全部数据素养:简单困难


图表在集体公共意识中从未如此突出。对数据驱动的见解的日益关注,就像生活中的很多事情一样,既有积极的一面,也有消极的一面。

随时可用的分析和数据可视化提供了就关键问题进行讨论(即辩论)的共同基础,例如演变公共卫生政策的原因。他们还强调了一般民众在正确解释和应用这些信息方面的经验是多么的少。

企业内部存在类似的情况,因为数据产品的许多预期受益者努力有效利用它们 - 如果他们完全使用它们。为什么?今天的企业数据扫盲计划几乎专注于支持从业者,从商业分析师到vaunted数据科学家。在这种情况下,扫盲通常被理解为“在特定地区的发展能力和知识”。因此,关联的课程强调了操纵数据的工具和方法并创建分析见解(从基本报告到复杂的AI算法)。

基本的数据读写

经常错过是数据素养的最基本定义:读写和编写和应用算法的能力。实际上,许多数据素养计划中固有是期望每个员工都有机会,并且需要滚动他或她自己的数据。虽然一个值得称道的目标,但大多数个人的工作时间数据交叉都在消费,而不是创造的洞察力。

因此,它不应该令人惊讶的是,您最大的数据消费者细分市场具有最基本但长期低估和不足的需求:基本号码。这可能听起来很简单或不必要 - 毕竟,不是每个人都知道这个东西吗?然而,最近公开展示了数字折磨(即使是那些应该知道的人)相信这种信念。而且,正如俗话所说,数字谎言 - 甚至那些有专门训练的人有时会绊倒。

所有这些都是一段漫长的旅程,回到了最初的观点:如果你想要一个真正的数据驱动型组织,每个人——我确实是说每个人——都需要在“读取数据”的基础上打下基础。这对个人和企业都有好处,更不用说整个社会了。如果做得好,提高基本的数据素养也会创造出将分析付诸行动的欲望和能力。

基本面

不确定您的数据素养方法是否足够关注基本原理?考虑你的员工是否可以做到以下几点:

  • 解释自己的绩效指标 - 每个员工都可以明确解释自己的绩效措施的意图和基础吗?这应该包括描述关键数据输入,假设,其他人或过程的依赖性,以及结果的可变性。现在,他们可以为您的企业KPI做同样的事情吗?
  • 是否每个人都理解他们所看到的分析洞察的背景、预期用途和结果?例如,您的客户服务代理是否理解何时以及为何选择一种推荐服务而不是另一种?机器操作员能否自信地决定何时以及何时不重写由算法确定的设置?当警报响起时,什么时候该采取行动或忽略它?
  • 询问新的数据可视化,度量标准或推荐 - 是的,询问。个人应该能够准确地解释作为度量标准,图表或图表所呈现的信息。他们还必须接受培训,以识别来源并评估收集信息的上下文,以便正确申请。以及什么时候......
  • 询问更多信息 - 您是否让您与语言武装员工以清楚地表达他们的担忧?甚至是否鼓励问题?当问题出现问题时(应原因),是否可以通过能够及时回应的数据或分析专家来易于联系,以及时的方式以及Layperson的条款进行回应?
  • 确定使用数据以改善其工作的新机会 - 您是否培训了个人可以从分析或数据中获益的流程,决策或任务?他们是否有一个标题,用于翻译成熟的分析成熟的常见问题或情况,以普通分析方法?

如果每个员工,不管是什么职位,都不能自信地做到以上这些,那么您的数据素养计划可能会只见树木不见森林。

图片由竞选的创造者uns