Data Literacy är ett begrepp som inte har en helt tydlig avgränsning. Gräver man djupare in i det akademiska, hittar man definitioner, som på svenska kan översättas till att ”Data Literacy (dataläsförståelse) är förmågan att hantera data på ett planerat sätt och att kunna samla in, hantera, utvärdera och tillämpa den kritiskt i det sammanhang där den används”. Data literacy is the ability to deal with data in a planned way and to be able to collect, manage, evaluate and apply it in a critical way in the respective context (Ridsdale)
Definitionen från branschen är liknande, enligt Gartner är Data literacy förmågan att läsa, arbeta med, analysera och kommunicera med data. Det är en färdighet som ger medarbetare på alla nivåer möjlighet att ställa rätt frågor till data och maskiner, bygga kunskap, fatta beslut och förmedla mening till andra. Data literacy is the ability to read, work with, analyze and communicate with data. It’s a skill that empowers all levels of workers to ask the right questions of data and machines, build knowledge, make decisions, and communicate meaning to others.
Det finns flera andra, liknande, defintioner på Data Literacy, men det alla har gemensamt är att de inte beskriver vad som menas med ”hantera”, ”utvärdera”, ”fatta beslut” osv. eller hur det ska göras. Mycket av det som är skrivet om Data Literacy, har sitt ursprung i tekniken. De som arbetar med data, vet att det kräver kunskap. Verksamheten har ett behov av data och därför försöker de tekniskt kunniga beskriva den kunskap som data behöver. Problemet med detta upplägg är att kunskapen utgår från att man ska hantera data, istället för att utgå från affärsperspektivet och se vad data kan användas till.
Data Literacy – en affärsförmåga
Vi ser Data Literacy som nyckeln till att få data till en affärsförståelse, att använda data som en affärsresurs. Det kräver att både medarbetare och chefer förstår konceptet med data och kan språket. Ska man lyckas i en värld som är datadriven, behöver man ju kunna göra affärer på det språket, precis som engelska på en internationell marknad – man kommer inte så långt om man inte kan kommunicera. Denna syn att Data Literacy ska ses som ett språk finns även hos andra, exempelvis Qlik och Gartner, men vad är det för något man ska kunna?
Littys kunkskapsmodell för Data & AI Literacy är unik genom att den kopplar tekniskt dataförståelse med verksamhet och analys i ett affärsorienterat perspektiv. Vår kunskapsmodell fokuserar på hur verksamhetsutövare, chefer och team kan skapa rörelse, förståelse och beslut med hjälp av data genom att förstå koncept och kontext som möjliggör att data används som en affärsresurs.
Utvecklingen av Littys Data & AI Literacy modell
Vi skrev detta inlägg i juni 2025 och har sedan dess utvecklat modellen. Vi tänkte ta bort blogginlägget då modellen inte längre är aktuell, men samtidigt är det ju väldigt intressant att kunna se hur en produkt utvecklas, speciellt idag när mycket skrivet material kommer direkt från ChatGPT. Texten nedan är redigerad för att förtydliga. Vårt ramverk hittar du här.
Vår första data literacy modell
I vår första modell utgick vi från de fyra viktigaste aspekterna för att bygga Data Literacy som en affärsförmåga.
I vår första modell hade vi placerat Datateorier och tekniker till vänster. Den symboliserade datalagring och datats ”hem” och de tekniker och teorier som man behöver kunna för att förstå hur data fungerar. Verksamhet placerade vi till höger, här skapar processerna data och data blir till värde. Analysförmågan spänner över både datalagring och verksamhet, där båda delarna kan analyseras separat, men med Data Literacy vill man kombinera dessa. Kommunikation spänner över allt inom data literacy. För att lyckas behöver man kunna kommunicera om alla tre delarna: datateorier och teknik, verksamhet och analysförmåga.
Vi strukturerarde vår första modell för Data Literacy kring det mer konceptuella perspektivet med var data bor, varför den finns, hur den används och hur vi pratar om den ger en helhet som andra modeller saknar.
Datateori & teknik – i vår första modell
Här handlar det om var data bor och hur den hanteras och struktureras. Denna del av Littys kunskapsmodell kombinerar förståelse av data i sitt sammanhang (kontext) och ett konceptuellt perspektiv, tillsammans med viktiga nyckeldetaljer om hur data fungerar i praktiken.
