Navegando na alfabetização de dados no mundo da análise aumentada

Os recursos de inteligência artificial (IA), como aprendizado de máquina (ML) e processamento de linguagem natural (NLP), continuam a melhorar, e os produtos de análise aumentada podem automatizar de maneira confiável muitas tarefas relacionadas à visualização e compreensão de dados. Com ferramentas poderosas que podem trazer insights de dados, os executivos muitas vezes ficam se perguntando: essa tecnologia realmente reduz a necessidade de literacia de dados esforços de treinamento em suas organizações? Não, muito pelo contrário.

A alfabetização de dados – a capacidade de ler, escrever e comunicar dados no contexto – é mais importante do que nunca. É fundamental para ajudar as organizações a desenvolver uma maneira de trabalhar orientada por dados e capacitar os funcionários para aumentar as habilidades de IA com sua própria criatividade e pensamento crítico.

Há fatores adicionais a serem considerados no papel da alfabetização de dados para o crescimento e o sucesso de uma organização. Contratar, treinar e reter cientistas e analistas de dados é difícil – além disso, suas habilidades geralmente são diferenciadas e caras. De acordo com a 365 Data Science, a maioria dos cientistas de dados provavelmente não passará mais de 1.7 ano em seu local de trabalho atual. Cientistas e analistas de dados, altamente treinados, geralmente recebem solicitações de tarefas como criar uma fonte de dados limpa para vendas ou produzir relatórios básicos. Com suas habilidades especializadas, seu tempo e conjunto de habilidades seriam mais bem servidos trabalhando na modelagem e desenvolvimento de fluxos de trabalho para questões de negócios complexas e de maior valor.

Quando os executivos investem em IA e tecnologia de análise aumentada, o usuário de negócios – um usuário de dados mais casual em comparação com um analista dedicado – pode acessar as respostas para suas perguntas e as informações necessárias para fazer bem seu trabalho sem se preocupar com a mecânica de fazer. assim.

Explorar como as soluções habilitadas para IA podem dar suporte às tarefas do usuário e encontrar a experiência certa do usuário tem um enorme potencial para preparar a ferramenta e o usuário para o sucesso. Por exemplo, uma ferramenta de IA pode automatizar algumas das tarefas mais tediosas relacionadas à preparação de dados e fornecer os resultados ao humano, que pode analisar e visualizar o conteúdo com base em suas necessidades analíticas.

Avanços no Augmented Analytics ajudam as pessoas a responder perguntas mais rapidamente

As soluções de análise aumentada podem facilitar a compreensão dos dados pelos usuários de negócios, o que ajuda as empresas a maximizar o valor dessas tecnologias caras. Por exemplo, a análise aumentada pode entender o interesse do cliente e oferecer previsões sobre as preferências do consumidor, desenvolvimento de produtos e canais de marketing. Eles também podem fornecer contexto adicional sobre tendências, valores e variações nos dados de uma pessoa. Algoritmos sofisticados podem sugerir visualizações adicionais que podem ser adicionadas a um painel, juntamente com explicações de texto e contexto gerado em linguagem natural.

Aqui estão alguns exemplos de soluções que podem ajudar a elevar sua força de trabalho.

1. Histórias de Dados. O Tableau Cloud agora inclui Histórias de dados, um recurso de widget de painel dinâmico que emprega algoritmos de IA para analisar dados e escrever uma história simples sobre eles em forma narrativa ou com marcadores. As histórias tecem narrativas sobre dados além de meros gráficos e painéis em um registro acessível aos usuários de negócios para responder a muitas de suas perguntas. Isso reduz o nível de alfabetização de dados que um usuário de negócios precisa para entender as informações mais importantes para eles. As histórias de dados apresentam as perguntas simples que um usuário faz quando olha pela primeira vez para um gráfico de barras ou de linhas: esse número que parece um valor discrepante é realmente um valor atípico? Como esse número mudou ao longo do tempo? Qual é a média? Os dados ainda precisam ser interpretados – não é toda a história – mas é um grande passo para desvendar os insights nos dados.

2. Mostre-me. Os recursos de análise aumentada também permitem padrões de codificação mais inteligentes. Por exemplo, o Show Me recomenda tipos de gráficos e codificações de marca apropriadas com base nos atributos de dados de interesse. Os usuários podem então se concentrar no conteúdo de alto nível que desejam comunicar e compartilhar esses gráficos com seu público como parte de seu fluxo de trabalho analítico visual.

3. Compreensão da linguagem natural. Com pesquisas sofisticadas, grandes conjuntos de treinamento para modelos de linguagem e recursos de computação aprimorados, a compreensão da linguagem natural também melhorou significativamente ao longo dos anos.

As pessoas podem fazer perguntas analíticas sem ter que entender a mecânica de construção de consultas SQL. Com melhor intenção de compreensão, as interfaces de linguagem natural podem responder a perguntas com gráficos interativos que os usuários podem reparar, refinar e interagir à medida que entendem os dados.

4. Aprendizado de máquina. A análise aumentada relacionada ao ML também avançou. Esses modelos podem aprender tarefas analíticas sofisticadas e complexas, como operações de transformação de dados personalizadas para um tipo específico de usuário ou grupo de usuários. Além disso, muitas experiências de análise aumentada agora têm interfaces de usuário intuitivas, reduzindo a complexidade do treinamento e aplicando um modelo no fluxo de trabalho analítico de um usuário.

Embora a IA tenha capacidades incríveis, ela nunca substituirá completamente os humanos. Coletar conclusões de alto nível de propriedades estatísticas de nível inferior pode ser complexo e bastante sutil. As pessoas têm um nível mais alto de cognição criativa; somos curiosos; podemos destilar essas conclusões de alto nível dos dados.

