在增强分析世界中导航数据素养

机器学习 (ML) 和自然语言处理 (NLP) 等人工智能 (AI) 功能不断改进，增强分析产品可以可靠地自动化许多与查看和理解数据相关的任务。 借助可以从数据中获得洞察力的强大工具，高管们常常想知道：这项技术是否真的减少了对数据的需求？ 数据素养 他们组织的培训工作？ 不，恰恰相反。

数据素养——在上下文中读取、写入和交流数据的能力——比以往任何时候都更加重要。 这对于帮助组织开发一种数据驱动的工作方式以及赋予员工以自己的创造力和批判性思维来增强人工智能技能至关重要。

在数据素养对组织的成长和成功的作用中，还有其他因素需要考虑。 聘用、培训和留住数据科学家和分析师很困难，而且他们的技能往往细致入微且成本高昂。 根据 365 数据科学，大多数数据科学家可能不会在他们目前的工作场所工作超过 1.7 年。 训练有素的数据科学家和分析师经常收到诸如为销售构建干净的数据源或编写基本报告等任务的请求。 凭借他们的专业能力，他们的时间和技能将更好地用于为更高价值、复杂的业务问题建模和开发工作流程。

当高管投资于人工智能和增强分析技术时，业务用户——与专职分析师相比，更随意的数据用户——可以访问他们的问题的答案以及他们做好工作所需的信息，而不必担心做事的机制所以。

探索支持 AI 的解决方案如何支持用户任务并找到合适的用户体验对于设置工具和用户取得成功具有巨大的潜力。 例如，人工智能工具可以自动化一些更繁琐的数据准备任务，然后将结果提供给人类，人类可以根据分析需求进一步分析和可视化内容。

增强分析的进步帮助人们更快地回答问题

增强分析解决方案可以让业务用户更轻松地理解数据，从而帮助公司最大限度地发挥这些昂贵技术的价值。 例如，增强分析可以了解客户的兴趣并提供有关消费者偏好、产品开发和营销渠道的预测。 它们还可以提供有关数据趋势、价值和差异的额外背景信息。 复杂的算法可以建议可以添加到仪表板的其他可视化，以及以自然语言生成的文本解释和上下文。

以下是一些有助于提升员工队伍的解决方案示例。

1. 数据故事。 Tableau Cloud 现在包括 数据故事，一个动态仪表板小部件功能，它采用 AI 算法来分析数据并以叙述或项目符号的形式写一个关于它的简单故事。 这些故事将关于数据的叙述编织在一起，而不仅仅是图表和仪表板，业务用户可以访问以回答他们的许多问题。 这降低了业务用户理解对他们最重要的信息所需的数据素养水平。 数据故事展示了用户第一次查看条形图或折线图时提出的简单问题：这个看起来像异常值的数字真的是异常值吗？ 随着时间的推移，这个数字是如何变化的？ 平均值是多少？ 数据仍然需要解释——这不是全部——但这是朝着释放数据洞察力迈出的一大步。

2. 给我看。 增强的分析功能还允许更智能的编码默认值。 例如，Show Me 会根据感兴趣的数据属性推荐图表类型和适当的标记编码。 然后，用户可以专注于他们想要交流的高级内容，并与他们的观众分享这些图表，作为他们视觉分析工作流程的一部分。

3. 自然语言理解。 随着复杂的研究、语言模型的大型训练集以及计算能力的提高，自然语言理解多年来也有了显着提高。

人们可以提出分析性问题，而无需了解构造 SQL 查询的机制。 有了更好的理解意图，自然语言界面可以使用交互式图表来回答问题，用户可以在理解数据时修复、改进和交互。

4.机器学习。 与 ML 相关的增强分析也取得了长足的进步。 这些模型可以学习复杂而复杂的分析任务，例如针对特定类型的用户或一组用户进行个性化的数据转换操作。 此外，许多增强分析体验现在都具有直观的用户界面，从而降低了培训的复杂性，并在用户的分析工作流程中应用模型。

尽管人工智能具有令人难以置信的能力，但它永远不会完全取代人类。 从较低级别的统计属性中收集高级别的东西可能很复杂，而且相当微妙。 人的创造性认知水平更高； 我们很好奇； 我们可以从数据中提炼出这些高级别的东西。

