Data-
trender

AI-lösningar kommer att bli ännu effektivare genom att minska friktion och bidra till att lösa specifika affärsproblem.

Vidya Setlur

Chef för Tableau Research, Tableau

Vidya Setlur är chef för Tableau Research. Hon leder ett team av forskare inom områden som datavisualisering, multimodal interaktion, statistik, tillämpad maskininlärning och NLP. Hon tog sin doktorsexamen i datorgrafik vid Northwestern University år 2005. Vidya arbetade tidigare som ansvarig forskare på Nokia Research Center. I sin forskning kombinerar hon begrepp från informationssökning, mänsklig perception och kognitionsvetenskap för att hjälpa användare att effektivt interagera med system i sin omgivning.

Hur kom vi hit?

Vi befinner oss just nu i en guldålder när det gäller data och teknik. Och vi ser inga tecken på att det kommer att sakta ned. AI-teknik (artificiell intelligens) fortsätter att förbättras: modeller för maskininlärning (ML) bearbetar biljoner rader med data, framstegen som sker inom naturlig språkbehandling (NLP) är på väg mot att förstå mänskliga avsikter allt bättre och algoritmer blir snabbare och snabbare. Vi ser hur enkla, repetitiva arbetsuppgifter automatiseras. Det ger plats för nya möjligheter att låta människan göra det hon gör bäst: tänka kritiskt och förstå data i sin kontext.

Med en ökad innovationstakt ökar även investeringarna i AI och användningen av den. 99 % av Fortune 1000-företagen planerar att investera i data och AI under de kommande 5 åren. Affärs- och IT-ledare anser att det är nödvändigt för att verksamheten ska överleva i framtiden. Men många faktorer spelar in för att AI-lösningar ska lyckas på lång sikt och vara hållbara. Det handlar bland annat om ökande mängder data, kostnader för att underhålla tekniken, svårigheter att tillsätta högspecialiserade roller och skalning av AI-piloter för bredare implementering.

84 % av toppcheferna tror att de måste dra nytta av artificiell intelligens för att nå sina tillväxtmål. Ändå rapporterar 76 % att de inte vet hur de ska skala upp.

Accenture

Företagen har insett att de måste göra mer för att driva innovation och hjälpa sina kunder bättre. Trots att AI skapar möjligheter har de flesta investeringar ännu inte uppnått sitt potentiella värde. Under 2022 kommer AI-teknik att nå nya framgångar genom mänsklig förbättring. Den kommer att bidra till och förstärka kritiskt tänkande och datadrivna beslut. Se på analys och AI som stödmedlemmar i ditt team.

Datakultur och dataläskunnighet är förmågan att utforska, förstå och kommunicera med data. Dessa färdigheter hjälper även organisationer att utforma sina strategier och långtgående planer för AI och ML. Satsningarna på förändringshantering och personalutveckling påverkar organisationers fortsatta konkurrenskraft och hantering av mänsklig förstärkning. De kan börja med frågor som dessa:

• Vilka uppgifter kommer att bli helt automatiserade med AI-teknik?
  • Exempel på automatisering som frigör tid så att personalen kan fokusera på mer sofistikerade uppgifter: Grundläggande språklig översättning och bildredigering. I stället för att lägga timmar på att manuellt redigera ett foto för att ändra bakgrunden kan redigeringen göras med en förvald bildredigeringsteknik. Den innefattar artificiell intelligens som hanterar ljus- och blandningsmetoder. De här nya automatiserade verktygen tar kreativiteten till en ny nivå.
• Vilka uppgifter kommer att vara semiautomatiserade och kräva mänsklig inblandning och tolkning?
  • Exempel på AI som skapar användbara mönster och insikter som ger människor möjlighet att fatta datadrivna beslut i rätt kontext:
    • För att bättre mäta klimat- och pandemimodeller tillämpas ML-tekniker som hjälper forskarna att förstå trender, effekter och mönster och som kan vara till hjälp vid policybeslut.
    • Maskiner kan kontrollera omärkt röstdata (t.ex. kundsamtal). Med hjälp av NLP- och ML-algoritmer kan de bättre förstå användarens avsikt och lägga till relevanta kategorier och etiketter. Sådana beteckningar och semantiken informerar människor om vilka åtgärder de bör vidta härnäst.

Av de organisationer som investerar i förändringshantering rapporterade 60 % att AI-initiativen översteg deras förväntningar. 40 % fler uppnådde resultat än de som inte använt sig av förändringshantering.

Deloitte

Gemensamma beteenden, övertygelser och datakunskaper gör det också lättare att skala AI-lösningar och blir ett stöd för hållbar implementering och innovation. I en färsk rapport fann Gartner att ”bristen på kompetens ansågs vara den största utmaningen när det gäller att använda artificiell intelligens och maskininlärning”. Det är en pågående process att investera i att utveckla medarbetare och AI-teknik, och den sker parallellt med teknikens utveckling. En enig personalstyrka med rätt kompetens kan vara det som gör att AI-koncepttester blir till skalbara, praktiska applikationer istället för att misslyckas helt.

Företag i vår studie som strategiskt skalar AI har en nästan tre gånger större rapporterad avkastning från AI-investeringar jämfört med företag som utför koncepttester i silor.

Accenture

Vart är vi på väg?

I samarbete med IT-ledare har företagsledare en möjlighet att driva data- och AI-strategier som är grundade i en affärskontext. För att AI-teknik ska vara relevant och möjlig att underhålla och förklara, måste den stärka människor och vara kopplad till strategier och mål. Vi kommer se att AI-lösningar går från att vara en koncepttestmodell till att användas brett för affärs- och branschspecifika användningsfall.

