Για να βασίζονται σε δεδομένα, οι οργανισμοί και οι άνθρωποι πρέπει να έχουν γνώση δεδομένων. Πολλά χαρακτηριστικά συμβάλλουν στην παιδεία δεδομένων
Ο κόσμος των δεδομένων και των αναλυτικών στοιχείων κατακλύζεται από συναρπαστικές φράσεις και λέξεις: μεγάλα δεδομένα, τεχνητή νοημοσύνη, μηχανική μάθηση, ακόμη και παιδεία δεδομένων και γνώσεις δεδομένων. Τι να κάνει κανείς από όλα αυτά; Είναι αληθινά, έχουν δύναμη πίσω τους; Καθένα από αυτά είναι πραγματικό και καθένα από αυτά έχει δύναμη, αλλά οι άνθρωποι πρέπει να κατανοήσουν πραγματικά τα θέματα για να απελευθερωθούν και να ενδυναμώσουν τον εαυτό τους να είναι έξυπνος και να χρησιμοποιεί τα δεδομένα αποτελεσματικά.
Λέγεται ότι μέχρι το 2025, η παγκόσμια σφαίρα δεδομένων (το άθροισμα των παγκόσμιων δεδομένων) θα φτάσει τα 175 ZB, δηλαδή zettabytes. Πόσα μηδενικά υπάρχουν σε ένα zettabyte; 21! Αυτός είναι ένας τεράστιος όγκος δεδομένων και πολλά μηδενικά. Αυτός ο αριθμός μοιάζει με αυτό: 175.000.000.000.000.000.000.000 – πολλές πληροφορίες και δεδομένα. Γνωρίζουν πραγματικά οι οργανισμοί τι να κάνουν με αυτά τα δεδομένα; Επενδύουν οι οργανισμοί σε εργαλεία και τεχνολογία χωρίς στρατηγική δεδομένων; Γνωρίζουν καν οι οργανισμοί τι είναι μια αληθινή στρατηγική δεδομένων; Μια στρατηγική δεδομένων συνδέει τις διαδικασίες διαχείρισης δεδομένων και ανάλυσης του οργανισμού απευθείας με την επιχειρηματική στρατηγική του οργανισμού.
Ο σκοπός των δεδομένων είναι να ενδυναμώσουν έναν οργανισμό να λαμβάνει καλύτερες αποφάσεις, αυτό είναι. Λοιπόν, ποιος είναι ο ορισμός του βασισμένου σε δεδομένα; Το ότι βασίζεται στα δεδομένα σημαίνει ότι ένας οργανισμός χρησιμοποιεί δεδομένα για να βελτιώσει τις λειτουργίες του και να λάβει καλύτερες αποφάσεις, συμβάλλοντας στην υλοποίηση της στρατηγικής και των επιχειρηματικών στόχων ενός οργανισμού. Ποιοι είναι οι βασικοί πυλώνες για έναν οργανισμό που βασίζεται σε δεδομένα;
Βασικοί πυλώνες ενός οργανισμού που βασίζεται στα δεδομένα
Κατά τη διάρκεια της πανδημίας, οι οργανισμοί συνειδητοποίησαν ότι η δύναμη των δεδομένων μπορεί να βοηθήσει έναν οργανισμό να πετύχει σε μια σκοτεινή περίοδο – αλλά και σε καλές στιγμές. Υπάρχουν 5 πυλώνες σε έναν οργανισμό που βασίζεται σε δεδομένα:
- Ηγεσία
- Πολιτισμός
- Εργαλεία και Τεχνολογία
- Γραμματισμός Δεδομένων
- Ολιστική στρατηγική δεδομένων
Αυτά τα χαρακτηριστικά δεν παρατίθενται με συγκεκριμένη σειρά, αλλά αποτελούν τη βάση μιας οργάνωσης που βασίζεται σε δεδομένα. Η ηγεσία πρέπει να υποστηρίζει ενεργά τη χρήση δεδομένων για αποφάσεις και πρέπει να δεσμεύεται για τη διαχείριση δεδομένων ως περιουσιακό στοιχείο της επιχείρησης – όχι του τμήματος. Η κουλτούρα είναι το νούμερο ένα εμπόδιο για την επιτυχία των δεδομένων και της ανάλυσης, επομένως πρέπει να υπάρχει το κατάλληλο περιβάλλον ώστε ένας οργανισμός να χρησιμοποιεί τα δεδομένα αποτελεσματικά. Οι οργανισμοί πρέπει να διαθέτουν τα κατάλληλα εργαλεία και τεχνολογία για να υποστηρίξουν την επιτυχημένη χρήση δεδομένων, αλλά οι οργανισμοί δεν πρέπει να εστιάζουν τη στρατηγική τους για τα δεδομένα στα εργαλεία και την τεχνολογία. Η στρατηγική δεδομένων θα πρέπει να βοηθά έναν οργανισμό να επιλέξει τα εργαλεία και την τεχνολογία. Η παιδεία δεδομένων είναι ένα σημαντικό – και πολύπλοκο – συστατικό οποιουδήποτε οργανισμού που βασίζεται σε δεδομένα. Τέλος, ο οργανισμός χρειάζεται μια ολιστική στρατηγική δεδομένων, η οποία είναι μια στρατηγική δεδομένων που συνδέεται με τους επιχειρηματικούς στόχους. Κάθε πυλώνας έχει σημασία, αλλά οι οργανισμοί πρέπει να αντιμετωπίσουν το χάσμα στις δεξιότητες δεδομένων και ανάλυσης που υπάρχει σχεδόν παντού.
