Les personnes et la technologie sont les deux clés pour maximiser la puissance des données pour l'organisation. Cela signifie une croissance du nombre d'organisations qui embauchent des spécialistes des données et des capacités d'analyse et de libre-service pour étendre l'influence des données sur plusieurs départements et équipes.
La démocratisation des données dans toute l'entreprise peut aider tout le monde, du PDG aux employés de première ligne, à faire leur travail plus rapidement, mieux, plus efficacement et plus efficacement. Le marché de l'informatique décisionnelle et de l'analyse devrait croître de 18.300 milliards de dollars, en raison du besoin d'agilité, d'accessibilité et d'informations plus approfondies.
Une erreur classique consiste à penser que la technologie peut suffisamment relever ce défi, mais cela ne fait que créer une dérive dans les initiatives d'évolution technologique et d'efficacité. Il ne fait pas partie de ses fonctions de promouvoir la littératie et la culture des données en soi.
Certaines solutions d'analyse avancées pourraient aider une nouvelle génération de scientifiques des données moins technologiques, mais ces personnes proviennent de groupes déjà spécialisés dans les statistiques et l'analyse, c'est-à-dire que cela n'affecte pas l'organisation globale.
Certaines études prédisent que 40% des tâches liées aux données seront automatisées d'ici 2020, mais la majeure partie de cette automatisation sera appliquée aux tâches standard de chargement, de nettoyage et de qualité qui entravent actuellement le travail des experts en données. Même les analyses descriptives de base ne seront pas efficaces car elles ne peuvent pas prendre de décisions basées sur l'adéquation des données sous-jacentes.
Le système éducatif résoudra progressivement le problème de la littératie des données. Bien que les établissements d'enseignement comprennent le besoin, ils continuent de prendre du retard par rapport aux besoins en littératie des données de la main-d'œuvre moderne. Dans son TED Talk de 2009, le mathématicien Arthur Benjamin a affirmé qu'il était temps que le programme de mathématiques passe de l'analogique au numérique, et que les statistiques et les probabilités remplacent le calcul au sommet de la pyramide mathématique.
Ce changement nécessaire n'est pas en vue à court ou moyen terme.
Il est plus urgent de remédier à la pénurie de talents en science des données. Il est plus inquiétant que la grande majorité des travailleurs soient de moins en moins préparés à faire face à ce nouveau scénario. Au lieu d'attendre que la technologie ou le système éducatif résolvent le problème, l'organisation doit analyser, définir une stratégie, des tâches et activer ce qui peut être fait pour la littératie des données dans tous les domaines en interne.
Par exemple, il y a quelques années, les services marketing ne disposaient quasiment d'aucune donnée pour mesurer les résultats tangibles de leurs actions. C'est aujourd'hui l'un des départements les plus axés sur les données et les plus stratégiques en matière de données. A cela il faut ajouter que ils ont des objectifs départements des ventes et commerciaux.
Les clés de la littératie des données
La littératie des données couvre un large spectre de compétences, il est donc important d'établir une base fonctionnelle à partir de laquelle développer des connaissances spécifiques pour chaque profil dans chaque cas, mais avec des bases communes.
Tout comme les gens n'ont pas besoin d'un diplôme avancé en anglais pour être alphabétisés, les gens n'ont pas besoin de connaissances statistiques avancées ou de compétences en programmation en Python ou R pour maîtriser les données.
Les niveaux de compétence en lecture et en écriture sont souvent définis par ce que les gens peuvent ou ne peuvent pas accomplir dans leur vie quotidienne ; nous devons faire de même avec la littératie des données.
En ce qui concerne la littératie de base des données, par exemple, un employé doit être capable d'analyser et d'interpréter correctement un tableau ou un graphique de données standard. Ils doivent être à l'aise avec tous les graphiques courants tels que les graphiques linéaires, les graphiques à barres, les graphiques en aires, les graphiques à secteurs et les diagrammes de dispersion que l'on trouve dans la plupart des applications de trading, des tableaux de bord et des reportages d'aujourd'hui.
Idéalement, ce serait formidable si chacun savait comment produire ses propres graphiques et faire sa propre analyse, mais à mon avis, ce n'est pas la norme minimale que nous recherchons. Au minimum, nous avons besoin que les gens soient capables de consommer et d'interpréter efficacement les données. Pour ce faire, ils auront besoin de compétences dans les quatre domaines de données ou graphiques suivants :
- Connaissance
- Assimilation
- Interprétation de
- Examen du processus
1.- Connaissance des données
Chaque secteur d'activité, organisation et service possède son propre ensemble unique de termes et de données. Plus les employés comprennent d'un point de vue commercial, mieux ils seront en mesure de les appliquer.
Par exemple, dans le cas des ventes en ligne, vous devez être familiarisé avec les mesures de base telles que les pages vues, les sessions, les visiteurs uniques et le taux de rebond. En plus de connaître les faits, vous avez besoin de compétences pour travailler avec les nombres et l'arithmétique.
Il est surprenant qu'une grande partie de ce sur quoi les data scientists se concentrent ne soit que de l'arithmétique, alors que la grande majorité des analyses (80%) se concentrent sur les sommes et les moyennes. De plus, une compréhension de base des concepts et des termes statistiques est utile, comme savoir ce qu'est la corrélation et la différence entre les données quantitatives et qualitatives.
2.- Assimilation des données
Lorsque de nouvelles données sont présentées et doivent être interprétées, vous devez commencer le processus de compréhension des données inconnues avant de les consommer. Il n'analyse ni ne porte de jugement pour le moment, il ne fait que recueillir les informations.
