Traiter les données comme un atout essentiel, cultiver la curiosité, encourager l'expérimentation, continuer à investir dans la formation et le mentorat - ce ne sont là que quelques-uns des nombreux points à retenir de la plénière et de la table ronde mettant en vedette Loren Perlman , Vice-président des sciences à Riffyn; André Argenton , Vice-président de la recherche et du développement de base chez Dow; et Kumar Subramanyan , Directeur de la science des données chez Unilever. Regardez la version à la demande de cet épisode de Statistiquement parlant .
Voici un extrait sur les données en tant qu'atout principal de la conférence plénière de Loren:
Nous avons eu beaucoup de bonnes questions du public auxquelles nous n'avons pas été en mesure de répondre à l'époque. Nos invités ont aimablement répondu à certaines des questions. Nous les remercions d'avoir partagé davantage leur sagesse.
Pouvez-vous nous en dire plus sur les pratiques de données FAIR?
Loren: FAIR signifie Findable, Accessible, Interoperable et Réutilisable, défini comme suit:
- Findable signifie qu'il existe des termes de recherche et d'organisation associés à des ensembles de données qui les rendent trouvables lors de l'utilisation de termes de recherche pertinents, tels que projet, objectif expérimental, etc.
- Accessible signifie qu'une fois que les données sont localisées, elles peuvent être obtenues pour utilisation - je peux littéralement les télécharger. Cela peut s'accompagner d'exigences d'autorisation ou d'authentification associées, en fonction des politiques d'accès aux données d'une organisation donnée.
- Interopérable signifie que les ensembles de données peuvent fonctionner avec des applications ou des flux de travail pour l'analyse, le stockage ou un traitement supplémentaire.
- Réutilisable signifie que les données sont bien documentées avec les métadonnées associées pour permettre la recombinaison dans différents contextes. En d'autres termes, les données et les métadonnées associées utilisent des vocabulaires partagés (onotologies) qui permettent une relation comprise entre les ensembles de données - définissant comment ils sont liés via les données ou les métadonnées qu'ils contiennent.
Des informations plus détaillées sur FAIR peuvent être trouvées ici: https://www.go-fair.org/fair-principles .
Comment avez-vous résolu le problème de l'achat de licences JMP par rapport à l'argument «pourquoi ne pouvons-nous pas simplement utiliser Excel»? Des conseils pour prouver aux non-utilisateurs que JMP en vaut la peine?
Kumar: C'est précisément l'argument auquel de nombreuses organisations sont confrontées. Microsoft Excel est omniprésent dans les organisations, mais de plus en plus de gens sont formés à R et Python. La question est de savoir quelle est la valeur d'investir dans JMP? Ce dernier point est relativement facile à dissiper - R, Python et d'autres outils d'analyse open source nécessitent un certain niveau d'expertise et de formation. En conséquence, ils ne sont pas la voie vers la démocratisation de l'analyse, même si elles peuvent être une voie vers la démocratisation de solutions analytiques spécifiques dans les organisations. La conversion d'Excel vers JMP est la bonne question à aborder, et les points suivants vous aideront dans ce voyage:
- Utilisez Excel comme point de départ pour inciter les gens à se lancer dans l'analyse, si nécessaire. La gestion / l'organisation et l'analyse des données de base peuvent être enseignées dans Excel.
- Dans la phase suivante de perfectionnement, intégrez JMP comme un catalyseur clé. Présentez ses capacités et avantages uniques par rapport à Excel (par exemple, conception d'expériences, visualisation, gestion d'ensembles de données plus volumineux, nombre considérablement plus élevé de méthodes et de modèles).
- Construire des communautés d'utilisateurs JMP autour des domaines d'application; cela fonctionne mieux que de cibler des utilisateurs individuels.
André: Il existe en réalité deux approches, et le choix de la bonne dépend de nombreux facteurs. Une approche est celle à l'échelle de l'entreprise. Il faut que quelqu'un dans la direction de l'entreprise comprenne la valeur et adhère à l'idée qu'une transformation se produit plus rapidement lorsqu'il y a un engagement et un soutien de haut en bas. Si vous n'avez pas de champion au sommet, vous devriez envisager la deuxième approche, qui consiste à accroître le soutien par le biais de cas de réussite. Pour cette approche, vous devez littéralement exécuter une expérience et faire fonctionner un sous-ensemble de l'organisation en tant que scénario de test. Ce groupe d'essai aurait la chance de fonctionner avec les bons outils, tels que JMP, ainsi que la bonne structure de support. Considérez-le comme une étude de cas pour montrer la valeur. Le succès de ce groupe alimenterait les futurs investissements pour se développer.