Κενό δεξιοτήτων γραμματισμού δεδομένων
Για να πετύχουν οι στρατηγικές δεδομένων και αναλυτικών στοιχείων, το χάσμα δεξιοτήτων που σχετίζεται με δεδομένα πρέπει να καλυφθεί. αυτή είναι η δουλειά της παιδείας δεδομένων. Οι άνθρωποι και οι οργανισμοί δεν πρέπει να ανησυχούν για τις αποχρώσεις της ορολογίας, αλλά αντίθετα, θα πρέπει να μάθουν τους ορισμούς, τους σκοπούς και το πλαίσιο των όρων. Ορισμένοι υποστηρίζουν ότι ο όρος βάσει δεδομένων δεν πρέπει να χρησιμοποιείται. προτιμούν «ενημερωμένα δεδομένα». Κάποιοι μπορεί να πουν ότι ο όρος “data literate” μπορεί να στρέψει τους ανθρώπους στην παιδεία δεδομένων, επειδή μπορεί να υπονοεί ότι οι άνθρωποι είναι “data literate”. Η πραγματικότητα είναι ότι η σύλληψη με τις αποχρώσεις της ορολογίας στον κόσμο των δεδομένων και των αναλυτικών στοιχείων μπορεί να σπαταλήσει πολύτιμο χρόνο που απαιτείται για την προώθηση των δεδομένων και της αναλυτικής εργασίας.
Είναι σημαντικό να τονιστεί ότι οι άνθρωποι χρησιμοποιούν δεδομένα όλη την ώρα. Χρησιμοποιούν οι άνθρωποι δεδομένα για να διαβάσουν ένα μετρητή αερίου και να κατανοήσουν την τιμολόγηση; Όταν αγοράζουν ένα σπίτι, οι άνθρωποι μελετούν τα επιτόκια και τις πληρωμές στεγαστικών δανείων; Ο καθένας χρησιμοποιεί δεδομένα με πολλούς τρόπους, δείχνοντας ότι οι άνθρωποι είναι περισσότερο μορφωμένοι στα δεδομένα από ό,τι γνωρίζουν και έχουν περισσότερες δεξιότητες με τα δεδομένα από ό,τι φαντάζονται. Είναι οι εργαζόμενοι κατάλληλα οπλισμένοι με δεξιότητες αλφαβητισμού δεδομένων; Το ότι γνωρίζουν δεδομένα σημαίνει ότι ξέρουν πραγματικά πώς να διαβάζουν, να δουλεύουν, να αναλύουν και να επικοινωνούν με δεδομένα.
Ορισμός της παιδείας δεδομένων – Χαρακτηριστικά της παιδείας δεδομένων
ο ορισμός της παιδείας δεδομένων όπως χρησιμοποιείται στο Qlik, είναι την ικανότητα ανάγνωσης, εργασίας, ανάλυσης και επικοινωνίας με δεδομένα. Σε αυτόν τον ορισμό υπάρχουν τέσσερα κύρια χαρακτηριστικά για την παιδεία δεδομένων. Το πιο σημαντικό από αυτά τα χαρακτηριστικά είναι η ανάγνωση δεδομένων. Αν το σκεφτεί κανείς, πώς μπορεί να εργαστεί με δεδομένα, να τα αναλύσει ή να επικοινωνήσει με δεδομένα; Ξεκινήστε διαβάζοντάς το! Η ανάγνωση δεδομένων σημαίνει να τα κοιτάς και να κατανοείς τι αντιπροσωπεύουν. Αυτός ο ορισμός προέρχεται από τον ορισμό του «διαβασμένος»: κοιτάξτε και κατανοήστε την έννοια του γραπτού ή έντυπου υλικού ερμηνεύοντας νοερά τους χαρακτήρες ή τα σύμβολα από τα οποία αποτελείται. Όλοι θα πρέπει να βελτιώσουν την ικανότητά τους να κοιτάζουν και να διαβάζουν δεδομένα, ώστε να μπορούν να τα κατανοούν, και να το κάνουν αυτό χωρίς φόβο.
