Daten als zentrales Gut behandeln, Neugierde fördern, Experimente anregen, weiterhin in Training und Mentoring investieren - dies sind nur einige der vielen wichtigen Erkenntnisse aus dem Plenum und der Podiumsdiskussion Loren Perlman , VP of Science bei Riffyn; Andre Argenton , VP für Kernforschung und -entwicklung bei Dow; und Kumar Subramanyan , Director of Data Science bei Unilever. Sehen Sie sich die On-Demand-Version dieser Episode von an Statistisch gesehen .
Hier ist ein Auszug aus Daten als Kernelement aus Lorens Plenarvortrag:
Wir hatten viele gute Fragen vom Publikum, die wir zu diesem Zeitpunkt nicht beantworten konnten. Unsere vorgestellten Gäste haben freundlicherweise Antworten auf einige der Fragen gegeben. Wir danken ihnen, dass sie mehr von ihrer Weisheit teilen.
Können Sie mehr über FAIR-Datenpraktiken sprechen?
Loren: FAIR steht für Findable, Accessible, Interoperable und Reusable und wird wie folgt definiert:
- Auffindbar bedeutet, dass mit Datensätzen Such- und Organisationsbegriffe verknüpft sind, die sie bei Verwendung relevanter Suchbegriffe wie Projekt, experimenteller Zweck usw. auffindbar machen.
- Zugänglich bedeutet, dass die Daten, sobald sie gefunden wurden, zur Verwendung verfügbar sind - ich kann sie buchstäblich herunterladen. Dies kann abhängig von den Datenzugriffsrichtlinien einer bestimmten Organisation mit entsprechenden Autorisierungs- oder Authentifizierungsanforderungen verbunden sein.
- Interoperabel bedeutet, dass die Datensätze mit Anwendungen oder Workflows zur Analyse, Speicherung oder zusätzlichen Verarbeitung betrieben werden können.
- Wiederverwendbar bedeutet, dass die Daten mit den zugehörigen Metadaten gut dokumentiert sind, um eine Rekombination in verschiedenen Einstellungen zu ermöglichen. Mit anderen Worten, die Daten und zugehörigen Metadaten verwenden gemeinsame Vokabulare (Onotologien), die eine verständliche Beziehung zwischen Datensätzen ermöglichen und definieren, wie sie über die darin enthaltenen Daten oder Metadaten zusammenhängen.
Weitere Informationen zu FAIR finden Sie hier: https://www.go-fair.org/fair-principles .
Wie haben Sie den Pushback beim Kauf von JMP-Lizenzen über das Argument "Warum können wir nicht einfach Excel verwenden?" Gibt es Tipps, um Nichtbenutzern zu beweisen, dass sich JMP lohnt?
Kumar: Dies ist genau das Argument, mit dem viele Organisationen konfrontiert sind. Microsoft Excel ist in Organisationen allgegenwärtig, aber zunehmend werden Leute in R und Python geschult. Die Frage ist, welchen Wert eine Investition in JMP hat. Letzterer Punkt ist relativ einfach zu beseitigen - R, Python und andere Open-Source-Analysetools erfordern ein gewisses Maß an Fachwissen und Schulung. Infolgedessen sind sie nicht der Weg zur Demokratisierung von Analysen, obwohl sie möglicherweise ein Weg zur Demokratisierung spezifischer Analyselösungen in Organisationen sind. Die Konvertierung von Excel in JMP ist die richtige Frage, und die folgenden Punkte helfen bei dieser Reise:
- Verwenden Sie Excel als Ausgangspunkt, um die Mitarbeiter bei Bedarf auf die Analytics-Reise zu bringen. Grundlegende Datenverwaltung / -organisation und -analyse können in Excel vermittelt werden.
- In der nächsten Phase der Weiterbildung einbetten JMP als Schlüssel Enabler. Präsentieren Sie die einzigartigen Funktionen und Vorteile gegenüber Excel (z. B. Versuchsplanung, Visualisierung, Umgang mit größeren Datenmengen, deutlich mehr Methoden und Modelle).
- Bauen Sie Communitys von JMP-Benutzern um Anwendungsbereiche auf. Dies funktioniert besser als die Ausrichtung auf einzelne Benutzer.