AI utvecklas och används med nyskapande metoder, inom olika branscher. I en färsk undersökning från KPMG undersökte man driftsättningen av AI-lösningar inom fem olika branscher (detaljhandel, transport, hälso- och sjukvård, ekonomi och teknik). De upptäckte att ”för 91 % av deltagarna inom hälso- och sjukvårdssektorn förbättrar AI patienternas tillgång till vård”. Trots att de flesta företag hanterar sina leveranskedjor manuellt ”kommer de som börjar använda AI inom de närmsta månaderna och åren att få stora konkurrensfördelar”, enligt Harvard Business Review.

Tack vare molnet har AI blivit mer överkomligt och tillgängligt, vilket leder till större innovation inom alla kundupplevelser och branscher. Med ytterligare fokus på affärsframgång kommer vi att få se lösningar som kombinerar olika AI-tekniker (även kallat kombinerad AI). De används för att uppnå bättre resultat och stödja människor genom att ”justera” denna intelligens för specifika arbetsflöden.

För att organisationen snabbare ska kunna skala upp digitaliseringen behöver du skapa nya kreativa användningsområden för teknik. Du måste samarbeta med företagsledare och andra IT-ledare och skapa team som samlar kunskap om såväl IT som affärer från olika ämnesområden.

Gartner

Genom gemensamma färdigheter, tankesätt och värderingar, som datakultur och datakompetens, väcks arbetsflöden till liv och blir mer effektiva. Det underlättar för människor att utföra de nya, mer sofistikerade uppgifterna inom data science och analys som krävs för att lyckas med AI.

Rekommendationer

1. Se på AI som en lagsport. Identifiera vilka uppgifter och funktioner som på bästa sätt kan stödja mänsklig förstärkning genom att spara tid eller öka människors kompetens eller kunskaper. Börja med att undersöka kundernas behov och utmaningar för att förstå hur din AI-lösning kan ge dem mervärde. Ställ följande frågor för att avgöra om det är värt att utveckla koncepttester eller pilotprojekt:

• Hur många kunder har liknande behov eller upplever samma problem?
• Hur ofta uppstår dessa problem?
• Kan de lösas med hjälp av AI-teknik?

2. Fokusera på affärsanvändningsfall och framgångsfaktorer för att gå från koncepttestning till framgångsrik skalning.

• Främja medveten och kontextuell AI genom att koppla lösningar till verkliga affärsproblem med definierade mål och på så sätt realisera deras värde.
• Fastställ var AI kan vara fördelaktig och minska friktion. Undvik att försöka använda AI i alla delar av din produktsvit. Det kan göra det svårt att skala eftersom resurserna är för utspridda.

• Var uppmärksam på bländande drömprojekt. De kan se lovande ut, men når sällan längre än till koncepttestning. Och sänk volymen genom att sätta upp realistiska förväntningar på tid och omfattning för AI-projekt. Balansera alla resurser såsom budget, tid, tekniskt kvalificerad personal och infrastruktur.

3. Satsa på dataläskunnighet för att utveckla personalstyrkan och öka deras kompetens.

• Dålig datakvalitet leder till felaktiga och ineffektiva AI-lösningar. En datakunnig arbetsstyrka kan dock förbättra problem med datakvalitet. De kan bygga eller träna algoritmer och modeller för AI, ML, NLP osv. med korrekt, aktuell och relevant data.
• Till och med en grundläggande kurs i data kan ge företagsanvändare vad de behöver för att besvara frågor, oavsett om den utvecklas internt eller erbjuds via en tredje part. Det minskar antalet enkla eller oviktiga analysförfrågningar som hamnar hos avancerade analys- och datateam. I stället får de möjlighet att arbeta med storskaliga projekt med högt värde.

Ansvarsfulla organisationer kommer proaktivt att ta fram riktlinjer för etisk användning, granskningspaneler med mera för att förbättra upplevelser och affärsresultat.

Mark Nelson

Verkställande direktör, Tableau

I egenskap av verkställande direktör för Tableau fastställer Mark Nelson företagets vision och riktning, och ansvarar för strategi, produktutveckling, affärsaktiviteter och verksamhetsdrift. Innan han blev vd var Mark chef för produktutveckling på Tableau och hjälpte till att bredda och fördjupa företagets branschledande analysplattform och stödja de globala kunderna.

Hur kom vi hit?

Med den snabbt ökande användningen av artificiell intelligens (AI) och sammanflödet av globala frågor finns det inte längre någon universallösning för etisk data och AI-användning. I en snabbt skiftande digital värld har organisationerna en möjlighet att vara proaktiva och definiera hur de utvecklar och använder data och AI på ett ansvarsfullt sätt. Att skapa rättvisa och korrekta AI-lösningar är ett samhällsansvar som varje företag har, och det är just nu i fokus för globala lagstiftare.

Mer än någonsin tidigare måste förtroende och transparens ligga till grund för innovation, tillväxt och kundrelationer. De senaste datakriserna har gett oss en inblick i hur teknik kan vara skadlig för människan – till exempel genom diskriminerande ansiktsigenkänning eller lånevillkor. Kriserna kan leda till att allmänheten förväntar sig att företag utvecklar och använder data på ett säkert och ansvarsfullt sätt. En undersökning som Cisco gjorde 2021 visade att ”72 % av deltagarna anser att organisationer har ett ansvar att endast använda AI på ett ansvarsfullt och etiskt sätt”.

För att leda med etik och integritet kommer vi att få se ett ökat engagemang och ansvar från företag och regeringar vad gäller transparent, ansvarsfull data och AI-användning.