Fokus är på sådant som man behöver förstå för att få ihop helheten:
- Vart data lagras och hur det hamnar där (databaser, datalager, masterdata, datakälla/datalagring)
- Hur logiken i databaser och tabeller fungerar (datamodeller, datatyper, tabeller)
- Hur data hanteras inför analys och varför (datakvalitet, städning och dataprepp, olika ”språk”)
- Teknik (vad som menas med BI system, hur affärssystem fungerar från ett dataperspektiv)
Data Literacy innefattar inte programmering, det tillhör ”Data Skills”. Däremot är förståelse för kod en bra metod att lära sig hur data fungerar. Denna del av kunskapsmodellen i Data Literacy stöttar verksamhetens förmåga att kunna specificera behov på ett sätt som kan omsättas i datamodeller och systemlogik.
Verksamhet – i vår första modell
Här handlar det om varför data finns och vilket värde den ska skapa. Denna del av kunskapsmodellen utgår från verksamheten och affären från perspektivet att det är där data skapas och används.
Denna del av modellen omfattar sådant som man behöver förstå för att kunna koppla data till affärsmål, processer och beslut men även att utgå från affärsmål, processer och beslut och klä på data. Data har alltid förknippats mer till IT och ingenjörer än verksamheten och därför är det viktigt att poängtera att Data Literacy innebär förståelse från båda hållen:
- Kunskap i att utgå från verksamhetens behov för att formulera databehov och
- kunna utgå från data för att förstå verksamheten.
Fokus är på sådant som man behöver förstå för att få ihop helheten:
- Hur data skapas i processer (kopplingen mellan affärsprocesser, digitala system, manuella aktiviteter och masterdata)
- Vad som behövs för att mäta och följa upp på mål (översättning av begrepp och mål till datalogik och mätpunkter)
- Varför data hamnar i silos (avgränsningar mellan system, avdelningar och perspektiv)
- Hur verksamhetens behov översätts till databehov (från användarfråga till informationsbehov, olika användning av data)
- Hur data kan användas för att förstå verksamheten (insikter, mönster, avvikelser, dashboards, rapporter)
Data skapas i verksamheten, skickas till en lagringsplats och modifieras för att användas i verksamheten. Det är nödvändigt att förstå ekosystemet med data, för att kunna utveckla det som faktiskt pågår i organisationen. I denna del av modellen är fokus förmågan att se datans värde ur ett verksamhetsperspektiv. Det i sin tur behöver en koppling både till kunskapen i Datateorier och Teknik samt Analysförmåga.
Analysförmåga – i vår första modell
Här handlar det om hur man förvandlar data till insikter, både tekniskt och affärsmässigt. Att kunna skriva kod för att arbeta med rådata i en databas är inte en del av modellen, däremot ingår analys av rapporter och visualiseringar d.v.s. kontexten som är verksamhetsnära t.ex. tolkning av resultat.
Denna del av modellen innehåller även olika typer av analysformer och hur de kan appliceras i verksamheten. Business Intelligence är den del av modellen, både med att tolka grafer och visualiseringar, men även semantiska datamodeller, d.v.s. modeller mellan datakällan/lagringen och visualiseringarna.
Analysförmågan är starkt förknippad med de övriga delarna. En individ med hög analysförmåga har även en förmåga att se om resultaten känns rimliga, om det behövs annan data, hur data från processer kan knytas samman osv. Analysförmågan binder samman teknik och verksamhet och stärker förmågan att skapa meningsfulla slutsatser som leder till handling:
- Tillämpa analys inom både tekniska delar (t.ex. datakvalitet) och verksamhetsnära delar (t.ex. resultat eller processer)
- Förstå hur analys hänger ihop med datamodeller, källor och visualiseringar
- Tolka grafer och dashboards, inklusive semantiska modeller mellan källa och visualisering
- Bedöma resultatens rimlighet och identifiera behov av mer eller annan data
- Se samband, mönster och möjligheter i data
Kommunikation – i vår första modell
Här handlar det om förmågan att överbrygga språket mellan teknik, analys och verksamhet. Analys leder till insikter, men för att kunna skapa förändring behöver man ta beslut och agera på dessa insikter. En stor del av att skapa insikter ligger i att kunna kommunicera detta. Denna del spänner som ett lager över de tre andra områdena och skapar en gemensam kontext. Denna del omfattar Data Storytelling men är också en temperaturmätare över hur pass väl man kan de övriga delarna. Kan man ställa kontrollfrågor? Resonera? Diskutera datafrågor i hela modellen?
- Kunna kommunicera mellan det tekniska, verksamhet och analys
- Dela insikter från analyser (förklara vad en graf visar så att andra förstår.
- Ställa frågor, prata data.
Ta reda på vad du kan?
Litty har utvecklat ett självskattningstest som ger en indikation på din nivå av Data Literacy. Självskattningen omfattar de fyra områdena i vår kunskapsmodell. Data Literacy är en kunskap som innebär att man förstår data från olika kontext och kan sätta ihop det till en helhet.
