قابلیتهای هوش مصنوعی (AI) مانند یادگیری ماشینی (ML) و پردازش زبان طبیعی (NLP) همچنان در حال بهبود هستند و محصولات تجزیه و تحلیل افزوده میتوانند به طور قابل اعتماد بسیاری از وظایف مربوط به دیدن و درک دادهها را خودکار کنند. با ابزارهای قدرتمندی که میتوانند بینشهایی را از دادهها به دست آورند، مدیران اغلب با تعجب مواجه میشوند: آیا این فناوری واقعاً نیاز به سواد داده تلاش های آموزشی در سازمان های خود؟ نه، بلکه برعکس
سواد داده – توانایی خواندن، نوشتن و برقراری ارتباط دادهها در متن – مهمتر از همیشه است. این برای کمک به سازمانها برای توسعه روش کار مبتنی بر داده و توانمندسازی کارکنان برای تقویت مهارتهای هوش مصنوعی با خلاقیت و تفکر انتقادی خود بسیار مهم است.
عوامل دیگری وجود دارد که باید در نقش سواد داده برای رشد و موفقیت یک سازمان در نظر گرفت. استخدام، آموزش، و حفظ دانشمندان و تحلیلگران داده دشوار است - به علاوه، مهارت های آنها اغلب ظریف و گران است. طبق 365 Data Scienceاکثر دانشمندان داده احتمالاً بیش از 1.7 سال را در محل کار فعلی خود نمی گذرانند. دانشمندان و تحلیلگران داده، که بسیار آموزش دیده اند، اغلب درخواست هایی برای کارهایی مانند ایجاد یک منبع داده تمیز برای فروش یا تهیه گزارش های اساسی دریافت می کنند. با تواناییهای تخصصیشان، زمان و مجموعه مهارتهای آنها برای کار بر روی مدلسازی و توسعه گردشهای کاری برای سؤالات تجاری با ارزش بالاتر و پیچیده بهتر مورد استفاده قرار میگیرد.
وقتی مدیران بر روی هوش مصنوعی و فناوری تجزیه و تحلیل افزوده سرمایهگذاری میکنند، کاربر تجاری - کاربر معمولیتری از دادهها در مقایسه با یک تحلیلگر اختصاصی - میتواند به پاسخ سوالات خود و اطلاعاتی که برای انجام وظایف خود به خوبی نیاز دارد، بدون نگرانی در مورد مکانیک انجام آن دسترسی پیدا کند. بنابراین.
بررسی اینکه چگونه راهحلهای دارای هوش مصنوعی میتوانند از وظایف کاربر پشتیبانی کنند و تجربه کاربری مناسب را بیابند، پتانسیل بسیار زیادی برای تنظیم ابزار و کاربر برای موفقیت دارد. به عنوان مثال، یک ابزار هوش مصنوعی میتواند برخی از کارهای خستهکنندهتر در مورد آمادهسازی دادهها را خودکار کند و سپس نتایج را در اختیار انسان قرار دهد، که میتواند بر اساس نیازهای تحلیلی خود، محتوا را بیشتر تحلیل و تجسم کند.
پیشرفتها در تجزیه و تحلیل افزوده به افراد کمک میکند سریعتر به سوالات پاسخ دهند
راه حل های تجزیه و تحلیل افزوده می تواند درک داده ها را برای کاربران تجاری آسان تر کند، که به شرکت ها کمک می کند تا ارزش این فناوری های پرهزینه را به حداکثر برسانند. به عنوان مثال، تجزیه و تحلیل افزوده می تواند علاقه مشتری را درک کند و پیش بینی هایی در مورد ترجیحات مصرف کننده، توسعه محصول و کانال های بازاریابی ارائه دهد. آنها همچنین می توانند زمینه اضافی در مورد روندها، ارزش ها و واریانس ها در داده های فرد ارائه دهند. الگوریتمهای پیچیده میتوانند تجسمهای بیشتری را پیشنهاد کنند که میتوان به داشبورد اضافه کرد، همراه با توضیحات متن و زمینه ایجاد شده به زبان طبیعی.
