Le persone e la tecnologia sono le due chiavi per massimizzare la potenza dei dati per l'organizzazione. Ciò significa una crescita delle organizzazioni che assumono specialisti dei dati e delle capacità di analisi e self-service per estendere l'influenza dei dati su più dipartimenti e team.
La democratizzazione dei dati in tutta l'azienda può aiutare tutti, dal CEO ai dipendenti in prima linea, a svolgere il proprio lavoro in modo più rapido, migliore, più efficace ed efficiente. Si prevede che il mercato della business intelligence e dell'analisi aumenterà di 18.300 miliardi di dollari, spinto dalla necessità di maggiore agilità, accessibilità e insight più approfonditi.
Un classico errore è pensare che la tecnologia possa affrontare sufficientemente questa sfida, ma questo crea solo una deriva nelle iniziative per l'evoluzione tecnologica e l'efficienza. Non rientra tra le sue funzioni promuovere l'alfabetizzazione e la cultura dei dati di per sé.
Alcune soluzioni di analisi avanzate potrebbero aiutare una nuova generazione di data scientist meno tecnologici, ma queste persone provengono da gruppi già specializzati in statistica e analisi, ovvero non influiscono sull'organizzazione complessiva.
Alcuni studi prevedono che il 40% delle attività relative ai dati sarà automatizzato entro il 2020, ma la maggior parte di questa automazione verrà applicata alle attività di carico standard, pulite e di qualità che attualmente impantanano gli esperti di dati. Anche le analisi descrittive di base non saranno efficienti in quanto non possono prendere decisioni basate sull'adeguatezza dei dati sottostanti.
Il sistema educativo risolverà gradualmente il problema dell'alfabetizzazione dei dati. Sebbene le istituzioni educative ne comprendano la necessità, continuano a rimanere indietro rispetto alle esigenze di alfabetizzazione dei dati della moderna forza lavoro. Nel suo TED Talk del 2009, il matematico Arthur Benjamin ha affermato che è tempo che il curriculum di matematica passi dall'analogico al digitale e che la statistica e la probabilità sostituiscano il calcolo al vertice della piramide matematica.
Questo necessario cambiamento non è in vista a breve o medio termine.
È più urgente affrontare la carenza di talenti nella scienza dei dati. È più preoccupante che la stragrande maggioranza dei lavoratori sia sempre meno preparata ad affrontare questo nuovo scenario. Invece di aspettare che la tecnologia o il sistema educativo risolvano il problema, l'organizzazione deve analizzare, impostare una strategia, compiti e attivare internamente ciò che può essere fatto per l'alfabetizzazione dei dati in tutte le aree.
Ad esempio, alcuni anni fa, i reparti marketing non disponevano quasi di dati per misurare i risultati tangibili delle loro azioni. Ora è uno dei reparti più data-driven e data-strategic. A questo dobbiamo aggiungere quello hanno obiettivi uffici vendite e commerciali.
Chiavi per l'alfabetizzazione dei dati
L'alfabetizzazione dei dati copre un ampio spettro di competenze, quindi è importante stabilire una base funzionale da cui sviluppare conoscenze specifiche per ciascun profilo in ciascun caso, ma con basi comuni.
Proprio come le persone non hanno bisogno di una laurea avanzata in inglese per essere alfabetizzate, le persone non hanno bisogno di conoscenze statistiche avanzate o abilità di programmazione in Python o R per diventare alfabetizzate nei dati.
I livelli di abilità di lettura e scrittura sono spesso definiti da ciò che le persone possono o non possono ottenere nella loro vita quotidiana; dobbiamo fare lo stesso con l'alfabetizzazione dei dati.
Quando si tratta di alfabetizzazione dei dati di base, ad esempio, un dipendente dovrebbe essere in grado di analizzare e interpretare correttamente un grafico o un grafico di dati standard. Dovrebbero essere a loro agio con uno qualsiasi dei grafici comuni come grafici a linee, grafici a barre, grafici ad area, grafici a torta e grafici a dispersione che si trovano oggi nella maggior parte delle applicazioni di trading, dashboard e notizie.
Idealmente, sarebbe fantastico se tutti sapessero come produrre i propri grafici e fare le proprie analisi, ma secondo me non è lo standard minimo che stiamo cercando. Come minimo, abbiamo bisogno che le persone siano in grado di consumare e interpretare i dati in modo efficace. Per fare ciò, avranno bisogno di competenze nelle seguenti quattro aree di dati o grafici:
- Conoscenza
- Assimilazione
- Interpretazione
- Revisione del processo
1.- Conoscenza dei dati
Ogni settore aziendale, organizzazione e dipartimento ha il proprio set unico di termini e dati. Più i dipendenti capiranno dal punto di vista aziendale, migliore sarà la loro posizione per applicarli.
Ad esempio, nel caso delle vendite online, dovresti avere familiarità con le metriche di base come visualizzazioni di pagina, sessioni, visitatori unici e frequenza di rimbalzo. Oltre a conoscere i fatti, hai bisogno di abilità nel lavorare con i numeri e l'aritmetica.
È sorprendente che gran parte di ciò su cui si concentrano gli scienziati dei dati sia solo aritmetica, quando la stragrande maggioranza delle analisi (80%) si concentra su somme e mezzi. Inoltre, è utile una comprensione di base dei concetti e dei termini statistici, come sapere quale sia la correlazione e la differenza tra dati quantitativi e qualitativi.