Andre: Es gibt wirklich zwei Ansätze, und die Wahl des richtigen hängt von vielen Faktoren ab. Ein Ansatz ist der unternehmensweite. Es erfordert jemanden in der Unternehmensführung, den Wert zu verstehen und sich der Idee anzuschließen, dass eine Transformation schneller vonstatten geht, wenn von oben nach unten Engagement und Unterstützung vorhanden sind. Wenn Sie keinen Champion an der Spitze haben, sollten Sie den zweiten Ansatz in Betracht ziehen, bei dem die Unterstützung durch Erfolgsfälle zunimmt. Für diesen Ansatz müssen Sie buchstäblich ein Experiment ausführen und eine Teilmenge der Organisation als Testfall verwenden. Diese Versuchsgruppe würde die Möglichkeit erhalten, mit den richtigen Tools wie JMP sowie der richtigen Unterstützungsstruktur zu arbeiten. Betrachten Sie es als eine Fallstudie, um Wert zu zeigen. Der Erfolg dieser Gruppe würde die zukünftigen Investitionen zur Expansion anregen.
Loren: Es ist eine faire Frage des Managements, da es versucht, den ROI (Return on Investment) für jedes Geld zu veranschaulichen, das für neue Tools oder Strategien für das Datenmanagement ausgegeben wird. Excel ist zugegebenermaßen ein schnelles und einfaches Werkzeug für begrenzte Datensätze und grundlegende Analysen. Das Problem tritt auf, wenn entweder die Datensätze erheblich umfangreicher werden (und erheblich unterschiedliche Dinge für unterschiedliche Personen bedeuten) oder die Modellierungsanforderungen erheblich werden. Es gibt einfach keinen Vergleich zwischen der Leistungsfähigkeit von JMP als Analyseplattform. Ich denke, Kumar und Andre haben die richtigen Ansätze behandelt - eine Kernkompetenz etablieren und Unterstützung bieten, damit Benutzer einen klaren Nutzen aus der Implementierung des Tools ziehen können.
Was sind spezifische Möglichkeiten, um Veränderungen und Wachstum in Richtung einer Kultur der Analytik anzuregen?
Kumar: Ich habe ein paar Vorschläge:
- Investieren Sie in die richtigen Tools (Systeme), um die Konvertierung / Akzeptanz von Benutzern zu erreichen. Konzentrieren Sie sich auf eine großartige Benutzererfahrung und einen nahtlosen Datenzugriff.
- Identifizieren Sie Early Adopters / Business Champions und nutzen Sie diese, um die weitere Adoption voranzutreiben.
- Implementieren Sie Anreize wie Lernkredite, die zu zukünftigen Karrieremöglichkeiten beitragen können. Definieren Sie Rollen neu, um Analytics als Schlüsselkompetenz einzubeziehen.
Andre: Feiern Sie kleine Siege und feiern Sie Verhalten. Wenn ein Forscher neue Fähigkeiten, einen neuartigen Ansatz zur Analyse der Daten oder einen anderen Ansatz zur Visualisierung der Daten einsetzt, sollte dieses Beispiel ebenso gefeiert werden wie die Entdeckung neuen Materials.
Loren: Wie das Klischee sagt: Geld spricht. Das Anbieten angemessener Belohnungen für den Kulturwandel ist ein langer Weg. Vielleicht bieten wir dem Team ein Mittagessen an, das den klügsten Einsatz von Analysen demonstriert, oder eine Geldprämie für die Problemlösung, die ohne einen Daten- und Analyse-First-Ansatz möglicherweise nicht möglich gewesen wäre. Ich würde sagen, dass es auch während des Einstellungsprozesses beginnt - wir müssen Leute einstellen, die bestimmte Fähigkeiten haben oder verstehen, dass von ihnen erwartet wird, dass sie sie im Job entwickeln. Ich denke, wir tendieren dazu, die Fähigkeiten von Silos ein wenig zu verbessern (zum Beispiel macht ein Datenwissenschaftler die Modellierung; ein Bankwissenschaftler macht das Experimentieren). Warum kann nicht erwartet werden, dass Menschen sich in mehreren Dimensionen weiterbilden und kontinuierlich wachsen?
