მონაცემთა წიგნიერების ნავიგაცია გაძლიერებული ანალიტიკის სამყაროში

ხელოვნური ინტელექტის (AI) შესაძლებლობები, როგორიცაა მანქანური სწავლა (ML) და ბუნებრივი ენების დამუშავება (NLP) აგრძელებს გაუმჯობესებას და გაძლიერებული ანალიტიკის პროდუქტებს შეუძლიათ საიმედოდ მოახდინოს მრავალი ამოცანის ავტომატიზაცია, რომელიც დაკავშირებულია მონაცემთა ნახვასა და გაგებასთან. მძლავრი ხელსაწყოებით, რომლებსაც შეუძლიათ ინფორმაციის მიწოდება, აღმასრულებლებს ხშირად აინტერესებთ: ამცირებს თუ არა ეს ტექნოლოგია რეალურად საჭიროებას მონაცემთა ცოდნა ტრენინგის ძალისხმევა მათ ორგანიზაციებში? არა, პირიქით.

მონაცემთა წიგნიერება - ინფორმაციის წაკითხვის, ჩაწერის და კონტექსტში კომუნიკაციის უნარი - უფრო მნიშვნელოვანია, ვიდრე ოდესმე. ეს გადამწყვეტია იმისთვის, რომ დაეხმაროს ორგანიზაციებს, შეიმუშაონ მონაცემებიზე ორიენტირებული მუშაობის გზა და თანამშრომლების გაძლიერება ხელოვნური ინტელექტის უნარების საკუთარი შემოქმედებითა და კრიტიკული აზროვნებით.

არსებობს დამატებითი ფაქტორები, რომლებიც გასათვალისწინებელია მონაცემთა წიგნიერების როლში ორგანიზაციის ზრდისა და წარმატებისთვის. მეცნიერებისა და ანალიტიკოსების დაქირავება, ტრენინგი და მონაცემთა შენახვა რთულია – გარდა ამისა, მათი უნარები ხშირად ნიუანსი და ძვირია. 365 Data Science-ის მიხედვითმონაცემთა მეცნიერთა უმეტესობა, სავარაუდოდ, 1.7 წელზე მეტს არ დაატარებს სამუშაო ადგილზე. მონაცემთა მეცნიერები და ანალიტიკოსები, რომლებიც არიან მაღალკვალიფიციური, ხშირად იღებენ მოთხოვნებს ისეთი ამოცანების შესახებ, როგორიცაა გაყიდვებისთვის მონაცემთა სუფთა წყაროს შექმნა ან ძირითადი ანგარიშების შედგენა. მათი სპეციალიზებული შესაძლებლობებით, მათი დრო და უნარების ნაკრები უკეთესად გამოიყენებოდა მოდელირებასა და სამუშაო პროცესების შემუშავებაზე უფრო მაღალი ღირებულების, რთული ბიზნეს კითხვებისთვის.

როდესაც აღმასრულებლები ინვესტირებას ახდენენ AI-სა და ანალიტიკის გაძლიერებულ ტექნოლოგიაში, ბიზნეს მომხმარებელს - მონაცემთა უფრო შემთხვევით მომხმარებელს, ერთგულ ანალიტიკოსთან შედარებით - შეუძლია წვდომა ჰქონდეს მათ კითხვებზე პასუხებზე და ინფორმაციას, რომელიც მათ სჭირდებათ სამუშაოს კარგად შესასრულებლად, მუშაობის მექანიზმზე ფიქრის გარეშე. ისე.

იმის შესწავლას, თუ როგორ შეუძლია AI-ზე ჩართული გადაწყვეტილებების მხარდაჭერა მომხმარებლის ამოცანებისა და მომხმარებლის სწორი გამოცდილების პოვნაში, აქვს უზარმაზარი პოტენციალი ხელსაწყოსა და მომხმარებლის წარმატებისთვის. მაგალითად, ხელოვნური ინტელექტის ინსტრუმენტს შეუძლია ავტომატიზირება მოახდინოს ზოგიერთი უფრო დამღლელი ამოცანის შესახებ მონაცემთა მომზადების გარშემო და შემდეგ მიაწოდოს შედეგები ადამიანს, რომელსაც შეუძლია შემდგომი ანალიზი და ვიზუალიზაცია მოახდინოს შინაარსის ანალიტიკურ საჭიროებებზე დაყრდნობით.