Το δεύτερο χαρακτηριστικό είναι η ικανότητα εργασίας με δεδομένα – η χρήση τους για τη λήψη αποφάσεων. Τώρα, αυτή η ικανότητα θα διαφέρει από άτομο σε άτομο και μπορεί να εξαρτάται από τον ρόλο του καθενός. Εάν κάποιος είναι επιστήμονας δεδομένων, θα πρέπει να μπορεί να εργάζεται με δεδομένα πιο διεξοδικά από κάποιον που δεν εργάζεται ως επαγγελματίας ανάλυσης δεδομένων. Εάν κάποιος είναι μέλος του C-suite, μπορεί να μην έχει το χρόνο να εμβαθύνει στα δεδομένα, επομένως μπορεί απλώς να χρειαστεί να τα διαβάσει και να εργαστεί με (να χρησιμοποιήσει) τα δεδομένα που μοιράζονται και του παρουσιάζονται. Υπάρχει ένα ευρύ φάσμα δεξιοτήτων στην «εργασία με δεδομένα».
Το τρίτο χαρακτηριστικό της παιδείας δεδομένων είναι η ικανότητα ανάλυσης δεδομένων. Τα τέσσερα επίπεδα αναλυτικών στοιχείων είναι το περιγραφικό, το διαγνωστικό, το προγνωστικό και το συνταγογραφικό. Δεν χρειάζεται να είναι όλοι καλά γνώστες σε κάθε επίπεδο. Στην πραγματικότητα, με την παιδεία δεδομένων, οι περισσότεροι άνθρωποι θα εργαστούν στα δύο πρώτα επίπεδα ανάλυσης: περιγραφικό και διαγνωστικό. Τα δύο τελευταία επίπεδα αναλυτικών στοιχείων είναι πιο τεχνικά: προγνωστικά και ρυθμιστικά. Είναι σημαντικό να υπάρχουν και τα τέσσερα επίπεδα αναλυτικών στοιχείων στην ολιστική στρατηγική δεδομένων ενός οργανισμού, αποδεχόμενοι ότι οι περισσότεροι οργανισμοί θα χρειαστούν αναλυτικά στοιχεία που εμπίπτουν σε μία από τις δύο πρώτες κατηγορίες.
Για να υποστηρίξει κανείς την ανάλυση δεδομένων, μπορεί να χρειαστεί απλώς να κάνει καλές ερωτήσεις. Πως? Γνωρίζοντας τι πρέπει να κοινοποιήσετε στους επαγγελματίες δεδομένων – ποια είναι τα ζητήματα ή προκλήσεις που μπορεί να επιλύσουν τα δεδομένα – και ζητήστε από τους επαγγελματίες δεδομένων να ερευνήσουν και να απαντήσουν σε αυτές τις ερωτήσεις ή να λύσουν αυτές τις προκλήσεις και να παρουσιάσουν αυτά τα αποτελέσματα – συμβάλλοντας στη βελτίωση της βάσης δεδομένων αποφάσεις.
Το τελευταίο χαρακτηριστικό της παιδείας δεδομένων είναι η επικοινωνία με δεδομένα. Σκεφτείτε αυτό ως τη μυστική σάλτσα δεδομένων και αναλυτικών στοιχείων. Φανταστείτε ότι ανακαλύπτετε δεδομένα που υποστηρίζουν μια εκπληκτική λεπτομέρεια, αλλά τότε δεν μπορείτε να τα επικοινωνήσετε ικανοποιητικά. Θα ήταν αποτελεσματικό; Φυσικά και όχι! Ο κόσμος των δεδομένων και των αναλυτικών στοιχείων είναι γεμάτος ορολογία που μπορεί να είναι δύσκολο να κατανοηθεί. Έτσι, οι άνθρωποι θα πρέπει να απλοποιούν και να επικοινωνούν για δυνητικά περίπλοκα πράγματα με απλή γλώσσα και να το κάνουν σε όλο τον οργανισμό. Αυτή η πρόταση ισχύει τόσο για τον επαγγελματία δεδομένων όσο και για τον μη επαγγελματία δεδομένων.