Ich habe in letzter Zeit viel gehört, dass wir Daten zu einem zentralen Aktivposten machen sollten, und ich stimme zu. Meine Frage ist, wie machen wir das und wie sieht das aus?
Kumar: Dies muss auf allen Ebenen der Organisation angegangen werden, um vollständig umgesetzt zu werden:
- Auf der obersten Ebene muss es eine Datenstrategie geben, die definiert, was Kerndaten sind, wie sie verwaltet werden (erfasst, gespeichert, geschützt, abgerufen) und wie sie zur Wertschöpfung verwendet werden.
- Auf den unteren Ebenen der Organisation sind zwei Dinge erforderlich: 1) Schaffung einer Kultur des Stolzes auf Daten und Daten als gemeinsames Gut in der Organisation; 2) betriebliche Prozesse und Tools, mit denen qualitativ hochwertige Daten gesammelt und als gemeinsames Asset verwaltet werden können.
Loren: Wir sehen dies sehr häufig bei der Bereitstellung von Riffyn Nexus. Die kurze Antwort lautet, dass es einfach sein muss, qualitativ hochwertige Daten zu sammeln und gemäß den FAIR-Datenpraktiken zu organisieren. Wenn es Hindernisse für die Datenerfassung und -verwaltung gibt, kehren Benutzer einfach zu vorhandenen Verhaltensweisen zurück, z. B. zu isolierten Daten in lokal gespeicherten Tabellenkalkulationen.
Wenn Ihre Organisation eine sehr minimale Datenkultur hat - wenig bis gar keine Abstimmung zwischen Geschäftsprozessen, Daten und Geschäftsentscheidungen - worauf konzentrieren Sie sich zuerst?
Kumar: Konzentrieren Sie sich auf Geschäftsprozesse, die große Datenmengen generieren. Zeigen Sie den Wert der Analyse dieser Daten anhand neuer Erkenntnisse, die zu besseren Entscheidungen oder betrieblichen Effizienzsteigerungen bei der Automatisierung von Analyse / Berichterstellung führen. Sobald die Auswirkungen erkannt wurden, systematisieren Sie Datenerfassungs- / Datenqualitätsprobleme und zeigen Sie Verbesserungen in der Qualität von Erkenntnissen / Entscheidungen. Identifizieren Sie schließlich Möglichkeiten für Verbesserungen von Geschäftsprozessen, die sich aus der Analyse ergeben. Diese Verbesserungen sind normalerweise viel schwieriger umzusetzen, es sei denn, ihre Vorteile sind erheblich.
Andre: In Übereinstimmung mit Kumars Standpunkt würde ich mich auf die Bereiche konzentrieren, in denen Sie effektiv die größte Wirkung erzielen und schnell Wert liefern können. Angenommen, Sie haben zwei Möglichkeiten: 1) eine 100-Millionen-Dollar-Chance, deren Realisierung mehrere Jahre in Anspruch nimmt und die massiven Aufwand erfordert, oder 2) eine 10-Millionen-Dollar-Chance, bei der Daten weitgehend verfügbar sind, die Stakeholder engagierter sind und die Analyse eine offensichtliche und offensichtliche Bedeutung hat große Rolle zu spielen. Wählen Sie die 10-Millionen-Dollar-Gelegenheit. Liefern Sie es, gewinnen Sie Glaubwürdigkeit und Vertrauen und arbeiten Sie sich bis zu dem Punkt vor, an dem das Unternehmen die größeren Chancen nutzen kann.
Loren: Dies steht in engem Zusammenhang mit der Frage des kulturellen Wandels und der Anreize. Es erfordert eine Top-Down-Investition und -Vision sowie Bottom-Up-Tools und eine Einstellung, um dies zu erreichen. Ich werde bemerken, dass es nicht einfach ist, aber es ist auf jeder Ebene innerhalb einer Organisation zutiefst lohnend. Das Management muss den Raum und den Anreiz dafür schaffen und gleichzeitig die Infrastruktur bereitstellen, um dies voranzutreiben.
Hat sich die Personalabteilung weiterentwickelt, um den Aufbau einer Kultur der Analytik zu unterstützen, z. B. Stellenbeschreibungen, Anreize für die Weiterbildung usw.?
