Prieš kokius penkerius metus duomenų raštingumas buvo terminas, kurį vartodavo tik konsultantai, bandantys parduoti brangius mokymus. Šiandien situacija kitokia – kompanijos investuoja į BI įrankius, perka Power BI ar Tableau licencijas, samdo duomenų analitikus, bet vis tiek susiduria su ta pačia problema: turima informacija tiesiog nenaudojama taip, kaip turėtų būti. Ir čia ne apie technologijas – čia apie žmones, procesus ir, tiesą sakant, apie organizacijos kultūrą.
Kas slepiasi po gražiu terminu
Jei paklaustumėte dešimties skirtingų vadovų, ką reiškia „duomenų raštingumas”, greičiausiai gautumėte dešimt skirtingų atsakymų. Vieni sako, kad tai gebėjimas skaityti ataskaitas. Kiti – kad tai statistikos žinios. Treti apskritai supainioja su duomenų analitiko darbu.
Iš tikrųjų duomenų raštingumas yra kur kas platesnė sąvoka. Tai gebėjimas ne tik perskaityti skaičius, bet ir suprasti, iš kur jie atsirado, ar jais galima pasitikėti, kokie yra apribojimai ir – svarbiausia – ką su tais skaičiais daryti toliau. Žmogus, turintis šį įgūdį, nepanikuoja pamatęs sudėtingą dashboard’ą, bet ir aklai netiki kiekvienu grafiku vien todėl, kad jis atrodo profesionaliai.
Praktikoje tai reiškia tris dalykus: mokėti užduoti tinkamus klausimus duomenims, mokėti interpretuoti rezultatus konteksto ribose, ir mokėti atpažinti, kada duomenys meluoja (o jie meluoja dažniau, nei norėtume pripažinti – dėl netinkamos imties, klaidingos metodologijos ar tiesiog blogo vizualizavimo).
Kodėl techninės investicijos dažnai nueina perniek
Turiu kolegą, kuris dirba IT srityje jau daugiau nei dešimtmetį, ir jis mėgsta kartoti vieną frazę: „galima nupirkti Ferrari, bet jei vairuotojas moka vairuoti tik dviratį, tas Ferrari stovės garaže.” Tiksliai taip nutinka su daugeliu duomenų platformų.
Organizacija investuoja į galingą duomenų sandėlį, susieja jį su dešimtimis šaltinių, sukuria gražius dashboard’us – ir tada paaiškėja, kad 80% darbuotojų tiesiog neatidaro tų ataskaitų, nes nesupranta, ką su jomis daryti. Arba dar blogiau – atidaro, bet interpretuoja neteisingai, priima sprendimus remdamiesi klaidingu supratimu, ir tada visa sistema tampa ne pagalbininku, o rizikos šaltiniu.
Matau šį modelį pasikartojant vėl ir vėl: technologijų diegimo biudžetas dešimteriopai viršija mokymų biudžetą. Perkama licencija kainuoja dešimtis tūkstančių eurų per metus, tuo tarpu darbuotojų mokymui, kaip ta licencija naudotis prasmingai, skiriama gal viena diena per metus, jei apskritai skiriama.
Kur realybėje slypi spragos
Dirbdamas su skirtingomis organizacijomis pastebėjau kelis pasikartojančius scenarijus, kurie iliustruoja, kaip trūksta duomenų raštingumo praktikoje.
Pirma – excel’io lentelė, kurioje kažkas per klaidą suformatavo skaičių kaip tekstą, ir visa suvestinė rodo neteisingus rezultatus, o niekas to nepastebi, nes niekas nesuabejoja pačiu skaičiumi. Antra – rinkodaros komanda mato konversijos rodiklio šuolį ir švenčia, nesuprasdama, kad tai statistinis triukšmas dėl mažos imties, o ne realus pokytis. Trečia – vadovas priima strateginį sprendimą remdamasis vienu grafiku, nepaklausęs, kokiu laikotarpiu duomenys buvo rinkti ir ar jie apskritai reprezentatyvūs.
Šie pavyzdžiai nėra apie kvailumą – jie apie tai, kad niekas žmonių tiesiog nemokė kritiškai vertinti informaciją. Mokykla moko skaityti tekstą, bet nemoko skaityti duomenų. O tai yra visiškai skirtingi įgūdžiai.
Mokymai, kurie realiai veikia (ir kurie – ne)
Klasikinė klaida – organizuoti vienkartinį seminarą „Įvadas į duomenų analizę” ir manyti, kad problema išspręsta. Po savaitės žmonės pamiršta 90% to, ką girdėjo, nes nebuvo galimybės tuoj pat pritaikyti žinias praktikoje.
Kas veikia geriau – tai mokymai, susieti su konkrečiais, realiais organizacijos duomenimis, o ne abstrakčiais pavyzdžiais iš mokymo medžiagos. Kai darbuotojas analizuoja savo paties skyriaus pardavimų duomenis, o ne fiktyvią „įmonės X” ataskaitą, mokymasis tampa prasmingas ir įsimenamas.
