KAPITEL 1: FUNDAMENTET FOR DATA LITERACY
AFSNIT 2: HVAD ER DATA LITERACY
I afsnit 1 Forstå vigtigheden af data literacy, beskrev jeg at data literacy er evnen til at forstå, analysere og træffe informerede beslutninger baseret på data. Her er det vigtigt at notere at det ikke kun handler ikke kun om at kunne læse og forstå tal eller skrive kode. Det handler i høj grad også om at kunne tolke og anvende data på en meningsfuld måde i forskellige kontekster, og kommunikere resultaterne efterfølgende.
At være data-literate indebærer nemlig at have færdigheder inden for flere områder. Det kan f.eks. omfatte evnen til at indsamle data på en struktureret måde, analysere dem ved hjælp af relevante værktøjer, og ligeledes at formidle resultaterne på en klar og overbevisende måde. Det indebærer også at kunne forholde sig kritisk for at kunne evaluere datakvalitet og validitet af data.
Hvis du spørger det store internet, så er der en del forskellige definitioner på hvad der ligger inden for Data Literacy. Den definition jeg oftest støder på og bruger stammer fra Massachusetts Institute of Technology (MIT). De argumenterer for at Data Literacy er evnen til at læse data, arbejde med data, analysere data og argumentere med data. At argumentere med data bliver oftest “oversat” til evnen til kommunikere data.
Jeg vil herunder prøve at give mit bud på hvad der ligger inden for de fire evner.
At læse data: Dette indebærer at kunne forstå og tolke data i forskellige formater, såsom tekst, tal, grafer eller diagrammer. Det handler om at kunne identificere relevante oplysninger og mønstre i data.
At arbejde med data: Dette indebærer evnen til at indsamle, organisere og manipulere data ved hjælp af forskellige værktøjer og teknikker. Det kan omfatte at bruge systemer, databaser, regneark eller softwareprogrammer til at håndtere data.
At analysere data: Dette indebærer at kunne anvende forskellige metoder og teknikker til at undersøge og udtrække meningsfuld indsigt fra data. Det kan f.eks. omfatte statistisk analyse, machine learning eller andre metoder til analyse.
At kommunikere data: Dette indebærer evnen til effektivt at formidle indsigt og resultater fra dataanalyse til andre interessenter. Dette kan omfatte at præsentere data i rapporter, præsentationer eller visuelle formater, såsom grafer eller diagrammer, der er lette at forstå.
En vigtig pointe her er at der ikke er en facitliste eller et pensum inden for hver af de fire evner. Du skal have evnerne til at udføre din rolle. Data Literacy for en data engineer er derfor ikke det samme som data literacy for en leder.
Derudover bevæger man sig ikke i i kronologisk rækkefølgende mellem de fire evner når man arbejder med data. Lad os lige tage et eksempel der kan vise hvorfor.
Køb af ny elbil
Lad os tage et eksempel hvor du sammen med din kæreste er i gang med at kigge på ny bil. I nyhederne en aften hører du at prisen på en Tesla er faldet med over 60.000 kr. Med den viden skynder du dig ind til din kæreste og begynder at argumentere for hvorfor I skal købe en Tesla.
Hvilke evner bruger du her? Primært din evne til at læse data og kommunikere data. Du kan se et mønster i at bilen er faldet i pris, og bruger den viden til at argumentere for købet.
Meeeen… Din kæreste er altså ikke helt med på den. Du må derfor komme med et bedre argument.
Derfor begynder du at indhente mere information om din ønskede Tesla, sammenligner den med information om andre biler, ser på prisfald i det generelle marked, og undersøger hvad det overhovedet vil koste i forsikring og opladning. Væbnet med ny og mere information er du egentlig også selv kommet i tvivl. For der er også andre elbiler der er faldet i pris og som måske passer jer bedre. Du sætter dig derfor ned med din kæreste og begynder at fremlægge dine indsigter, så I samlet kan tage en beslutning om hvilken bil I skal købe.
Hvis evner bruger du her? Du har nok gættet det. For du bruger nemlig både evnen til at læse data, arbejde med data, analysere data og kommunikere data.
Dette eksempel kan også fint oversættes til arbejdspladsen. Har du f.eks. nogensinde konsolideret data fra flere forskellige excel ark? Eller blevet nødt til at fjerne nogle dubletter fra en lang række af transaktioner?
Du bruger nok dine datakompetencer hver dag
Mit bud er at du med stor sandsynlighed bruger dine datakompetencer hver dag når du går på arbejde eller læser dagens nyheder. Men mit bud er også at forventningen til vores evner inden for data literacy har en stejl opadgående kurve, og vi skal derfor alle bygge på for også i fremtiden at kunne varetage vores rolle i arbejdet med data. Dette uanset om du arbejder med machine learning eller med årsrapporter.
Så min udfordring til dig er at gøre dig nogle tanker om hvilke kompetencer du egentlig har på nuværende tidspunkt, og hvilke du har brug for. Både i dag, men også lidt længere nede af din karrierevej. Og så er det ellers bare om at få bygget på. Efterspørg træning på din arbejdsplads, læs på internettet, se videoer på youtube, og prøv dig frem.
Jeg håber at ovenstående har givet dig en lidt bedre forståelse for hvad Data Literacy er. Der skal nok komme flere indlæg hvor vi dykker mere ned i de fire evner samt hvordan I kan opbygge et data literacy træningsforløb i jeres virksomhed.