Kumar: Ja. Die Personalabteilung muss und spielt eine entscheidende Rolle beim Aufbau einer Analysekultur in Organisationen. Es umfasst die Einbeziehung von Daten und Analysen als spezifische Fähigkeit, die Erstellung von Analyserollen, den Aufbau eines Rekrutierungsnetzwerks und die Förderung der Qualifizierung von Mitarbeitern durch Lernmöglichkeiten.
Viele Organisationen haben das Konzept von Bürgerdatenwissenschaftlern gesehen, mit denen die Basis der Organisation auf ein höheres Maß an analytischem Bewusstsein und Kultur gefördert / angehoben wird. Sie schaffen Anreize, die von der Zertifizierung über Lernkredite für weitere Karrieremöglichkeiten bis hin zum umgekehrten Mentoring für die Geschäftsleitung reichen.
Wie aggregieren Sie Daten in einer großen Gruppe? Mit welchen Tools können die Daten aus einem Problem entnommen werden, sodass sie für den größeren aggregierten Datensatz relevant sind?
Kumar: Für eine Gruppe mit einem gemeinsamen Bereich (z. B. Biowissenschaften oder Fertigung) besteht der Schlüssel darin, einen Prozess für die Datenerfassung zu standardisieren, der die Effizienz und vor allem die Datenqualität steigert. Die größte Hürde beim Datenaustausch ist eine schlechte Datenqualität wie fehlende Daten oder fehlende Metadaten. Die Verbesserung der Datenqualität kann über ein Tool wie eine standardisierte Datenerfassungsvorlage oder einen benutzerfreundlichen Workflow erfolgen (Electronic Lab Notebooks funktionieren gut). Für domänenübergreifende Gruppen kann dies eine größere Herausforderung darstellen. Dies funktioniert am besten, wenn es einen definierten Anwendungsfall gibt, der auf Daten in diesen Domänen zugreifen muss. Unter der Annahme, dass dies festgestellt wurde, ist das Zusammenführen dieser Datensätze in einer Cloud-Umgebung zur Analyse heute die Standardbetriebsmethode. Der Schlüssel besteht darin, die Suche und Ermittlung der Daten in diesen Gruppen zu ermöglichen, um Analyselösungen zu vereinfachen.
Loren: Ich möchte Kumars hervorragenden Kommentar zur Standardisierung von Prozessen für die Datenerfassung wiederholen. Dies bedeutet, die Tools und Ontologien bereitzustellen, die Konsistenz und Ausrichtung innerhalb von Gruppen schaffen. Die Datenaggregation zwischen Gruppen kann vorangetrieben werden, indem verstanden wird, wie Daten und Materialien zwischen Gruppen fließen. Es bedeutet, sich auf einfache Dinge wie Beispielbenennungsschemata auszurichten, damit Daten in einem Datensee oder einem Tool wie Riffyn Nexus zusammengefügt werden können.
Wie bringen Sie Menschen dazu, den Ergebnissen der Analyse zu vertrauen, wenn sie Mathematik oder Statistik nicht vollständig verstehen?
Kumar: Dies ist in der Tat eine der Herausforderungen bei der Schaffung einer allgegenwärtigen Kultur der Analytik in Organisationen. Daher ist die Bedeutung des Änderungsmanagements nicht zu unterschätzen. Wir sprechen über die Notwendigkeit, das Stockwerk der Organisation zu erhöhen, was sich auf die Sensibilisierung für Daten und Analysen und deren Wert auf allen Ebenen der Organisation bezieht. Es besteht auch die Notwendigkeit, die Manager und Führungskräfte anzusprechen, die die Geschäftsentscheidungen treffen müssen. Wir sehen zunehmend Schulungen zu Daten und digitaler Transformation für Führungskräfte. Dabei muss auch die Dichotomie zwischen Hype und Realität angegangen werden, die unter den Nicht-Experten besteht. Es gibt einige, die glauben, dass Analytics (AI / ML) ein Allheilmittel für alle geschäftlichen Probleme ist, während andere die glorreichen Fehler anführen, die ihre Position unterstützen, dass der Wert von Analytics (insbesondere AI / ML) überbewertet ist. Die Wahrheit liegt natürlich in der Mitte, daher muss das Ziel aller Schulungen darin bestehen, dies als die Kunst der Möglichkeit zu präsentieren, die mit einem Gefühl des Realismus verbunden ist, um das richtige Verhalten und die richtigen Ergebnisse in Organisationen zu erzielen.