2025 kommer regelverket innebära att företagen måste fokusera på etik, transparens och integritet när det gäller AI. Snarare än att bromsa kommer det att främja förtroende, tillväxt och en bättre fungerande AI på global nivå.

Gartner

Vart är vi på väg?

Ansvarsfulla organisationer kommer att ta sitt ansvar. De kommer att proaktivt skapa nya sätt att verifiera och validera ansvarsfull användning genom formella policyer för etisk användning, granskningar av tredjepartsexperter, interna granskningspaneler med mera. Dessa etiska förändringar kommer att förbättra upplevelsen och driva starkare resultat av att hantera risker och leverera mervärde.

Allteftersom organisationer tar sitt ansvar för etisk användning förväntar vi oss att se mer transparenta lösningar och erfarenheter inom AI och maskininlärning (ML) som förbättrar mänskligt omdöme och kunnande. De kommer också att kunna kopplas direkt till affärsmål och arbetsflöden. Därmed kan de minska relaterade risker med förklarbarhet, däribland partiskhet. Organisationer kommer att börja ta itu med partiska algoritmer och dataset som kan skada verkliga människor och orsaka problem med negativa nedströmsrisker som ”etisk skuld” i form av teknisk skuld.

För att säkerställa innovativa framsteg utan att orsaka skada kommer offentliga och privata organisationer att samarbeta och reformera etiska policyer. Tekniska partners kommer att rekommendera att regeringar som är under press använder data för sina beslut. Teknikföretagen i sin tur kommer att se till att deras teknik används på ett ansvarsfullt sätt av alla, inklusive statliga institutioner. (Vi på Salesforce till exempel förbjuder ansiktsigenkänning som en del av vårt åtagande om jämlikhet.)

I varje användningsfall måste vi förstå vad datorer gör för att undvika misstag, fatta etiska beslut och förstå data. Det gäller oavsett om vi automatiserar en uppgift med AI eller samarbetar med hjälp av AI för att fatta bättre beslut. Det här kommer att vara fortsatt viktigt för organisationer under 2022.

Tekniskt sett kan datastrategier och AI-lösningar fungera utan att användas på ett etiskt och ansvarsfullt sätt, men de kanske inte ger förväntade resultat.

Accenture

Men för att förstå data och använda den på ett ansvarsfullt sätt krävs en grundläggande dataläskunnighet eller datakompetens. Och nu har vi nått en punkt där bristen på datakunskaper skapar onödiga risker. Mycket behöver fortfarande göras för att göra etisk data och teknik till en del av våra dagliga liv och beslut, men investeringarna är värda arbetet. Det kommer att leda till en mer etisk, rättvis framtid för oss alla.

Rekommendationer

1. Utforma policyer för data- och riskhantering med riktlinjer för etisk data och AI. Såväl utkast till som befintliga regleringar och datastrategier både i och utanför USA, Storbritannien och EU skyddar människor mot partisk och olaglig användning av deras privata uppgifter. Fastställ etiska uppförandekoder, hantera lagstiftning proaktivt, följ efterlevnadsregler och vidta åtgärder för riskminskning om du vill leda med etik.

2. Upprätta interna etiska kommittéer eller ta tredjepartsspecialister till hjälp för granskning och revision. Etikpaneler för artificiell intelligens kommer att hjälpa organisationer att följa skiftande regelverk och skapa och granska innovativa lösningar som en ytterligare åtgärd mot partisk och felaktig data.

Företag som utvecklar AI kommer i allt högre grad att skapa sina egna EaaS-erbjudanden (Ethics as a Service) […] För att uppfylla kraven i de nya reglerna kommer företagen göra allt för att anställa AI-etiker, vilka kommer att bli ännu mer efterfrågade än AI-utvecklare.

Kathy Baxter, Principal Architect, Salesforce Ethical AI Practice

3. Bygg avsiktligt transparent teknik eller förklarlig AI och infoga mänskliga kontaktpunkter och granskningar under hela processen. Anpassa data och teknik efter mänskliga värderingar och etik för att skapa transparens och förklarbarhet. På så sätt säkerställer du att upplevelserna är tillförlitliga. Ta med etik i beräkningen redan under utvecklingsfasen så att du inte ständigt behöver följa upp tekniken.

4. Skapa en hälsosam datakultur som innehåller utbildning i datakunskaper. Att höja datakompetensen hjälper dig att hantera dålig datakvalitet och riskerna med att samla in fel data och ställa fel frågor. De utgör hinder för en framgångsrik AI-utveckling och förmåga att skala. En datakunnig arbetsstyrka är avgörande om du vill bygga en datakultur som möjliggör och upprätthåller etisk dataanvändning och AI.

Datakompetens handlar inte bara om att förstå diagram. Det handlar också om att kunna navigera i hela ekosystemet som skapar och utnyttjar data. Informerat samtycke grundar sig på förmågan att analysera komplicerade detaljer och göra val i enlighet med vår värdegrund. Hur ska vi kunna göra ett välgrundat val om vi inte kan navigera i datan och se nyanserna i den?

Bridget Cogley, medgrundare och chief visualization officer, Versalytix

För att lyckas på framtidens arbetsmarknad utvidgar organisationer sin definition av dataläskunnighet, satsar på sina medarbetare och investerar dubbelt i datakultur.

Wendy Turner-Williams

Chief data officer, Tableau

Wendy Turner-Williams leder Tableaus arbete med datastrategi, dataplattformar och -tjänster, mognad i fråga om datastyrning och -hantering, datarisker och dataläskunnighet för företag. Tillsammans med sitt team arbetar hon för datadriven företagsinnovation, transformation och verksamhetsoptimering på Tableau. Wendy har över 20 års ledarerfarenhet inom många olika sektorer, och ledde nyligen Salesforces företagsprogram för informationshantering och strategier.

