数据素养的威力

这是数据和分析成功使用的关键吗？

数据是当今世界上商业成功的关键驱动因素。然而，许多公司仍然在努力发挥其全部潜力。这其中有多种原因，我在我最近的一篇文章中进行了深入探讨[1]。例如，就拿“数据沼泽”问题来说。这是组织理想情况下希望避免的数据基础设施场景。但是，如果这样不可取，为什么会有无数公司陷入其中呢？

你如何判断自己不再拥有数据湖而陷入泥潭中？有三个问题可以问：

1. 结构：获得所需数据的路径是否容易：是/否

2. 直观性：是否容易找到该路径：是/否

3. 一致性：不同数据类型的路径是否相同：是/否 [2]。

如果前面所有问题的答案都是“否”，那么你可以说：

好的，我们已经确定了我们的架构问题。我将与我的数据分析团队商讨如何解决它。

等等，那不是正确的方法！

问题不仅仅是数据架构不正常。真正的问题在于无法从数据中提取价值。技术方面只是紧随其后。如果数据不被使用，它实际上没有价值。数据的价值在于通过基于数据的决策产生的营业额或利润[3]。

问题是缺乏明显的数据战略吗？可能是的。然而，尽管强大的数据战略至关重要，但如果公司的数据文化薄弱，它就不会起作用。员工必须在日常工作中采用数据使用。 他们必须具备数据素养，以最大限度地利用数据驱动的机会。

什么是数据素养？

数据素养包括阅读、理解、分析和传达数据。培养数据素养对于采用它的个人和优先考虑它的企业都具有优势。对于个人而言，它使我们增强了与数据和分析进行批判性互动的能力。它还为我们提供了（希望能够）在当今的就业市场上获得竞争优势的机会。对于企业来说，尤其是在利用数据、了解客户、抓住机遇和应对挑战方面，好处也是显而易见的。

成为数据素养的意义是什么？

根据Brent Dykes[4]的说法，数据素养有两个不同的方面：数据分析和数据解释。虽然它们经常被视为一个过程，但区分它们是至关重要的。 数据分析是技术性的，包括从数据清洗和异常检测到趋势分析和确定相关性的任务。另一方面，数据解释则深入探讨对这些发现赋予意义。它提出了以下问题：

是什么推动了观察到的趋势？我们的组织如何利用特定的相关性？检测到的异常现象是罕见事件、未曾预料的机会，还是在某些情况下，观察到的相关性是否表明因果关系？

顺便说一句：对于上述问题的最后一个问题的回答“是”通常被认为是商业分析的圣杯。

不久前，我看了最新的“BARC数据文化调查”。调查显示，在2022年，只有32%的参与者仅基于数据做出决策。18%的人根据经验或凭直觉做出决策。其他51%的人则综合使用数据和直觉 [5]。 这让我想到：这个比例是不是一件坏事呢？

从一方面来看，并不是坏事。尽管数据科学取得了进展，包括LLM的部署，但仍然需要“人的触感”。只有人类能够理解人类：他们的情绪、品味和情感。 无论多么复杂，计算机程序在这个领域仍然不如我们。另一方面，过度使用人的因素可能有时会有害。这完全取决于每种成分（即数据或直觉）的使用程度以及用于何种决策。我发现，决策越重要，越多的人会依靠他们所相信或曾经见过的东西。 而这在当今可能不是正确的方向。

为什么将数据分析与数据解释分开是有意义的？

好吧，这又是一个“人的事情”。最大的挑战之一是在详细和“直升机”视图之间切换（反之亦然）。你不能指望一个已经负担过重的经理花几个小时或几天来处理给定的数据集。另一方面，数据科学家可能缺乏必要的背景知识，如战略的变化、对公司环境的理解以及已经采取但尚未公布的重要决策。

鉴于他们众多的职责，经理们经常依赖数据专业人员进行详细分析。这些专家在广泛的数据探索后提供了宝贵的见解。 然而，领导者必须参与数据解释，而不是被动地接受结论。

经理的参与确保数据解释与更广泛的组织背景相一致。

当领导者基于数据专业人员的基础见解进行深入推理时，集体推理将导致更全面的决策。

提高组织的数据素养水平的目标不是要使每个员工都成为数据科学家，而是培养具备数据技能的人才。重点是为团队中的大多数人提供基本的数据技能，以应对他们的日常任务，而不是密集的数据驱动角色。

具备数据素养意味着具备在没有高级统计或编程知识的情况下处理日常数据的信心。

这种基本的熟练程度可以释放您组织的数据潜力。要确定团队的数据素养要求，可以通过确定数据层次结构的“最低可行熟练度”来确定，而不是列出所有可能的技能。布伦特·戴克斯（Brent Dykes）建议我们可以将所需的技能分解为一个3×3的矩阵，其中将数据素养水平（垂直轴）和每个水平所需（最低）技能（水平轴）放在一起 [6]。

