Πέρα από τον οικονομικό αλφαβητισμό, στη σημερινή πραγματικότητα, η ικανότητα των ανθρώπων να κατανοούν και να διαχειρίζονται σε ικανοποιητικό βαθμό τα δεδομένα αποτελεί μια αναγκαία Ιδιότητα στον εργασιακό χώρο. Για να επιτευχθεί, όμως, το data literacy και να οικοδομηθεί η αντίστοιχη κουλτούρα, οι ηγέτες οφείλουν να γνωρίζουν τι σημαίνει, ποια είναι η αξία του και να καθιερώσουν μία «κοινή γλώσσα» επικοινωνίας και μάθησης.
Καμμιά διαφωνία, ο οικονομικός αναλφαβητισμός, όπως πολύ σωστά επισημαίνει αρκετά χρόνια τώρα ο έγκριτος καθηγητής Οικονομίας κ. Νίκος Φίλιππας, είναι τεράστιο πρόβλημα της εποχής μας και παίζει σοβαρό ρόλο στην δημιουργία χρηματοοικονομικών κρίσεων και όχι μόνον. Στη δε Ελλάδα, το πρόβλημα είναι από τα σοβαρότερα στην Ευρώπη.
Για τις επιχειρήσεις όμως, σήμερα, υπάρχει ένα πρόσθετο συναφές θέμα, που είναι αυτό της κατανόησης και αξιολόγησης δεδομένων (data literacy). Και τούτο διότι για τον κόσμο των επιχειρήσεων, το data literacy μπορεί είτε να λειτουργήσει ως το «επόμενο» βήμα, είτε να αποτελέσει εμπόδιο για όποιον οργανισμό θέλει, σε επιχειρησιακό επίπεδο, να είναι data- driven.
Σύμφωνα με έρευνα γνωστής εταιρείας συμβούλων, το επίπεδο data literacy είναι ένα από τα τρία εμπόδια για μία εταιρεία που στοχεύει να πάει μπροστά.
Σε έναν κόσμο που κατακλύζεται με δεδομένα,οι εταιρείες που έχουν data literate ανθρώπους, θα είναι νικήτριες», αναφέρει χαρακτηριστικά ο Miro Kazakoff, Senior Lecturer, MIT Sloan σε σχετικό άρθρο. Αν και ο δρόμος δεν είναι εύκολος και απαιτούνται αρκετές προσπάθειες, το data training «αξίζει τον κόπο» και όσοι ηγούνται στον επιχειρηματικό στίβο, οφείλουν να δώσουν τη δέουσα προσοχή. Στο ίδιο συνηγορεί και η Piyanka Jain, data science expert και συγγραφέας του «Behind Every Good Decision: How anyone can use Business Analytics to turn data into profitable insight». Όπως χαρακτηριστικά επισημαίνει, «τα δεδομένα είναι το νέο νόμισμα, η “γλώσσα” των επιχειρήσεων. Οφείλουμε να είμαστε σε θέση να επικοινωνήσουμε μέσω αυτής». Στο πλαίσιο αυτό, αποτελεί άμεση ανάγκη το ανθρώπινο δυναμικό να εκπαιδευτεί προς αυτή την κατεύθυνση, αρχίζοντας από το γιατί είναι σημαντικό, ορίζοντας ποια δεδομένα ταιριάζουν στον οργανισμό (καθώς 'it's not one size fits all') και να καθοριστεί μία κοινή βάση απαραίτητων και κατάλληλων δεξιοτήτων για όλους, καθώς και μία κοινή γλώσσα δεδομένων. Ας δούμε, όμως, πιο στοχευμένα τι ορίζεται ως data literacy. Οι Catherine D' Ignazio, MIT professor και Rahul Bhargava, research scientist δίνουν την εξής περιγραφή: Το data literacy είναι η ικανότητα να
«διαβάζουμε» δεδομένα, που σημαίνει να κατανοούμε τί είναι τα δεδομένα και ποιες πτυχές αντιπροσωπεύουν στην εκάστοτε περίπτωση,
«δουλεύουμε» με δεδομένα, δηλαδή να τα δημιουργούμε, αποκτούμε, αποκωδικοποιούμε και διαχειριζόμαστε,
αναλύουμε δεδομένα, το οποίο περιλαμβάνει τη συλλογή βάσει φίλτρων, τη διαλογή και την ταξινόμηση, τη σύγκριση και την απόδοση των στοιχείων,
επιχειρηματολογούμε με βάση τα δεδομένα, το οποίο σημαίνει ότι μπορούμε να χρησιμοποιήσουμε τα δεδομένα για να υποστηρίξουμε μία θέση και μία απόφαση αλλά και να επικοινωνήσουμε κάποιο μήνυμα στο εκάστοτε κοινό.