در اینجا چند نمونه از راه حل هایی وجود دارد که می تواند به ارتقای نیروی کار شما کمک کند.
1. داستان های داده. Tableau Cloud اکنون شامل می شود داستان های دادهیک ویژگی ویجت داشبورد پویا که از الگوریتمهای هوش مصنوعی برای تجزیه و تحلیل دادهها و نوشتن یک داستان ساده در مورد آن به صورت روایی یا گلولهای استفاده میکند. داستانها روایتهایی را درباره دادههای فراتر از نمودارها و داشبوردهای صرف در یک ثبت نام که برای کاربران تجاری برای پاسخ به بسیاری از سؤالات آنها در دسترس است، به هم میپیوندد. این امر سطح سواد داده ای را کاهش می دهد که یک کاربر تجاری برای درک مهم ترین اطلاعات برای آنها نیاز دارد. داستانهای داده سؤالات سادهای را که کاربر برای اولین بار به نمودار میلهای یا نمودار خطی نگاه میکند، نشان میدهد: آیا این عدد که شبیه یک نقطه پرت است واقعاً یک عدد پرت بود؟ این عدد در طول زمان چگونه تغییر کرده است؟ میانگین چنده؟ داده ها هنوز نیاز به تفسیر دارند - این کل داستان نیست - اما گامی بزرگ به سوی باز کردن بینش در داده ها است.
2. به من نشان بده. ویژگی های تجزیه و تحلیل افزوده همچنین امکان کدگذاری پیش فرض های هوشمندتر را فراهم می کند. به عنوان مثال، Show Me انواع نمودار و رمزگذاری علامت های مناسب را بر اساس ویژگی های داده مورد علاقه توصیه می کند. سپس کاربران می توانند بر روی غذای سطح بالایی که می خواهند با آنها ارتباط برقرار کنند تمرکز کنند و این نمودارها را به عنوان بخشی از گردش کار تحلیلی بصری خود با مخاطبان خود به اشتراک بگذارند.
3. درک زبان طبیعی. با تحقیقات پیچیده، مجموعههای آموزشی بزرگ برای مدلهای زبان و بهبود قابلیتهای محاسباتی، درک زبان طبیعی نیز طی سالها به طور قابل توجهی بهبود یافته است.
افراد می توانند بدون نیاز به درک مکانیزم ساخت پرس و جوهای SQL سوالات تحلیلی بپرسند. با درک بهتر، رابطهای زبان طبیعی میتوانند به سؤالات با نمودارهای تعاملی پاسخ دهند که کاربران میتوانند با درک دادهها، آنها را تعمیر، اصلاح کنند و با آنها تعامل داشته باشند.
4. یادگیری ماشینی. تجزیه و تحلیل های تقویت شده مرتبط با ML نیز پیشرفت هایی داشته است. این مدلها میتوانند وظایف تحلیلی پیچیده و پیچیدهای مانند عملیات تبدیل دادهها را که برای نوع خاصی از کاربر یا گروهی از کاربران شخصیسازی میشوند، بیاموزند. علاوه بر این، بسیاری از تجربیات تجزیه و تحلیل افزوده در حال حاضر دارای رابط های کاربری هستند که احساس بصری دارند و پیچیدگی آموزش و استفاده از یک مدل را در گردش کار تحلیلی کاربر کاهش می دهند.
اگرچه هوش مصنوعی دارای قابلیت های باورنکردنی است، اما هرگز به طور کامل جایگزین انسان ها نخواهد شد. جمع آوری مواد اولیه سطح بالا از ویژگی های آماری سطح پایین می تواند پیچیده و نسبتاً ظریف باشد. افراد دارای سطح بالاتری از شناخت خلاق هستند. ما کنجکاو هستیم ما میتوانیم این برداشتهای سطح بالا را از دادهها استخراج کنیم.