培养数据素养的建议

为了让组织从他们的数据中获得更高层次的洞察力，员工——业务用户和分析师——必须了解他们应该如何分析他们的数据，并拥有可视化和呈现数据的最佳实践。 以下是组织如何开发最佳实践，以促进数据素养和使用分析工具增强人工智能。

1. 投资培训。

拥有正确的工具和正确的教育/培训对任何组织都至关重要。 在一个 Forrester Consulting 关于数据素养的研究，只有 40% 的员工表示他们的组织提供了他们预期的数据技能培训。¹ 个人和组织应该让人们接受更好的培训，了解查看和理解数据的最佳实践。 工作场所应提供有关数据可视化和数据素养的课程，以便员工能够理解模式并学习创建和表示图表的最佳方法。

要培训您的员工，您可以征募优秀的第三方计划，例如 Qlik, 数据素养, Coursera 的数据与分析学院, EDX, 数据营, 汗学院, 大会, LinkedIn学习， 和更多。 Tableau 优惠 自主学习, 现场、虚拟培训课程和一个 数据素养免费课程. 包含培训的类似项目，其中一些是免费的，包括 给人民的数据, 用数据讲故事, 数据小屋, 数据素养项目和其他。

高管们还应该考虑：如何培训您的员工，不仅是图表语言，而且是更广泛的范式？

构建具有大量增强功能（包括 AI 和机器学习）的工具的一个缺点是它们看起来看似简单，并且可以让用户快速提升。 但是训练不足的用户可能会从图表中生成图表或外卖见解，这可能会以某种方式误导或误导。

重要的是要让人们了解视觉表示的语言及其背后的科学，这样他们至少可以了解数据，如果不是数据素养的话。 例如，人们如何识别异常值是什么？ 他们应该如何设计值得信赖的仪表板？ 他们还应该能够理解相关性和因果关系之间的区别。 这将确保数据准确，并可用于分析。

2. 做出数据驱动的决策。

从数据口述——人们谈论做出数据驱动的决策——到数据素养——人们有能力探索、理解和与数据交流——需要对数据可视化的访问民主化。 这需要关注个人学习和适用性，但它应该更多的是组织变革。 数据素养的真正民主化考虑到了整个数据生态系统。 它认识到图表在用户日常生活中的激增，并努力使它们易于理解。

人们应该根据数据做出决定，而不仅仅是主观意见； 这又回到了培训的重要性，即教育用户区分相关性和因果关系。 应该如何做出数据驱动的决策？ 呈现数据和关键要点的媒介是什么，以便讨论可以保持客观以做出有效的决策？ 例如，科技公司应该使用用户遥测数据来确定要构建哪些功能、使用特征，并识别用户体验中的任何摩擦。

3. 开发和维护足够的基础设施。

为了支持前两项建议，高管们必须确保他们的组织已经构建了一个足够的、可扩展的基础架构来容纳和管理其数据。 他们还应该帮助他们的组织识别并获得能够解决客户问题和需求的人工智能技术。

此外，决策者必须对数据隐私和信任进行深思熟虑和深思熟虑。 这不能是事后的想法。 必须从一开始就认真考虑。 数据隐私和信任的责任应该一直提炼到个人用户，全面的数据治理和管理政策可以涵盖这些责任。

继续关注数据素养工作

投资 AI 和增强分析工具（如 Data Stories）是帮助业务用户从数据中挖掘答案的绝佳一步，但这些工具将补充数据素养工作，而不是取代它们。 此外，对人工智能技术和培训的正确投资形式可以有效地支持人类做他们最擅长的事情：在解决客户需求的同时构思和创建解决方案，所有这些都以数据为中心。

继续关注整个组织的数据素养将确保您的更多员工（临时业务用户和成熟的数据分析师）对您的数据提出正确的问题，从而获得进一步的见解。

选择灵活的分析合作伙伴

像 Tableau 这样的分析合作伙伴提供了广泛而深入的功能以及基于角色的培训，使其成为探索最适合您公司的方法的​​灵活合作伙伴。 学习更多关于 表云.

面向商业用户的数据洞察

设置您的业务用户以获得成功。 了解有关数据故事的更多信息 点击此处。