Συνεπώς, το data literacy είναι κάτι παραπάνω από απλή κατανόηση αριθμών και στοιχείων. Για να είναι κάποιος data literate πρέπει ταυτόχρονα να είναι verbally literate, numerically literate και graphically literate. Αυτό αποτελεί τη μεγαλύτερη πρόκληση για τους οργανισμούς. Το πώς, δηλαδή, θα εντάξουν ανθρώπινο δυναμικό με ένα τέτοιο σύνολο δεξιοτήτων, καθώς το data literacy απαιτεί από τους ανθρώπους να αποδίδουν σε υψηλό επίπεδο και να έχουν δεξιότητες που δεν έχουν διδαχθεί συνολικά. Για παράδειγμα, το να είναι κάποιος graphically literate, είναι ένα καινούριο πεδίο, άγνωστο και για τους ίδιους τους οργανισμούς, πόσο μάλλον για τους εργαζόμενους. Ως εκ τούτου, δεν μπορούμε να υποθέσουμε ότι είναι επαρκές το επίπεδο αλφαβητισμού, καθώς κάτι τέτοιο δεν ήταν μέρος της τυπικής εκπαίδευσης που έχουν λάβει. Ο αλφαβητισμός αναφορικά με τα δεδομένα σημαίνει επίσης ότι το άτομο είναι σε θέση να υπερβαίνει την ανάλυση και να επικοινωνεί αποτελεσματικά τα data σε όποιους κρίνεται σκόπιμο. Ωστόσο, αυτό δεν συνεπάγεται ότι κάθε εργαζόμενος χρειάζεται να είναι data scientist ή να μπορεί να «φορά το καπέλο» αυτό εφόσον ζητηθεί.
Οι διαφορετικοί ρόλοι, λαμβάνοντας υπόψη τον κλάδο δραστηριοποίησης κάθε οργανισμού, απαιτούν διαφορετικό επίπεδο «γραφής και ανάγνωσης». Το ζητούμενο είναι να υπάρχει το απαραίτητο ποσοστό αλφαβητισμού βάσει ρόλου και αρμοδιοτήτων. Σίγουρα δεν είναι αναγκαίο ο κάθε εργαζόμενος να μπορεί να αντιμετωπίσει ζητήματα υψηλότερου επίπεδου, όπως κενά ή προβλήματα στα δεδομένα ή να αναζητήσει εναλλακτικές πηγές data, έχοντας άπταιστες γνώσεις. Αυτό που είναι μείζονος σημασίας είναι ο καθένας να μπορεί να «αποκρυπτογραφήσει» τα δεδομένα που έχει στη διάθεσή του, να καταλάβει τί σημαίνουν και από πού προέρχονται. Από την πλευρά του, ο οργανισμός καλείται να προσδιορίσει το επίπεδο data literacy που έχει και να σκιαγραφήσει το προφίλ των ανθρώπων του ως προς αυτό.
Πεδίον δράσης λαμπρό ανοίγεται έτσι για τις επιχειρήσεις που θέλουν να πάνε οι ίδιες μπροστά, παρασύροντας προς την κατεύθυνση αυτή και τις κοινωνίες, στις οποίες δραστηριοποιούντα.