Taip pat verta atskirti skirtingus organizacijos sluoksnius. Vadovams nereikia mokėti rašyti SQL užklausų – jiems reikia gebėjimo užduoti tinkamus klausimus analitikams ir kritiškai vertinti pateiktus rezultatus. Analitikams reikia gilesnių techninių įgūdžių. O eiliniams darbuotojams dažniausiai užtenka suprasti, kaip skaityti jų kasdienei veiklai skirtus dashboard’us ir kada kreiptis pagalbos.
Praktinis patarimas: jei planuojate mokymus, pradėkite nuo klausimo „ką konkretus žmogus darys su šiomis žiniomis pirmadienį po mokymo?” Jei atsakymo nėra, mokymas greičiausiai bus laiko švaistymas.
Įrankiai, kurie tikrai sumažina barjerą
Nors straipsnio tema daugiausiai apie žmones, negalima ignoruoti fakto, kad tinkamai parinkti įrankiai gerokai palengvina duomenų raštingumo ugdymą. Modernūs BI įrankiai su natūralios kalbos užklausomis (pavyzdžiui, galimybė tiesiog paklausti „kiek klientų mes praradome praėjusį ketvirtį?” vietoj sudėtingos SQL užklausos) žymiai sumažina techninį barjerą.
Taip pat verta paminėti duomenų kokybės platformas, kurios automatiškai pažymi anomalijas ar neatitikimus dar prieš tai, kai duomenys pasiekia galutinį vartotoją. Tai savotiškas apsauginis tinklas – net jei žmogus nėra ekspertas, sistema padeda išvengti akivaizdžių klaidų.
Tačiau čia slypi ir pavojus: kuo įrankis „protingesnis” ir automatizuotas, tuo lengviau žmonėms visiškai nustoti mąstyti kritiškai ir tiesiog pasitikėti tuo, ką rodo ekranas. Įrankis turi būti pagalbininkas, o ne pakaitalas gebėjimui suprasti, kas vyksta po paviršiumi.
Kultūra – nematomas, bet lemiamas veiksnys
Galiausiai prieinama prie dalyko, kurio dažnai nenori pripažinti nei IT skyriai, nei vadovybė: duomenų raštingumas negali gyvuoti be atitinkamos organizacijos kultūros. Jei vadovas priima sprendimus intuityviai ir ignoruoja pateiktus duomenis, kai jie prieštarauja jo nuomonei, jokie mokymai nepadės.
Sveikoje duomenų kultūroje klaidos, atrastos analizuojant informaciją, nėra baudžiamos, o vertinamos kaip mokymosi galimybė. Žmonės nebijo pasakyti „aš nesuprantu šio grafiko” ar „man atrodo, kad šie duomenys neteisingi” – tokie klausimai skatinami, o ne ignoruojami ar išjuokiami.
Taip pat svarbu, kad duomenys būtų prieinami plačiau, o ne tik siauram analitikų ratui. Kai informacija saugoma „silosuose” ir prieinama tik tam tikriems žmonėms, natūraliai atsiranda nesusipratimų ir dubliuojančio darbo. Skaidrumas – ne tik gražus žodis prezentacijose, bet praktinis būdas sumažinti klaidas.
Ką su visu tuo daryti – vietoj išvadų, keli patarimai iš praktikos
Jei norite realiai pakelti duomenų raštingumo lygį savo organizacijoje, pradėkite ne nuo brangios platformos, o nuo paprastos diagnostikos: paklauskite kelių skirtingų komandų, kaip jos priima sprendimus. Ar remiasi duomenimis, ar intuicija? Ar žino, iš kur ateina jų naudojami skaičiai? Šis paprastas pokalbis dažnai atskleidžia daugiau nei bet koks formalus auditas.
Toliau – investuokite į mažus, bet dažnus mokymo epizodus, o ne vienkartinius renginius. Trisdešimties minučių sesija kas mėnesį, susieta su realiais atvejais iš jūsų organizacijos, duoda geresnį rezultatą nei visos dienos seminaras vieną kartą per metus.
Skirkite dėmesio ir „duomenų vertėjams” – žmonėms, kurie geba paaiškinti sudėtingus rezultatus paprasta kalba skirtingoms auditorijoms. Ne kiekvienas analitikas turi šį gebėjimą, bet organizacijoje verta jį specialiai ugdyti ir vertinti.
Nepamirškite ir mažų dalykų: standartizuokite terminologiją. Jei rinkodaros skyrius vadina „aktyviu vartotoju” vieną dalyką, o produkto komanda – kitą, jokie mokymai nepadės išvengti nesusipratimų. Vienas žodynas visai organizacijai – pigus, bet nepaprastai efektyvus žingsnis.
Ir galiausiai – leiskite sau klausti „kodėl” tol, kol atsakymas taps aiškus net tam, kuris niekada gyvenime nematė statistikos vadovėlio. Duomenų raštingumas nėra tikslas, kurį pasiekus galima atsipalaiduoti – tai nuolatinis procesas, kuris kinta kartu su technologijomis, žmonėmis ir pačia organizacija. Kompanijos, kurios tai supranta, ne tik geriau naudoja savo duomenis – jos apskritai priima geresnius sprendimus, o tai galiausiai ir yra visos šios istorijos esmė.






