wo sein datengesteuert ist zu einem Zeichen der Glaubwürdigkeit geworden. Unternehmen sprechen stolz über die Dashboards, KI-Strategien, Vorhersagemodelle und Automatisierung, die sie investiert und von denen sie profitiert haben. Wie Sie im Web erfahren, erhöht nahezu jedes Fortune-1000-Unternehmen seine Investitionen in Daten und KI, um agil und wettbewerbsfähig zu bleiben. Doch trotz des beispiellosen Zugriffs auf die Qualität und Quantität der Daten gelangt die überwiegende Mehrheit der Analyse- und KI-Initiativen nicht in die Produktion oder kann keine nachhaltige Wirkung erzielen.
Es werden Datenmodelle erstellt, Erkenntnisse geteilt, Decks applaudiert und dann stillschweigend vergessen, nur um zu (wie ich es gerne nenne) Trashboards zu werden.
In der heutigen Zeit, in der Maschinen unsere Entscheidungsfähigkeiten übernehmen, ist das Drawback nicht ein Mangel an Daten, Talenten oder Werkzeugen – es ist das menschlich dass wir anfangen zu vergessen, mit ihnen zu reden.
Hier ist Menschenzentrierte Datenanalyse wird nicht nur related, sondern wesentlich.
Was ist ein menschenzentrierter Ansatz?
Daten sind nichts anderes als die digitalen Spuren menschlicher Interaktionen. Ein menschenzentrierter Ansatz kann die täglichen Entscheidungen von Datenwissenschaftlern verbessern, indem er den Prozess transparenter macht, Fragen stellt und den sozialen Kontext der Daten berücksichtigt.
Ein menschenzentrierter Ansatz stellt eine sehr einfache Frage:
Für wen ist das gedacht und wie soll es konkret genutzt werden?
Denken Sie jetzt so darüber nach—vom Fragen „Was können wir aus diesen Daten vorhersagen?“der menschenzentrierte Ansatz weckt in uns die Lust zu fragen „Was sollen wir den Menschen mit diesen Daten helfen, sie zu verstehen oder zu entscheiden?“
Unter Human-Centered Knowledge Analytics versteht man das Konzept, zu verstehen, wie Menschen interagieren und soziale Situationen verstehen. Dadurch können Menschen Erkenntnisse gewinnen und Datenmodelle unter Berücksichtigung des Endbenutzers (nicht nur des Unternehmens) entwerfen.
Im Kern bedeutet menschenzentrierte Datenanalyse, Modelle und Metriken unter Berücksichtigung des Endbenutzers zu entwerfen, nicht nur des Geschäfts-KPI. Es verlangt von uns, die alltäglichen Entscheidungen zu verbessern, die Datenexperten treffen: wie wir Probleme formulieren, welche Funktionen wir entwickeln, welche Metriken wir optimieren und wie wir die Lösungen für diese Probleme kommunizieren.
Warum menschenzentrierte Datenanalyse die Zukunft ist
Da die Welt technisch immer stabiler und geschäftsorientierter wird, erleben wir als Gesellschaft einen Niedergang soziale und verhaltensbezogene Relevanz. Organisationen, unabhängig von ihrer Branche, haben Menschen auf Gewinne und Wahrscheinlichkeiten reduziert. Wir vergessen, dass jeder Datensatz von jemandem stammt, der sich zum Kaufen, Klicken, Verschieben, Abstimmen oder Abmelden entscheidet, und behandeln diese Verhaltensweisen letztendlich als Sign und nicht als Geschichte.
Das Ignorieren dieses menschlichen Kontexts kann dazu führen, dass das Ergebnis völlig falsch optimiert wird. Der menschenzentrierte Ansatz führt eine neue Dimension ein und zwingt uns zu der Frage:
- Wer profitiert von diesem Modell?
- Wer könnte geschädigt werden?
- Welche Annahmen sind in den Daten verankert?
Wie können Sie menschenzentrierte Datenanalyse in Ihrer Arbeit praktizieren?
Meine Neigung zu einem menschenzentrierten Ansatz ist keine neu entdeckte Liebe.
Zu Beginn meiner Karriere interessierte ich mich intensiv für die Mensch-Laptop-Interaktion (HCI) – ein Bereich, der untersucht, wie Menschen Technologie entwerfen, nutzen und mit ihr interagieren. Bei der Arbeit mit HCI entwickelte ich ohne große Erkenntnis die Einstellung, bei der Lösung eines Issues dem Verständnis der menschlichen Kognition, des Verhaltens und des sozialen Kontexts Vorrang einzuräumen.