Loren: C'est une question légitime de la part de la direction, car elle essaie d'illustrer le retour sur investissement (retour sur investissement) de tout argent dépensé sur de nouveaux outils ou stratégies de gestion des données. Excel est certes un outil rapide et facile pour les ensembles de données à échelle limitée et les analyses de base. Le problème apparaît lorsque les ensembles de données deviennent substantiels en échelle (et que cela signifie des choses différentes pour différentes personnes) ou que les besoins de modélisation deviennent importants. Il n'y a tout simplement aucune comparaison entre la puissance de JMP en tant que plate-forme d'analyse. Je pense que Kumar et Andre ont couvert les bonnes approches - établir une capacité de base et fournir un soutien afin que les utilisateurs puissent démontrer clairement la valeur de la mise en œuvre de l'outil.
Quels sont les moyens spécifiques d'encourager le changement et la croissance vers une culture de l'analyse?
Kumar: J'ai quelques suggestions:
- Investissez dans les bons outils (systèmes) pour obtenir la conversion / l'adoption des utilisateurs. Concentrez-vous sur une excellente expérience utilisateur et un accès transparent aux données.
- Identifiez les premiers utilisateurs / champions de l'entreprise et utilisez-les pour favoriser l'adoption ultérieure.
- Mettre en œuvre des incitations, telles que des crédits d'apprentissage, qui peuvent contribuer à de futures opportunités de carrière. Redéfinissez les rôles pour inclure l'analyse en tant qu'ensemble de compétences clés.
André: Célébrez les petites victoires et célébrez les comportements. Lorsqu'un chercheur utilise de nouvelles compétences, une nouvelle approche pour analyser les données ou une approche différente pour visualiser les données, cet exemple doit être célébré autant que la découverte de nouveau matériel.
Loren: Comme le dit le cliché: l'argent parle. Offrir des récompenses appropriées pour le changement de culture va un long chemin. Peut-être offrir un déjeuner pour l'équipe qui démontre l'utilisation la plus intelligente de l'analyse ou une récompense en argent pour la résolution de problèmes qui n'aurait peut-être pas été accomplie sans une approche axée sur les données et l'analyse. Je dirais que cela commence également pendant le processus d'embauche - nous devons embaucher des personnes qui ont certaines compétences ou qui comprennent qu'on s'attend à ce qu'elles les développent en cours d'emploi. Je pense que nous avons tendance à séparer un peu les ensembles de compétences (par exemple, un scientifique des données fait la modélisation; un scientifique de banc fait l'expérimentation). Pourquoi ne peut-on pas s'attendre à ce que les gens améliorent leurs compétences et se développent continuellement dans de multiples dimensions?
J'ai beaucoup entendu ces derniers temps dire que nous devrions faire des données un actif essentiel, et je suis d'accord. Ma question est de savoir comment faire cela et à quoi cela ressemble-t-il?
Kumar: Cela doit être abordé à tous les niveaux de l'organisation pour être pleinement réalisé:
- Au niveau supérieur, il doit y avoir une stratégie de données qui définit ce que sont les données de base, comment elles seront gérées (acquises, stockées, protégées, accessibles) et comment elles seront utilisées pour créer de la valeur.
- Aux niveaux inférieurs de l'organisation, deux choses sont nécessaires: 1) inculquer une culture de fierté dans les données et les données en tant qu'actif partagé dans l'organisation; 2) des processus opérationnels et des outils permettant de collecter et de gérer des données de bonne qualité en tant qu'actif partagé.
Loren: Nous voyons cela souvent dans le déploiement de Riffyn Nexus. La réponse courte est qu'il doit être facile de collecter des données de haute qualité et de les organiser selon les pratiques de données FAIR. S'il existe des obstacles à la collecte et à la gestion des données, les utilisateurs reviendront simplement aux comportements existants, tels que les données cloisonnées dans des feuilles de calcul enregistrées localement.
Si votre organisation a une culture des données très minimale - peu ou pas d'alignement entre les processus métier, les données et les décisions commerciales - sur quoi vous concentrez-vous en premier?