توصیه هایی برای تقویت سواد داده
برای اینکه سازمان ها بینش های سطح بالاتر را از داده های خود باز کنند، کارمندان - کاربران تجاری و تحلیلگران به طور یکسان - باید در مورد اینکه چگونه باید داده های خود را تجزیه و تحلیل کنند و بهترین شیوه ها را برای تجسم و ارائه داده ها داشته باشند، آموزش ببینند. در اینجا آمده است که چگونه سازمان ها می توانند بهترین شیوه ها را در ارتقاء سواد داده و تقویت هوش مصنوعی با ابزارهای تحلیلی توسعه دهند.
1. در آموزش سرمایه گذاری کنید.
داشتن ابزار مناسب و آموزش/آموزش مناسب برای هر سازمانی حیاتی است. در یک مطالعه Forrester Consulting در مورد سواد دادهتنها 40 درصد از کارکنان گفتند که سازمان آنها آموزش مهارت های داده ای را که انتظار می رود داشته باشند ارائه کرده است.1 افراد و سازمانها باید افراد را از نظر بهترین شیوههای دیدن و درک دادههایشان در معرض آموزش بهتر قرار دهند. محل های کاری باید دوره هایی را در مورد تجسم داده ها و سواد داده ارائه دهند تا کارمندان بتوانند الگوها را درک کنند و بهترین راه ها برای ایجاد و نمایش نمودارها را بیاموزند.
برای آموزش کارکنان خود، می توانید برنامه های عالی شخص ثالث را توسط شرکت هایی مانند قلیک, سواد داده, آکادمی داده و تجزیه و تحلیل Coursera, EdX, دیتاکمپ, آکادمی خان, مجمع عمومی, یادگیری LinkedIn، و بیشتر. تابلو ارائه می دهد یادگیری خود محور, کلاس های آموزشی زنده و مجازیو دوره رایگان سواد داده. پروژههای مشابهی که شامل آموزش هستند، که برخی از آنها رایگان هستند، شامل میشوند داده ها به مردم, داستان سرایی با داده, لژ داده, پروژه سواد داده، و دیگران.
مدیران اجرایی همچنین باید در نظر داشته باشند: چگونه می توان کارکنان شما را نه تنها به زبان نمودارها بلکه به عنوان یک الگوی گسترده تر آموزش داد؟
یکی از نکات منفی ساخت ابزارهایی که قابلیتهای تقویتشده زیادی دارند - که شامل هوش مصنوعی و یادگیری ماشینی میشود - این است که میتوانند به طرز فریبندهای ساده به نظر برسند و میتوانند خیلی سریع کاربران را افزایش دهند. اما کاربران کمآموزش میتوانند نمودار یا بینشهای اولیه را از نمودار ایجاد کنند که میتواند به نوعی گمراهکننده یا نادرست باشد.
آموزش زبان بازنمایی بصری و علم پشت آن به مردم بسیار مهم است تا حداقل از داده ها مطلع باشند، اگر نه سواد داده باشند. به عنوان مثال، مردم چگونه تشخیص می دهند که نقطه پرت چیست؟ چگونه باید داشبوردهایی را طراحی کنند که قابل اعتماد باشند؟ آنها همچنین باید بتوانند تمایز بین همبستگی و علیت را درک کنند. این اطمینان حاصل می کند که داده ها دقیق هستند و می توان از آنها برای تجزیه و تحلیل استفاده کرد.
2. تصمیمات مبتنی بر داده بگیرید.