Obwohl ich jetzt im Bereich Daten und KI tätig bin, ist mir die menschenzentrierte Einstellung zur zweiten Natur geworden. Im Laufe der Jahre, in denen ich als leitender Analytics-Berater gearbeitet habe, erforderte die Integration des menschzentrierten Ansatzes nur einige einfache, absichtliche Änderungen in meiner Arbeitsweise. Hier erfahren Sie, wie ich menschzentrierte Datenanalyse an meinem Arbeitsplatz praktiziere.
1. Beginnen Sie mit Menschen, nicht mit Kennzahlen
In den ersten Jahren meiner Karriere conflict meine Denkweise darauf fixiert, hübsche Dashboards zu entwerfen, weil das das greifbare Ergebnis conflict, das mir Sichtbarkeit verschaffen würde. Mit der Zeit, als ich mich als Datenprofi weiterentwickelte, wurde mir jedoch klar, dass Dashboards allein keinen Wert schaffen. Entscheidungen tun es.
Sie müssen Ihre Analyse auf der Grundlage der Entscheidungen gestalten, die Menschen anhand einer Analyse treffen können, und nicht auf bloßen Dashboards. Bevor Sie Schritte oder KPIs für Ihre Analyse oder Ihr Dashboard definieren, sollten Sie sich fragen:
- Wer würde diese Erkenntnisse nutzen und entsprechend handeln?
- Welche Entscheidung versuchen sie zu treffen?
- Mit welchen Einschränkungen sind sie konfrontiert?
Wenn ich diese Fragen im Voraus an die betroffenen Personen stelle, definiere ich normalerweise die nächsten Schritte, eliminiere Vermutungen und stelle sicher, dass die von mir geteilten Kennzahlen tatsächlich dem Drawback dienen, anstatt zu hoffen, dass die Kennzahlen, die ich habe, für das Drawback, das ich löse, zutreffen.
2. Fragen Sie den Ursprung des Issues ab
Jedes Drawback hat eine Geschichte.
Human-Centered Knowledge Analytics fordert uns auf, über für das Drawback relevante Fragen nachzudenken und eine kleine Pause einzulegen, bevor wir die notwendigen Daten sammeln, kratzen und manipulieren. Sie sollten Annahmen und bekannte Vorurteile dokumentieren, nicht nur als Fußnoten, sondern als Teil der Analyse. Stellen Sie Fragen wie:
- Woher kam das Drawback? Unter welchen Bedingungen?
- Welche Verhaltensweisen fehlen oder sind unterrepräsentiert?
- Welche Daten können dieses Drawback im gefragten Kontext beantworten?
Dies schafft Transparenz und setzt realistische Erwartungen an die Interpretation von Erkenntnissen.
3. Design für Verständnis, nicht nur für Genauigkeit
Ein Datenmodell mit einer Genauigkeit von etwa 94 %, das niemand versteht, liefert selten Wirkung.
Wenn Sie jedoch die Ausgabe desselben Datenmodells mit einer kurzen Beschreibung kombinieren, die erklärt, warum das Ergebnis existiert und nicht nur, was es ist, testen Sie selbst, welche Auswirkungen das hat. Menschenzentrierte Analysen drängen Sie dazu, technische Sprache in einfaches menschliches Verständnis zu übersetzen.
Sobald Ihr Datenmodell fertig ist, fragen Sie:
- Kann ein technisch nicht versierter Stakeholder Ihre Erkenntnisse erklären, nachdem er sie einmal gehört hat?
- Können Sie Funktionswichtigkeitsdiagramme durch entscheidungsorientierte visuelle Darstellungen ersetzen (z. B. „Wenn X zunimmt, ändert sich Folgendes“)?
- Können geringfügige Genauigkeitsgewinne gegen Klarheit eingetauscht werden?
Mit dem menschenzentrierten Ansatz können Sie Modelle entwerfen, die eine verbesserte Akzeptanz und Präzision bieten.
4. Berücksichtigen Sie, was die Daten nicht sehen können
Ich kann nicht genug betonen, wie sehr ich mich dadurch beruflich weiterentwickeln konnte! Die Unzulänglichkeiten eines Datensatzes erkennen zu können, Fragen zu diesen Lücken vorherzusehen und sich darauf vorzubereiten, diese Lücke zu schließen, conflict ein wichtiger Faktor für meinen Aufstieg auf der Leiter.
Aber hey, es gibt keinen Grund zu raten, woher das kommt – der menschenzentrierte Ansatz bei der Arbeit mit Daten!