2.- Assimilazione dei dati
Quando vengono presentati nuovi dati che devono essere interpretati, è necessario avviare il processo di comprensione dei dati sconosciuti prima di consumarli. Non sta ancora analizzando né emettendo giudizi, sta solo raccogliendo le informazioni.
A tal fine è necessario prendere visione dei seguenti elementi delle tabelle o dei grafici e richiedere chiarimenti se qualche elemento risulta ambiguo o si percepisce con certezza una mancanza di comprensione:
- Titolo ed etichette: la tabella o il grafico è intitolato ed etichettato in modo descrittivo e chiaro?
- Intervallo di tempo: quali sono gli intervalli di date per i dati presentati?
Fonte dei dati: da dove provengono i dati? - Unità di misura: è chiaro cosa rappresentano le metriche nei grafici o nei grafici?
- Scale: le scale degli assi del grafico sono chiare ed efficaci?
- Metrica calcolata: per rapporti, tassi e altre formule, c'è una chiara comprensione di come vengono calcolati?
- Dimensioni: le dimensioni o le categorie utilizzate per organizzare o segmentare i dati sono chiare e significative?
- Filtri: è chiaro se sono stati applicati filtri specifici al set di dati (ad esempio, tutti i clienti rispetto ai nuovi clienti)?
- Classifica: se i titoli sono stati classificati o tranched, è chiaro quali criteri sono stati utilizzati?
- Obiettivi: se gli obiettivi o gli obiettivi sono stati aggiunti ai grafici, è chiaro cosa rappresentano?
3.- Interpretazione dei dati
Dopo aver acquisito familiarità con i dati, è possibile analizzarli e interpretarli. A seconda del tipo di dati e del loro formato di presentazione, possono essere esaminati in molti modi diversi. In generale, dovresti essere abituato a fare i seguenti tipi di osservazioni sui grafici:
- Trend: in quale direzione si trova l'intestazione della metrica del trend (su, giù, piatta)?
- Pattern: quali pattern o cicli ripetibili vengono percepiti nei dati (ad esempio la stagionalità)?
- Lacune: ci sono evidenti lacune o omissioni nel set di dati?
- Raggruppamenti: alcuni valori sono correlati in determinate aree?
- Asimmetria: i valori sono notevolmente concentrati o distorti più da un lato che dall'altro?
- Valori anomali: esiste un punto dati separato o lontano dal resto dei punti dati?
- Focus: qualcosa è stato enfatizzato nel grafico o nella tabella per attirare l'attenzione su di esso? È ovvio il motivo per cui alcuni dati sono stati evidenziati?
- Rumore: sono inclusi dati estranei che distorcono il messaggio principale del grafico?
- Logico: i dati aiutano a rispondere a una domanda aziendale specifica? I dati supportano una conclusione o un argomento proposto?
4.- Revisione del processo
Oltre ad analizzare e interpretare i dati, devi anche sviluppare un pensiero critico e costruttivo al riguardo. I dati sono generalmente accettati come presentati. Tuttavia, è importante avere una panoramica per valutare i fattori meno evidenti che possono influenzare i risultati e la loro successiva interpretazione.
- Metodo di raccolta: il metodo o il modo in cui i dati sono stati raccolti possono influenzare i risultati?
- Credibilità: quanto è credibile o affidabile la fonte dei dati?
- Bias: esiste un possibile pregiudizio del produttore o del consumatore di dati (incluso se stesso)?
- Verissimo: i dati sono manipolati in un modo, intenzionalmente o inavvertitamente, che ne travisa il vero significato?
- Presupposti: ci sono ipotesi implicite che potrebbero influenzare il modo in cui i numeri vengono interpretati?
- Contesto: c'è qualche contesto aggiuntivo o informazioni di base che mancano e sono necessarie per comprendere correttamente i dati?
- Confronti: se sono inclusi dati supplementari a scopo di confronto (ad esempio dati da periodo a periodo), fornisce un confronto equo e pertinente? In alternativa, manca un confronto ovvio?
- Causalità: confondi potenzialmente la correlazione con la causalità, che rappresenta un modello diretto di causa ed effetto?
- Significato: se i dati sono statisticamente significativi, sono anche praticamente significativi?
- Valori anomali: è un valore anomalo importante o altera inutilmente i risultati complessivi?
- Qualità: riesci a distinguere tra dati inutilizzabili o dati ancora utili alla leadership o al management?
Conclusioni
Proprio come l'alfabetizzazione fa evolvere le civiltà lontano dall'ignoranza e dalla povertà, allo stesso modo l'alfabetizzazione dei dati arricchisce l'organizzazione.
Sfortunatamente, molti utenti pensano ancora che i dati siano principalmente il lavoro di qualcun altro o di un reparto più analitico. Negli ambienti odierni ricchi di dati, comprendere, utilizzare e comunicare i dati in modo efficace è responsabilità di tutti, non solo degli esperti di dati.
Colmare il divario di alfabetizzazione dei dati nell'entità accelera la capacità dei dipendenti di trarre vantaggio dalla crescente quantità di dati disponibili.
Inoltre, va tenuto conto del fatto che le ripercussioni dell'analfabetismo dei dati riguardano tutta la società e le persone, non solo le organizzazioni. Tra le grida allarmistiche, le notizie false e la proposta di fatti alternativi infondati, è fondamentale incoraggiare una maggiore alfabetizzazione dei dati in modo che le persone possano distinguere meglio tra realtà e finzione.
La migliore protezione contro i dati fuorvianti è immunizzarsi contro la loro influenza negativa attraverso una maggiore alfabetizzazione dei dati.