Hur kom vi hit?

På en marknad där data utgör den stora skillnaden, är datakompetens nyckeln som kan låsa upp värdet i dina data- och teknikinvesteringar. Och nyckeln till datakompetens är datakultur. Under det kommande året kommer konkurrenskraftiga organisationer se att de behöver skapa en gemensam kultur och ett gemensamt tankesätt som värdesätter och tränar på att använda data. De kommer att bredda dataläskunnighet bortom kompetensträning så att den innefattar en grundläggande förståelse för hur data fungerar och tillämpas på verksamheten. När organisationerna investerar i personalutveckling för att framtidssäkra arbetsstyrkan, kommer de att samarbeta med tredjepartsorganisationer för att utbilda och höja kompetensen.

Innan vi går in på vart vi är på väg ska vi utforska varför data och datakunskaper är så enormt viktiga.

Världsekonomin förväntas växa med 15,7 biljoner dollar under de kommande tio åren tack vare artificiell intelligens. Att se till att du har rätt kompetens, kultur och teknik är avgörande för att du ska kunna dra nytta av denna möjlighet. Data och hur den används kommer att bli en nyckelfaktor.

ANAND RAO, GLOBAL AI LEAD; US INNOVATION LEAD, EMERGING TECHNOLOGY GROUP, PwC US

Teknik- och AI-investeringar är på uppgång, och personalutveckling är avgörande för att realisera värdet av dessa dataintensiva investeringar. PwC förutspår att världsekonomin kommer att växa med 15,7 miljarder dollar till 2030 tack vare artificiell intelligens. Och personalstyrkan automatiseras snabbare än väntat enligt Världsekonomiskt forums rapport om framtidens sysselsättning. Automatiseringen kommer att tränga undan 85 miljoner jobb till år 2025 samtidigt som 97 miljoner nya roller skapas. Hälften av dem som stannar kvar i sina nuvarande roller kommer att behöva omskola sig under de kommande fem åren.

Data- och analysledare måste ge medborgare i hela organisationen möjlighet att skala beslutsautomatiseringen, förkorta tiden till marknad och uppnå hållbara affärsresultat.

Gartner¹

Efterfrågan på datakompetens växer på arbetsplatsen och i samhället. HR-chefer rapporterar att datakompetens, dvs. analysförmåga och datakunskap, toppade listan över de mest efterfrågade kunskaperna för 2021. De alltmer datatunga offentliga samtalen betyder inte att alla måste vara datavetare, men de behöver ha grundläggande datakunskaper och analytiska färdigheter.

Idag är det ett måste att utveckla statistiskt tänkande. Varje individ måste kunna syntetisera data som grund för beslutsfattande, förstå vår värld och förbereda sig för framtiden.

Ordförandens budskap, National Council of Teachers of Mathematics

Vi har dock en hel del att göra innan vi inser värdet av en datakunnig arbetsstyrka. Vi har inte bara en kunskapslucka vad gäller datakompetens. Vi har även brist på utbildningar i dataläskunnighet, både i klassrummet och på arbetsplatsen. Trots att 83 % av alla vd:ar vill ha en mer datadriven organisation, anser endast 43 % av alla digitala infödingar att de är datakunniga². Enligt Forrester har mindre än hälften av alla akademiska institutioner initiativ för att höja datakompetensen³. Och många företag agerar kortsiktigt och rekryterar för att fylla kompetensgapet i stället för att investera i dataläskunnighet och datakultur.

Befintliga program fokuserar för ensidigt på verktyg och teknik. De missar att man behöver bygga en grundläggande förståelse för hur data skapas, används och hanteras genom hela verksamheten.

Vart är vi på väg?

Konkurrenskraftiga organisationer ser värdet i data och har insett att det krävs mer än bara utbildning i datakunskaper och verktyg för att framtidssäkra personalstyrkan. De kommer att agera för att ge medarbetarna nödvändiga datakunskaper.

Inom akademin kommer datakompetens att ingå i kursplanerna för alla ämnen. Fördelarna är tydliga: Utbildningsinstitut med initiativ för datakompetens rapporterar att 11,5 % fler studenter får jobb inom en sexmånadersperiod än högskolor som saknar dessa initiativ³. I en rapport från 2021 till USA:s utbildningsdepartement menade National Council of Teachers of Mathematics att datakunskaper är ”absolut nödvändiga för vår framtid”. De förespråkar en ny meningsfull, inkluderande och ämnesövergripande strategi för dataläskunnighet från förskolan till och med gymnasiet.

2025 kommer organisationer som har tagit fram formella program för medborgarutveckling, analys och automatisering att vara långt mer agila än de som inte har gjort det.

Gartner¹

Arbetsgivare kommer att utöka sina satsningar på datakompetens. Ett växande antal arbetsgivare kommer inse att utbildning i verktygens användning och förståelse för hur teknik gynnar verksamheten är en avgörande del av deras teknikinvesteringar. Det amerikanska utrikesdepartementet konstaterade i sin företagsdatastrategi: ”detta är inte bara en möjlighet, utan en nödvändighet, om USA vill behålla sitt diplomatiska försprång på den globala arenan.”

Organisationer kommer att utvidga sin definition av datakompetens till att omfatta affärs- och teknikprocesser, inflöden och utflöden samt fokus på datakultur. De kommer att se bortom verktygs- och plattformskunskap, fokusera på kritiskt tänkande och använda sin domänexpertis för att lösa affärsproblem. Kultur är nyckeln till den förändringen i tankesätt. Dataläskunnighet är förmågan att utforska, förstå och kommunicera med data. Det är grundstenen i datakultur. Att utveckla läskunnighet och kultur samtidigt lönar sig. I en TDWI-rapport framgick det att datakunniga organisationer jämfört med något datakunniga eller icke-datakunniga organisationer har en ”samarbetsbaserad och resultatdriven kultur (92 % kontra 46 %), [och de analytiska] målen är knutna till affärsmål (73 % kontra 40 %).” Organisationer med en stark datakultur har bland annat bättre samarbeten och flera konkurrensfördelar.

