Naviguer dans la littératie des données dans le monde de l'analyse augmentée

Les capacités d'intelligence artificielle (IA) telles que l'apprentissage automatique (ML) et le traitement du langage naturel (NLP) continuent de s'améliorer, et les produits d'analyse augmentés peuvent automatiser de manière fiable de nombreuses tâches liées à la visualisation et à la compréhension des données. Avec des outils puissants qui peuvent faire émerger des informations à partir des données, les dirigeants se demandent souvent : cette technologie réduit-elle réellement le besoin de alphabétisation des données efforts de formation dans leurs organisations? Non, plutôt le contraire.

La littératie des données, c'est-à-dire la capacité de lire, d'écrire et de communiquer des données en contexte, est plus importante que jamais. Il est essentiel d'aider les organisations à développer une méthode de travail basée sur les données et de donner aux employés les moyens d'augmenter leurs compétences en IA avec leur propre créativité et leur esprit critique.

Il existe d'autres facteurs à prendre en compte dans le rôle de la littératie des données pour la croissance et le succès d'une organisation. Embaucher, former et retenir des scientifiques et des analystes de données est difficile, et leurs compétences sont souvent nuancées et coûteuses. Selon 365 Data Science, la plupart des data scientists ne passeront probablement pas plus de 1.7 an sur leur lieu de travail actuel. Les scientifiques et les analystes de données, qui sont hautement qualifiés, reçoivent souvent des demandes pour des tâches telles que la création d'une source de données propre pour les ventes ou la production de rapports de base. Grâce à leurs capacités spécialisées, leur temps et leurs compétences seraient mieux servis en travaillant sur la modélisation et le développement de flux de travail pour des questions commerciales complexes et de plus grande valeur.

Lorsque les dirigeants investissent dans l'intelligence artificielle et la technologie d'analyse augmentée, l'utilisateur professionnel - un utilisateur de données plus occasionnel qu'un analyste dédié - peut accéder aux réponses à ses questions et aux informations dont il a besoin pour bien faire son travail sans se soucier des mécanismes de travail. alors.

Explorer comment les solutions basées sur l'IA peuvent prendre en charge les tâches des utilisateurs et trouver la bonne expérience utilisateur a un énorme potentiel pour préparer l'outil et l'utilisateur au succès. Par exemple, un outil d'IA peut automatiser certaines des tâches les plus fastidieuses liées à la préparation des données, puis fournir les résultats à l'humain, qui peut ensuite analyser et visualiser le contenu en fonction de ses besoins analytiques.

Les progrès de l'analyse augmentée aident les gens à répondre plus rapidement aux questions

Les solutions d'analyse augmentée peuvent faciliter la compréhension des données par les utilisateurs professionnels, ce qui aide les entreprises à maximiser la valeur de ces technologies coûteuses. Par exemple, l'analyse augmentée peut comprendre l'intérêt des clients et offrir des prédictions sur les préférences des consommateurs, le développement de produits et les canaux de commercialisation. Ils peuvent également fournir un contexte supplémentaire sur les tendances, les valeurs et les écarts dans les données. Des algorithmes sophistiqués peuvent suggérer des visualisations supplémentaires qui peuvent être ajoutées à un tableau de bord, ainsi que des explications textuelles et un contexte généré en langage naturel.

Voici quelques exemples de solutions qui peuvent aider à élever votre main-d'œuvre.

1. Histoires de données. Tableau Cloud inclut désormais Histoires de données, une fonctionnalité de widget de tableau de bord dynamique qui utilise des algorithmes d'IA pour analyser les données et écrire une histoire simple à leur sujet sous une forme narrative ou à puces. Les histoires tissent ensemble des récits sur les données au-delà de simples graphiques et tableaux de bord dans un registre accessible aux utilisateurs professionnels pour répondre à bon nombre de leurs questions. Cela réduit le niveau de littératie des données dont un utilisateur professionnel a besoin pour comprendre les informations les plus importantes pour lui. Les Data Stories présentent les questions simples qu'un utilisateur pose lorsqu'il consulte pour la première fois un graphique à barres ou un graphique linéaire : ce nombre qui ressemble à une valeur aberrante était-il vraiment une valeur aberrante ? Comment ce nombre a-t-il évolué au fil du temps ? Quelle est la moyenne ? Les données doivent encore être interprétées - ce n'est pas toute l'histoire - mais c'est un grand pas vers l'exploitation des informations contenues dans les données.