Recomendações para promover a alfabetização de dados

Para que as organizações obtenham insights de alto nível de seus dados, os funcionários - usuários de negócios e analistas - devem ser instruídos sobre como devem analisar seus dados e ter as melhores práticas para visualizar e apresentar dados. Veja como as organizações podem desenvolver as melhores práticas para promover a alfabetização de dados e aumentar a IA com ferramentas de análise.

1. Invista em treinamento.

Ter as ferramentas certas e a educação/treinamento certo é fundamental para qualquer organização. Em um Estudo da Forrester Consulting sobre alfabetização de dados, apenas 40% dos funcionários disseram que sua organização forneceu o treinamento de habilidades de dados que eles deveriam ter.¹ Indivíduos e organizações devem expor as pessoas a um melhor treinamento em termos das melhores práticas de visualização e compreensão de seus dados. Os locais de trabalho devem oferecer cursos sobre visualização de dados e alfabetização de dados para que os funcionários possam entender padrões e aprender as melhores maneiras de criar e representar gráficos.

Para treinar seus funcionários, você pode contratar ótimos programas de terceiros de empresas como Qlik, Literacia de dados, Academia de dados e análises do Coursera, EDX, Campo de dados, Khan Academy, Assembleia Geral, LinkedIn Learning, e mais. Ofertas do Tableau aprendizagem autodidata, aulas de treinamento ao vivo e virtuaise um curso gratuito de alfabetização de dados. Projetos semelhantes que incorporam treinamento, alguns dos quais são gratuitos, incluem Dados para as pessoas, Contação de histórias com dados, A Loja de Dados, O projeto de alfabetização de dados, E outros.

Os executivos também devem considerar: Como seus funcionários podem ser treinados, não apenas na linguagem dos gráficos, mas também em um paradigma mais amplo?

Uma desvantagem de criar ferramentas com muitos recursos aprimorados – que incluem IA e aprendizado de máquina – é que podem parecer enganosamente simples e podem aumentar os usuários muito rapidamente. Mas usuários destreinados podem gerar um gráfico ou insights de um gráfico que podem ser enganosos ou mal orientados de alguma forma.

É importante educar as pessoas sobre a linguagem da representação visual e a ciência por trás dela para que elas, pelo menos, sejam informadas de dados, se não alfabetizadas. Por exemplo, como as pessoas identificam o que é um outlier? Como eles devem projetar painéis que sejam confiáveis? Eles também devem ser capazes de entender a distinção entre correlação e causalidade. Isso garantirá que os dados sejam precisos e possam ser usados ​​para análise.

2. Tome decisões baseadas em dados.

Passar da oralidade de dados – onde as pessoas falam sobre tomar decisões baseadas em dados – para a alfabetização de dados – onde as pessoas têm a capacidade de explorar, entender e se comunicar com dados – requer democratizar o acesso a visualizações de dados. Isso implica um foco no aprendizado individual e na aplicabilidade, mas deve ser mais uma mudança organizacional. A verdadeira democratização da alfabetização de dados leva em consideração todo o ecossistema de dados. Ele reconhece a proliferação de gráficos na vida diária dos usuários e trabalha para torná-los amplamente inteligíveis.

As pessoas deveriam tomar decisões com base em dados e não apenas em opiniões subjetivas; isso remonta à importância do treinamento que educa os usuários sobre a distinção entre correlação e causalidade. Como as decisões baseadas em dados devem ser tomadas? Qual é o meio de apresentação de dados e as principais conclusões para que a discussão possa permanecer objetiva para tomar decisões eficazes? Por exemplo, as empresas de tecnologia devem usar dados de telemetria do usuário para determinar quais recursos construir, características de uso e identificar qualquer atrito na experiência do usuário.

3. Desenvolver e manter infraestrutura adequada.

Para apoiar as duas primeiras recomendações, os executivos devem garantir que sua organização tenha construído uma infraestrutura adequada e escalável para hospedar e controlar seus dados. Eles também devem ajudar suas organizações a identificar e obter acesso à tecnologia de IA que atenda aos problemas e necessidades de seus clientes.

Além disso, os tomadores de decisão devem ser ponderados e deliberados sobre a privacidade e a confiança dos dados. Não pode ser uma reflexão tardia; ela deve ser levada em consideração desde o início. A responsabilidade da privacidade e confiança dos dados deve ser destilada até o usuário individual, que políticas abrangentes de governança e gerenciamento de dados podem cobrir.

Continue focando nos esforços de alfabetização de dados

Investir em IA e ferramentas de análise aumentada, como Data Stories, é um excelente passo para capacitar os usuários de negócios a descobrir respostas de seus dados, mas essas ferramentas complementarão os esforços de alfabetização de dados em vez de substituí-los. Além disso, as formas corretas de investimento em tecnologia e treinamento de IA podem efetivamente ajudar os humanos a fazer o que são melhores: idealizar e criar soluções enquanto atendem às necessidades dos clientes, tudo centrado em dados.

Continuar o foco na alfabetização de dados em toda a sua organização garantirá que mais de seus funcionários – o usuário comercial casual e o analista de dados sofisticado – estejam fazendo as perguntas certas sobre seus dados que levarão a mais insights.

ESCOLHA UM PARCEIRO DE ANÁLISE FLEXÍVEL

Um parceiro de análise como o Tableau oferece amplitude e profundidade em recursos, bem como treinamento baseado em função, tornando-o um parceiro flexível na jornada para descobrir o que funciona melhor para sua empresa. Aprender mais sobre Nuvem do Tableau.

INSIGHTS DE DADOS PARA USUÁRIOS DE NEGÓCIOS

Configure seus usuários de negócios para o sucesso. Saiba mais sobre histórias de dados Aqui.