Tarp svarbiausių darbuotojų savybių – gebėjimas „kalbėti duomenimis“

Skaitmeninis raštingumas – vienas iš aštuonių bendrųjų gebėjimų, įrašytų 2006 m. Europos Parlamento ir Tarybos rekomendacijoje[1] dėl bendrųjų visą gyvenimą trunkančio mokymosi gebėjimų. Dokumente nurodoma, kad skaitmeninio raštingumo būtinieji įgūdžiai apima gebėjimą ieškoti, rinkti ir apdoroti informaciją bei ją naudoti lemiamu ir sisteminiu būdu įvertinant svarbą, atskiriant realius dalykus nuo virtualių ir atpažįstant sąsajas tarp pastarųjų. Taip pat rekomendacijoje teigiama, kad asmenys turėtų gebėti naudotis priemonėmis rengdami, pristatydami ir suprasdami sudėtingą informaciją.

Prieš kelis mėnesius Pasaulio ekonomikos forumo publikuotoje ataskaitoje apie ateities darbus skelbiama, kad itin paklausūs taps duomenų analitikai, darbuotojai, gebantys suvaldyti dirbtinį intelektą ir mašininį mokymąsi, perprantantys didžiuosius duomenis. Geidžiamiausių gebėjimų pirmajame penketuke rikiuosis analitinis, kritinis mąstymas, gebėjimas spręsti kompleksines problemas, inovatyvumas, kūrybingumas, gebėjimas mokytis.[2] Duomenys ir analizė yra pagrindinės skaitmeninio verslo dalys, tad natūralu, kad gebėjimas „kalbėti duomenimis“ taps neatsiejama šioje srityje veikiančių darbuotojų kasdienybe.

nuotrauka::1

Duomenys – organizacijos turtas

Duomenų analize paremti sprendimai yra mažiausiai paveikti kognityvinių klaidų. Svarbiausios geros duomenų analizės dedamosios – kompetentingas analitikas, technologiniai įrankiai, prieiga prie informacijos, sprendimų priėmėjo pasitikėjimas analitiku ir technologijomis, laikas ir gerai suformuluota užduotis.

Būtent užduotis yra labai svarbus sprendimo priėmimo proceso žingsnis, nes tik suprantant problemos priežastį galima priimti tinkamą sprendimą. Antraip sprendžiama ne pati problema ir jos ištakos, o jos pasekmės – „gydomi simptomai“.

Kitas žingsnis – informacijos, reikalingos sprendimui priimti, rinkimas. Pastaruoju metu susiduriame su vis didesniu informacijos srautu, todėl viena svarbiausių darbuotojo savybių tampa gebėjimas greitai surasti tikslinę informaciją, atskirti klaidingą arba išvestinę informaciją nuo originalios.

Jeigu duomenų paieškai galime pasitelkti metodines žinias, efektyviam informacijos surinkimui yra būtina naudoti specializuotus, tam skirtus technologinius  sprendimus. Dirbtiniam intelektui ir mašininiam mokymuisi veržiantis į mūsų kasdieninį gyvenimą, šie uždaviniai tampa vis lengviau įgyvendinami. Pavyzdžiui, daugybės užsienio kalbų mokėjimas kai kuriais atvejais nebėra itin svarbus, nes, pvz, „IntEye“ sprendimas naudoja „kalbos variklį“, atpažįstantį ir suprantantį daugiau nei 120 kalbų. Tokie išmanūs įrankiai yra naudingi, kai tekstas neturi aiškios struktūros. Technologijos leidžia iš pasakojimo išskirti objektus ir identifikuoti sąsajas tarp jų.

Patikimumo kaina

Prieš pradedant analizuoti duomenis, būtina juos paruošti bei įvertinti jų patikimumą, aktualumą ir vertingumą. Kai informacija renkama ne metodiškai arba neautomatizuotai, yra didelė tikimybė, kad jos fiksavimo, apdorojimo  metu bus prarasta dalis svarbios informacijos. Problemos kyla ne tik dėl informacijos kiekio, bet ir dėl to, kad duomenys yra skirtinguose duomenų šaltiniuose, skirtingo tipo, skirtingo patikimumo.

Ypač šių dienų kontekste vertę kuria ne tik patys duomenys, bet ir jų surinkimas bei pateikimas laiku. Britų spaudoje[3] neseniai nuskambėjo atvejis, kai dėl žmogaus ir IT klaidų derinio 16 tūkst. įrašų apie užsikrėtusius COVID-19 nebuvo suvesta į bendrą sistemą visą savaitę. Tokios klaidos sukėlė ženklias pasekmes pandemijos plitimui: laiku nenustatyti artimi užsikrėtusiųjų kontaktai bei netaikytos saviizoliacijos priemonės leido ligai plisti toliau.

Visos organizacijos  turėtų siekti, kad jų disponuojami duomenys būtų kuo tikslesni, todėl idealu juos rinkti sistemiškai, kaupti vienoje ar keliose tarpusavyje derančiose duomenų sistemose. Jei tai neįmanoma, galima pasitelkti technologinius sprendimus – IBM i2 grupės įrankius, „VizKey“, „DataWalk“, „IntEye“ ir pan., – kurie pritaikyti analizuoti skirtingus duomenis ir leidžia integruoti vidinius ir išorinius duomenų šaltinius tiesiogiai į analizei skirtą aplinką.

Vartojame daug ir greitai

Spartėjantis gyvenimo tempas verčia mus darbus atlikti greitai arba derinti kelių užduočių atlikimą tuo pačiu metu. Tai lemia ir pasikeitusius mūsų skaitymo įpročius: dažnai perskaitome tik antraštes ar tekstų pradžias. Informacinis srautas toks didelis, kad paprastai nesiryžtame nuodugniai perskaityti išsamaus tyrimo ar nagrinėti keliasdešimties puslapių apimties veiklos ataskaitų,  juo labiau nesame linkę skaitydami ilgus tekstus ieškoti sąsajų tarp juose pateiktų duomenų. Būtent tokias užduotis vis dažniau už mus atlieka technologiniai įrenginiai.

Technologijos nepakeis analitiko, žmonės ir toliau darys išvadas bei priims sprendimus, tik įrankiai jiems gali padėti greičiau ištirti, išanalizuoti ir suprasti surinktą informaciją, sudėlioti atskiras detales į vieną išsamų paveikslą bei išvengti žmogiškųjų klaidų. Sėkmingiausių technologijų autoriai gilinasi į žmonių ir automatikos darbo sintezės principus – kaip analitikui padėti suprasti ir „suvirškinti“ turimą informaciją efektyviausiai, bei validuoti įvairias hipotezes. Kaip pavyzdys, vizualios analizės instrumentai, pritaikyti prie sprendžiamos problemos semantikos dažnai yra vertingesni dėl savo vizualaus objektų sąsajų modelio, lyginant su klasikiniais lentelių formatų pateikiamais duomenimis.

[1] https://eur-lex.europa.eu/legal-content/LT/TXT/?uri=celex:32006H0962
[2] https://www.weforum.org/reports/the-future-of-jobs-report-2020#report-nav
[3] https://www.theguardian.com/world/2020/oct/05/england-covid-cases-error-unknown-how-many-contacts-not-traced-says-minister