De kommer även inse att de inte kan göra allt själva. Utan resurser, intern expertis och kapacitet att driva egna utbildningsprogram – eller hänga med i förändringstakten – kommer organisationer att se datakompetens som en gemensam uppgift. De kommer att använda agila, icke-traditionella strategier och utbildningsprogram från tredje part.

Rekommendationer

1. Utveckla datakultur och dataläskunnighet samtidigt. De är beroende av varandra för att lyckas. Glöm därför inte bort värdet av att investera i en kombination av kunskapsutbildning och kulturell förändring. Kom ihåg att förändring inte sker över en natt. Var tålmodig, ihärdig och tänk på att det är ett varaktigt åtagande.

• Utforma ett ramverk. Sätt upp gemensamma mål och bygg upp initiativ för hållbar framgång.
• Upprätta verksamhetsomfattande normer för termer, kunskapsnivåer, resultatmätning och processer.
• Motivera människor. Väck deras entusiasm för vad de kan göra med data.
• Utforma och uppmuntra datadrivet beslutsfattande och visa värdet i data.
• Skapa utrymme för diskussion, lärande och utveckling.

2. Anställ och utbilda för framtiden. Hör vad det amerikanska utrikesdepartementet säger: ”[De] kommer att utveckla sina anställningsrutiner så att de innefattar nödvändiga datakunskaper. Datakompetens måste utgöra en väsentlig del av ett bredare urval av nyckelpositioner. Om kunskapsluckor i datakompetens inte åtgärdas kommer departementets anställningstakt inte kunna hålla jämna steg med de ökande databehoven.” För att nå detta mål kommer man att ”rekrytera, utbilda och motivera en arbetsstyrka och arbetsplats där data rutinmässigt söks, värderas och används på ett naturligt sätt för beslutsfattande på alla nivåer och platser”. Det kan innebära följande för din organisation:

• Utveckla anställningsmetoder och rollförväntningar som kräver grundläggande datakunskaper.
• Samarbeta med utbildningsinstitut där det finns initiativ som rör datakompetens och rekrytera datakunniga studenter.
• Uppmuntra och underlätta för medarbetarna att höja sin datakompetens.
• Främja fortlöpande tillväxt, utveckling och samarbete genom att skapa datacommunitys.
• Identifiera och rekrytera dataexperter till stöd för utbildningsprogram för företaget. Bygg en kultur av datadrivet beslutsfattande som hjälper dig att behålla dessa experter.

3. Agera tidigt: Investera i och tillhandahåll kursplaner för datakunskaper inom alla akademiska ämnen och på alla kompetensnivåer. Det är aldrig för tidigt – eller för sent – för den akademiska världen att lära ut datakunskaper och kritiskt tänkande. Se till att grundläggande datakunskaper ingår i alla faser av utbildningen och förbered fler studenter för att arbeta med och förstå data i sina yrkesroller.

• Gör utveckling av analyskunskaper och kritiskt tänkande till en del i alla kurser. Klargör att alla framtida karriärer kan och kommer att använda data.
• Uppmuntra studenterna att använda data i sin forskning och arbete.
• Gör data till något roligt! Utforska hur vi stöter på data i verkligheten och levandegör datakoncept för studenterna.
• Kommunicera värdet av datakunskaper genom att lyfta fram både karriärmöjligheter och dataanvändning som ett sätt att förändra världen.
• Skaffa kostnadsfri programvara, kursplaner och resurser för utbildare och elever genom Tableau Academic Program.

4. Investera i program för att utveckla datakompetens och kunskaper om analysverktyg och -plattformar i hela personalstyrkan. Tänk långsiktigt: Fokusera inte bara på kortsiktiga behov genom att utbilda i verktygen och tekniken som du redan har. Lär medarbetarna om flexibel teknikanvändning och grundläggande datafunktioner, till exempel hur data tillför verksamheten mervärde. Och försök inte att uppfinna hjulet på nytt! Lär ut grunderna (tänk: det viktigaste om data) internt om du kan och outsourca övrig undervisning.

Hjälp medarbetarna att utveckla mer avancerade färdigheter genom att samarbeta med tredjepartsorganisationer och använda det som redan finns där ute. Titta närmare på program som MIT:s kurs Applied Data Science, DataCamp for Business, Avados Data Academy, Världsekonomiskt forums Reskilling Revolution, Courseras Data & Analytics Academy, kostnadsfri utbildning från Test Automation University och datakurser från Khan Academy.

¹ Gartner®, Maximize the Value of Your Data Science Efforts by Empowering Citizen Data Scientists, Pidsley, David and Idoine, Carlie, 7 december 2021

² IDC Whitepaper, sponsrat av Tableau, How Data Culture Fuels Business Value In Data-Driven Organizations, Doc. #US47605621, maj 2021.

³ Forrester Consulting, artikel om tankeledarskap beställd av Tableau, The Great Data Literacy Gap: Demand For Data Skills Exceeds Supply, juni 2021

Ett ökat erkännande av datans strategiska värde främjar flexibla, federerade datastyrningstekniker som stärker alla i hela organisationen.

