Artırılmış Analitik Dünyasında Veri Okuryazarlığında Gezinme

Makine öğrenimi (ML) ve doğal dil işleme (NLP) gibi yapay zeka (AI) yetenekleri gelişmeye devam ediyor ve artırılmış analitik ürünleri, verileri görme ve anlama ile ilgili birçok görevi güvenilir bir şekilde otomatikleştirebilir. Verilerden elde edilen içgörüleri ortaya çıkarabilen güçlü araçlarla, yöneticiler genellikle şunu merak ediyor: Bu teknoloji gerçekten de veriye olan ihtiyacı azaltıyor mu? veri okuryazarlığı kuruluşlarında eğitim çalışmaları? Hayır, aksine.

Veri okuryazarlığı—verileri bağlam içinde okuma, yazma ve iletme yeteneği—her zamankinden daha önemli. Kuruluşların veriye dayalı bir çalışma yöntemi geliştirmelerine yardımcı olmak ve çalışanları kendi yaratıcılıkları ve eleştirel düşünmeleriyle AI becerilerini artırmaları için güçlendirmek çok önemlidir.

Bir kuruluşun büyümesi ve başarısı için veri okuryazarlığının rolünde dikkate alınması gereken ek faktörler vardır. Veri bilimcileri ve analistlerini işe almak, eğitmek ve elde tutmak zordur, ayrıca becerileri genellikle farklı ve pahalıdır. 365 Veri Bilimine göre, çoğu veri bilimci muhtemelen mevcut iş yerlerinde 1.7 yıldan fazla zaman harcamayacaktır. Yüksek eğitimli veri bilimcileri ve analistleri, genellikle satış için temiz bir veri kaynağı oluşturma veya temel raporları dağıtma gibi görevler için talepler alır. Uzmanlaşmış yetenekleriyle, zamanları ve becerileri, daha değerli, karmaşık iş soruları için iş akışlarını modelleme ve geliştirme üzerinde çalışmaktan daha iyi hizmet edecektir.

Yöneticiler yapay zekaya ve artırılmış analitik teknolojisine yatırım yaptıklarında, iş kullanıcıları - özel bir analistle karşılaştırıldığında daha rahat bir veri kullanıcısıdır - sorularının yanıtlarına ve işlerini iyi yapmak için ihtiyaç duydukları bilgilere, işin mekanikleri hakkında endişelenmeden erişebilir. böyle.

AI özellikli çözümlerin kullanıcı görevlerini nasıl destekleyebileceğini ve doğru kullanıcı deneyimini nasıl bulabileceğini keşfetmek, aracı ve kullanıcıyı başarıya hazırlamak için muazzam bir potansiyele sahiptir. Örneğin, bir AI aracı, veri hazırlama ile ilgili daha sıkıcı görevlerden bazılarını otomatikleştirebilir ve ardından sonuçları, içeriği analitik ihtiyaçlarına göre daha fazla analiz edip görselleştirebilen insanlara sağlayabilir.

Artırılmış Analitikteki Gelişmeler İnsanların Soruları Daha Hızlı Yanıtlamasına Yardımcı Oluyor

Artırılmış analitik çözümleri, iş kullanıcılarının verileri anlamasını kolaylaştırabilir ve bu da şirketlerin bu maliyetli teknolojilerin değerini en üst düzeye çıkarmasına yardımcı olur. Örneğin, artırılmış analitik, müşteri ilgisini anlayabilir ve tüketici tercihleri, ürün geliştirme ve pazarlama kanalları hakkında tahminler sunabilir. Ayrıca kişinin verilerindeki eğilimler, değerler ve farklılıklar hakkında ek bağlam sağlayabilirler. Gelişmiş algoritmalar, metin açıklamaları ve doğal dilde oluşturulan bağlamla birlikte bir panoya eklenebilecek ek görselleştirmeler önerebilir.

İşte iş gücünüzü yükseltmenize yardımcı olabilecek bazı çözüm örnekleri.

1. Veri Hikayeleri. Tableau Cloud artık şunları içeriyor: Veri Hikayeleri, verileri analiz etmek ve bununla ilgili basit bir hikayeyi anlatı veya madde işaretli biçimde yazmak için AI algoritmalarını kullanan dinamik bir pano widget özelliği. Hikayeler, iş kullanıcılarının birçok soruyu yanıtlamak için erişebilecekleri bir kayıtta, yalnızca çizelgelerin ve gösterge tablolarının ötesinde verilerle ilgili anlatıları bir araya getiriyor. Bu, bir iş kullanıcısının kendileri için en önemli olan bilgileri anlaması için ihtiyaç duyduğu veri okuryazarlığı düzeyini azaltır. Veri Hikayeleri, bir kullanıcının bir çubuk grafiğe veya bir çizgi grafiğe ilk baktığında sorduğu basit soruları ortaya çıkarır: Aykırı bir değer gibi görünen bu sayı gerçekten bir aykırı değer miydi? Bu sayı zaman içinde nasıl değişti? Ortalama nedir? Verilerin hala yorumlanması gerekiyor - bu hikayenin tamamı değil - ancak verilerdeki içgörülerin kilidini açmak için büyük bir adım.

