在增強分析世界中導航數據素養

機器學習 (ML) 和自然語言處理 (NLP) 等人工智能 (AI) 功能不斷改進，增強分析產品可以可靠地自動化許多與查看和理解數據相關的任務。 借助可以從數據中獲取見解的強大工具，高管們常常想知道：這項技術是否真的減少了對數據的需求？ 數據素養 他們組織中的培訓工作？ 不，恰恰相反。

數據素養——在上下文中讀取、寫入和交流數據的能力——比以往任何時候都更加重要。 它對於幫助組織開發數據驅動的工作方式並授權員工通過自己的創造力和批判性思維增強人工智能技能至關重要。

數據素養對於組織的成長和成功的作用還需要考慮其他因素。 聘用、培訓和留住數據科學家和分析師非常困難，而且他們的技能往往細緻入微且昂貴。 據365數據科學，大多數數據科學家可能不會在當前工作場所工作超過 1.7 年。 訓練有素的數據科學家和分析師經常收到任務請求，例如為銷售構建乾淨的數據源或製作基本報告。 憑藉他們的專業能力，他們的時間和技能將更好地用於為更高價值、複雜的業務問題建模和開發工作流程。

當高管投資人工智能和增強分析技術時，業務用戶（與專門的分析師相比，數據的更隨意的用戶）可以訪問他們的問題的答案以及做好工作所需的信息，而無需擔心工作的機制所以。

探索人工智能解決方案如何支持用戶任務並找到合適的用戶體驗，對於讓工具和用戶取得成功具有巨大的潛力。 例如，人工智能工具可以自動執行一些圍繞數據準備的較繁瑣的任務，然後將結果提供給人類，人類可以根據自己的分析需求進一步分析和可視化內容。

增強分析的進步幫助人們更快地回答問題

增強分析解決方案可以使業務用戶更輕鬆地理解數據，從而幫助公司最大限度地發揮這些昂貴技術的價值。 例如，增強分析可以了解客戶興趣並提供有關消費者偏好、產品開發和營銷渠道的預測。 它們還可以提供有關數據趨勢、值和差異的附加背景信息。 複雜的算法可以建議可以添加到儀表板的附加可視化效果，以及以自然語言生成的文本解釋和上下文。

以下是一些有助於提升員工隊伍的解決方案示例。

1. 數據故事。 Tableau Cloud 現在包括 數據故事，一個動態儀表板小部件功能，採用人工智能算法來分析數據並以敘述或項目符號的形式編寫一個簡單的故事。 這些故事將有關數據的敘述編織在一起，而不僅僅是商業用戶可以訪問的圖表和儀表板來回答他們的許多問題。 這降低了業務用戶理解對他們最重要的信息所需的數據素養水平。 數據故事展示了用戶第一次查看條形圖或折線圖時提出的簡單問題：這個看起來像異常值的數字真的是異常值嗎？ 隨著時間的推移，這個數字發生了怎樣的變化？ 平均值是多少？ 數據仍然需要解釋——這不是故事的全部——但這是朝著解鎖數據洞察邁出的一大步。

2. 給我看看。 增強的分析功能還允許更智能的默認編碼。 例如，Show Me 根據感興趣的數據屬性推薦圖表類型和適當的標記編碼。 然後，用戶可以專注於他們想要傳達的高級要點，並與受眾分享這些圖表，作為可視化分析工作流程的一部分。

3.自然語言理解。 憑藉複雜的研究、大型語言模型訓練集以及不斷提高的計算能力，自然語言理解多年來也得到了顯著提高。

人們可以提出分析性問題，而無需了解構建 SQL 查詢的機制。 有了更好的理解意圖，自然語言界面可以通過交互式圖表回答問題，用戶可以在理解數據時修復、完善和交互。

4.機器學習。 與機器學習相關的增強分析也取得了長足的進步。 這些模型可以學習複雜的分析任務，例如針對特定類型的用戶或一組用戶進行個性化的數據轉換操作。 此外，許多增強分析體驗現在都具有直觀的用戶界面，降低了在用戶分析工作流程中訓練和應用模型的複雜性。

儘管人工智能擁有令人難以置信的能力，但它永遠無法完全取代人類。 從較低水平的統計屬性中收集高水平的結論可能是複雜且微妙的。 人們具有較高的創造性認知水平； 我們充滿好奇心； 我們可以從數據中提煉出這些高層次的結論。