Kate Wright

Senior vice vd för produktutveckling, Tableau

Kate Wright är analysledare med över 17 års erfarenhet av utveckling, produkthantering och ledarskap. Hon ansvarar för analysteknik, produkthantering och övergripande användarupplevelser för Tableau och CRM Analytics.

Hur kom vi hit?

Värdet och volymen av data har aldrig varit större. Data är inte bara en satsning på affärsframgång under 2022: data är själva affären⁶. Ju mer organisationer investerar i innovativa AI-lösningar och allt som är molnbaserat, desto mer ökar efterfrågan på självbetjäning och datadelning i samma takt som det tillkommer regleringar av datasekretess och dataanvändning. Digitalt kompetenta organisationer välkomnar den här paradoxen: Det är viktigt att ha en enda datakälla, men den kommer inte att finnas på en och samma plats, och den kan inte heller hanteras och skyddas av en handfull människor.

Organisationerna måste inta en ny hållning när det gäller datastyrning och -hantering och kombinera flexibilitet och möjligheter med samordnad kontroll. För att förnya, konkurrera och ligga steget före kraven på kontroll och säkerhet kommer framgångsrika organisationer att välja metoder för federerad datastyrning. Det tillvägagångssättet kombinerar centralt definierade styrningsstandarder med lokala domänmyndigheter. Det kommer att ge organisationerna möjlighet att utnyttja olika expertområden genom att inkludera mer olika användare i verksamheten.

Att vara relevant i vår digitala värld hänger i slutändan på att få värde ur data. Men hur? Gartners senaste vd-enkät visade att ”72 % av alla data- och analysledare [som] är mycket involverade i eller leder digitala affärsinitiativ” är osäkra på hur de ska bygga den ”tillförlitliga datagrund” som behövs för att öka arbetstakten och uppnå affärsmålen⁷.

Utan repeterbara, skalbara processer som säkerställer att datan är tillgänglig, säker, tydlig och tillförlitlig, är flexibilitet och innovation i riskzonen. Såvida inte organisationerna förnyar sin datastyrning kommer drömmen om pålitlig självbetjäningsanalys i realtid att förbli just det: en dröm.

Datakvalitet och datadrivet beslutsfattande hör ihop. Ett organisationsomfattande engagemang för datastyrning minskar risker och främjar framtida framgång för alla i verksamheten.

SCOTT TEAL, CHEF INOM PRODUKTMARKNADSFÖRING, SNOWFLAKE

Vart är vi på väg?

Framgångsrika strategier för datastyrning har alltid grundat sig på förtroende. Under 2022 kommer vi att få se ett nytt tankesätt hos organisationerna i riktning mot mer inkluderande metoder för styrning och hantering av data.

Med inkluderande menar vi system och processer som utformats för det stora flertalet och inte bara för några få. Vi menar att man behöver förstå att IT och verksamheten inte står i strid med datastyrning och hantering. När de traditionella datainnehavarna – vi menar förstås IT – bjuder in resten av företaget att vara en del av lösningen, kan alla enas bakom gemensamma mål och bana väg för innovation.

Hur ser detta ut? Utveckla och utöka. Ge människor verktygen så att de kan göra det själva, men hantera risk centralt och skyddat. IT kan till exempel upprätta en styrningsgrund för sådant som påverkar hela organisationen (till exempel härkomst, datakataloger, standarder, valideringsregler, metadatahantering och arkitektur) samtidigt som de ger kontroll till verksamheten på ett sätt som passar deras behov. Det är ett tillvägagångssätt som passar alla. Domänexperterna kan lösa affärsproblem i sin kontext, samtidigt som det möjliggör förtroende, upptäckt och innovation.

Dataläskunnighet är avgörande när det gäller att införa datastyrning i hela verksamheten. Alla måste tala samma språk och delta i delad styrning, men det viktigaste är att de också måste förstå grunderna i data. Att fokusera på transparens och tillgänglighet kommer att göra det lättare att hitta och upptäcka data. Organisationer fortsätter att standardisera och söka information på en en och samma plats. På så sätt kan alla enas om vad som mäts, hur det definieras, var det finns och vem som äger det. De som gör det här bra kommer att bidra till en helhetsbild av dataflödet i alla delar av verksamheten och förstå hur man upprätthåller förtroende och säkerhet.

Rekommendationer

1. Ta reda på var du befinner dig – och vart du vill nå. Du måste veta vilken data du använder för att förstå var du befinner dig. Ställ frågor och interagera med andra i hela organisationen för att förstå vilken data du har, hur människor använder den och hur relevant den är eller inte är. Det här tål att upprepas många gånger: Förtroende är avgörande. Fråga intressenterna vad de behöver för att lyckas. Använd dig av ramverk från tredje part, till exempel programmet Data Management Maturity (DMM), för att jämföra dina förmågor och hitta dina styrkor och brister.

2. Utgå ifrån en samarbetsbaserad strategi. (Tips: Det börjar med förtroende.) Ja, IT måste ha strikt kontroll över vissa saker, men de kan inte kontrollera allt och det ska de inte heller göra. Samarbeta med verksamheten. Öka tilltron till människor och processer genom att höja företagsanvändarnas kompetens och hjälpa dem att använda data på ett ansvarsfullt sätt. Transparenta processer och säker, aktuell data räcker också långt. Bygg vidare på snabba vinster för att visa värdet av samarbete för den bredare organisationen.

3. Fokusera på federerade lösningar. Inse att din datastrategi inte kan samlokaliseras och att du aldrig kommer att få fullständig och centraliserad kontroll. Välj sedan en mer federerad metod. Sträva efter en balans där du styr mängden som krävs, samtidigt som du bygger samarbeten med verksamheten. Försök inte att uppfinna hjulet på nytt. Använd branscherkända ramverk (tänk DMM-programmet eller EDM Councils ramverk Cloud Data Management Capabilities) för att minska friktionen och få en bättre förståelse för hur det ska se ut.

