随着组织产生更多数据并将产品与流程数字化，打造数据驱动型员工队伍比以往任何时候都更为重要。这也是为何学习与发展已成为企业战略的核心——尤其是面向全组织构建数据科学能力的举措。
11 月 4 日，DataCamp 的数据科学布道者 Adel Nehme 与彭博全球数据技术培训师 Sheil Naik 一同探讨了 Sheil 团队如何利用融合式学习教授使用 Python 进行数据分析，以及彭博如何在技能提升举措之后衡量行为改变。
成为数据驱动型组织的价值
当下成为数据驱动型组织的价值前所未有。Anaconda 首席执行官 Peter Wang 将数据科学描述为一种以证据为基础的方法论，用于解决商业问题，其中数据科学家“利用数学与计算工具来推理商业世界”。这一方法论促成了跨行业的大量用例，从营销中的流失预测到金融机构的自动化反欺诈检测。
数据科学是彭博数据驱动文化的核心。他们的数据科学团队在多方面不断突破可能性的边界，包括为自然语言处理项目制定最佳实践、普及数据工具，以及在其产品中提供智能化解决方案。数据驱动文化也意味着让每个人都具备必要技能，以便做出数据驱动的决策、用数据改进流程，并产出数据驱动的新闻报道。
用融合式学习打造数据驱动型员工队伍
彭博的全球数据部门负责维护 Bloomberg Terminal 上所有金融数据集的时效性与质量。作为数据技术培训师，Sheil Naik 与该部门的业务领导者协作，识别在彭博开展数据相关工作所需的关键技能，并设计、实施与评估旨在构建和提升这些技能的培训项目。这些技能包括使用 Git 与 GitHub 等版本控制工具、用 SQL 进行数据分析、用 Python 进行数据分析等。
彭博的“使用 Python 进行数据分析”项目是一个按季度开展的融合式学习课程体系，包括一小时的导学课（介绍 Python 在彭博的应用）、12 到 20 小时的 DataCamp 课程、由内部技术专家主持的三场 1.5 小时直播课程，以及一个使用彭博数据的期末项目。
彭博精心遴选 DataCamp 课程，以在学习目标与时间投入之间取得平衡，涵盖了诸如《Python 入门》、《Python 进阶》等课程的章节。作为基础材料，这些课程已帮助 450 多名学习者——其中许多人此前从未编写过任何代码——掌握并运用完成三场线下直播课程、通过期末项目并完成培训所需的概念。
学习者能够从“从未写过一行代码”，到在项目的期末环节完成一篇数据驱动的新闻分析——Sheil Naik，彭博全球数据技术培训师
通过将自定进度的自主学习与现场课堂培训相结合，这种融合式学习模式让彭博在不同地区、日程安排与业务单元间实现了学习的一致性与灵活性。在基础层面的课程与体验保持一致，使彭博的培训师能够扩大全课堂教学规模并纳入全球学习者。此外，在基础阶段使用像 DataCamp 这样的学习提供方，也能带来用于评估培训有效性的洞见与绩效数据。
衡量行为改变
评估培训项目直接投资回报的一种方法是柯氏评估模型（Kirkpatrick Model of Evaluation）。该模型提出了四个不同的评估层级：培训后的即时反应、学习成效、行为改变，以及所获技能对业务的影响。
彭博对柯氏模型第三层的实施，是在其自有的 Jupyter Notebook 环境中，统计生产者活动的数量（保存、编辑、导入、重命名、发送等）。
借助这些数据点，Sheil 运用“使用 Python 进行数据分析”中的技术，发现某一批次在完成项目后，其人均生产者活动量实现了561%的增长。Sheil 表示，彭博开展数据技能提升的最终目标，是将技术与员工的专业领域知识相结合，产出具有洞见的分析。
若您希望进一步了解融合式学习、如何在您所在的组织中将其落地，以及 Sheil 为每位学习与发展专业人士提出的关键建议，欢迎观看完整网络研讨会回放。
