因此，组织正在建立内部数据科学技能学院，以加速数据素养提升，并将学习融入工作流程。本文信息图将展示从 DataCamp for Business 客户处汲取的 5 条构建数据学院的最佳实践。
构建数据学院的 5 个最佳实践
1. 将学习与转型成果挂钩
确保您的学习目标与业务目标保持一致，避免仅设定“基于技能”的成果。这样有助于更好地衡量培训影响，并确保高投资回报率的举措获得优先级。
|
基于技能的成果示例 |
转型成果示例 |
|
需要让 1,000 人掌握 Python 技能 |
通过提升一线员工的 Tableau 和 SQL 能力，减少提交给数据团队的工单数量 |
|
需要让一线员工掌握机器学习 |
通过时间序列分析技能，提高供应链规划的预测准确性 |
2. 专注于提升参与度
学习者的参与与投入对于推动数据学院的采纳至关重要。营造无摩擦的学习环境，并戴上“营销”的帽子以实现最大化影响。以下是一些可采用的策略：
- 在所有沟通中链接至您的数据学院主页
- 上线内部播客
- 制作学习者见证视频
- 开展“月度学习者”项目
- 为学习者提供专属活动与福利
- 与内部专家开展“午餐学习”项目
- 确保学习资源适配各技能水平，从数据使用者到技术型学习者
- 优先采用能够让学习者应用所学的体验式学习
3. 结合多种学习方式
不仅限于视频学习，打造融合多种学习方式的学习生态。常见的学习方式包括：
- 在线课程：选择能帮助从业者做好实操准备的供应商
- 实践共同体：为学习者创建一个讨论学习历程的空间
- 多模态学习：将播客、网络研讨会、白皮书、博客文章和信息图融入学习旅程
- 混合式学习：将自学与讲师主导的学习相结合，以扩大学习项目的覆盖
- 黑客松与专家分享：借助组织内数据专家的力量，进一步壮大社区
4. 制定个性化学习路径
数据素养并非“一刀切”的技能。为组织内不同角色制定个性化学习路径。关于数据角色的更多信息，请参阅这份白皮书。
5. 衡量培训成效并持续迭代
关键在于衡量数据学院在第 1 步中定义的转型成果上的表现。以下是一些常见的衡量策略，供您参考。
- 评估：评估有助于了解学习者随时间推移的技能演进
- 采纳度：学习资源完成量、课程获得的 XP、以及在平台上的学习时长，都是衡量参与度的有效替代指标
- 参与与留存指标：参与率与报名率，以及邮件互动指标，能帮助您清晰把握学习者对项目的参与情况
- 行为变化：衡量学习者在组织内与数据的交互方式、对转型成果的影响、以及学习者与非学习者的留存率差异，都是反映行为变化与投资回报率的有效指标
随着组织在数据驱动时代中力求发展，数据科学技能的需求正与日俱增。根据普华永道对逾 32,000 名员工的调查，77% 的员工在对自动化的担忧加剧、并需要与自动化系统协作的背景下，正寻求在数字与数据技能方面重新培训的机会。您可以通过我们的另一场网络研讨会了解更多关于构建内部数据学院的信息。