2. Bana Göster. Artırılmış analitik özellikleri, daha akıllı kodlama varsayılanlarına da izin verir. Örneğin, Bana Göster ilgilenilen veri özniteliklerine dayalı olarak grafik türleri ve uygun işaret kodlamaları önerir. Kullanıcılar daha sonra iletmek istedikleri üst düzey paket servise odaklanabilir ve bu çizelgeleri görsel analitik iş akışlarının bir parçası olarak izleyicileriyle paylaşabilir.

3. Doğal dil anlayışı. Sofistike araştırmalar, dil modelleri için büyük eğitim setleri ve gelişmiş bilgi işlem yetenekleriyle, doğal dil anlayışı da yıllar içinde önemli ölçüde iyileşmiştir.

İnsanlar, SQL sorguları oluşturmanın mekaniğini anlamak zorunda kalmadan analitik sorular sorabilir. Daha iyi anlamak amacıyla, doğal dil arayüzleri, kullanıcıların verileri anlamlandırırken onarabilecekleri, iyileştirebilecekleri ve etkileşime girebilecekleri etkileşimli grafiklerle soruları yanıtlayabilir.

4. Makine öğrenimi. Makine öğrenimi ile ilgili artırılmış analizler de ilerleme kaydetti. Bu modeller, belirli bir kullanıcı türü veya bir grup kullanıcı için kişiselleştirilmiş veri dönüştürme işlemleri gibi karmaşık ve karmaşık analitik görevleri öğrenebilir. Ayrıca, birçok artırılmış analitik deneyiminin artık sezgisel hissettiren kullanıcı arayüzleri var, bu da eğitimin karmaşıklığını azaltıyor ve bir kullanıcının analitik iş akışında bir model uyguluyor.

AI inanılmaz yeteneklere sahip olsa da, asla insanların yerini tamamen alamaz. Alt düzey istatistiksel özelliklerden yüksek düzeyli çıkarımlar toplamak karmaşık ve oldukça nüanslı olabilir. İnsanlar daha yüksek bir yaratıcı biliş seviyesine sahiptir; meraklıyız; bu üst düzey çıkarımları verilerden damıtabiliriz.

Veri Okuryazarlığını Desteklemek için Öneriler

Kuruluşların verilerinden daha üst düzey içgörüler elde edebilmesi için, çalışanların - iş kullanıcıları ve benzer şekilde analistler - verilerini nasıl analiz etmeleri gerektiği konusunda eğitilmeleri ve verileri görselleştirme ve sunma konusunda en iyi uygulamalara sahip olmaları gerekir. Kuruluşların veri okuryazarlığını teşvik etme ve analitik araçlarıyla yapay zekayı güçlendirme konusunda en iyi uygulamaları nasıl geliştirebileceği aşağıda açıklanmıştır.

1. Eğitime yatırım yapın.

Hem doğru araçlara hem de doğru eğitim/öğretime sahip olmak her kuruluş için kritik öneme sahiptir. İçinde Forrester Consulting'in veri okuryazarlığı üzerine çalışması, çalışanların yalnızca %40'ı kuruluşlarının sahip olmaları beklenen veri becerileri eğitimini sağladığını söyledi.¹ Bireyler ve kuruluşlar, verilerini görme ve anlama konusundaki en iyi uygulamalar açısından insanları daha iyi eğitime maruz bırakmalıdır. İşyerleri, çalışanların kalıpları anlayabilmeleri ve çizelgeler oluşturmanın ve temsil etmenin en iyi yollarını öğrenebilmeleri için veri görselleştirme ve veri okuryazarlığı hakkında kurslar sunmalıdır.

Çalışanlarınızı eğitmek için aşağıdaki gibi şirketlere ait harika üçüncü taraf programlarına kaydolabilirsiniz: Qlik, Veri Okuryazarlığı, Coursera'nın Veri ve Analitik Akademisi, EDX, veri kampı, Khan Academy, Genel Kurul, LinkedIn Öğrenme, ve dahası. Tablo teklifleri kendi kendine öğrenme, canlı, sanal eğitim sınıflarıVe ücretsiz veri okuryazarlığı kursu. Bazıları ücretsiz olan eğitimi içeren benzer projeler şunları içerir: İnsanlara Veriler, Verilerle Hikaye Anlatma, Veri Köşkü, Veri Okuryazarlığı Projesi, Ve diğerleri.

Yöneticiler ayrıca şunları da dikkate almalıdır: Çalışanlarınız sadece çizelgelerin dilinde değil, aynı zamanda daha geniş bir paradigma olarak nasıl eğitilebilirler?

