Навыки работы с данными - умение превращать данные в понимание и действия - являются движущей силой современной экономики. По данным Всемирного экономического форума, вычислительные и математически ориентированные профессии демонстрируют наибольший рост за счет менее количественных ролей. Поэтому для того, чтобы максимально повысить нашу роль в экономическом росте, обусловленном данными, или просто для того, чтобы мы и наши команды оставались актуальными и трудоспособными, нам необходимо подумать о переходе к более ориентированному на данные набору навыков. Но на каких навыках следует сосредоточиться? Может ли большинство из нас рассчитывать на то, что мы сами будем идти в ногу с этой тенденцией, или нам лучше отступить в сокращающиеся области экономики, оставив навыки работы с данными специалистам? Чтобы ответить на этот вопрос, вы можете использовать матрицу 2?2 для построения графика соотношения времени, которое потребуется для изучения того или иного навыка, и степени его полезности, что поможет определить, какие навыки имеет смысл изучать сейчас. Навыки, которые очень полезны и требуют наименьшего времени на освоение, - это низко висящие плоды, которые быстро повысят ценность для вас и вашей команды.
Навыки работы с данными - умение превращать данные в понимание и действия - являются движущей силой современной экономики. По данным Всемирного экономического форума, наибольший рост демонстрируют вычислительные и математически ориентированные профессии за счет менее количественных ролей.
Так что, независимо от того, хотим ли мы максимально повысить свою роль в экономическом росте на основе данных или просто обеспечить актуальность и возможность трудоустройства для себя и своих сотрудников, нам необходимо подумать о переходе к более ориентированному на данные набору навыков. Но на каких навыках следует сосредоточиться? Может ли большинство из нас рассчитывать на то, что мы сами будем идти в ногу с этой тенденцией, или нам лучше отступить в сокращающиеся области экономики, оставив навыки работы с данными специалистам?
Чтобы ответить на этот вопрос, мы перезагрузили и адаптировали подход, который мы использовали для определения приоритетности навыков Microsoft Excel в соответствии с выгодами и затратами на их приобретение. Мы применили анализ "время-полезность" к области навыков работы с данными. "Время" - это время на обучение - косвенный показатель стоимости приобретения навыка для вас или вашей команды. "Полезность" - это то, насколько сильно вам пригодится этот навык, показатель ценности, которую он представляет для корпорации и ваших собственных карьерных перспектив.
Соединив время и полезность, вы получите простую матрицу 2?2 с четырьмя квадрантами:
- Learn: высокая полезность, низкое время обучения. Это низко висящий плод, который быстро увеличит ценность для вас и вашей команды.
- План: высокая полезность, большое время на освоение. Хотя это и ценно, приобретение этого навыка означает расстановку приоритетов перед другими видами обучения и деятельности. Вы должны быть уверены, что это стоит инвестиций.
- Просмотр: низкая полезность, мало времени на обучение. Сейчас она вам не нужна, но ее легко приобрести, поэтому будьте в курсе, если ее полезность возрастет.
- Игнорировать: низкая полезность, большое время на обучение. У вас нет на это времени.
Чтобы помочь вам решить, на чем сосредоточить усилия по развитию, мы отобразили ключевые навыки работы с данными в этой системе. Мы составили длинный список навыков, связанных с такими ролями, как бизнес-аналитик, аналитик данных, специалист по исследованию данных, инженер машинного обучения или growth hacker. Затем мы определили их приоритетность с точки зрения влияния, основываясь на том, как часто они появляются в объявлениях о вакансиях, сообщениях прессы и наших собственных отзывах обучающихся. И, наконец, мы объединили эти данные с информацией о том, насколько сложно освоить эти навыки, используя в качестве метрики время до получения компетенции и оценивая глубину и широту каждого навыка.
< <
Insight Center
-
Scaling Your Team's Data Skills
Sponsored by Splunk Помогите своим сотрудникам стать более подкованными в области данных.
Мы сделали это для методов, а не для конкретных технологий: так, для машинного обучения, а не для TensorFlow; для бизнес-аналитики, а не для Microsoft Excel и т.д. Выяснив, какие методы являются приоритетными в вашем контексте, вы можете определить, какое конкретное программное обеспечение и связанные с ним навыки лучше всего их поддерживают.
Вы также можете применить эту схему к своему контексту, где влияние навыков работы с данными может быть разным. Вот наши результаты:
В Filtered мы обнаружили, что построение этой матрицы помогает нам принимать трудные решения о том, на чем сосредоточиться: на первый взгляд все навыки в нашем лонг-листе казались ценными. Но в реальности мы можем надеяться на продвижение лишь некоторых из них, по крайней мере, в краткосрочной перспективе. Мы пришли к выводу, что наилучший возврат инвестиций в навыки для нашей компании - это визуализация данных, учитывая ее высокую полезность и малое время обучения. Мы уже действуем в соответствии с результатами нашего анализа и только что начали использовать Tableau для улучшения представления клиентам анализа использования данных.
Попробуйте использовать матрицу в своей компании, чтобы помочь своей команде определить, какие навыки работы с данными наиболее важны для них, чтобы начать обучение прямо сейчас.
Об авторе
Крис Литтлвуд - директор по инновациям и продуктам filtered.com, компании, работающей в сфере образовательных технологий, которая использует искусственный интеллект для повышения производительности труда путем создания рекомендаций по обучению. Его можно найти в Twitter @filtered_chris.
- Hbr.org
Поделиться