2. Montrez-moi. Les fonctionnalités d'analyse augmentée permettent également des valeurs par défaut d'encodage plus intelligentes. Par exemple, Show Me recommande des types de graphiques et des encodages de marques appropriés en fonction des attributs de données d'intérêt. Les utilisateurs peuvent ensuite se concentrer sur les plats à emporter de haut niveau qu'ils souhaitent communiquer et partager ces graphiques avec leur public dans le cadre de leur flux de travail analytique visuel.

3. Compréhension du langage naturel. Grâce à des recherches sophistiquées, à de grands ensembles d'apprentissage pour les modèles de langage et à des capacités informatiques améliorées, la compréhension du langage naturel s'est également considérablement améliorée au fil des ans.

Les utilisateurs peuvent poser des questions analytiques sans avoir à comprendre les mécanismes de construction des requêtes SQL. Avec une meilleure intention de compréhension, les interfaces en langage naturel peuvent répondre aux questions avec des graphiques interactifs que les utilisateurs peuvent réparer, affiner et interagir au fur et à mesure qu'ils donnent un sens aux données.

4. Apprentissage automatique. L'analyse augmentée liée au ML a également fait des progrès. Ces modèles peuvent apprendre des tâches analytiques sophistiquées et complexes telles que des opérations de transformation de données personnalisées pour un type spécifique d'utilisateur ou un groupe d'utilisateurs. De plus, de nombreuses expériences d'analyse augmentée disposent désormais d'interfaces utilisateur intuitives, ce qui réduit la complexité de la formation et l'application d'un modèle dans le flux de travail analytique d'un utilisateur.

Bien que l'IA ait des capacités incroyables, elle ne remplacera jamais complètement les humains. Recueillir des enseignements de haut niveau à partir de propriétés statistiques de niveau inférieur peut être complexe et plutôt nuancé. Les gens ont un niveau plus élevé de cognition créative ; nous sommes curieux; nous pouvons distiller ces plats à emporter de haut niveau à partir des données.

Recommandations pour favoriser la littératie des données

Pour que les organisations puissent débloquer des informations de haut niveau à partir de leurs données, les employés, qu'ils soient utilisateurs métier ou analystes, doivent être formés sur la manière dont ils doivent analyser leurs données et disposer des meilleures pratiques pour visualiser et présenter les données. Voici comment les organisations peuvent développer les meilleures pratiques pour promouvoir la littératie des données et augmenter l'IA avec des outils d'analyse.

1. Investissez dans la formation.

Avoir à la fois les bons outils et la bonne éducation/formation est essentiel pour toute organisation. Dans un Étude de Forrester Consulting sur la littératie des données, seuls 40 % des employés ont déclaré que leur organisation avait fourni la formation aux compétences en matière de données qu'ils étaient censés avoir.¹ Les individus et les organisations devraient exposer les gens à une meilleure formation en termes de meilleures pratiques pour voir et comprendre leurs données. Les lieux de travail doivent proposer des cours sur la visualisation des données et la littératie des données afin que les employés puissent comprendre les modèles et apprendre les meilleures façons de créer et de représenter des graphiques.

Pour former vos employés, vous pouvez faire appel à d'excellents programmes tiers par des entreprises comme Qlik, Connaissance des données, Académie des données et de l'analyse de Coursera, EdX, Camp de données, Khan Academy, Assemblée générale, LinkedIn Learning, et plus. Offres Tableau apprentissage autonome, cours de formation virtuels en directEt un cours gratuit sur la littératie des données. Des projets similaires qui intègrent des formations, dont certaines sont gratuites, incluent Données au peuple, Storytelling avec des données, La loge des données, Le projet d'alphabétisation des donnéesEt autres.

Les dirigeants doivent également prendre en compte : comment vos employés peuvent-ils être formés, non seulement dans le langage des graphiques, mais également dans un paradigme plus large ?