在阅读类别中，数据层次涉及基本的数字能力和领域特定指标的理解。 信息层次增加了理解可视化（图形）和基本的统计知识的能力，而沟通阶段强调数据解释和批判性评估。

对于与之合作，数据层次优先考虑熟悉分析工具和数据处理。 信息层次侧重于描述性和诊断性分析技能，洞察层次则强调基于数据洞察的决策。

在沟通领域中，数据水平的技能包括处理请求和讨论数据主题。在信息水平中，强调数据呈现和可视化，而洞见阶段则强调有影响力的数据叙事的艺术[6]。

按照80/20原则，我认为洞见水平对于掌握数据素养至关重要。其他水平虽然有益，但并不是关键，尤其是从决策者的角度来看。

‘阅读’领域

首先，对于组织内的每个人，尤其是经理和领导者来说，培养对数据科学工具和技术的基本理解是至关重要的。这并不意味着每个人都应该学习统计课程或深入学习Python或R。相反，目的是掌握基本术语，了解特定工具的优势和缺点，并具备进行基本分析的能力。虽然我认识到企业角色中常常存在的时间限制，但我发现即使基本理解可以提升我与数据科学家的交流，消除了回顾基础概念和改善协作的需要。我对自己进行了测试。

‘与数据合作’领域

改变我们与数据合作的方式可能会显著改变我们的公司文化。强大的领导力至关重要。如果领导者对数据不感到舒适，他们会相信自己的直觉而不是数字。

我相信我们可以在团队中利用“数据冠军”。这些人对数据充满热情，愿意帮助他人理解数据。他们展示了数据和分析不仅仅是复杂的表格，还包括令人兴奋的发现。

我们还需要易于使用的工具，即使没有技术能力，也能让每个人都能探索和理解数据。经理应该使用有效、设计精良的仪表板快速获取清晰的图片[7]。

然而，也存在风险。在有关有价值数据的炒作中，一些公司收集了过多的数据，浪费时间进行分析，从而减缓决策。

此外，如果我们在使用数据时看不到快速的效益，可能会失去热情。庆祝小的成功非常重要，尤其是对于新接触数据驱动方法的人来说。

‘沟通’领域

在这里，“通过数据讲故事”变得至关重要。为什么它是必要的？通过叙述和视觉辅助帮助我们理解大量的数据。引人入胜的叙事可以为任何复杂的故事带来清晰度。这项技能如此重要，以至于福布斯将其列为数据科学家的首要要求。然而，许多分析师在这方面都遇到了困难。有效的数据故事：

• 使复杂的主题易于理解和共享。
• 比个人经验更能推动决策变化。
• 简化复杂数据分析的结果。

引人入胜的叙事涉及“所以怎么样”的陈述：核心信息。许多分析师缺乏设计创造力或害怕简化。然而，不清晰的可视化可能会阻碍业务决策[8]。

我计划很快写一篇关于我在数据故事叙述方面的方法：请继续关注！

请记住，提高数据素养是一场马拉松而不是冲刺。

这与许多人选择的快速解决培训趋势相反。快速技术进步，如LLM的崛起，凸显了持续学习的必要性。将持续的、每天的自我教育（如阅读一篇15分钟的文章）作为优先，而不是短期强化课程。如果可能，结合这两种活动类型。然而，请记住，熟练掌握，尤其是在叙事等领域，需要实践和经验，而不仅仅是正规培训。这涉及理解什么样的方法对您的受众和可能也是您的舒适区最有效、最引人共鸣和最符合的。

结论

在今天的数据驱动环境中，组织的所有成员，尤其是领导层，都必须具备对数据科学工具和方法的基本理解。这不需要注册统计课程或掌握编程语言。相反，它是关于掌握基本术语，辨别各种工具的优势和劣势，并具备基本数据分析的能力。了解企业世界中的时间限制，但即使是基本知识也可以极大地增强和简化与数据专业人员的交流。 在日常运营中加强我们对数据驱动决策的依赖，并结合强大的叙事应用，是这一过程的顶点。在那个时刻，我们可以真正称自己为数据素养专家。

你喜欢这篇文章吗？考虑在VoAGI上关注我。

参考资料：

[1] Szudejko, Michal, 从数字到行动：让数据为公司服务，2023年8月14日

[2] Pilcher, Bryce，我的数据湖到底是个数据沼泽吗？，2023年3月23日

[3] Mewald, Clemens，为什么数据不是新的石油，数据市场已经让我们失望了，2023年7月13日

[4] Dykes, Brent，任何经理人的更好数据解释能力的4个关键，2022年6月16日

[5] BARC，BARC数据文化调查23 —— 如何解放数据访问以赋予数据用户权力

[6] Dykes, Brent，数据素养和数据叙事：它们如何相互配合？，2022年5月12日

[7] Szudejko, Michal，利用管理仪表盘进行叙事：一条可行的路径吗？，2023年8月3日

[8] Decoded，用数据叙事来展示我们今天的世界，2022年7月29日