Kumar: Concentrez-vous sur les processus métier qui génèrent de grandes quantités de données. Montrez la valeur de l'analyse de ces données en termes de nouvelles informations qui conduisent à de meilleures décisions ou à une efficacité opérationnelle grâce à l'automatisation de l'analyse / des rapports. Une fois l'impact reconnu, passez à la systématisation des problèmes de capture / qualité des données et montrez des améliorations dans la qualité des idées / décisions. Enfin, identifiez les opportunités d'amélioration des processus métier qui résulteront invariablement de l'analyse. Ces améliorations sont généralement beaucoup plus difficiles à mettre en œuvre à moins que leurs avantages ne soient significatifs.
André: En accord avec le point de Kumar, je me concentrerais sur les domaines dans lesquels vous pouvez effectivement avoir le plus d'impact et où vous pouvez apporter de la valeur rapidement. Supposons que vous ayez deux opportunités: 1) une opportunité de 100 millions de dollars qui prendra plusieurs années à se concrétiser et qui nécessite des efforts massifs, ou 2) une opportunité de 10 millions de dollars où les données sont largement disponibles, les parties prenantes sont plus engagées et l'analyse a une évidence et grand rôle à jouer. Choisissez l'opportunité de 10 millions de dollars. Livrez-le, gagnez en crédibilité et en confiance, et travaillez votre chemin vers le point où l'organisation peut saisir les plus grandes opportunités.
Loren: Cela recoupe étroitement la question du changement culturel et des incitations. Cela nécessite un investissement et une vision descendants, ainsi que des outils et une attitude ascendants pour y parvenir. Je noterai que ce n'est pas facile, mais c'est profondément gratifiant à tous les niveaux au sein d'une organisation. La direction doit créer l'espace et la motivation pour que cela se produise, tout en fournissant l'infrastructure pour le conduire.
Y a-t-il eu des évolutions dans les RH pour soutenir la construction d'une culture de l'analyse, telles que des descriptions de poste, des incitations à l'amélioration des compétences, etc.?
Kumar: Oui. Les RH doivent jouer et jouent un rôle essentiel dans la création d'une culture analytique dans les organisations. Cela va de l'inclusion des données et de l'analyse en tant que compétence spécifique, à la création de rôles d'analyse, à la création d'un réseau de recrutement et à la promotion de l'amélioration des compétences des employés grâce à des opportunités d'apprentissage.
De nombreuses organisations ont vu le concept de scientifiques des données citoyennes utilisé pour promouvoir / élever la base de l'organisation à un niveau plus élevé de sensibilisation et de culture analytiques. Ils créent des incitations, allant de la certification, des crédits d'apprentissage qui contribuent à d'autres opportunités de carrière et du mentorat inversé pour la haute direction.
Comment agréger les données dans un grand groupe? Quels outils peuvent être utilisés pour extraire les données d'un problème afin qu'elles soient pertinentes par rapport à l'ensemble de données agrégées plus vaste?
Kumar: Pour un groupe qui a un domaine commun (comme les sciences de la vie ou la fabrication), la clé est de normaliser un processus de capture de données, ce qui stimulera l'efficacité et, plus important encore, la qualité des données. Le plus gros obstacle au partage de données est la mauvaise qualité des données, comme des données manquantes ou un manque de métadonnées. L'amélioration de la qualité des données peut être effectuée via un outil tel qu'un modèle de capture de données normalisé ou un flux de travail convivial (les cahiers de laboratoire électroniques fonctionnent bien). Pour les groupes de plusieurs domaines, cela peut être plus difficile. Cela fonctionne mieux s'il existe un cas d'utilisation défini qui doit accéder aux données dans ces domaines. En supposant que cela a été établi, rassembler ces ensembles de données dans un environnement cloud pour analyse est la méthode opérationnelle standard aujourd'hui. La clé est de permettre la recherche et la découverte des données dans ces groupes pour faciliter les solutions d'analyse.
Loren: Je veux faire écho à l'excellent commentaire de Kumar sur la normalisation des processus de capture de données. Cela signifie fournir les outils et les ontologies qui créent la cohérence et l'alignement au sein des groupes. La conduite de l'agrégation des données entre les groupes peut être réalisée en comprenant comment les données et les matériaux circulent entre les groupes. Cela signifie s'aligner sur des choses simples, comme des exemples de schémas de dénomination, afin que les données puissent être jointes dans un lac de données ou un outil comme Riffyn Nexus.