⁶ Forrester Consulting, Break Through Data Governance Fatigue: A Framework For Effectiveness And Sustainability, Goetz, Michelle, februari 2021

⁷ Gartner®, Predicts 2022: Data and Analytics Strategies Build Trust and Accelerate Decision Making, Jorgen Heizenberg m.fl., 2 december 2021

⁸ Gartner®, Modern Data and Analytics Requirements Demand a Convergence of Data Management Capabilities, Guido de Simoni m.fl., 20 januari 2021

Data har blivit det språk som människor och organisationer använder för att synas, förstå problem och samarbeta med institutioner som är avsedda att bistå dem.

Neal Myrick

Global chef för Tableau Foundation, Tableau

Neal Myrick är VP of Social Impact för Tableau och global chef för Tableau Foundation. Han leder företagets välgörenhetsinvesteringar som främjar användningen av data för en mer rättvis och jämlik värld. Neal är en aktiv ängelinvesterare och sitter i flera globala rådgivande kommittéer för hälsa och utveckling.

Hur kom vi hit?

Data är en kraftfullt verktyg för förändring. Efter flera års samarbete med våra ideella partners på Tableau Foundation märkte vi att inte alla samhällsmedlemmar gynnas lika mycket av den kraften. Mycket lite data är fullständigt representativ, och data saknar ofta kontext och nyanser från upplevda erfarenheter. Det påverkar datans potential och kan skapa misstro mot data, särskilt från de individer och grupper som anser att de inte är representerade. Den här bristen på förtroende kan hindra grupper som inte är representerade från att använda data för att bygga upp makt och inflytande.

Därmed inte sagt att vi har alla svaren ännu. Men när vi pratar med våra partners ser vi en skönjbar trend som grundar sig i verkliga erfarenheter och har potential att påverka stödet och engagemanget.

För att datalösningar ska vara relevanta, effektiva och hållbara måste de utformas i samarbete med de samhällsgrupper som de är avsedda att representera och stödja. Genom att förändra dynamiken hjälper data människor och organisationer att lösa komplexa, nyanserade problem som är viktiga för dem. Rättvisa genom data som ramverk kan bli en strategi som säkerställer att data blir mer inkluderande, representativ och effektiv som stödverktyg, eftersom det skapar en gemensam känsla av ansvar hos alla berörda intressenter.

I bästa fall kan den strategin bjuda in till lika många frågor som svar i en process som ständigt förbättras – fångar datan de erfarenheter som den ska representera? Kan vi göra mer i hur vi samlar in och analyserar data för att se till att den är representativ? Berättar vi historien genom data på ett sätt som möter målgruppen där de är och tar dem med på resan mot förändring som partners istället för motståndare?

För att verkligen förstå data och skapa värde ur den måste vi se till att utrusta grupper med teknik, utbilda dem i datakompetens och ge dem teknisk support, så att de faktiskt kan använda den data som delas med dem.

Ashley Monson, Social Impact Program Manager, Tableau Foundation

Organisationer som betraktar data som en strategisk tillgång och som bygger datakultur och -läskunnighet, hittar nya kraftfulla användningsområden för data. Bland annat använder de data för att sätta i gång nya – och omvandla befintliga – samtal kring policy och finansiering. Åtkomsten till data har nått samhällsorganisationer som traditionellt sett inte haft tillgång till sådana resurser inom teknik och data för att hålla lokala myndigheter och maktinstitutioner ansvariga. Nu ser fler och fler ideella organisationer, arrangörer och samhällsarbetare data som en strategisk tillgång och använder den för att bygga datakulturer och bli alltmer datakunniga.

Vart är vi på väg?

Genom att vi ser data som en strategisk tillgång och engagerar oss i en organisations datakultur kan vi öppna upp för nya viktiga samtal om riktlinjer och om hur våra offentliga institutioner investerar i våra samhällen. Demokratisering av data i organisationer som kan ha varit ovilliga att använda data och dataanalys i sitt arbete handlar inte bara om att göra den tillgänglig. Det handlar om att plocka fram den från barriären av datavetenskaplig expertis. Vi ser att en hel del insatser som ideella organisationer och samhällsorganisatörer har gjort för att främja data börjar få positiva effekter i de människors liv som de kämpar för. Samtidigt börjar alltfler ställa sig frågan: ”Vad kan vi göra här, i vårt samhälle och med vår data för att göra skillnad?”

Vi ser att organisationer börjar bli medvetna om sina datakulturer och investerar i datakompetens både internt och i samhället. Ur dessa satsningar växer en del bästa praxis fram. De som lyckas gör det genom några av följande åtgärder:

• Demokratisera relevant data och resurser genom att offentliggöra dem
• Dela upp data för att göra den mer representativ
• Använda PFL (people-first language) tillsammans med data
• Omstrukturera hur data traditionellt presenteras
• Använda modeller som riktar in sig på mänskliga erfarenheter

Channing Nesbitt, som är Tableaus Social Impact Program Manager, betonar vikten av att dela upp datan genom att bryta ner den och fokusera på olika fält, enheter eller mått istället för att enbart använda genomsnittsdata eller sammanfattade data: ”Det ger röst åt samhällsmedlemmar vars erfarenheter ofta förbises med mer generaliserad och aggregerad data. För dessa personer kan det uteslutandet leda till att de utmaningar de står inför blir permanenta eller till och med ökar.” Mer detaljer om en individs unika upplevelse är även potentiellt mer tydliggörande än enbart egenskaper som kön, ras och inkomst, till exempel för en färgad kvinna med högskoleexamen som söker ett hypotekslån. Med hjälp av uppdelad data kan vi se människorna i datan tydligare. Det hjälper oss att bättre möta människors behov och förfina de lösningar som regeringar, institutioner och samhällsbaserade organisationer erbjuder.