L'un des inconvénients de la création d'outils dotés de nombreuses capacités augmentées, notamment l'IA et l'apprentissage automatique, est qu'ils peuvent sembler d'une simplicité trompeuse et qu'ils peuvent permettre aux utilisateurs de démarrer très rapidement. Mais les utilisateurs sous-formés pourraient générer un graphique ou des informations à emporter à partir d'un graphique qui pourrait être trompeur ou erroné d'une manière ou d'une autre.

Il est important d'éduquer les gens sur le langage de la représentation visuelle et la science qui le sous-tend afin qu'ils soient, au moins, informés par les données, sinon alphabétisés par les données. Par exemple, comment les gens identifient-ils ce qu'est une valeur aberrante ? Comment concevoir des tableaux de bord fiables ? Ils devraient également être capables de comprendre la distinction entre corrélation et causalité. Cela garantira que les données sont exactes et peuvent être utilisées pour l'analyse.

2. Prenez des décisions basées sur les données.

Passer de l'oralité des données - où les gens parlent de prendre des décisions basées sur les données - à la littératie des données - où les gens ont la capacité d'explorer, de comprendre et de communiquer avec les données - nécessite de démocratiser l'accès aux visualisations de données. Cela implique de mettre l'accent sur l'apprentissage individuel et l'applicabilité, mais il devrait s'agir davantage d'un changement organisationnel. La véritable démocratisation de la data littératie prend en compte l'ensemble de l'écosystème des données. Il reconnaît la prolifération des graphiques dans la vie quotidienne des utilisateurs et travaille à les rendre largement intelligibles.

Les gens devraient prendre des décisions basées sur des données et pas seulement sur des opinions subjectives ; cela renvoie à l'importance d'une formation qui éduque les utilisateurs sur la distinction entre corrélation et causalité. Comment prendre des décisions basées sur les données ? Quel est le support de présentation des données et des principaux points à retenir pour que la discussion reste objective et permette de prendre des décisions efficaces ? Par exemple, les entreprises technologiques doivent utiliser les données de télémétrie des utilisateurs pour déterminer les fonctionnalités à créer, les caractéristiques d'utilisation et identifier toute friction dans l'expérience utilisateur.

3. Développer et maintenir une infrastructure adéquate.

Pour soutenir les deux premières recommandations, les dirigeants doivent s'assurer que leur organisation a construit une infrastructure adéquate et évolutive pour héberger et gérer ses données. Ils doivent également aider leurs organisations à identifier et à accéder à la technologie d'IA qui répond aux problèmes et aux besoins de leurs clients.

De plus, les décideurs doivent être réfléchis et délibérés sur la confidentialité et la confiance des données. Cela ne peut pas être une réflexion après coup; il faut en tenir compte sérieusement dès le début. La responsabilité de la confidentialité et de la confiance des données doit être distillée jusqu'à l'utilisateur individuel, ce que des politiques complètes de gouvernance et de gestion des données peuvent couvrir.

Continuer à se concentrer sur les efforts de littératie des données

Investir dans l'IA et des outils d'analyse augmentés comme Data Stories est une excellente étape pour permettre aux utilisateurs professionnels de trouver des réponses à partir de leurs données, mais ces outils complèteront les efforts de littératie des données plutôt que de les remplacer. De plus, les bonnes formes d'investissement dans la technologie de l'IA et la formation peuvent aider efficacement les humains à faire ce qu'ils font le mieux : imaginer et créer des solutions tout en répondant aux besoins des clients, le tout centré sur les données.

Continuer à vous concentrer sur la littératie des données dans toute votre organisation garantira qu'un plus grand nombre de vos employés (l'utilisateur professionnel occasionnel et l'analyste de données sophistiqué) posent les bonnes questions sur vos données, ce qui conduira à de nouvelles informations.

CHOISISSEZ UN PARTENAIRE ANALYTIQUE FLEXIBLE

Un partenaire d'analyse comme Tableau offre des capacités étendues et approfondies ainsi qu'une formation basée sur les rôles, ce qui en fait un partenaire flexible pour découvrir ce qui fonctionne le mieux pour votre entreprise. En savoir plus sur TableauCloud.

INFORMATIONS SUR LES DONNÉES POUR LES UTILISATEURS PROFESSIONNELS

Configurez vos utilisateurs professionnels pour réussir. En savoir plus sur les histoires de données ici.