Augmented Analytics-ში მიღწევები ეხმარება ადამიანებს უფრო სწრაფად უპასუხონ კითხვებს

გაძლიერებული ანალიტიკური გადაწყვეტილებები ბიზნეს მომხმარებლებს გაუადვილებს მონაცემთა გაგებას, რაც ეხმარება კომპანიებს მაქსიმალურად გაზარდონ ამ ძვირადღირებული ტექნოლოგიების ღირებულება. მაგალითად, გაძლიერებულ ანალიტიკას შეუძლია გაიგოს მომხმარებლის ინტერესი და შესთავაზოს პროგნოზები მომხმარებელთა პრეფერენციების, პროდუქტის განვითარებისა და მარკეტინგული არხების შესახებ. მათ ასევე შეუძლიათ უზრუნველყონ დამატებითი კონტექსტი ტენდენციების, მნიშვნელობებისა და მონაცემების განსხვავებების შესახებ. დახვეწილ ალგორითმებს შეუძლიათ შემოგთავაზონ დამატებითი ვიზუალიზაცია, რომლებიც შეიძლება დაემატოს დაფაზე, ტექსტის განმარტებებთან და ბუნებრივ ენაზე წარმოქმნილ კონტექსტთან ერთად.

აქ მოცემულია გადაწყვეტილებების რამდენიმე მაგალითი, რომლებიც დაგეხმარებათ თქვენი სამუშაო ძალის ამაღლებაში.

1. მონაცემთა ისტორიები. Tableau Cloud ახლა მოიცავს მონაცემთა ისტორიები, დინამიური დაფის ვიჯეტის ფუნქცია, რომელიც იყენებს ხელოვნური ინტელექტის ალგორითმებს მონაცემების გასაანალიზებლად და მის შესახებ მარტივი ისტორიის დასაწერად როგორც ნარატიული, ისე ბურთულების სახით. სიუჟეტები აერთიანებს ნარატივებს მონაცემთა შესახებ უბრალო სქემებისა და დაფების მიღმა რეესტრში, რომელიც ხელმისაწვდომია ბიზნეს მომხმარებლებისთვის მათ ბევრ კითხვაზე პასუხის გასაცემად. ეს ამცირებს მონაცემთა წიგნიერების დონეს, რომელსაც ბიზნეს მომხმარებელი სჭირდება მისთვის ყველაზე მნიშვნელოვანი ინფორმაციის გასაგებად. მონაცემთა ისტორიები ასახავს იმ მარტივ კითხვებს, რომლებსაც მომხმარებელი სვამს, როდესაც ისინი პირველად უყურებენ სვეტების დიაგრამას ან ხაზოვან დიაგრამას: იყო თუ არა ეს რიცხვი, რომელიც გამოიყურებოდა გარედან? როგორ შეიცვალა ეს რიცხვი დროთა განმავლობაში? საშუალო რა არის? მონაცემები ჯერ კიდევ საჭიროებს ინტერპრეტაციას - ეს არ არის მთელი ამბავი - მაგრამ ეს არის დიდი ნაბიჯი მონაცემების წვდომის გასახსნელად.

2. მაჩვენე. გაძლიერებული ანალიტიკის ფუნქციები ასევე იძლევა უფრო ჭკვიანი კოდირების ნაგულისხმევი პარამეტრების საშუალებას. მაგალითად, Show Me რეკომენდაციას უწევს დიაგრამის ტიპებს და შესაბამისი ნიშნების დაშიფვრას, მონაცემთა ინტერესის ატრიბუტებზე დაყრდნობით. შემდეგ მომხმარებლებს შეუძლიათ ფოკუსირება მოახდინონ მაღალ დონეზე, რომლითაც სურთ კომუნიკაცია და გაუზიარონ ეს სქემები თავიანთ აუდიტორიას, როგორც მათი ვიზუალური ანალიტიკური სამუშაო პროცესის ნაწილი.

3. ბუნებრივი ენის გაგება. დახვეწილი კვლევებით, ენობრივი მოდელების დიდი სასწავლო ნაკრებით და გაუმჯობესებული გამოთვლითი შესაძლებლობებით, ბუნებრივი ენის გაგება ასევე მნიშვნელოვნად გაუმჯობესდა წლების განმავლობაში.

