Firmy mają dziś dostęp do większej ilości danych i bardziej zaawansowanych narzędzi analitycznych niż kiedykolwiek wcześniej. Dashboardy zbierają dziesiątki wskaźników, systemy raportowe automatyzują kolejne zadania, a generatywna sztuczna inteligencja coraz częściej pomaga analizować informacje i przygotowywać podsumowania.
Paradoksalnie nie oznacza to jednak, że organizacje automatycznie podejmują lepsze decyzje. Między dostępem do danych a umiejętnością ich wykorzystania pozostaje bowiem luka. Można mieć rozbudowany dashboard i nie rozumieć znajdujących się na nim KPI. Można poprawnie policzyć średnią i przeoczyć problem ukryty w jednym z segmentów klientów. Można też otrzymać od AI przekonująco brzmiącą analizę, która została przygotowana na podstawie danych niskiej jakości.
Dlatego wraz z rozwojem AI rośnie znaczenie data literacy, czyli biegłości w pracy z danymi. Nie chodzi przy tym wyłącznie o kompetencje analityków. Umiejętność czytania, interpretowania i komunikowania danych staje się potrzebna również menedżerom, marketerom, specjalistom produktowym czy osobom podejmującym decyzje biznesowe.
Czym jest data literacy?
Data literacy można sprowadzić do trzech powiązanych ze sobą kompetencji:
- rozumienia i interpretowania danych,
- wyciągania z nich wartościowych insightów,
- komunikowania danych w sposób wspierający podejmowanie decyzji.
Dopiero połączenie tych trzech elementów pozwala przejść od samego posiadania danych do ich realnego wykorzystania.
Problem pojawia się wtedy, gdy organizacja próbuje zastąpić kompetencje kolejnymi narzędziami. Nowy dashboard, dodatkowe źródło danych czy system wykorzystujący AI mogą usprawnić pracę. Nie odpowiedzą jednak automatycznie na pytanie, czy analizowany wskaźnik jest właściwie zdefiniowany, czy dane są wiarygodne i czy obserwowana zależność rzeczywiście oznacza to, co nam się wydaje. Samo narzędzie nie jest kompetencją.
AI zwiększa znaczenie data literacy, zamiast je zmniejszać
Generatywna sztuczna inteligencja coraz głębiej wchodzi w procesy związane z analizą danych. Może podsumowywać wyniki, wyszukiwać zależności, tworzyć raporty czy pomagać w interpretacji informacji.
Im większą część pracy powierzamy jednak modelom AI, tym ważniejsze staje się pytanie o jakość materiału, na którym pracują. Jeżeli dane wejściowe są niepełne, źle zarządzane albo niewłaściwie interpretowane, bardziej zaawansowane narzędzie nie usuwa problemu. Może wręcz sprawić, że błędny wniosek zostanie przedstawiony szybciej i w bardziej przekonującej formie.
W swojej prelekcji Filip Werstler zwraca uwagę na swoisty paradoks zaufania. Organizacje coraz szerzej wykorzystują generatywną AI i coraz chętniej ufają rezultatom pracy modeli, a jednocześnie nadal mierzą się z problemami dotyczącymi jakości oraz wiarygodności danych.
Powstaje więc niebezpieczna asymetria: zaufanie do wyników może rosnąć szybciej niż przygotowanie organizacji do ich właściwej oceny. Odpowiedzią nie powinno być odrzucenie AI czy narzędzi analitycznych. Potrzebne jest równoległe rozwijanie technologii i kompetencji ludzi, którzy z niej korzystają.
Pierwszy krok: zanim przeanalizujesz dane, upewnij się, że je rozumiesz
Pierwszym filarem data literacy jest świadome czytanie danych. Problem często zaczyna się już na poziomie podstawowych wskaźników, z wezględu na to, że organizacje posługują się dziesiątkami KPI, których definicje mogą różnić się między zespołami. Osoba dołączająca do firmy poznaje jej strukturę, procedury czy wartości, ale niekoniecznie dowiaduje się, jak dokładnie liczone są najważniejsze wskaźniki używane podczas codziennych spotkań.
Po kilku miesiącach pytanie „co właściwie oznacza ten KPI?” staje się jeszcze trudniejsze do zadania. Jednym z rozwiązań może być data dictionary, czyli firmowy słownik danych. Nie powinien być jedynie listą skrótów. Przy każdej kluczowej metryce warto określić między innymi:
- co dokładnie mierzy,
- w jaki sposób jest obliczana,
- z jakiego źródła pochodzą dane,
- jak interpretować wysoką i niską wartość,
- na jakie pytanie biznesowe odpowiada,
- jakie są ograniczenia wskaźnika i czego na jego podstawie nie można stwierdzić.
Dzięki temu KPI przestaje być liczbą, której znaczenie „wszyscy powinni znać”, a staje się jednoznacznie zdefiniowanym elementem wspólnego języka organizacji.
Jak świadomie czytać dane?
Samo zrozumienie definicji wskaźnika to dopiero początek. Przy analizie wykresu, raportu czy wyników badania warto zadać kilka podstawowych pytań.
Skąd pochodzą dane? – Źródło wpływa na to, jak dużym zaufaniem można obdarzyć wynik i w jakim zakresie można go interpretować.
Czego w danych nie ma? – Brakujący segment klientów, pominięty kanał sprzedaży czy nieuwzględniony okres mogą całkowicie zmienić wnioski.
Jaki jest kontekst? – Wzrost o 10% wygląda dobrze, dopóki nie okaże się, że rynek urósł w tym samym czasie o 30%.
Dla kogo przygotowano dane? – Ten sam wskaźnik może mieć inne znaczenie dla zarządu, zespołu produktowego, marketingu czy sprzedaży.
Takie pytania wydają się proste, ale właśnie ich pomijanie prowadzi do sytuacji, w której organizacja posiada coraz więcej informacji, niekoniecznie lepiej rozumiejąc rzeczywistość.
Zielony KPI nie zawsze oznacza, że wszystko działa
Drugi filar data literacy dotyczy wyciągania insightów. Tutaj szczególnie ważna staje się umiejętność wyjścia poza pojedynczy wskaźnik.
Wyobraźmy sobie firmę mierzącą satysfakcję klientów. Zagregowany wynik znajduje się powyżej celu, więc dashboard świeci się na zielono. Na pierwszy rzut oka nie ma powodu do niepokoju, dopiero rozbicie wyniku na dwa kluczowe segmenty pokazuje, że sytuacja wygląda inaczej. Klienci indywidualni są bardzo zadowoleni, podczas gdy satysfakcja klientów biznesowych spada. Jednocześnie właśnie segment B2B zaczyna odpowiadać za coraz większą część przychodów.
Średnia nadal wygląda dobrze, ale biznesowy obraz sytuacji jest już zupełnie inny. To pokazuje jedną z najważniejszych zasad analizy danych: agregacja może ukrywać zjawiska, które z perspektywy biznesu mają kluczowe znaczenie. Nie wystarczy więc sprawdzić, czy KPI znajduje się powyżej lub poniżej targetu. Trzeba również wiedzieć, co dzieje się pod powierzchnią wyniku.
Dane potrzebują punktu odniesienia
Liczba sama w sobie często mówi niewiele. Czy konwersja na poziomie 4% jest dobra? Czy wzrost przychodów o 8% powinien cieszyć? Czy spadek retencji o 2 punkty procentowe oznacza poważny problem? Odpowiedź zależy od kontekstu.
Dlatego jednym z najważniejszych narzędzi świadomej analizy jest benchmarkowanie. Wyniki można porównywać między innymi:
- w czasie – jak obecny rezultat wypada względem poprzedniego miesiąca, kwartału czy roku;
- do celu – czy osiągamy wartość, którą wcześniej uznaliśmy za pożądaną;
- do rynku – jak nasze wyniki wyglądają na tle konkurencji lub całej kategorii.
Dopiero takie zestawienie pozwala ocenić znaczenie obserwowanej wartości i poszukać przyczyn zmiany.
Trzeba jednak uważać na kolejną pułapkę: samo współwystępowanie dwóch zjawisk nie oznacza jeszcze, że jedno spowodowało drugie. To szczególnie istotne przy korzystaniu z automatycznych analiz, które mogą wskazywać korelacje i przedstawiać je w sposób sugerujący związek przyczynowo-skutkowy.
Data literacy oznacza więc również umiejętność powiedzenia: „te dane pokazują zależność, ale jeszcze nie wiemy, dlaczego ona występuje”.
Od raportowania do decyzji
Trzeci filar data literacy dotyczy komunikowania danych. W wielu organizacjach proces kończy się na przedstawieniu wyników: „Sprzedaż wzrosła o 8%.” To informacja, ale jeszcze nie insight. Odbiorca nadal musi samodzielnie odpowiedzieć na pytania: dlaczego sprzedaż wzrosła, gdzie nastąpiła zmiana i jakie ma ona znaczenie dla firmy.
Dojrzała komunikacja danych powinna prowadzić przez kolejne poziomy:
dane → insight → rekomendacja → decyzja → wpływ.
Najpierw pokazujemy, co się wydarzyło. Następnie wyjaśniamy, co z tego wynika. Kolejnym krokiem jest wskazanie, jakie działania warto rozważyć. Ostateczna decyzja należy do osób odpowiedzialnych za biznes, ale rolą analityka czy osoby prezentującej dane jest ułatwienie jej podjęcia.
Różnica między raportowaniem a komunikowaniem danych jest więc fundamentalna. Raport odpowiada na pytanie: „co pokazują liczby?”. Insight: „co te liczby oznaczają?”, z kolei rekomendacja: „co możemy z tym zrobić?”. A wpływ odpowiada na najważniejsze pytanie: „co zmieni się w biznesie, jeśli podejmiemy określone działanie?”
Więcej danych nie oznacza lepszych decyzji
Rozwój generatywnej AI prawdopodobnie sprawi, że dostęp do analizy danych będzie jeszcze łatwiejszy. Przygotowanie wykresu, znalezienie wzorca czy stworzenie podsumowania nie będzie wymagało takich kompetencji technicznych jak wcześniej.
Nie znika jednak potrzeba rozumienia tego, co właściwie analizujemy. Wręcz przeciwnie. Im prostsze staje się generowanie analiz, tym łatwiej stworzyć analizę błędną, pozbawioną kontekstu albo opartą na niewiarygodnych danych. Bariera techniczna spada, ale odpowiedzialność za ocenę rezultatu pozostaje po stronie człowieka.
Dlatego data literacy nie jest kompetencją przeznaczoną wyłącznie dla analityków. W organizacji opartej na danych potrzebują jej wszyscy, którzy na podstawie liczb formułują wnioski, rekomendują działania albo podejmują decyzje. Najważniejsze pytanie brzmi: czy potrafimy zrozumieć, co naprawdę nam mówią?
Artykuł powstał na podstawie prelekcji Filipa Werstlera wygłoszonej podczas Mobile Trends Conference 2026. A o bieżącej edycji Mobile Trends Conference przeczytasz tutaj.
