Տվյալների գրագիտության նավարկություն ընդլայնված վերլուծությունների աշխարհում

Արհեստական ​​ինտելեկտի (AI) հնարավորությունները, ինչպիսիք են մեքենայական ուսուցումը (ML) և բնական լեզվի մշակումը (NLP) շարունակում են բարելավվել, և ընդլայնված վերլուծական արտադրանքները կարող են հուսալիորեն ավտոմատացնել շատ առաջադրանքներ՝ կապված տվյալների տեսնելու և հասկանալու հետ: Ունենալով հզոր գործիքներ, որոնք կարող են բացահայտել տվյալներից ստացված պատկերացումները, ղեկավարները հաճախ հարցնում են. Արդյո՞ք այս տեխնոլոգիան իրականում նվազեցնում է անհրաժեշտությունը: տվյալների գրագիտություն վերապատրաստման ջանքերն իրենց կազմակերպություններում. Ոչ, ավելի շուտ հակառակը։

Տվյալների գրագիտությունը՝ տվյալների համատեքստում կարդալու, գրելու և փոխանցելու ունակությունը, ավելի կարևոր է, քան երբևէ: Այն շատ կարևոր է կազմակերպություններին օգնելու համար մշակել տվյալների վրա հիմնված աշխատելու ձև և աշխատողներին հզորացնել AI-ի հմտությունները իրենց ստեղծագործական և քննադատական ​​մտածողությամբ ավելացնելու համար:

Կան լրացուցիչ գործոններ, որոնք պետք է հաշվի առնել կազմակերպության աճի և հաջողության համար տվյալների գրագիտության դերում: Գիտնականների և վերլուծաբանների աշխատանքի ընդունումը, վերապատրաստումը և տվյալների պահպանումը դժվար է, բացի այդ, նրանց հմտությունները հաճախ նրբերանգ են և թանկ: Համաձայն 365 Data Science, տվյալների գիտնականների մեծամասնությունը, հավանաբար, 1.7 տարուց ավելի չի անցկացնի իրենց ներկայիս աշխատավայրում: Տվյալների գիտնականներն ու վերլուծաբանները, ովքեր ունեն բարձր պատրաստվածություն, հաճախ դիմումներ են ստանում այնպիսի առաջադրանքների համար, ինչպիսիք են վաճառքի համար մաքուր տվյալների աղբյուր ստեղծելը կամ հիմնական հաշվետվությունների պատրաստումը: Իրենց մասնագիտացված ունակություններով՝ նրանց ժամանակն ու հմտությունները ավելի լավ կծառայեն՝ աշխատելով մոդելավորման և աշխատանքային հոսքերի մշակման վրա՝ բարձրարժեք, բարդ բիզնես հարցերի համար:

Երբ ղեկավարները ներդրումներ են կատարում արհեստական ​​ինտելեկտի և ընդլայնված վերլուծական տեխնոլոգիաների մեջ, բիզնես օգտատերը՝ տվյալների ավելի պատահական օգտագործողը, քան նվիրված վերլուծաբանը, կարող է մուտք գործել իրենց հարցերի պատասխանները և իրենց աշխատանքը լավ անելու համար անհրաժեշտ տեղեկատվությունը՝ առանց անհանգստանալու դրանց կատարման մեխանիզմի մասին: այսպես.

Ուսումնասիրելով, թե ինչպես AI-ով միացված լուծումները կարող են աջակցել օգտատիրոջ առաջադրանքներին և գտնել օգտատիրոջ ճիշտ փորձը, հսկայական ներուժ ունի գործիքը և օգտագործողին հաջողության հասնելու համար: Օրինակ, AI գործիքը կարող է ավտոմատացնել տվյալների պատրաստման հետ կապված որոշ ավելի հոգնեցուցիչ առաջադրանքներ, այնուհետև արդյունքները տրամադրել մարդուն, որը կարող է հետագայում վերլուծել և պատկերացնել բովանդակությունը՝ ելնելով իրենց վերլուծական կարիքներից:

Ընդլայնված վերլուծությունում առաջընթացներն օգնում են մարդկանց ավելի արագ պատասխանել հարցերին

Ընդլայնված վերլուծական լուծումները կարող են հեշտացնել բիզնես օգտատերերի համար տվյալների ըմբռնումը, որն օգնում է ընկերություններին առավելագույնի հասցնել այս թանկարժեք տեխնոլոգիաների արժեքը: Օրինակ, ընդլայնված վերլուծությունը կարող է հասկանալ հաճախորդների հետաքրքրությունը և կանխատեսումներ առաջարկել սպառողների նախասիրությունների, արտադրանքի զարգացման և շուկայավարման ուղիների վերաբերյալ: Նրանք կարող են նաև լրացուցիչ համատեքստ տրամադրել սեփական տվյալների միտումների, արժեքների և շեղումների վերաբերյալ: Բարդ ալգորիթմները կարող են առաջարկել լրացուցիչ վիզուալիզացիաներ, որոնք կարող են ավելացվել վահանակին, ինչպես նաև տեքստի բացատրությունները և բնական լեզվով ստեղծված համատեքստը:

Ահա լուծումների մի քանի օրինակներ, որոնք կարող են օգնել բարձրացնել ձեր աշխատուժը:

1. Տվյալների պատմություններ. Tableau Cloud-ն այժմ ներառում է Տվյալների պատմություններ, վահանակի դինամիկ վիջեթի հատկություն, որն օգտագործում է AI ալգորիթմներ՝ տվյալների վերլուծության և դրա մասին պարզ պատմություն գրելու կամ պատմողական կամ պարբերակներով: Պատմությունները միավորում են պատմություններ այն տվյալների մասին, որոնք դուրս են գծապատկերներից և վահանակներից դուրս, մի ​​ռեգիստրում, որը հասանելի է բիզնես օգտատերերին՝ նրանց շատ հարցերին պատասխանելու համար: Սա նվազեցնում է տվյալների գրագիտության մակարդակը, որն անհրաժեշտ է բիզնես օգտագործողին՝ իր համար ամենակարևոր տեղեկատվությունը հասկանալու համար: Տվյալների պատմությունները բացահայտում են այն պարզ հարցերը, որոնք օգտատերը տալիս է, երբ առաջին անգամ նայում է գծային կամ գծային գծապատկերին. Ինչպե՞ս է փոխվել այդ թիվը ժամանակի ընթացքում: Որքա՞ն է միջինը: Տվյալները դեռ պետք է մեկնաբանվեն, դա ամբողջ պատմությունը չէ, բայց դա մեծ քայլ է տվյալների բացահայտումների բացման ուղղությամբ:

2. Ցույց տուր ինձ: Ընդլայնված վերլուծության առանձնահատկությունները նաև թույլ են տալիս ավելի խելացի կոդավորման լռելյայն: Օրինակ, Ցույց տալ ինձ խորհուրդ է տալիս գծապատկերների տեսակները և համապատասխան նշանների կոդավորումը՝ հիմնված հետաքրքրող տվյալների ատրիբուտների վրա: Օգտագործողները կարող են այնուհետև կենտրոնանալ այն բարձր մակարդակի վրա, որը ցանկանում են հաղորդակցվել և կիսվել այս գծապատկերներով իրենց լսարանի հետ՝ որպես իրենց տեսողական վերլուծական աշխատանքի մի մաս:

3. Բնական լեզվի ըմբռնում. Բարդ հետազոտությունների, լեզվական մոդելների ուսուցման մեծ հավաքածուների և հաշվողական բարելավված կարողությունների շնորհիվ բնական լեզվի ըմբռնումը նույնպես զգալիորեն բարելավվել է տարիների ընթացքում:

Մարդիկ կարող են վերլուծական հարցեր տալ՝ առանց հասկանալու SQL հարցումների կառուցման մեխանիզմը: Ավելի լավ հասկանալու մտադրությամբ՝ բնական լեզվի միջերեսները կարող են պատասխանել հարցերին ինտերակտիվ գծապատկերներով, որոնք օգտատերերը կարող են վերանորոգել, կատարելագործել և շփվել տվյալների հետ իմաստավորելիս:

4. Մեքենայի ուսուցում. ML-ի հետ կապված ընդլայնված վերլուծությունը նույնպես առաջընթաց է գրանցել: Այս մոդելները կարող են սովորել բարդ և բարդ վերլուծական առաջադրանքներ, ինչպիսիք են տվյալների փոխակերպման գործողությունները, որոնք անհատականացված են որոշակի տեսակի օգտատերերի կամ օգտվողների խմբի համար: Ավելին, ընդլայնված վերլուծության բազմաթիվ փորձառություններ այժմ ունեն օգտատիրոջ միջերեսներ, որոնք ինտուիտիվ են թվում՝ նվազեցնելով ուսուցման բարդությունը և մոդելի կիրառումը օգտատերերի վերլուծական աշխատանքի հոսքում:

Չնայած AI-ն ունի անհավանական հնարավորություններ, այն երբեք ամբողջությամբ չի փոխարինի մարդկանց: Ավելի ցածր մակարդակի վիճակագրական հատկություններից բարձր մակարդակի հավաքագրումը կարող է բարդ և բավականին նրբերանգ լինել: Մարդիկ ստեղծագործական ճանաչողության ավելի բարձր մակարդակ ունեն. մենք հետաքրքրասեր ենք; մենք կարող ենք թորել այս բարձր մակարդակի տվյալները տվյալներից:

Տվյալների գրագիտության խթանման վերաբերյալ առաջարկություններ

Որպեսզի կազմակերպություններն իրենց տվյալներից բացեն ավելի բարձր մակարդակի պատկերացումները, աշխատակիցները՝ ինչպես բիզնես օգտագործողները, այնպես էլ վերլուծաբանները, պետք է կրթված լինեն, թե ինչպես պետք է վերլուծեն իրենց տվյալները և ունենան տվյալների վիզուալացման և ներկայացման լավագույն փորձ: Ահա թե ինչպես կարող են կազմակերպությունները զարգացնել լավագույն փորձը տվյալների գրագիտության խթանման և վերլուծական գործիքների միջոցով AI-ի ընդլայնման գործում:

1. Ներդրումներ կատարեք վերապատրաստման մեջ.

Ցանկացած կազմակերպության համար կարևոր է և՛ ճիշտ գործիքներ, և՛ ճիշտ կրթություն/ուսուցում ունենալը: Մեջ Forrester Consulting-ի ուսումնասիրություն տվյալների գրագիտության վերաբերյալԱշխատակիցների միայն 40%-ն է ասել, որ իրենց կազմակերպությունը տրամադրել է տվյալների հմտությունների ուսուցում, որը ակնկալվում է:¹ Անհատները և կազմակերպությունները պետք է մարդկանց ավելի լավ ուսուցանեն՝ իրենց տվյալները տեսնելու և հասկանալու լավագույն փորձի տեսանկյունից: Աշխատավայրերը պետք է դասընթացներ առաջարկեն տվյալների արտացոլման և տվյալների գրագիտության վերաբերյալ, որպեսզի աշխատակիցները կարողանան հասկանալ օրինաչափությունները և սովորել գծապատկերներ ստեղծելու և ներկայացնելու լավագույն ուղիները:

Ձեր աշխատակիցներին վերապատրաստելու համար դուք կարող եք ներգրավել երրորդ կողմի հիանալի ծրագրեր այնպիսի ընկերությունների կողմից, ինչպիսիք են Քլիկ, Տվյալների գրագիտություն, Coursera-ի տվյալների և վերլուծության ակադեմիա, EdX, Տվյալների արկղ, Khan Academy, Գլխավոր ասամբլեա, LinkedIn- ի ուսուցում, եւ ավելին. Tableau-ն առաջարկում է ինքնակառավարվող ուսուցում, կենդանի, վիրտուալ ուսուցման դասընթացներԵւ անվճար դասընթաց տվյալների գրագիտության վերաբերյալ. Նմանատիպ նախագծերը, որոնք ներառում են ուսուցում, որոնցից մի քանիսն անվճար են, ներառում են Տվյալներ ժողովրդին, Պատմություն տվյալների հետ, Տվյալների օթյակ, Տվյալների գրագիտության նախագիծԵւ այլն:

Ղեկավարները նաև պետք է մտածեն. Ինչպե՞ս կարող են ձեր աշխատակիցները վերապատրաստվել ոչ միայն գծապատկերների լեզվով, այլ նաև որպես ավելի լայն պարադիգմ:

Գործիքների կառուցման մեկ բացասական կողմը, որոնք ունեն բազմաթիվ ընդլայնված հնարավորություններ, որոնք ներառում են AI և մեքենայական ուսուցում, այն է, որ դրանք կարող են խաբուսիկորեն պարզ տեսք ունենալ, և նրանք կարող են շատ արագ բարձրացնել օգտվողներին: Սակայն անբավարար պատրաստված օգտատերերը կարող են գծապատկերից առաջացնել գծապատկեր կամ խորաթափանց պատկերացումներ, որոնք կարող են ապակողմնորոշիչ կամ ապակողմնորոշիչ լինել:

Կարևոր է մարդկանց կրթել վիզուալ ներկայացման լեզվի և դրա հիմքում ընկած գիտության մասին, որպեսզի նրանք առնվազն տեղեկացված լինեն տվյալների վրա, եթե ոչ տվյալների գրագետ: Օրինակ, ինչպե՞ս են մարդիկ բացահայտում, թե ինչ է արտաքուստ: Ինչպե՞ս պետք է նրանք նախագծեն վստահելի վահանակներ: Նրանք նաև պետք է կարողանան հասկանալ հարաբերակցության և պատճառականության միջև եղած տարբերությունը: Սա կապահովի տվյալների ճշգրիտ լինելը և կարող է օգտագործվել վերլուծության համար:

2. Տվյալների վրա հիմնված որոշումներ կայացրեք:

Տվյալների բանավորությունից անցնելը, որտեղ մարդիկ խոսում են տվյալների վրա հիմնված որոշումներ կայացնելու մասին, դեպի տվյալների գրագիտություն, որտեղ մարդիկ կարող են ուսումնասիրել, հասկանալ և հաղորդակցվել տվյալների հետ, պահանջում է տվյալների վիզուալիզացիաների դեմոկրատիզացված մուտք: Սա ենթադրում է կենտրոնացում անհատական ​​ուսուցման և կիրառելիության վրա, բայց դա ավելի շատ պետք է լինի կազմակերպչական փոփոխություն: Տվյալների գրագիտության իրական ժողովրդավարացումը հաշվի է առնում տվյալների ողջ էկոհամակարգը: Այն ճանաչում է գծապատկերների տարածումը օգտատերերի առօրյա կյանքում և աշխատում է դրանք լայնորեն հասկանալի դարձնելու ուղղությամբ:

Մարդիկ պետք է որոշումներ կայացնեն տվյալների հիման վրա և ոչ միայն սուբյեկտիվ կարծիքների. սա վերադառնում է վերապատրաստման կարևորությանը, որը օգտվողներին կրթում է հարաբերակցության և պատճառահետևանքային կապի միջև տարբերության մասին: Ինչպե՞ս պետք է կայացվեն տվյալների վրա հիմնված որոշումներ: Ո՞րն է տվյալների ներկայացման միջոցը և հիմնական միջոցները, որպեսզի քննարկումը կարողանա օբյեկտիվ մնալ արդյունավետ որոշումներ կայացնելու համար: Օրինակ, տեխնոլոգիական ընկերությունները պետք է օգտագործեն օգտատերերի հեռաչափության տվյալները՝ որոշելու համար, թե ինչ հնարավորություններ պետք է ստեղծել, օգտագործման բնութագրերը և հայտնաբերեն օգտագործողի փորձի մեջ որևէ շփում:

3. Մշակել և պահպանել համապատասխան ենթակառուցվածքը:

Առաջին երկու առաջարկություններին աջակցելու համար ղեկավարները պետք է ապահովեն, որ իրենց կազմակերպությունը կառուցել է համապատասխան, մասշտաբային ենթակառուցվածք՝ իր տվյալները պահելու և կառավարելու համար: Նրանք նաև պետք է օգնեն իրենց կազմակերպություններին բացահայտել և ձեռք բերել մուտք դեպի AI տեխնոլոգիա, որն ուղղված է նրանց հաճախորդների խնդիրներին և կարիքներին:

Ավելին, որոշում կայացնողները պետք է մտածված և կանխամտածված լինեն տվյալների գաղտնիության և վստահության վերաբերյալ: Դա չի կարող հետախուզություն լինել. դա պետք է լրջորեն հաշվի առնել հենց սկզբից։ Տվյալների գաղտնիության և վստահության պատասխանատվությունը պետք է վերցվի մինչև անհատ օգտատերը, որը կարող է ծածկել տվյալների կառավարման և կառավարման համապարփակ քաղաքականությունը:

Շարունակեք կենտրոնանալ տվյալների գրագիտության ջանքերի վրա

Ինտելեկտուալ ինտելեկտի և ընդլայնված վերլուծական գործիքներում ներդրումներ կատարելը, ինչպիսիք են Data Stories-ը, հիանալի քայլ է բիզնես օգտատերերին իրենց տվյալներից պատասխաններ գտնելու հնարավորություն տալու համար, բայց այս գործիքները կլրացնեն տվյալների գրագիտության ջանքերը, այլ ոչ թե կփոխարինեն դրանք: Ավելին, ինչպես AI տեխնոլոգիայի, այնպես էլ ուսուցման մեջ ներդրումների ճիշտ ձևերը կարող են արդյունավետորեն աջակցել մարդկանց՝ անել այն, ինչ նրանք լավագույնս են՝ գաղափարներ մտցնել և լուծումներ ստեղծել հաճախորդների կարիքները լուծելիս՝ բոլորը կենտրոնացած տվյալների շուրջ:

Շարունակելով կենտրոնանալ տվյալների գրագիտության վրա ձեր կազմակերպությունում, կապահովվի, որ ձեր աշխատակիցներից շատերը՝ սովորական բիզնես օգտագործողները և տվյալների բարդ վերլուծաբանները, ճիշտ հարցեր են տալիս ձեր տվյալների վերաբերյալ, որոնք կհանգեցնեն հետագա պատկերացումների:

ԸՆՏՐԵՔ ՃԿՈՒՆ ՎԵՐԼՈՒԾԱԿԱՆ ԳՈՐԾԸՆԿԵՐԸ

Վերլուծական գործընկերը, ինչպիսին Tableau-ն է, առաջարկում է հնարավորությունների լայնություն և խորություն, ինչպես նաև դերերի վրա հիմնված ուսուցում, ինչը նրան դարձնում է ճկուն գործընկեր՝ բացահայտելու, թե ինչն է լավագույնս աշխատում ձեր ընկերության համար: Իմացեք ավելին մասին Tableau Cloud.

ՏՎՅԱԼՆԵՐԻ ՏԵՂԵԿԱՏՎՈՒԹՅՈՒՆՆԵՐ ԲԻԶՆԵՍ ՕԳՏԱԳՈՐԾՈՂՆԵՐԻ ՀԱՄԱՐ

Ստեղծեք ձեր բիզնես օգտագործողներին հաջողության հասնելու համար: Իմացեք ավելին Տվյալների պատմությունների մասին Մականուն: