التعلم والتطوير يغرق في بيانات كثيرة لا يستطيع الانتفاع بها حقًا
إذا سألت أحد قادة التعلم والتطوير إن كانت لديه بيانات كافية، فسيكتفي بضحكة متهكمة. فالمشكلة ليست في نقص البيانات. كل منصة في منظومة التعلم والتطوير الحديثة، من نظام إدارة التعلم إلى منصة تجربة التعلم وأدوات الاستبيان ونظام الموارد البشرية وأدوات التعاون، تفرز أرقامًا بلا انقطاع. لكن امتلاك البيانات والقدرة على استخدامها أمران مختلفان تمامًا، ومعظم وظائف التعلم تملك الكثير من الأول والقليل جدًا من الثاني.
الناتج شعور غريب بالإحباط: إحساس بأن الإجابة عن سؤال مهم موجودة بالتأكيد في مكان ما داخل البيانات، لكن لا توجد طريقة عملية للوصول إليها. أي نظام يحتفظ بها؟ هل يمكن الوثوق بذلك الحقل؟ وهل حدد أحد ما الذي يقيسه فعلًا؟ وحين تُحل هذه الأسئلة، يكون وقت القرار قد مضى غالبًا، فيُتخذ القرار بالحدس بدلًا من ذلك. أن تكون غنيًا بالبيانات وفقيرًا بالبصيرة ليس تناقضًا؛ بل هو الوضع الافتراضي لدى معظم فرق التعلم والتطوير.
مشكلتان تختبئان خلف عبارة «لدينا البيانات»
حين يعجز فريق تعلم وتطوير عن تحويل بياناته إلى إجابات، فغالبًا يكون العائق واحدًا من أمرين، ويجب الفصل بينهما لأن لكل منهما حلًا مختلفًا.
الأول هو الاكتشاف: ألا تعرف ما البيانات التي لديك أصلًا. فمع تراكم الأنظمة على مدى سنوات، لا يملك أحد خريطة كاملة لما يُجمع وأين، ولا معنى كل حقل، ولا المصدر المرجعي عندما تختلف المصادر. يتوقف التحليل قبل أن يبدأ، لأن الخطوة الأولى، أي العثور على البيانات الصحيحة، تتحول هي نفسها إلى مشروع بحثي.
الثاني هو الاستجواب: حتى بعد العثور على البيانات، لا تستطيع سؤالها دون متخصص. فالمعلومة تجلس في نظام يتحدث لغة تقنية، والحصول على إجابة يعني تقديم طلب والانتظار في طابور خلف كل الفرق الأخرى.
معظم النقاشات حول التعلم والتطوير القائم على البيانات تقفز مباشرة إلى لوحات المعلومات والتحليلات، مع أن ذلك لا يعالج أيًا من المشكلتين. فلوحة المعلومات تفترض أنك تعرف مسبقًا ما البيانات الموجودة وما الذي تريد سؤاله عنها. وإن لم تكن تعرف، ومعظم الفرق لا تعرف، فستكون اللوحة مبنية على رمل.
الخريطة التي لا تملكها
الإصلاح الأول غير اللامع هو أن تعرف ما لديك. وهذه هي مهمة فهرس البيانات، وهو عمليًا جرد منظم لبيانات المؤسسة: ما الموجود، وأين يقيم، وما معنى كل عنصر، وما مدى موثوقيته، ومن يملكه.
يبدو الأمر عاديًا ومملًا، لكنه بالضبط الأمر العادي الذي يحدد ما إذا كان كل ما يأتي بعده سيعمل. فمن دونه يبدأ كل تحليل بالحفر الأثري نفسه، ويجيب أشخاص مختلفون عن السؤال نفسه إجابات متباينة لأنهم استقوا البيانات من مصادر مختلفة دون أن يدركوا. وهنا تكتسب أدوات فهرسة البيانات المدعومة بالذكاء الاصطناعي أهمية، لأن الطريقة القديمة، أي أن يقوم البشر بتوثيق كل مصدر بيانات يدويًا والحفاظ على حداثته، كانت تفشل بانتظام. فالتوثيق يبقى قديمًا دائمًا، لأن صيانته لم تكن يومًا وظيفة أحد الحقيقية.
