Vad är Data Literacy?

Om du inte har någon data literacy i verksamheten riskerar du att inte få ut informationens värde. Om ingen utanför avdelningen förstår vad som blir sagt spelar det ingen roll om data och analys erbjuder enormt affärsvärde och är en nödvändig del av digitala affärer.

Det är exakt vad data literacy handlar om, att ha kunskap om egen data, förstå informationens betydelse och sammanhang, och kunna analysera och dela resultaten så att ett gemensamt språk och förståelse bildas i företaget så att du framgångsrikt kan hämta värde från data.

”Utvecklingen av data- och analysfunktioner kräver att man kan ”tala data” som ett gemensamt språk”, betonar Valerie Logan, Senior Director Analyst på Gartner.

Definition av data literacy

Gartner definierar data literacy som förmågan att läsa, skriva, och kommunicera data i sitt sammanhang. Det är en färdighet som gör det möjligt för alla i ett företag att ställa rätt frågor om data, bygga kunskap, argumentera med hjälp av data och fatta beslut baserat på data, samt kommunicera en åsikt till andra. Detta inkluderar förståelse för datakällor och konstruktioner, tillämpade analysmetoder och tekniker.

Allt detta beror på en enda fråga; ”Talar du data?” Data literacy handlar därför inte bara om att läsa siffror och text utan också om att kunna läsa och förstå data.

Förmågan att förstå och kommunicera på ett gemensamt dataspråk i verksamheten är en viktig färdighet för teknikens värde. Att ha ett gemensamt språk är drivkraften för att få värde från data och analys.

Data literacy i dagens verksamheter

Många företag känner att de drunknar i data, rapporter och grafer och är därför besvikna över att de inte hittar den insikt de förväntar sig i data. Om du är data literate kommer du att ha kunskap om vilka data som skapar värde för verksamheten och vad som är meningsfullt material.

Nästan alla företag bearbetar en enorm mängd data. Men att samla in data är inte detsamma som att förstå data. Dåliga kunskaper i att förstå data håller tillbaka många företag och stoppar initiativ för digital transformation i hela verksamheten, skriver Qlik.

Siffror från en undersökning om data literacy från Qlik visar att endast 24% av beslutsfattarna anser sig själv som data literate. Trots att 92% svarar att de tycker att det är viktigt för sina anställda att vara data literate, svarar de också att endast 17% uppmuntrar anställda att bli mer data literate.

Varför är data literacy viktigt?

Bristande kunskap om data rankas som det näst största interna hindret för framgång, enligt forskning från Gartner. Gartner uppskattar att 80% av alla företag 2020 kommer att initiera medveten kompetensutveckling inom området för data literacy. Dessutom uppskattar de att 50% av företagen kommer att sakna tillräcklig expertis för att uppnå affärsvärde inom AI och data literacy.

I en värld där företag blir mer datadrivna blir det ett hinder för tillväxt om företag inte har tillhandahållit goda färdigheter för att förstå data.

Enligt Tableau kommer data literacy att vara en viktig faktor för att hålla dig och ditt företag relevant i framtiden. Att förvandla data till värdefull insikt är inte längre bara något som experter borde kunna göra, utan det är viktigt för alla i branschen. Universitet och högskolor utbildar dataexperter i högt tempo för att möta det extrema behovet.

Skapa en data literacy-kultur

Att främja data litercy i företag börjar med att bygga kultur. Företag måste etablera en ”data-first-kultur”, som handlar om att uppmuntra människor att använda data i beslutsprocesser med nyfikenhet och kritiskt tänkande. Att skapa denna typ av kultur kräver en kombination av rätt teknik och rätt människor. Det är i rekryteringen vi först kommer att se detta skifte äga rum, eftersom företag anställer datadrivna anställda.

Som nämnts måste rätt teknik vara på plats för att skapa en bra datadriven kultur.

Börja med att kartlägga kompetensen

Innan du börjar öka data literacy internt måste du ha en förståelse för hur det ser ut idag. Börja därför med att kartlägga färdigheterna internt genom att ställa dig själv följande frågor:

• Hur många människor i företaget tror du kan tolka enkla statistiska operationer som korrelationer eller medelvärden?
• Hur många av ledarna kan skapa ett projekt baserat på konkreta, korrekta och relevanta siffror?
• Hur många av ledarna kan förklara resultaten av sina system eller processer?
• Hur många data scientists kan förklara resultaten av deras maskininlärningsalgoritmer?
• Hur många av dina kunder kan verkligen uppskatta kärnan i den data du delar med dem?