ადამიანებს შეუძლიათ ანალიტიკური კითხვების დასმა SQL მოთხოვნების აგების მექანიკის გააზრების გარეშე. უკეთესად გაგების მიზნით, ბუნებრივი ენის ინტერფეისებს შეუძლიათ უპასუხონ კითხვებს ინტერაქტიული სქემებით, რომლებსაც მომხმარებლებს შეუძლიათ შეაკეთონ, დახვეწონ და დაუკავშირდნენ მონაცემთა გაგებას.

4. მანქანათმცოდნეობა. ML-თან დაკავშირებულმა გაძლიერებულმა ანალიტიკამ ასევე მიაღწია წინსვლას. ამ მოდელებს შეუძლიათ ისწავლონ დახვეწილი და რთული ანალიტიკური ამოცანები, როგორიცაა მონაცემთა ტრანსფორმაციის ოპერაციები, რომლებიც პერსონალიზებულია კონკრეტული ტიპის მომხმარებლისთვის ან მომხმარებელთა ჯგუფისთვის. გარდა ამისა, მრავალი გაძლიერებული ანალიტიკის გამოცდილებას ახლა აქვს მომხმარებლის ინტერფეისი, რომელიც ინტუიციურად გრძნობს თავს, ამცირებს ტრენინგის სირთულეს და იყენებს მოდელის მომხმარებლის ანალიტიკურ სამუშაო პროცესს.

მიუხედავად იმისა, რომ AI-ს აქვს წარმოუდგენელი შესაძლებლობები, ის არასოდეს ჩაანაცვლებს ადამიანებს. დაბალი დონის სტატისტიკური თვისებებიდან მაღალი დონის ამოღება შეიძლება იყოს რთული და საკმაოდ ნიუანსი. ადამიანებს აქვთ შემოქმედებითი შემეცნების უფრო მაღალი დონე; ჩვენ ცნობისმოყვარეები ვართ; ჩვენ შეგვიძლია გამოვყოთ ეს მაღალი დონის მონაცემებიდან.

რეკომენდაციები მონაცემთა წიგნიერების ხელშეწყობისთვის

იმისათვის, რომ ორგანიზაციებმა განბლოკონ უფრო მაღალი დონის შეხედულებები თავიანთი მონაცემებიდან, თანამშრომლებს - როგორც ბიზნეს მომხმარებლებს, ასევე ანალიტიკოსებს - უნდა ჰქონდეთ განათლება იმის შესახებ, თუ როგორ უნდა გააანალიზონ თავიანთი მონაცემები და ჰქონდეთ მონაცემთა ვიზუალიზაციისა და წარმოდგენის საუკეთესო პრაქტიკა. აი, როგორ შეუძლიათ ორგანიზაციებს შეიმუშაონ საუკეთესო პრაქტიკა მონაცემთა წიგნიერების ხელშეწყობისა და ანალიტიკური ინსტრუმენტებით ხელოვნური ინტელექტის გაძლიერების მიზნით.

1. ინვესტიცია ტრენინგში.

სწორი ინსტრუმენტების და შესაბამისი განათლების/ტრენინგის ქონა გადამწყვეტია ნებისმიერი ორგანიზაციისთვის. Ში Forrester Consulting კვლევა მონაცემთა წიგნიერების შესახებდასაქმებულთა მხოლოდ 40%-მა თქვა, რომ მათმა ორგანიზაციამ ჩაატარა მონაცემთა უნარების ტრენინგი, რომელიც მათ მოსალოდნელია.¹ ინდივიდებმა და ორგანიზაციებმა უნდა წარუდგინონ ხალხს უკეთესი ტრენინგი მათი მონაცემების ნახვისა და გაგების საუკეთესო პრაქტიკის თვალსაზრისით. სამუშაო ადგილებმა უნდა შესთავაზონ კურსები მონაცემთა ვიზუალიზაციისა და მონაცემთა წიგნიერების შესახებ, რათა თანამშრომლებმა გაიგონ შაბლონები და ისწავლონ სქემების შექმნისა და წარმოდგენის საუკეთესო გზები.