الأنظمة التي تستطيع جرد البيانات ووصفها بجهد يدوي أقل بكثير تغيّر المعادلة. وبالنسبة لوظيفة التعلم، تكون الفائدة ملموسة: فبدلًا من التساؤل إن كانت بيانات الإتمام في نظام ما تعني الشيء نفسه في نظام آخر، تصبح لديك خريطة فعلية، وهذا شرط مسبق للثقة بأي إجابة تنتجها لاحقًا. لا يمكنك أن تصل إلى البصيرة بالتحليل وحده فوق بيانات لا تستطيع تحديدها بثقة.
المفسّر الذي كنت تنتظره
يعالج الإصلاح الثاني الطابور. فحتى مع خريطة واضحة للبيانات، لا يزال معظم العاملين في التعلم والتطوير عاجزين عن استجوابها مباشرة، لأن ذلك تطلب تقليديًا مهارة تقنية لا يملكونها ولا ينبغي أن يحتاجوها. لذلك تمر الأسئلة عبر متخصص بيانات، وطابور المتخصص هو عنق الزجاجة الذي يقتل معظم طموحات التحليلات في التعلم والتطوير.
هذه هي الفجوة التي تحاول جيل جديد من الأدوات سدها، وقد أصبح الاختيار بينها مهارة قائمة بذاتها. والدليل العملي لاختيار مساعد ذكاء اصطناعي مؤسسي للبيانات والتقارير أنفع لقائد التعلم والتطوير من لوحة معلومات أخرى، لأن معايير الاختيار هي المكان الذي تنجح فيه هذه المبادرات أو تفشل. فالأداة الصحيحة تتيح لمالك برنامج غير تقني أن يطرح سؤالًا بلغة عادية ويحصل على إجابة موثوقة، دون طابور ودون تعلم كتابة الاستعلامات.
لكن الاختيار مهم إلى حد كبير، وهنا ينبغي لقادة التعلم والتطوير أن يتمهلوا. فالأسئلة التي تفصل مساعدًا مفيدًا حقًا عن عرض تجريبي مبهر هي أسئلة غير لامعة: هل يتصل بالأنظمة التي تعيش فيها بياناتك فعلًا؟ وهل يستطيع شرح من أين جاءت الإجابة حتى تثق بها؟ وهل يحترم صلاحيات من يحق له رؤية ماذا؟ إن الأداة التي تقدم إجابات سريعة وواثقة وغير قابلة للتحقق، على بيانات لا تثق بها تمامًا، أسوأ من عدم وجود أداة أصلًا، لأنها تجعلك تخطئ بوتيرة أسرع فقط.
سؤال الثقة الذي لا يمكن تجاوزه
هناك تحذير يجب أن يرافق أي تحرك نحو وصول أسهل إلى البيانات، وتجاهله هو ما يوقع المؤسسات في المشكلات. فكلما أصبح الحصول على إجابة أسهل، ازدادت أهمية موثوقية البيانات الأساسية، لأن النظام الذي يجيب بثقة وبلغة عادية يحمل سلطة لم تكن للجدول الخام يومًا.
وهذه السلطة تصبح عبئًا إذا كانت البيانات تحتها فوضوية أو غير معرّفة أو متناقضة. فالإجابة الواثقة المبنية على بيانات غير موثوقة ليست إلا خطأً واثقًا، يُسلّم أسرع ويُصدق بسهولة أكبر. ولهذا تحديدًا فإن خطوة الاكتشاف، أي الفهرس والتعريفات والملكية، ليست عملًا تأسيسيًا اختياريًا يمكن تجاوزه في الطريق إلى الجزء المشوق؛ بل هي ما يجعل الجزء المشوق آمنًا. فإتاحة الوصول إلى بيانات موثوقة ومخططة جيدًا ميزة حقيقية. أما إتاحة الوصول إلى مستنقع بيانات، فهي طريقة لاتخاذ قرارات سيئة على نطاق واسع.
لماذا تزداد المشكلة سوءًا كل عام
مشكلة البيانات في التعلم والتطوير ليست ثابتة، وهذا ما يقلل معظم الفرق من تقديره. إنها تتراكم. فكل عام تأتي أدوات جديدة، تنتج كل منها بياناتها بصيغتها الخاصة، وتحفظها في مكانها الخاص، وبتعريفاتها الخاصة. فمنظومة التعلم التي كانت تضم أربعة أنظمة قبل خمس سنوات تضم اليوم عشرة، وكل إضافة لا تضيف بيانات فحسب، بل تضيف جزيرة بيانات منفصلة عن غيرها، ومصدرًا آخر قد يناقض المصادر الأخرى، وشيئًا آخر لم يفهرسه أحد.