Pour cela, les éléments suivants des tableaux ou graphiques doivent être inspectés et des éclaircissements demandés si un élément est ambigu ou une incompréhension est perçue avec certitude :
- Titre et étiquettes : le tableau ou le graphique est-il intitulé et étiqueté de manière descriptive et claire ?
- Période : Quelles sont les plages de dates pour les données présentées ?
Source de données : d'où proviennent les données ? - Unité(s) de mesure : comprend-on clairement ce que les mesures représentent dans les tableaux ou les graphiques ?
- Échelles : les échelles des axes du graphique sont-elles claires et efficaces ?
- Indicateur(s) calculé(s) : pour les ratios, taux et autres formules, comprenez-vous clairement comment ils sont calculés ?
- Dimensions : les dimensions ou les catégories utilisées pour organiser ou segmenter les données sont-elles claires et significatives ?
- Filtres : est-il clair si des filtres spécifiques ont été appliqués à l'ensemble de données (par exemple, tous les clients par rapport aux nouveaux clients) ?
- Classement : si les titres ont été classés ou tranchés, les critères utilisés sont-ils clairs ?
- Buts – Si des buts ou des objectifs ont été ajoutés aux tableaux, est-ce clair ce qu'ils représentent ?
3.- Interprétation des données
Une fois que vous êtes familiarisé avec les données, vous pouvez les analyser et les interpréter. Selon le type de données et leur format de présentation, elles peuvent être examinées de différentes manières. En général, vous devez avoir l'habitude de faire les types d'observations suivants sur les cartes :
- Tendance : dans quelle direction la métrique de la tendance se dirige-t-elle (haut, bas, plat) ?
- Modèles : quels modèles ou cycles répétables sont perçus dans les données (par exemple, la saisonnalité) ?
- Lacunes : y a-t-il des lacunes ou des omissions évidentes dans l'ensemble de données ?
- Regroupements : Certaines valeurs sont-elles liées dans certains domaines ?
- Asymétrie : Les valeurs sont-elles sensiblement concentrées ou biaisées plus d'un côté que de l'autre ?
- Valeurs aberrantes : existe-t-il un point de données séparé ou éloigné du reste des points de données ?
- Mise au point : quelque chose a-t-il été mis en évidence dans le graphique ou le tableau pour attirer l'attention ? La raison pour laquelle certaines données ont été mises en évidence est-elle évidente ?
- Bruit : des données superflues sont-elles incluses qui déforment le message principal du graphique ?
- Logique : les données aident-elles à répondre à une question commerciale spécifique ? Les données appuient-elles une conclusion ou un argument proposé ?
4.- Examen du processus
En plus d'analyser et d'interpréter les données, vous devez également développer une réflexion critique et constructive à leur sujet. Les données sont généralement acceptées telles qu'elles sont présentées. Cependant, il est important d'avoir une vue d'ensemble pour évaluer les facteurs moins évidents qui peuvent influencer les résultats et leur interprétation ultérieure.
- Méthode de collecte : La méthode ou la manière dont les données ont été collectées peuvent-elles influencer les résultats ?
- Crédibilité : dans quelle mesure la source des données est-elle crédible ou digne de confiance ?
- Biais : Existe-t-il un biais possible du producteur ou du consommateur de données (y compris soi-même) ?
- Véridique : les données sont-elles manipulées d'une manière, intentionnellement ou par inadvertance, qui dénature leur véritable signification ?
- Hypothèses : Existe-t-il des hypothèses implicites qui pourraient affecter la façon dont les chiffres sont interprétés ?
- Contexte : y a-t-il des informations contextuelles ou contextuelles supplémentaires qui manquent et qui sont nécessaires pour bien comprendre les données ?
- Comparaisons : si des données supplémentaires sont incluses à des fins de comparaison (par exemple, des données d'une période à l'autre), fournissent-elles une comparaison juste et pertinente ? Sinon, manque-t-il une comparaison évidente?
- Causalité : confondez-vous potentiellement corrélation et causalité, qui représente un schéma direct de cause à effet ?
- Signification : si les données sont statistiquement significatives, sont-elles également significatives en pratique ?
- Valeurs aberrantes : s'agit-il d'une valeur aberrante importante ou biaise-t-il inutilement les résultats globaux ?
- Qualité : Pouvez-vous faire la distinction entre des données inutilisables et des données qui sont toujours utiles au leadership ou à la gestion ?
Conclusions
Tout comme la littératie fait évoluer les civilisations loin de l'ignorance et de la pauvreté, la littératie des données enrichit également l'organisation.
Malheureusement, de nombreux utilisateurs pensent encore que les données sont principalement le travail de quelqu'un d'autre ou d'un service plus analytique. Dans les environnements riches en données d'aujourd'hui, la compréhension, l'utilisation et la communication efficaces des données relèvent de la responsabilité de tous, pas seulement des experts en données.
Combler le fossé de la littératie des données dans l'entité accélère la capacité des employés à tirer parti des quantités croissantes de données disponibles.
De plus, il faut tenir compte du fait que les répercussions de l'analphabétisme des données affectent l'ensemble de la société et des personnes, pas seulement les organisations. Au milieu des cris alarmistes, des fausses nouvelles et de la proposition de faits alternatifs non fondés, il est essentiel d'encourager une plus grande connaissance des données afin que les gens puissent mieux distinguer les faits de la fiction.
La meilleure protection contre les données trompeuses est de vous immuniser contre leur influence négative grâce à une meilleure maîtrise des données.