培養數據素養的建議

為了讓組織從數據中獲得更高層次的洞察，員工（業務用戶和分析師等）必須接受有關如何分析數據的教育，並掌握可視化和呈現數據的最佳實踐。 以下是組織如何開發最佳實踐，以促進數據素養並使用分析工具增強人工智能。

1. 投資培訓。

擁有正確的工具和正確的教育/培訓對於任何組織都至關重要。 在一個 Forrester Consulting 關於數據素養的研究，只有 40% 的員工表示他們的組織已經提供了他們期望獲得的數據技能培訓。¹ 個人和組織應該讓人們接受更好的培訓，了解查看和理解數據的最佳實踐。 工作場所應該提供有關數據可視化和數據素養的課程，以便員工能夠理解模式並學習創建和表示圖表的最佳方法。

為了培訓您的員工，您可以招募諸如此類的公司提供的優秀第三方計劃 克力克, 數據素養, Coursera 數據與分析學院, EDX, 數據營, Khan Academy, 大會, LinkedIn學習， 和更多。 Tableau 提供 自我驅動學習, 現場、虛擬培訓課程， 數據素養免費課程。 包含培訓的類似項目（其中一些是免費的）包括 數據給人們, 用數據講故事, 數據旅館, 數據素養項目和其他。

管理人員還應該考慮：如何對您的員工進行培訓，不僅使用圖表語言，而且還使用更廣泛的範式？

構建具有大量增強功能（包括人工智能和機器學習）的工具的一個缺點是，它們看起來看似簡單，但可以讓用戶很快上手。 但未經訓練的用戶可能會生成圖表或從圖表中得出的見解，這些見解可能會在某種程度上產生誤導或誤導。

重要的是要對人們進行視覺表示語言及其背後的科學教育，以便他們即使不具備數據素養，至少也能了解數據。 例如，人們如何識別異常值？ 他們應該如何設計值得信賴的儀表板？ 他們還應該能夠理解相關性和因果關係之間的區別。 這將確保數據準確並可用於分析。

2. 做出數據驅動的決策。

從數據口語（人們談論如何做出數據驅動的決策）轉向數據素養（人們有能力探索、理解數據並與數據進行交流）需要民主化對數據可視化的訪問。 這需要關注個人學習和適用性，但更多的是組織變革。 數據素養的真正民主化需要考慮整個數據生態系統。 它認識到圖表在用戶日常生活中的激增，並努力使它們更容易理解。

人們應該根據數據做出決策，而不僅僅是主觀意見； 這可以追溯到培訓用戶區分相關性和因果關係的重要性。 數據驅動的決策應該如何制定？ 呈現數據和關鍵要點的媒介是什麼，以便討論能夠保持客觀以做出有效的決策？ 例如，科技公司應該使用用戶遙測數據來確定要構建哪些功能、使用特徵，並識別用戶體驗中的任何摩擦。

3. 開發和維護足夠的基礎設施。

為了支持前兩條建議，管理人員必須確保其組織已構建足夠的、可擴展的基礎設施來容納和管理其數據。 他們還應該幫助其組織識別並獲得能夠解決客戶問題和需求的人工智能技術。

此外，決策者必須對數據隱私和信任深思熟慮。 它不能是事後才想到的； 從一開始就必須認真考慮這一點。 數據隱私和信任的責任應始終落實到個人用戶，全面的數據治理和管理政策可以涵蓋這一點。

繼續關注數據素養工作

投資人工智能和數據故事等增強分析工具是讓業務用戶能夠從數據中挖掘答案的絕佳一步，但這些工具將補充而不是取代數據素養工作。 此外，對人工智能技術和培訓進行正確的投資可以有效地支持人類做他們最擅長的事情：在解決客戶需求的同時構思和創建解決方案，所有這些都以數據為中心。

繼續關注整個組織的數據素養將確保更多員工（臨時業務用戶和經驗豐富的數據分析師）針對您的數據提出正確的問題，從而獲得進一步的見解。

選擇靈活的分析合作夥伴

像 Tableau 這樣的分析合作夥伴提供廣泛而深入的功能以及基於角色的培訓，使其成為尋找最適合您公司的方法的​​靈活合作夥伴。 學習更多關於 表格雲.

商業用戶的數據洞察

設置您的業務用戶以獲得成功。 了解有關數據故事的更多信息 並點選這裡。