Literasi data menjadi sangat penting bagi semua orang. Lebih banyak karyawan dengan kapasitas untuk memahami data, mengembangkan kesimpulan, dan mengajukan pertanyaan yang relevan diperlukan dalam bisnis. Literasi data dapat membantu organisasi meningkatkan kualitas data, komunikasi kolaboratif, kreativitas, dan efisiensi proses kerja. Akibatnya, literasi data memberikan lebih banyak keuntungan dalam pengelolaan data yang baik.
Data literacy atau literasi data adalah kemampuan membaca, menulis, menganalisis, dan berinteraksi dengan data. Kita tidak perlu menjadi seorang Shakespeare yang perlu dianggap melek huruf, juga tidak perlu menjadi data scientist untuk dianggap melek data. Literasi data tidak memerlukan penguasaan setiap bahasa pemrograman atau keterampilan ilmu data yang paling luas. Ini bukan tentang memahami dan membuat penilaian berbasis bukti dari data.
Literasi data merupakan tahap penting dalam perjalanan perusahaan untuk menjadi fasih dalam penggunaan data. Ini secara khusus membantu karyawan membuat keputusan berdasarkan data, berinteraksi secara kritis dengan data, mengembangkan tata kelola data yang efektif, dan membuat penilaian data yang etis.
Bisnis harus mengatasi hambatan literasi data dan berpartisipasi dalam inisiatif demokratisasi data jika mereka ingin memahami nilai data yang tersedia bagi mereka. Langkah pertama adalah memahami apa itu literasi data dan keterampilan apa yang dibutuhkan untuk memperoleh tingkat literasi data yang sesuai.
Literasi data didefinisikan sebagai kemampuan membaca, menulis, dan mengkomunikasikan data dalam konteks, termasuk pemahaman tentang sumber dan konstruksi data serta kemampuan untuk mengekspresikan kasus penggunaan, aplikasi, dan nilai yang dihasilkan.
Pada kenyataannya, ini berarti bahwa pengguna bisnis harus memahami data yang tersedia bagi mereka, bagaimana data tersebut dapat digunakan, dan batasan apa pun yang mungkin ada. Mereka harus memahami bagaimana data dari berbagai sumber dapat diintegrasikan atau dilengkapi dengan informasi pihak ketiga yang terverifikasi. Mereka harus memahami bagaimana menggunakan konteks geospasial untuk mendapatkan wawasan yang lebih dalam dan membuat keputusan yang lebih tepat. Pengguna bisnis harus memahami pentingnya kontrol kualitas data proaktif. Dengan kata lain, pembuat keputusan saat ini harus memahami bagaimana mengubah data mentah menjadi memiliki value yang bernilai komersial.
dData dan AI harus didemokratisasi untuk mengatasi kekurangan literasi data. Dengan memiliki tools AI tanpa kode (no-code AI) seperti SAP, kita dapat dengan mudah memahami apa yang dikatakan data kepada kita. Tidak hanya itu, kita dapat menggunakan platform untuk melihat data, membuat laporan yang dapat dibagikan, mengekspor hasil, dan mengambil tindakan berdasarkan prediksi platform. Setiap orang memiliki hak untuk mengajukan pertanyaan yang benar dan membuat keputusan yang lebih baik ketika mereka memiliki akses ke data mereka dan memahami cara mengekstrak insight dari data tersebut.
Karyawab yang tidak memahami potensi ini tentu akan mengalami kesulitan dalam menggunakan AI, terutama dalam keterhubungan menggunakan data analytics. Di sisi lain, karya yang tidak memiliki literasi data yang cukup baik akan mengalami kesulitan dalam memanfaatkan potensi besar dalam menggunakan data.
Menurut McKinsey, karyawan lebih bisa menerima sebuah keputusan jika mereka memahaminya. Karyawan yang memiliki pengetahuan tentang ilmu data dan aplikasi komersialnya dapat memimpin pengembangan/development secara end to end dan mendorong orang lain untuk membuat keputusan berdasarkan data.
Houston Astros, misalnya, mengeksploitasi analitik untuk mendapatkan keunggulan kompetitif di sektor zero-sum, memungkinkan mereka memenangkan Major League Baseline pada 2017. Apa rahasia mereka? Eksekutif yang mempromosikan literasi data dan membuat pilihan berdasarkan data. Mereka menyewa trainer yang paham tentang data (yang dapat memprogram dalam SQL) untuk mengubah temuan data menjadi bahasa yang dapat dipahami oleh pemain. Selanjutnya, Astros membangun budaya data yang kuat yang meliputi setiap aspek dari rencana permainan tim, dari pemilihan pemain sebelum pertandingan hingga posisi pemain selama pertandingan. Tanpa tim yang paham data, penilaian berbasis data seperti itu tidak akan dapat dicapai.