Alla dessa förändringar bidrar till mer korrekt och inkluderande data och målar upp en kontextuell bild av människorna bakom datapunkterna. De representerar samhällsmedlemmar bättre så att de kan få det de behöver.

[National Equity Atlas handlar] både om att demokratisera dataåtkomst så mycket som möjligt och att tillhandahålla själva datan och stödja förespråkare. Det är för närvarande USA:s mest ingående utvärderingsrapport om rättvisa utifrån etnicitet och ekonomi. Den omfattar 730 geografiska områden i landet och alla 50 stater med cirka 430 län. Vi mäter indikatorer om demografi, ekonomiskt välstånd, beredskap, tillgänglighet och de ekonomiska fördelarna med rättvisa.

Selena Tan, SENIOR ASSOCIATE, PolicyLink

Genom korrekt och representativ data kan vi validera upplevda erfarenheter och hjälpa människor och samhällsgrupper att skapa mer makt och inflytande och uppnå sina mål.

Det vi hör från [partners] är att tillgången till data – att ha kompetensen och språket och resurserna för att använda data i sitt arbete – ökar deras trovärdighet. Det hjälper dem att öppna dörrar till beslutsfattarna. [Data] är ett annorlunda verktyg i deras verktygslåda.

Alison Holder, chef, Equal Measures 2030

Bättre data och rättvisa genom data som ett ramverk hjälper människor att få i gång eller omforma samtal. Det ger nedströmseffekter när det gäller finansieringsbehov och policyändringar. Ramverket hjälper regeringar och institutioner att mäta och spåra sina framsteg mot målet. Spektrumet sträcker sig från FN:s mål för hållbar utveckling till lokala åklagarmyndigheter som delar data om straffrättsliga förfaranden och processer. Och det gör att samhällsintressenter direkt kan samarbeta med sina regeringar och andra maktinstitutioner på en mer jämlik grund.

Vi mäter över 50 nyckelfrågor kring jämställdhet i mer än 100 länder. Och vi följer regeringars utveckling mot sina mål. [...] Vi tänker alltid på vår målgrupp: kvinnoorganisationer och kvinnorörelser runtom i världen. Frågan är hur vi kan skapa ett register som kan fungera som ett ramverktyg i syfte att hålla deras regeringar ansvariga för sina löften.

Alison Holder, chef, Equal Measures 2030

Rekommendationer

Vi har märkt att några av våra mest framgångsrika ideella partners använder sig av en eller flera metoder för att förbättra rättvisa genom data. Det återstår mycket att göra för att förfina listan, men här är några av de vanligaste metoderna för rättvisa genom data som vi ser att våra partners har lyckats med.

1. Rådfråga de samhällsgrupper som är närmast de problem som du försöker lösa. Få feedback från dem om vilka frågor du bör ställa för att samla in rätt data, och i vilken kontext data ska förstås och analyseras. Genom att samarbeta med grupper i samhället kan du lättare göra följande:

• Bygga upp exakthet, tillförlitlighet och förtroende för data, vilket ökar chansen att den kommer att användas och refereras till.
• Säkerställa att datan är användbar för gruppen och relevant för de frågor som de hoppas kunna ta itu med.
• Skapa åtgärdsbaserad data som kan påverka, som kan avslöja vad som fungerar och inte fungerar och som bidrar till att fastställa gemensamma prioriteringar.

Definiera ”grupp”. Konsultationerna kommer sällan, om någonsin, att vara helt representativa. Det är viktigt att reflektera över hur vi definierar ”intressegrupper” för projekt och ser till att vi också beaktar vem som kan komma att uteslutas oavsiktligt. Ibland kan det vara nödvändigt att prioritera vissa grupper på grund av kontext, resurser eller andra begränsningar.

Data Values Project team, Global Partnership for Sustainable Development Data

2. Se till att datan är relevant och representerar de individer och grupper som den ska vara till nytta för. Vi måste se till att vi tydligt ser människorna i datan för att bättre förstå och tillgodose behoven hos dem som datan är avsedd att hjälpa.

• Dela upp data så mycket som möjligt samtidigt som du bevarar integriteten.
• Sök efter relevanta datapunkter som återger en mer nyanserad, personlig upplevelse. Enbart data om etnicitet, kön eller inkomstnivå ger inte samma kontext och insikter som när du kan se viktiga identitetsaspekter tillsammans.

3. Dela datan med gruppen och öka effekten genom återkommande feedback.

• Grupper behöver ha tillgång till data för att dra nytta av den fullt ut. Att dela data förstärker den positiva cykeln av dataanvändning: Ju mer data används och ju fler grupper som börjar förlita sig på data, desto mer sannolikt är det att data kommer att fortsätta att samlas in och analyseras.
• Dela data och skala dina insatser på ett ansvarsfullt sätt. Bevara dataintegriteten för att bygga förtroende och behålla det.

4. Utrusta individer och grupper med de redskap och kunskaper som krävs för en effektiv dataanvändning.

• Med växande och alltmer komplexa datamängder blir datakompetens och datakompetensbyggande initiativ allt viktigare. Vi måste se till att människor vet hur de ska förstå informationen som de har tillgång till.
• Tekniska lösningar måste bli mer tillgängliga för samhällsbaserade organisationer.
• Organisationer behöver också få tillgång till finansiering med färre restriktioner som kan användas för att finansiera teknikrelaterade utgifter och allmänna omkostnader.