وهذا يعني أن مشكلة الاكتشاف تتسع تلقائيًا مع الوقت، ما لم يعمل أحد بنشاط ضدها. وإن تُركت وحدها، تصبح مشهد البيانات في المؤسسة أقل قابلية للتنقل كل عام، لا أكثر، حتى مع نمو الكمية الخام من البيانات. ويكتسب التناقض حدة: بيانات أكثر، لكن أقل قابلية للعثور عليها؛ أنظمة أكثر، لكن أقل تماسكًا؛ قياس أكثر، لكن بصيرة أقل. والفرق التي تفترض أن المشكلة ستتحسن مع تحسن الأدوات تفهم الأمر بالمقلوب، فازدياد الأدوات هو بالضبط ما يجعله أسوأ.
تأمل الموقف الملموس الذي يكشف ذلك. يُسأل قائد تعلم وتطوير في اجتماع مجلس إدارة سؤالًا معقولًا: هل غيّر الاستثمار في تطوير القادة شيئًا فعلًا؟ الإجابة، إن وجدت، موزعة بين بيانات إتمام برنامج قيادي في نظام، وتقييمات أداء في نظام آخر، وأرقام الاحتفاظ في نظام الموارد البشرية، ودرجات المشاركة في أداة استبيان، ولا يشترك أي منها في تعريف موحد لمن يُعد «مشاركًا» أو عن أي فترة. فيتحول تجميع إجابة قابلة للدفاع عنها إلى مشروع مطابقة يستغرق أسابيع، أما الاجتماع فكان بالأمس. لذلك يجيب القائد بحكاية وأمنية، ويبقى الأثر الحقيقي للاستثمار مجهولًا إلى الأبد.
يتكرر هذا السيناريو بأشكال متنوعة في كل وظيفة تعلم نمت أدواتها أسرع من انضباطها في البيانات. وسيظل يتكرر، ويسوء قليلًا كل عام، حتى تتعامل المؤسسة مع معرفة ما لديها من بيانات كانضباط مستمر لا كتنظيف لمرة واحدة. فالفهرس ليس مشروعًا تنتهي منه؛ بل ممارسة تحافظ عليها، تحديدًا لأن الفوضى التي يحاربها لا تتوقف عن النمو.
والجانب المشجع أن القوى نفسها التي تجعل المشكلة أسوأ، أي الأنظمة الأقدر، هي ما يجعل هذا الانضباط ممكنًا الآن. فالطريقة اليدوية لفهرسة البيانات لم تكن تستطيع أبدًا مواكبة التوسع؛ أما الطرق التي تتطلب صيانة يدوية أقل بكثير فقد أصبحت قادرة أخيرًا. لكن الانضباط يجب تبنيه عن قصد، لأنه لن ينشأ من تلقاء نفسه، وكل عام يُؤجل فيه يزيد الفجوة اتساعًا.
ما ينبغي أن يفعله التعلم والتطوير
التسلسل مهم، ومعظم الفرق تعكسه. فالنزعة الأولى هي شراء أداة التحليلات أولًا وتأجيل الاهتمام بالبيانات، أما النهج المتين فهو العكس. ابدأ برسم خريطة لما لديك وتعريف معانيه، حتى تعرف البيانات التي يمكنك الوقوف خلفها. ثم زوّد الأشخاص الأقرب إلى مشكلات التعلم بالقدرة على استجواب تلك البيانات مباشرة، واختر الأداة بناءً على المعايير المملة، أي الاتصال والشفافية والتحكم في الوصول، لا بناءً على العرض المبهر.
إذا نُفذ ذلك بهذا الترتيب، يتوقف التعلم والتطوير عن كونه غنيًا بالبيانات وفقيرًا بالبصيرة، ويصبح قادرًا على الإجابة عن أسئلته في اللحظة التي تظهر فيها. وفرق التعلم التي تعمل على أساس الأدلة ليست تلك التي تملك أكبر قدر من البيانات أو أبهر لوحات المعلومات، بل تلك التي أنجزت العمل غير اللامع المتمثل في معرفة ما لديها وجعله قابلًا للسؤال فعلًا، ثم وثقت بالإجابات لأنها استحقت هذه الثقة.