Khi các tổ chức tạo ra nhiều dữ liệu hơn và số hóa sản phẩm cũng như quy trình, lực lượng lao động định hướng dữ liệu trở nên quan trọng hơn bao giờ hết. Đây là lý do học tập và phát triển trở thành trọng tâm trong chiến lược kinh doanh—đặc biệt là những sáng kiến tập trung xây dựng năng lực khoa học dữ liệu trên toàn tổ chức.
Ngày 4 tháng 11, Adel Nehme, Nhà truyền bá Khoa học Dữ liệu của DataCamp, đã trò chuyện cùng Sheil Naik, Giảng viên Kỹ thuật Dữ liệu Toàn cầu tại Bloomberg, về cách nhóm của Sheil tận dụng học tập kết hợp để dạy phân tích dữ liệu với Python, và cách Bloomberg đo lường thay đổi hành vi sau các sáng kiến nâng cao kỹ năng.
Giá trị của việc trở nên định hướng dữ liệu
Chưa bao giờ việc định hướng dữ liệu lại có giá trị như hiện nay. CEO của Anaconda, Peter Wang, mô tả khoa học dữ liệu là một phương pháp luận dựa trên bằng chứng để giải quyết vấn đề kinh doanh, nơi các nhà khoa học dữ liệu "khai thác các công cụ toán học và tính toán để suy luận về thế giới kinh doanh." Phương pháp này đã mở ra vô số trường hợp sử dụng trong nhiều ngành, từ dự báo tỷ lệ rời bỏ trong marketing đến phát hiện gian lận tự động cho các tổ chức tài chính.
Khoa học dữ liệu là trung tâm của văn hóa định hướng dữ liệu tại Bloomberg. Đội ngũ khoa học dữ liệu của họ đang đẩy xa ranh giới những gì có thể theo nhiều cách, bao gồm xây dựng thực tiễn tốt nhất cho các dự án xử lý ngôn ngữ tự nhiên, dân chủ hóa các công cụ dữ liệu, và cung cấp các giải pháp thông minh trên các sản phẩm của mình. Xây dựng văn hóa định hướng dữ liệu cũng có nghĩa là trao cho mọi người các kỹ năng cần thiết để ra quyết định dựa trên dữ liệu, cải thiện quy trình bằng dữ liệu, và sản xuất các tin bài dựa trên dữ liệu.
Xây dựng lực lượng lao động định hướng dữ liệu với học tập kết hợp
Bộ phận Dữ liệu Toàn cầu tại Bloomberg chịu trách nhiệm duy trì tính kịp thời và chất lượng của tất cả các bộ dữ liệu tài chính trên Bloomberg Terminal. Với vai trò giảng viên kỹ thuật dữ liệu, Sheil Naik làm việc với các lãnh đạo kinh doanh trong toàn Bộ phận để xác định những kỹ năng cần thiết nhằm thành công khi làm việc với dữ liệu tại Bloomberg, đồng thời thiết kế, triển khai và đánh giá các chương trình đào tạo nhằm xây dựng và cải thiện các kỹ năng này. Những kỹ năng đó bao gồm sử dụng công cụ quản lý phiên bản như Git và GitHub, phân tích dữ liệu với SQL, phân tích dữ liệu với Python, và hơn thế nữa.
Chương trình Phân tích Dữ liệu với Python của Bloomberg là một giáo trình học tập kết hợp theo quý, bao gồm phần giới thiệu một giờ giải thích cách Python được sử dụng tại Bloomberg, 12 đến 20 giờ học liệu trên DataCamp, ba buổi học trực tiếp kéo dài 1,5 giờ do các chuyên gia kỹ thuật nội bộ dẫn dắt, và một dự án cuối khóa sử dụng dữ liệu Bloomberg.
Bloomberg lựa chọn cẩn thận các khóa học trên DataCamp để cân bằng giữa mục tiêu học tập và mức độ cam kết về thời gian, bao gồm các chương từ những khóa như Giới thiệu về Python, Python Trung cấp, và các khóa khác. Đóng vai trò là tài liệu nền tảng, các khóa học này đã giúp hơn 450 học viên—nhiều người trong số đó chưa từng viết mã trước đây—học và áp dụng các khái niệm cần thiết để hoàn thành ba buổi học trực tiếp, vượt qua dự án cuối khóa và hoàn tất chương trình đào tạo.
Học viên có thể đi từ chỗ chưa từng viết một dòng mã nào trong cả cuộc đời đến việc hoàn thành một phân tích tin tức dựa trên dữ liệu như một phần của dự án cuối khóa của chương trình—Sheil Naik, Giảng viên Kỹ thuật Dữ liệu Toàn cầu tại Bloomberg
Kết hợp học tự định hướng với đào tạo trực tiếp tại lớp, mô hình học tập kết hợp này cho phép đảm bảo tính nhất quán và linh hoạt trong việc học trên các khu vực địa lý, lịch trình và đơn vị kinh doanh tại Bloomberg. Tính nhất quán của giáo trình và trải nghiệm ở cấp độ nền tảng giúp các giảng viên Bloomberg có thể mở rộng các buổi học trực tiếp và bao gồm học viên toàn cầu. Hơn nữa, sử dụng một nhà cung cấp học tập như DataCamp ở cấp nền tảng mang lại thông tin và dữ liệu hiệu suất để đánh giá hiệu quả đào tạo.
Đo lường thay đổi hành vi
Một phương pháp luận để đánh giá lợi tức đầu tư trực tiếp cho các chương trình đào tạo là Mô hình Đánh giá Kirkpatrick. Mô hình Kirkpatrick đề xuất bốn cấp độ đánh giá khác nhau: phản ứng ban đầu sau một chương trình đào tạo, đánh giá học tập, thay đổi hành vi, và tác động kinh doanh của các kỹ năng đạt được.
Việc triển khai lớp thứ ba của mô hình Kirkpatrick tại Bloomberg đo lường số lượng hoạt động của người tạo nội dung (lưu, chỉnh sửa, nhập, đổi tên, gửi, v.v.) trên môi trường Jupyter Notebook độc quyền của họ.
Tận dụng các điểm dữ liệu này, Sheil đã có thể áp dụng các kỹ thuật được dạy trong Phân tích Dữ liệu với Python để phát hiện mức tăng 561% về số hoạt động trung bình của người tạo nội dung đối với một trong các nhóm hoàn thành chương trình. Theo Sheil, mục tiêu cuối cùng của việc nâng cao kỹ năng dữ liệu tại Bloomberg là kết hợp công nghệ với chuyên môn lĩnh vực của nhân viên để tạo ra những phân tích sâu sắc.
Nếu bạn muốn tìm hiểu thêm về học tập kết hợp, cách vận hành nó trong chính tổ chức của bạn, và những điểm then chốt mà Sheil khuyến nghị mọi chuyên gia học tập và phát triển nên làm theo, hãy xem toàn bộ bản ghi hội thảo trực tuyến.