Andre: Ich stimme Kumars Argument zu, das Wort zu ergreifen, und das beginnt mit der Notwendigkeit einer kontinuierlichen Ausbildung. Ich glaube auch, dass ein Kompetenzzentrum mit hoch angesehenen Personen und Fachexperten auf diesem Gebiet die Gewissheit bietet, dass die Menschen dies akzeptieren. Mit dieser Akzeptanz werden natürlich Ergebnisse und Vertrauen innerhalb einer Organisation aufgebaut.
Der Schlüssel zur Wertschöpfung liegt darin, aus Erkenntnissen und Analysen Maßnahmen zu ergreifen. Wie sollten Unternehmen Maßnahmen zusammen mit Analysen vorantreiben?
Kumar: Eine Transformation zu einer Kultur der Analytik wird eindeutig scheitern, wenn nicht Wert darin besteht, Erkenntnisse in Handlungen umzusetzen. Daher ist es wichtig, dass zu Beginn jedes Analyseprojekts eine sehr klare Reihe von Maßnahmen vereinbart wird. Jedes Ergebnis oder jede Prognose muss ein spezifisches Ergebnis für das Unternehmen haben, sei es eine messbare Verbesserung der Effizienz oder eine Auswirkung auf einen Geschäftsprozess oder eine Entscheidung.
Könnten Sie bitte darauf eingehen, wie ethische und Nachhaltigkeitsaspekte in einem industriellen Umfeld angegangen werden können?
Andre: Ich glaube, dass die Bedeutung von Ethik und Nachhaltigkeit in dieser Frage die ethische Behandlung von Daten und die langfristige Nachhaltigkeit der vorgeschlagenen digitalen Lösungen betrifft (im Gegensatz zur allgemeinen Ethik in der Industrie und den allgemeinen Herausforderungen für die Nachhaltigkeit des Planeten).
Die anhaltende Debatte über Ethik in Bezug auf Daten und Datenbehandlung, die in Wissenschaft und Industrie diskutiert wird, ist sehr wichtig. In der idealen Welt sind die generierten Daten transparent und die Analysen aus den Daten sind reproduzierbar, überprüfbar und für zukünftige Benutzer selbsterklärend. Professor Philip Stark aus Berkeley spricht über das Konzept der „Vorproduzierbarkeit“ und es ist eines, das dieses Thema gut anspricht. Ich sehe, dass sich Industrie und Wissenschaft zu einem System der Datentransparenz innerhalb eines bestimmten Bereichs und einer bestimmten Gruppe entwickeln (dh jeder in einer Organisation, der aus diesen Daten Wert schaffen kann, sollte Zugriff auf die Rohdaten und die zugehörigen Metadaten haben).
Um die Frage der Nachhaltigkeit von Systemen und Prozessen zu beantworten, muss die Industrie bei der Entwicklung eines Workflows für die System- und Datengenerierung und -analyse immer eine Entscheidung treffen. Wählen Sie eine schnelle Entwicklung, die einem Projekt wirklich gut dient, aber nicht skalierbar ist? Oder entscheiden Sie sich für eine längere und teurere Entwicklung eines Workflows zur System- und Datengenerierung, der ganzheitlich ist und auf alle Workflows anwendbar ist? Die Antwort ist meiner Ansicht nach, dass wir ein Gleichgewicht brauchen. Einige der grundlegenden Datenstrukturen und -prozesse in der Forschung, die sich auf die meisten Workflows auswirken, sollten ganzheitlich behandelt werden, da dies billiger und besser ist. Es gibt jedoch immer einzigartige Systeme, einzigartige Projekte und einzigartige Anforderungen. Daher ist es wichtig, die Flexibilität zu haben, diese in Ihrer Datenarchitektur und Datenkultur zu akzeptieren. Mit anderen Worten, ein pragmatischer Ansatz sollte immer in Betracht gezogen werden.
Uhr diese Folge von Statistical Speaking über unsere Website.