随着组织产生更多数据并将产品与流程数字化，打造数据驱动型员工队伍比以往任何时候都更为重要。这也是为何学习与发展已成为企业战略的核心——尤其是面向全组织构建数据科学能力的举措。
11 月 4 日，DataCamp 的数据科学布道者 Adel Nehme 与彭博全球数据技术培训师 Sheil Naik 一同探讨了 Sheil 团队如何利用融合式学习教授使用 Python 进行数据分析，以及彭博如何在技能提升举措之后衡量行为改变。
成为数据驱动型组织的价值
当下成为数据驱动型组织的价值前所未有。Anaconda 首席执行官 Peter Wang 将数据科学描述为一种以证据为基础的方法论，用于解决商业问题，其中数据科学家“利用数学与计算工具来推理商业世界”。这一方法论促成了跨行业的大量用例，从营销中的流失预测到金融机构的自动化反欺诈检测。
数据科学是彭博数据驱动文化的核心。他们的数据科学团队在多方面不断突破可能性的边界，包括为自然语言处理项目制定最佳实践、普及数据工具，以及在其产品中提供智能化解决方案。数据驱动文化也意味着让每个人都具备必要技能，以便做出数据驱动的决策、用数据改进流程，并产出数据驱动的新闻报道。
用融合式学习打造数据驱动型员工队伍
彭博的全球数据部门负责维护 Bloomberg Terminal 上所有金融数据集的时效性与质量。作为数据技术培训师，Sheil Naik 与该部门的业务领导者协作，识别在彭博开展数据相关工作所需的关键技能，并设计、实施与评估旨在构建和提升这些技能的培训项目。这些技能包括使用 Git 与 GitHub 等版本控制工具、用 SQL 进行数据分析、用 Python 进行数据分析等。
彭博的“使用 Python 进行数据分析”项目是一个按季度开展的融合式学习课程体系，包括一小时的导学课（介绍 Python 在彭博的应用）、12 到 20 小时的 DataCamp 课程、由内部技术专家主持的三场 1.5 小时直播课程，以及一个使用彭博数据的期末项目。
彭博精心遴选 DataCamp 课程，以在学习目标与时间投入之间取得平衡，涵盖了诸如《Python 入门》、《Python 进阶》等课程的章节。作为基础材料，这些课程已帮助 450 多名学习者——其中许多人此前从未编写过任何代码——掌握并运用完成三场线下直播课程、通过期末项目并完成培训所需的概念。
通过将自定进度的自主学习与现场课堂培训相结合，这种融合式学习模式让彭博在不同地区、日程安排与业务单元间实现了学习的一致性与灵活性。在基础层面的课程与体验保持一致，使彭博的培训师能够扩大全课堂教学规模并纳入全球学习者。此外，在基础阶段使用像 DataCamp 这样的学习提供方，也能带来用于评估培训有效性的洞见与绩效数据。
衡量行为改变
评估培训项目直接投资回报的一种方法是柯氏评估模型（Kirkpatrick Model of Evaluation）。该模型提出了四个不同的评估层级：培训后的即时反应、学习成效、行为改变，以及所获技能对业务的影响。
彭博对柯氏模型第三层的实施，是在其自有的 Jupyter Notebook 环境中，统计生产者活动的数量（保存、编辑、导入、重命名、发送等）。
借助这些数据点，Sheil 运用“使用 Python 进行数据分析”中的技术，发现某一批次在完成项目后，其人均生产者活动量实现了561%的增长。Sheil 表示，彭博开展数据技能提升的最终目标，是将技术与员工的专业领域知识相结合，产出具有洞见的分析。
若您希望进一步了解融合式学习、如何在您所在的组织中将其落地，以及 Sheil 为每位学习与发展专业人士提出的关键建议，欢迎观看完整网络研讨会回放。