Comment amener les gens à faire confiance aux résultats de l'analyse lorsqu'ils ne comprennent pas complètement les mathématiques ou les statistiques?
Kumar: C'est en effet l'un des défis pour créer une culture d'analyse omniprésente dans les organisations; par conséquent, l'importance de la gestion du changement ne peut être sous-estimée. Nous parlons de la nécessité d'élever le plancher de l'organisation, ce qui fait référence à la sensibilisation aux données et aux analyses et à leur valeur à tous les niveaux de l'organisation. Il est également nécessaire de cibler les gestionnaires et les dirigeants qui doivent prendre les décisions commerciales. Nous assistons de plus en plus à des formations sur les données et la transformation numérique pour les dirigeants. En faisant ce qui précède, il est également nécessaire de s'attaquer à la dichotomie battage médiatique contre réalité qui existe parmi les non-experts. Certains pensent que l'analyse (AI / ML) est une panacée à tous les problèmes commerciaux, tandis que d'autres citent les échecs glorieux pour soutenir leur position selon laquelle la valeur de l'analyse (en particulier l'IA / ML) est surexcitée. La vérité est, bien sûr, au milieu, donc le but de toute formation doit être de présenter cela comme l'art de la possibilité, avec un sens du réalisme pour conduire le bon comportement et les bons résultats dans les organisations.
André: Je suis d'accord avec le point de Kumar de lever la parole et cela commence par la nécessité d'une formation continue. Je crois également qu’un centre d’excellence composé d’individus hautement respectés et d’experts dans le domaine donnera l’assurance aux gens de l’accepter. Avec cette acceptation, les résultats et la confiance se construiront naturellement au sein d'une organisation.
La clé pour générer de la valeur consiste à agir à partir des informations et des analyses. Comment les organisations devraient-elles conduire des actions parallèlement à l'analyse?
Kumar: De toute évidence, une transformation vers une culture de l'analyse échouera à moins qu'une valeur ne soit créée en transformant les informations en actions. Par conséquent, il est important qu'un ensemble d'actions très clair soit convenu au début de chaque projet d'analyse. Chaque résultat ou prédiction doit avoir un résultat spécifique pour l'entreprise, qu'il s'agisse d'une amélioration mesurable de l'efficacité ou d'un impact sur un processus ou une décision d'entreprise.
Pouvez-vous nous expliquer comment les aspects éthiques et durabilité peuvent être traités dans un contexte industriel?
André: Je pense que le sens de l'éthique et de la durabilité dans cette question concerne le traitement éthique des données et la durabilité à long terme des solutions numériques proposées (par opposition à l'éthique générale dans l'industrie et aux défis généraux de durabilité de la planète).
Le débat en cours sur l'éthique dans le traitement des données et des données qui fait l'objet de discussions dans les universités et l'industrie est très important. Dans le monde idéal, les données générées sont transparentes et les analyses à partir des données sont reproductibles, vérifiables et explicites pour les futurs utilisateurs. Le professeur Philip Stark de Berkeley parle du concept de «préproductibilité», et c'est celui qui aborde bien ce sujet. Je vois l'industrie et le milieu universitaire évoluer vers un système de transparence des données dans un domaine spécifique et un groupe spécifique (c'est-à-dire que tous les membres d'une organisation qui peuvent créer de la valeur à partir de ces données devraient avoir accès aux données brutes et aux métadonnées associées).
En abordant la question de la durabilité des systèmes et des processus, l'industrie doit toujours prendre une décision lors du développement d'un système et d'un flux de travail de génération et d'analyse de données. Choisissez-vous un développement rapide qui sert vraiment bien un projet mais qui n'est pas évolutif? Ou choisissez-vous un développement plus long et plus coûteux d'un flux de travail de génération de système et de données qui soit holistique et applicable à tous les flux de travail? La réponse, à mon avis, est que nous avons besoin d’équilibre. Certains des éléments fondamentaux de la structure des données et des processus de recherche qui auront un impact sur la plupart des flux de travail doivent être traités de manière holistique, car il est moins coûteux et préférable de le faire de cette manière. Cependant, des systèmes uniques, des projets uniques et des besoins uniques existeront toujours, il est donc important d'avoir la flexibilité nécessaire pour les accepter dans votre architecture de données et votre culture de données. En d'autres termes, une approche pragmatique doit toujours être envisagée.
Regarder cet épisode de parler statistiquement via notre site Web.