Yapay zeka ve makine öğrenimini içeren çok sayıda artırılmış yeteneğe sahip araç oluşturmanın bir dezavantajı, aldatıcı bir şekilde basit görünebilmeleri ve kullanıcıları çok hızlı bir şekilde hızlandırabilmeleridir. Ancak yetersiz eğitimli kullanıcılar, bir şekilde yanıltıcı veya yanlış yönlendirilmiş olabilecek bir grafikten bir grafik veya paket içgörüler oluşturabilir.

İnsanları görsel temsil dili ve arkasındaki bilim konusunda eğitmek önemlidir, böylece en azından veri okuryazarı olmasalar da veri konusunda bilgi sahibi olurlar. Örneğin, insanlar bir aykırı değerin ne olduğunu nasıl belirler? Güvenilir panoları nasıl tasarlamalılar? Ayrıca korelasyon ve nedensellik arasındaki farkı da anlayabilmelidirler. Bu, verilerin doğru olmasını ve analiz için kullanılabilmesini sağlayacaktır.

2. Veriye dayalı kararlar verin.

İnsanların veriye dayalı kararlar vermekten bahsettiği veri sözlülüğünden, insanların verileri keşfetme, anlama ve iletişim kurma becerisine sahip olduğu veri okuryazarlığına geçmek, veri görselleştirmelerine erişimin demokratikleştirilmesini gerektirir. Bu, bireysel öğrenmeye ve uygulanabilirliğe odaklanmayı gerektirir, ancak daha çok organizasyonel bir değişim olmalıdır. Veri okuryazarlığının gerçek demokratikleşmesi, tüm veri ekosistemini hesaba katar. Kullanıcıların günlük yaşamlarında çizelgelerin çoğalmasını tanır ve onları geniş anlamda anlaşılır kılmak için çalışır.

İnsanlar sadece öznel görüşlere değil, verilere dayalı kararlar vermelidir; bu, kullanıcıları korelasyon ve nedensellik arasındaki ayrım konusunda eğiten eğitimin önemine geri döner. Veriye dayalı kararlar nasıl alınmalıdır? Tartışmanın etkili kararlar almak için nesnel kalabilmesi için verileri ve önemli çıkarımları sunma ortamı nedir? Örneğin, teknoloji şirketleri, hangi özelliklerin oluşturulacağını, kullanım özelliklerini belirlemek ve kullanıcı deneyimindeki herhangi bir sürtünmeyi belirlemek için kullanıcı telemetri verilerini kullanmalıdır.

3. Yeterli altyapıyı geliştirin ve sürdürün.

İlk iki tavsiyeyi desteklemek için yöneticiler, kuruluşlarının verilerini barındırmak ve yönetmek için yeterli, ölçeklenebilir bir altyapı oluşturduğundan emin olmalıdır. Ayrıca, kuruluşlarının müşteri sorunlarına ve ihtiyaçlarına yönelik yapay zeka teknolojisini belirlemelerine ve bunlara erişmelerine yardımcı olmalıdırlar.

Ayrıca, karar vericiler veri gizliliği ve güven konusunda düşünceli ve bilinçli olmalıdır. Bu sonradan düşünülemez; baştan itibaren ciddiyetle dikkate alınmalıdır. Veri gizliliği ve güven sorumluluğu, kapsamlı veri yönetişimi ve yönetimi politikalarının kapsayabileceği şekilde bireysel kullanıcıya kadar damıtılmalıdır.

Veri Okuryazarlığı Çabalarına Odaklanmaya Devam Edin

Yapay zekaya ve Veri Hikayeleri gibi artırılmış analitik araçlarına yatırım yapmak, iş kullanıcılarını verilerinden yanıtlar ortaya çıkarmaya teşvik etmek için mükemmel bir adımdır, ancak bu araçlar, veri okuryazarlığı çabalarını değiştirmek yerine tamamlayacaktır. Ayrıca, hem yapay zeka teknolojisine hem de eğitime yapılan doğru yatırım biçimleri, insanları en iyi oldukları şeyi yapmaları için etkili bir şekilde destekleyebilir: tamamı veri merkezli olmak üzere müşteri ihtiyaçlarını çözerken çözümler tasarlamak ve yaratmak.

Kuruluşunuz genelinde veri okuryazarlığına odaklanmaya devam etmek, daha fazla çalışanınızın (sıradan iş kullanıcısı ve sofistike veri analisti) verileriniz hakkında daha fazla içgörü sağlayacak doğru soruları sormasını sağlayacaktır.

ESNEK BİR ANALİTİK ORTAĞI SEÇİN

Tableau gibi bir analitik iş ortağı, yeteneklerde kapsamlı ve derinlikli olmanın yanı sıra rol tabanlı eğitim sunar; bu da onu şirketiniz için en iyi olanı keşfetme yolculuğunda esnek bir ortak haline getirir. Hakkında daha fazla öğren Tablo Bulutu.

İŞ KULLANICILARI İÇİN VERİ ANLAYIŞLARI

İş kullanıcılarınızı başarı için ayarlayın. Veri Hikayeleri hakkında daha fazla bilgi edinin .