حرکت از شفاهی دادهها - جایی که مردم درباره تصمیمگیریهای مبتنی بر داده صحبت میکنند - به سواد داده - جایی که مردم توانایی کاوش، درک و برقراری ارتباط با دادهها را دارند - نیاز به دسترسی دموکراتیک به تجسم دادهها دارد. این مستلزم تمرکز بر یادگیری و کاربرد فردی است، اما باید بیشتر یک تغییر سازمانی باشد. دموکراتیک کردن واقعی سواد داده، کل اکوسیستم داده را در نظر می گیرد. گسترش نمودارها را در زندگی روزمره کاربران به رسمیت می شناسد و تلاش می کند تا آنها را به طور گسترده قابل درک کند.
مردم باید بر اساس داده ها و نه فقط بر اساس نظرات ذهنی تصمیم گیری کنند. این به اهمیت آموزشی برمی گردد که به کاربران در مورد تمایز بین همبستگی و علیت آموزش می دهد. تصمیمات داده محور چگونه باید گرفته شود؟ رسانه ارائه داده ها و نکات کلیدی چیست تا بحث بتواند برای تصمیم گیری موثر باقی بماند؟ برای مثال، شرکتهای فناوری باید از دادههای تلهمتری کاربر برای تعیین ویژگیهای ساخت، ویژگیهای استفاده و شناسایی هرگونه اصطکاک در تجربه کاربر استفاده کنند.
3. توسعه و حفظ زیرساخت های مناسب.
برای حمایت از دو توصیه اول، مدیران باید اطمینان حاصل کنند که سازمان آنها زیرساخت مناسب و مقیاس پذیری برای نگهداری و اداره داده های خود ایجاد کرده است. آنها همچنین باید به سازمان های خود کمک کنند تا فناوری هوش مصنوعی را شناسایی کنند و به آن دسترسی پیدا کنند که مشکلات و نیازهای مشتریان آنها را برطرف می کند.
علاوه بر این، تصمیم گیرندگان باید در مورد حفظ حریم خصوصی و اعتماد داده ها متفکر و عمدی باشند. این نمی تواند یک فکر بعدی باشد. باید از همان ابتدا به طور جدی مورد توجه قرار گیرد. مسئولیت حفظ حریم خصوصی و اعتماد دادهها باید تا حدی به کاربر اختصاص داده شود، که سیاستهای حاکمیت و مدیریت داده جامع میتواند آن را پوشش دهد.
به تمرکز بر تلاشهای سواد دادهای ادامه دهید
سرمایه گذاری در هوش مصنوعی و ابزارهای تجزیه و تحلیل افزوده مانند Data Stories گامی عالی در جهت توانمندسازی کاربران تجاری برای کشف پاسخ از داده های خود است، اما این ابزارها به جای جایگزینی، تلاش های سواد داده را تکمیل می کنند. علاوه بر این، شکلهای مناسب سرمایهگذاری هم در فناوری هوش مصنوعی و هم در آموزش میتواند به طور مؤثر از انسانها برای انجام آنچه در بهترین است حمایت کند: ایدهپردازی و ایجاد راهحل در حین حل نیازهای مشتری، همه حول محور دادهها.
تداوم تمرکز بر سواد داده در سراسر سازمان تضمین می کند که تعداد بیشتری از کارمندان شما - کاربر معمولی کسب و کار و تحلیلگر داده پیچیده - سؤالات درستی در مورد داده های شما می پرسند که به بینش های بیشتری منجر می شود.
یک شریک تجزیه و تحلیل انعطاف پذیر را انتخاب کنید
شریک تجزیه و تحلیلی مانند Tableau وسعت و عمق در قابلیتها و همچنین آموزش مبتنی بر نقش را ارائه میدهد و آن را به شریکی انعطافپذیر در سفر به کشف آنچه برای شرکت شما بهترین کار میکند تبدیل میکند. بیشتر بدانید Tableau Cloud.
اطلاعات بینش داده برای کاربران تجاری
کاربران کسب و کار خود را برای موفقیت تنظیم کنید. درباره Data Stories بیشتر بیاموزید اینجا.
منبع: https://www.forbes.com/sites/tableau/2022/07/26/navigating-data-literacy-in-the-world-of-augmented-analytics/