Ein menschenzentrierter Ansatz ermöglicht es Ihnen, blinde Flecken explizit anzuerkennen. Wenn Sie sich mit einem Datensatz vertraut machen, beginnen Sie damit, die bekannten Datenlücken und Verhaltensmuster des Datensatzes zu dokumentieren und Annahmen während Präsentationen hervorzuheben, anstatt sie implizit bleiben zu lassen. Sie könnten fragen:
- Was zeigen diese Daten nicht?
- Welche Gruppe oder welches Verhalten ist unterrepräsentiert?
- Kann das Urteil der Entscheidungsträger aus diesen Datenerkenntnissen Bestand haben, wenn die Lücken erheblich sind?
4. Design für ethische Auswirkungen, nicht nur für Leistung
Bei der Arbeit mit sensiblen Daten ist Ethik unumgänglich. Aber dank des menschenzentrierten Ansatzes können wir Ethik als Designbeschränkung und nicht als Compliance-Kontrollkästchen behandeln. Stellen Sie frühzeitig ethische Fragen und planen Sie dies, und denken Sie nicht erst nach dem Einsatz nach, wie zum Beispiel:
- Was passiert, wenn dieses Datenmodell nicht optimum passt?
- Wer trägt die Kosten von Fehlern?
- Wie wird Suggestions eingearbeitet?
Indem ich diese Szenarien im Voraus airplane, kann ich Lösungen entwickeln, die nicht nur effektiv, sondern auch verantwortungsvoll und nachhaltiger sind.
5. Bauen Sie Rückkopplungsschleifen in das System ein
Als Teil der Belegschaft wissen wir alle, wie wichtig Suggestions und die Integration dieses Feedbacks in unsere Arbeit ist, und zwar nicht nur aus Datenperspektive, sondern ganzheitlich. Der menschenzentrierte Ansatz drängt mich dazu, Lösungen als sich entwickelnde Systeme und nicht als einmalige Ergebnisse zu behandeln.
Gemäß dem menschenzentrierten Ansatz besteht Ihre Struktur zum Hinzufügen von Feedbackschleifen in Ihre Systeme aus einem dreistufigen Prozess:
- Definieren Sie Erfolgskennzahlen über die Einführung hinaus (z. B. Akzeptanz, Überschreibungen und Vertrauen der Stakeholder).
- Planen Sie wiederkehrende Examine-ins mit Benutzern und Stakeholdern, um zu verstehen, wie Erkenntnisse genutzt oder ignoriert werden
- Integrieren Sie qualitatives Suggestions in zukünftige Iterationen, nicht nur quantitative Leistungsmetriken.
Die Ergebnisse aus Schritt 2 oben zur Artwork und Weise, wie Erkenntnisse genutzt oder ignoriert werden, entsprechen möglicherweise nicht immer Ihren Wünschen. Ich höre oft „Oh, wir benutzen dieses Werkzeug nicht mehr“ für Werkzeuge, die ich in der Vergangenheit gebaut habe. Um dies zu vermeiden und den menschenzentrierten Ansatz im Hinterkopf zu behalten, stellen Sie vor und nach der Erstellung der Instruments Fragen:
- Wie wird diese Analyse ausgewertet und genutzt, sobald sie im Einsatz ist?
- Sollte es sich um eine einmalige Lieferung oder ein robustes Device handeln?
- Wie viele Benutzer haben das Device bereits nach mehreren Anwendungen nicht mehr verwendet? Was hat sich geändert?
Schlussgedanken
Daten sind mächtig, weil Menschen es sind.
Bei der Zukunft der Analytik geht es nicht um mehr Daten, größere Modelle oder schnellere Pipelines – es geht um Weisheit!
Human-Centered Knowledge Analytics erinnert uns daran, dass Daten nicht deshalb so wirkungsvoll sind, weil sie objektiv sind, sondern weil sie das menschliche Leben in seiner ganzen Komplexität widerspiegeln. Wenn wir Analysen mit Einfühlungsvermögen, Kontext und Verantwortung entwerfen, bauen wir nicht nur bessere Modelle, sondern auch bessere Systeme!
Und das ist wichtiger denn je.
TDas conflict’s von meiner Seite zu diesem Blogbeitrag. Vielen Dank fürs Lesen! Ich hoffe, Sie fanden die Lektüre interessant und haben im neuen Jahr viel Spaß beim Erzählen von Geschichten mit Daten!
Rashi ist ein Datenexperte aus Chicago, der es liebt, Daten zu analysieren und Datengeschichten zu erstellen, um Erkenntnisse zu vermitteln. Sie ist hauptberuflich als leitende Beraterin für Gesundheitsanalytik tätig und schreibt gerne am Wochenende bei einer Tasse Kaffee Blogs über Daten.