Karyawan yang melek data dapat menghasilkan dan menganalisis visualisasi data yang digunakan dalam proses pengambilan keputusan perusahaan. PepsiCo adalah salah satu perusahaan yang menggunakan Tableau dan Hadoop untuk memvisualisasikan volume data yang besar dan membuat keputusan penjualan jutaan dolar.
Selain itu, menjadi melek data adalah suatu keharusan untuk mengevaluasi secara kritis keaslian data yang digunakan untuk menghasilkan visualisasi.
Orang-orang ini berpotensi menangkap kesalahan vital dengan mempertanyakan ketergantungan, akurasi, dan konsistensi sumber data, meningkatkan kepercayaan dan kepercayaan terhadap perusahaan dalam membuat keputusan berdasarkan data.
Tata kelola data mengacu pada serangkaian kebijakan, proses, dan struktur organisasi yang menguraikan bagaimana data organisasi diatur. Ini memastikan bahwa data mudah tersedia, relevan dengan nilai organisasi, berkualitas tinggi, dan sesuai dengan persyaratan saat yang dibutuhkan. Sebelum mengembangkan kebijakan data, eksekutif harus memiliki kesadaran mendasar tentang konteks data dan kebutuhan organisasi untuk membangun tata kelola data yang kuat.
Menurut McKinsey, Struktur organisasi data terdiri dari tiga bagian, adalah dasar untuk tata kelola data yang baik:
Idealnya, para pemimpin dari masing-masing komponen ini harus memiliki pengetahuan yang cukup tentang proses data untuk membuat roadmap tata kelola data yang jelas dan adil. Pemimpin domain yang melek data dan memahami nilai data, misalnya, dapat bekerja secara efektif dengan DMO untuk membangun dan menyebarkan data lake perusahaan yang sesuai untuk domain mereka.
Jelas, menumbuhkan literasi data yang baik di semua karyawan memiliki banyak manfaat. Program literasi data meliputi proyek keterampilan yang ada, kursus e-learning, dan pelatihan kelas khusus. Membuat program literasi data internal adalah proses yang memakan waktu dan sulit yang membutuhkan perencanaan yang cermat.
Bagaimana Anda dapat menumbuhkan budaya literasi data di organisasi Anda sekarang setelah tujuan bisnis untuk literasi data jelas? Berikut adalah beberapa ide untuk membantu Anda memulai:
Untuk membantu Anda memulai, Gartner mengusulkan untuk mengajukan pertanyaan-pertanyaan berikut:
Prioritaskan area bisnis di mana pemanfaatan data yang lebih besar dapat memiliki dampak substansial dan fokus pada mereka terlebih dahulu. Mendeskripsikan keterampilan, kompetensi, dan tingkat literasi data yang diinginkan untuk fungsi spesifik setiap karyawan.
Pastikan bahwa staf memiliki akses ke tools dan pelatihan yang diperlukan untuk memperoleh tingkat literasi data yang diperlukan untuk posisi mereka. Dengan memperkenalkan fleksibilitas ke dalam proses Anda, Anda dapat memberi karyawan waktu yang mereka butuhkan untuk memperoleh keterampilan data dan menjadi mahir dalam menggunakan data untuk membuat keputusan bisnis sehari-hari. Sertakan langkah-langkah tindak lanjut yang cukup untuk melacak dan memantau kemajuan menuju literasi data pada tingkat individu dan organisasi untuk memastikan bahwa program literasi Anda berjalan dengan baik.
Sebagian besar fokus dalamr diskusi literasi data adalah pada pengguna. Bagaimanapun, kalimat tersebut menyiratkan bahwa keterampilan khusus dalam tim Anda harus dikembangkan. Namun, untuk mengembangkan literasi data dalam bisnis Anda, Anda harus terlebih dahulu menciptakan lingkungan yang ramah dalam pengelolaan data.
Tujuan akhir dari literasi data adalah untuk menyediakan organisasi dengan dasar untuk pengambilan keputusan berbasis data. Akibatnya, data Anda harus akurat, konsisten, dan kontekstual. Tidak terlepas dari seberapa melek data karyawan Anda, keputusan Anda akan akan mempengaruhi pemanfaatan data. Staf, alat kecerdasan bisnis atau Business Intelligence Tools (BI), dan kecerdasan buatan atau Artificial Intelligence (AI) atau model analitik lainnya hanya dapat membuat penilaian yang sangat baik jika mereka memiliki akses ke data yang dapat dipercaya, konsisten, dan dikontekstualisasikan.