თქვენი თანამშრომლების მოსამზადებლად, შეგიძლიათ გამოიყენოთ მესამე მხარის შესანიშნავი პროგრამები ისეთი კომპანიებისგან, როგორიცაა ქლიკი, მონაცემთა წიგნიერება, Coursera's Data & Analytics Academy, EdX, მონაცემთა ბაზა, Khan აკადემია, გენერალური ასამბლეა, LinkedIn სასწავლო, და მეტი. Tableau გთავაზობთ თვითმართვადი სწავლა, ცოცხალი, ვირტუალური სასწავლო გაკვეთილებიდა უფასო კურსი მონაცემთა წიგნიერების შესახებ. მსგავსი პროექტები, რომლებიც მოიცავს ტრენინგს, რომელთაგან ზოგიერთი უფასოა, მოიცავს მონაცემები ხალხისთვის, მოთხრობა დათათ, მონაცემთა ლოჟა, მონაცემთა წიგნიერების პროექტი, და სხვები.

აღმასრულებლებმა ასევე უნდა განიხილონ: როგორ შეიძლება თქვენი თანამშრომლების მომზადება, არა მხოლოდ სქემების ენაზე, არამედ როგორც უფრო ფართო პარადიგმაში?

ინსტრუმენტების აგების ერთი მინუსი, რომლებსაც აქვთ მრავალი გაძლიერებული შესაძლებლობები - რაც მოიცავს AI და მანქანურ სწავლებას - არის ის, რომ ისინი შეიძლება მოტყუებით მარტივად გამოიყურებოდეს და მათ შეუძლიათ მომხმარებლების ძალიან სწრაფად გაძლიერება. მაგრამ არასაკმარისად გაწვრთნილ მომხმარებლებს შეუძლიათ შექმნან დიაგრამა ან ამომწურავი შეხედულებები დიაგრამიდან, რომელიც შეიძლება იყოს შეცდომაში შემყვანი ან რაიმე სახით არასწორი.

მნიშვნელოვანია ხალხის განათლება ვიზუალური წარმოდგენის ენაზე და მის მიღმა არსებულ მეცნიერებაზე, რათა ისინი, სულ მცირე, იყვნენ მონაცემების ინფორმირებულნი, თუ არა მონაცემების მცოდნე. მაგალითად, როგორ ამოიცნონ ადამიანები, რა არის გამოკვეთი? როგორ უნდა შეიმუშავონ სანდო დაფები? მათ ასევე უნდა შეეძლოთ გაიგონ განსხვავება კორელაციასა და მიზეზობრიობას შორის. ეს უზრუნველყოფს მონაცემების სიზუსტეს და შეიძლება გამოყენებულ იქნას ანალიზისთვის.

2. მიიღეთ მონაცემების საფუძველზე გადაწყვეტილებები.

მონაცემთა ზეპირობიდან გადატანა - სადაც ადამიანები საუბრობენ მონაცემების საფუძველზე გადაწყვეტილებების მიღებაზე - მონაცემთა წიგნიერებაზე - სადაც ადამიანებს აქვთ მონაცემების შესწავლის, გაგების და მათთან კომუნიკაციის უნარი - მოითხოვს მონაცემთა ვიზუალიზაციაზე დემოკრატიულ წვდომას. ეს გულისხმობს ფოკუსირებას ინდივიდუალურ სწავლაზე და გამოყენებადობაზე, მაგრამ ეს უფრო ორგანიზაციული ცვლილება უნდა იყოს. მონაცემთა წიგნიერების ნამდვილი დემოკრატიზაცია ითვალისწინებს მონაცემთა მთელ ეკოსისტემას. ის აღიარებს სქემების გავრცელებას მომხმარებელთა ყოველდღიურ ცხოვრებაში და მუშაობს მათ ფართოდ გასაგებად.

ადამიანებმა გადაწყვეტილებები უნდა მიიღონ მონაცემების საფუძველზე და არა მხოლოდ სუბიექტურ მოსაზრებებზე; ეს უბრუნდება ტრენინგის მნიშვნელობას, რომელიც ასწავლის მომხმარებლებს განსხვავებას კორელაციასა და მიზეზობრიობას შორის. როგორ უნდა იქნას მიღებული მონაცემების საფუძველზე მიღებული გადაწყვეტილებები? რა არის მონაცემთა წარმოდგენის საშუალება და ძირითადი ამოცანები, რათა დისკუსია დარჩეს ობიექტური ეფექტური გადაწყვეტილებების მისაღებად? მაგალითად, ტექნოლოგიურმა კომპანიებმა უნდა გამოიყენონ მომხმარებლის ტელემეტრიის მონაცემები, რათა დადგინდეს, რა ფუნქციების შექმნა, გამოყენების მახასიათებლები და ნებისმიერი ხახუნის იდენტიფიცირება მომხმარებლის გამოცდილებაში.

