. D'Verantwortung fir Dateschutz a Vertrauen soll bis op den eenzelne Benotzer distilléiert ginn, wat eng ëmfaassend Dategouvernance a Gestiounspolitik kann ofdecken.

Fuert weider op Daten Alphabetiséierung Efforten

Investéieren an AI an augmentéiert Analyse Tools wéi Data Stories ass en exzellente Schrëtt fir Geschäftsbenotzer z'erméiglechen Äntwerten aus hiren Donnéeën z'entdecken, awer dës Tools ergänzen d'Date Alphabetiséierung Efforten anstatt se ze ersetzen. Ausserdeem kënnen déi richteg Formen vun Investitioun a béid AI Technologie an Training d'Mënschen effektiv ënnerstëtzen fir ze maachen wat se am Beschten sinn: Iddien a Léisunge kreéieren wärend Clientebedürfnisser léisen, alles zentréiert ronderëm Daten.

Weiderhin op Daten Alphabetiséierung uechter Är Organisatioun ze konzentréieren wäert suergen, datt méi vun Äre Mataarbechter - de Casual Business Benotzer an de sophistikéierten Datanalytiker - déi richteg Froen iwwer Är Donnéeën stellen, déi zu weideren Abléck féieren.

WËLLT E FLEXIBLE ANALYTICS PARTNER

En Analysepartner wéi Tableau bitt Breet an Déift u Fäegkeeten souwéi Roll-baséiert Training - et mécht et e flexibele Partner op der Rees fir ze entdecken wat am Beschten fir Är Firma funktionnéiert. Léiere méi iwwer Tableau Cloud.

Donnéeën Abléck FIR BUSINESS BENOTZER

Setzt Är Geschäftsbenotzer fir Erfolleg op. Léiert méi iwwer Data Stories hei.