Πώς να βελτιώσετε τον αλφαβητισμό δεδομένων σας
Σκεφτείτε τα 3 C του αλφαβητισμού δεδομένων: να είστε περίεργοι, να είστε δημιουργικοί, να σκέφτεστε κριτικά.
Οι άνθρωποι θα πρέπει να είναι πιο περίεργοι. Κάντε περισσότερες ερωτήσεις και ανακαλύψτε γιατί μοιάζουν τα δεδομένα. Ρωτήστε εάν υπάρχει καλύτερος τρόπος εμφάνισης δεδομένων για βελτίωση της κατανόησης. Υπάρχουν διαφορετικοί τρόποι προβολής των δεδομένων; Κάντε περισσότερες ερωτήσεις σχετικά με τα δεδομένα. Να είστε έτοιμοι να διερευνήσετε πώς να χρησιμοποιήσετε δεδομένα για να αντιμετωπίσετε την κατάσταση.
Στη συνέχεια, τα δεδομένα και τα αναλυτικά στοιχεία μπορούν να θεωρηθούν βαρετά ή εκφοβιστικά. Θα πρέπει να χρησιμοποιήσει κανείς την προσωπική του δημιουργικότητα με δεδομένα για να την εξετάσει, να τη χρησιμοποιήσει και να την παρουσιάσει. Κατανοήστε πώς λίγη δημιουργικότητα με τη γλώσσα ή μια διαφορετική οπτική γωνία θα μπορούσε να βοηθήσει στην προβολή ή την ερμηνεία των δεδομένων.
Τέλος, οι άνθρωποι πρέπει να σκέφτονται κριτικά για πολλά πράγματα. Όχι πια να παίρνουμε τα πράγματα στην ονομαστική τους αξία. Είναι όλα αυτά τα δεδομένα; Προέρχεται από αξιόπιστη πηγή; Παρουσιάζεται αντικειμενικά; Ποια ερωτήματα εγείρουν αυτά τα δεδομένα; Γιατί; Αφήστε τις απαντήσεις σε αυτές τις ερωτήσεις να οδηγήσουν σε σίγουρη χρήση δεδομένων – ή στην ανακάλυψη ότι χρειάζονται διαφορετικά δεδομένα.
Αυτά τα 3 C είναι μόνο η αρχή των δεξιοτήτων αλφαβητισμού δεδομένων. Συχνά, κάποιες τεχνικές δεξιότητες ή εκπαίδευση για την παιδεία δεδομένων μπορεί να χρειαστεί, αλλά δεν σημαίνει ότι ένα άτομο πρέπει να γίνει επιστήμονας δεδομένων για να χρησιμοποιήσει αποτελεσματικά τα δεδομένα. Το να βασίζεσαι σε δεδομένα και να γνωρίζεις τα δεδομένα περιλαμβάνει το ανθρώπινο στοιχείο. Οι άνθρωποι διαθέτουν υπέροχες δεξιότητες που μπορούν να εφαρμοστούν σε δεδομένα – και πρέπει να τις χρησιμοποιήσουν! Μερικές φορές τα δεδομένα θα πρέπει να παρακάμψουν το ανθρώπινο στοιχείο και μερικές φορές το ανθρώπινο στοιχείο θα πρέπει να παρακάμψει τα δεδομένα. Συνολικά, το κλειδί είναι να το εξισορροπήσετε.
συμπέρασμα
Δεν χρειάζεται να είναι όλοι επιστήμονες δεδομένων, αλλά όλοι πρέπει να είναι μορφωμένοι στα δεδομένα – και οι οργανισμοί χρειάζονται άτομα με γνώσεις δεδομένων, ώστε να μπορούν να γίνουν επιχειρήσεις που βασίζονται στα δεδομένα. Οι άνθρωποι έχουν πολλές δεξιότητες, αλλά πρέπει να τις αναπτύξουν με τρόπους που υποστηρίζουν τη χρήση δεδομένων με σιγουριά και αποτελεσματικότητα. Η παιδεία στα δεδομένα μπορεί να γίνει ένα καταπληκτικό εργαλείο στη ζωή και την καριέρα κάποιου, βοηθώντας ανθρώπους και οργανισμούς να ευδοκιμήσουν.