3. ადეკვატური ინფრასტრუქტურის განვითარება და შენარჩუნება.

პირველი ორი რეკომენდაციის მხარდასაჭერად, აღმასრულებლებმა უნდა დარწმუნდნენ, რომ მათმა ორგანიზაციამ შექმნა ადეკვატური, მასშტაბური ინფრასტრუქტურა მისი მონაცემების განთავსებისა და მართვისთვის. მათ ასევე უნდა დაეხმარონ თავიანთ ორგანიზაციებს გამოავლინონ და მიიღონ წვდომა AI ტექნოლოგიაზე, რომელიც პასუხობს მათ მომხმარებელთა პრობლემებსა და საჭიროებებს.

გარდა ამისა, გადაწყვეტილების მიმღებები უნდა იყვნენ გააზრებული და მიზანმიმართული მონაცემთა კონფიდენციალურობისა და ნდობის შესახებ. ეს არ შეიძლება იყოს შემდგომი აზრი; ეს თავიდანვე სერიოზულად უნდა იქნას გათვალისწინებული. პასუხისმგებლობა მონაცემთა კონფიდენციალურობაზე და ნდობაზე უნდა იყოს დახვეწილი ინდივიდუალურ მომხმარებელზე, რაც შეიძლება დაფაროს მონაცემთა მართვისა და მართვის ყოვლისმომცველ პოლიტიკას.

განაგრძეთ ფოკუსირება მონაცემთა წიგნიერების მცდელობებზე

ინვესტიცია AI-ში და გაძლიერებულ ანალიტიკურ ინსტრუმენტებში, როგორიცაა Data Stories, შესანიშნავი ნაბიჯია ბიზნეს მომხმარებლების მისაცემად, რათა ამოიცნონ პასუხები მათი მონაცემებიდან, მაგრამ ეს ხელსაწყოები შეავსებს მონაცემთა წიგნიერების ძალისხმევას და არა მათ ჩანაცვლებას. გარდა ამისა, ინვესტიციის სწორ ფორმებს, როგორც ხელოვნური ინტელექტის ტექნოლოგიაში, ასევე ტრენინგში შეუძლია ეფექტურად დაეხმაროს ადამიანებს გააკეთონ ის, რაც მათ საუკეთესოდ შეუძლიათ: იდეების შექმნა და გადაწყვეტილებების შექმნა მომხმარებელთა საჭიროებების გადაჭრისას, ყველაფერი კონცენტრირებული მონაცემთა გარშემო.

თქვენი ორგანიზაციის მასშტაბით მონაცემთა წიგნიერებაზე ფოკუსირების გაგრძელება უზრუნველყოფს, რომ თქვენი უფრო მეტი თანამშრომელი - ჩვეულებრივი ბიზნეს მომხმარებელი და მონაცემთა დახვეწილი ანალიტიკოსი - სვამენ სწორ კითხვებს თქვენი მონაცემების შესახებ, რაც გამოიწვევს შემდგომი ინფორმაციის მიღებას.

აირჩიეთ მოქნილი ანალიტიკის პარტნიორი

ანალიტიკის პარტნიორი, როგორიცაა Tableau, გთავაზობთ შესაძლებლობების სიგანისა და სიღრმისეულობას, ასევე როლებზე დაფუძნებულ ტრენინგს - აქცევს მას მოქნილ პარტნიორად მოგზაურობაში, რათა აღმოაჩინოს რა არის საუკეთესო თქვენი კომპანიისთვის. შეიტყვეთ მეტი Tableau Cloud.

მონაცემთა ანალიზი საქმიანი მომხმარებლებისთვის

დააყენეთ თქვენი ბიზნეს მომხმარებლები წარმატებისთვის. შეიტყვეთ მეტი მონაცემთა ისტორიების შესახებ აქ.