將數據視為核心資產，培養好奇心，鼓勵實驗，繼續投資於培訓和指導–這些只是全體會議和小組討論中許多重要成果中的一部分洛倫·珀爾曼（Loren Perlman） ，里芬（Riffyn）科學副總裁；安德烈·阿根頓（Andre Argenton）陶氏核心研發副總裁；和庫瑪·蘇伯拉曼揚（Kumar Subramanyan）聯合利華數據科學總監。 觀看此劇集的點播版本統計學上講。
以下是Loren全體會議演講中作為核心資產的數據摘錄：
觀眾有很多很好的問題，我們當時無法回答。 我們的特色嘉賓已經為一些問題提供了答案。 我們感謝他們分享他們的更多智慧。
您能談談有關FAIR數據慣例的更多信息嗎？
勞倫： FAIR表示可查找，可訪問，可互操作和可重用，其定義如下：
- 可查找是指與數據集相關聯的搜索和組織術語，使它們在使用相關搜索詞（例如項目，實驗目的等）時可被查找。
- 可訪問性意味著一旦找到數據，就可以使用它–我可以從字面上下載它。 根據給定組織的數據訪問策略，這可能伴隨有相關的授權或身份驗證要求。
- 互操作性意味著數據集可以與應用程序或工作流一起使用，以進行分析，存儲或其他處理。
- 可重用意味著數據已很好地記錄了相關聯的元數據，從而可以在不同的設置下進行重組。 換句話說，數據和關聯的元數據使用共享詞彙表（詞法學），這些詞彙表可以理解數據集之間的關係-定義它們如何通過包含在其中的數據或元數據進行關聯。
有關FAIR的更全面的信息可以在這裡找到： https://www.go-fair.org/fair-principles 。
您如何通過“為什麼我們不能僅使用Excel”這一論點解決購買JMP許可證的推遲？ 向非用戶證明JMP值得的任何技巧嗎？
庫瑪：這正是許多組織所面臨的爭論。 Microsoft Excel在組織中無處不在，但是越來越多的人開始接受R和Python的培訓。 問題是投資JMP有什麼價值？ 後者相對來說比較容易消除-R，Python和其他開源分析工具需要一定水平的專業知識和培訓。 因此，儘管它們可能是使組織中特定分析解決方案民主化的途徑，但它們並不是使分析民主化的途徑。 從Excel到JMP的轉換是要解決的正確問題，以下幾點將對這一過程有所幫助：
- 如果需要，可以使用Excel作為起點來使人們參與分析之旅。 基本數據管理/組織和分析可以在Excel中進行講授。
- 在下一階段的技能提升中，嵌入JMP作為關鍵推動因素。 展示其相對於Excel的獨特功能和優勢（例如，實驗設計，可視化，處理更大的數據集，大量方法和模型）。
- 在應用程序區域周圍建立JMP用戶社區；這比針對單個用戶的效果更好。
安德烈：實際上有兩種方法，正確的方法的選擇取決於許多因素。 一種方法是在整個公司範圍內使用。 它要求公司領導層中的某人了解其價值，並接受這樣一種想法，即在獲得自上而下的承諾和支持時，變革會更快地發生。 如果您沒有最高領導者，那麼您應該考慮第二種方法，這是通過成功案例獲得越來越多支持的方法之一。 對於這種方法，您需要從字面上進行實驗，並使組織的一部分作為測試用例。 該試驗小組將有機會使用正確的工具（例如JMP）以及正確的支持結構進行操作。 認為這是一個展示價值的案例研究。 該集團的成功將為未來的投資提供動力。
勞倫：對於管理層來說，這是一個公平的問題，因為他們試圖說明在數據管理新工具或策略上花費的任何資金的ROI（投資回報率）。 Excel是公認的快速便捷的工具，可用於有限規模的數據集和基本分析。 當數據集的規模變得龐大（並且實質意味著不同的人有不同的事情）或建模需求變得重要時，就會出現問題。 JMP作為分析平台的功能之間根本沒有可比性。 我認為Kumar和Andre涵蓋了正確的方法-建立核心功能並提供支持，以便用戶可以從實施該工具中展示出明顯的價值。
有哪些具體方法可以激勵人們朝著分析文化轉變和增長？
庫瑪：我有一些建議：
- 投資於正確的工具（系統）以獲得用戶轉換/採用。 專注於出色的用戶體驗和無縫的數據訪問。
- 確定早期採用者/業務支持者，並利用他們來推動進一步採用。
- 實施獎勵措施，例如學習學分，可以為未來的職業機會做出貢獻。 重新定義角色以將分析作為一項關鍵技能。
安德烈：慶祝小胜利並慶祝行為。 當研究人員使用新技能，一種新穎的方法來分析數據或以另一種方法來可視化數據時，應該像發現新材料一樣讚揚該示例。
勞倫：正如陳詞濫調所言：金錢在談論。 為改變文化提供適當的獎勵有很長的路要走。 也許為團隊提供午餐，以證明他們最聰明地使用了分析方法或現金獎勵來解決問題，而如果沒有以數據和分析為先的方法，這可能是無法完成的。 我要說的是，這也是在招聘過程中開始的-我們需要招聘具有一定技能或了解他們會在工作中得到發展的人。 我確實認為我們傾向於提高技能水平（例如，數據科學家進行建模；實驗人員進行實驗）。 為什麼不能期望人們提高技能並在多個方面不斷成長？
我最近聽到很多消息，我們應該將數據作為核心資產，我同意。 我的問題是我們該怎麼做，那看起來像什麼？
庫瑪：需要在組織的各個級別上解決此問題，以便完全實現：
- 在頂層，需要一種數據策略來定義什麼是核心數據，如何對其進行管理（獲取，存儲，保護，訪問）以及如何將其用於創造價值。
- 在組織的較低級別，需要做兩件事：1）灌輸一種以數據為傲的文化，並將數據作為組織中的共享資產。 2）能夠收集和管理高質量數據作為共享資產的操作流程和工具。
勞倫：我們在Riffyn Nexus的部署中看到了很多。 簡短的答案是，需要根據FAIR數據慣例輕鬆收集高質量的數據並對其進行組織。 如果存在收集和管理數據的障礙，那麼用戶將僅恢復到現有行為，例如本地保存的電子表格中的孤立數據。
如果您的組織的數據文化非常少（業務流程，數據與業務決策之間幾乎沒有統一），那麼您首先要關注什麼？
庫瑪：專注於生成大量數據的業務流程。 以新的洞察力來顯示分析這些數據的價值，這些洞察力可以通過自動化的分析/報告帶來更好的決策或運營效率。 一旦識別出影響，就可以將數據捕獲/數據質量問題系統化，並顯示洞察力/決策質量的提高。 最後，確定業務流程改進的機會，這些機會總是來自分析。 這些改進通常很難實現，除非它們的好處是可觀的。
安德烈：為了適應Kumar的觀點，我將重點關注可以有效發揮最大影響並可以快速交付價值的領域。 假設您有兩個機會：1）一個價值1億美元的機會，需要數年的時間才能實現，並且需要付出巨大的努力，或者2）一個1000萬美元的機會，其中的數據大部分可用，利益相關者更加投入，而分析具有明顯的優勢。扮演重要角色。 選擇1000萬美元的機會。 做到這一點，贏得信譽和信任，並朝著組織可以應對更大機遇的方向努力。
勞倫：這與文化變革和激勵問題緊密相交。 它需要自上而下的投資和遠見，以及自下而上的工具和態度才能實現。 我將注意到這並不容易，但是它在組織內的各個層次上都具有深遠的意義。 管理層需要為實現這一目標創造空間和動力，同時提供驅動它的基礎架構。
人力資源方面是否有任何演變來支持建立分析文化，例如職位描述，提高技能的激勵措施等？
庫瑪：是的。 人力資源在組織中建立分析文化方面需要並且正在發揮至關重要的作用。 它的範圍包括將數據和分析作為一項特定技能，包括創建分析角色，建立招聘網絡以及通過學習機會來提高員工的技能。
許多組織已經看到了公民數據科學家的概念，用於將組織的基礎提升/提升到更高的分析意識和文化水平。 他們提供激勵措施，包括認證，有助於進一步發展職業機會的學分，以及對高級管理人員的反向指導。
您如何匯總大型組中的數據？ 可以使用哪些工具從一個問題中獲取數據，以便與更大的匯總數據集相關聯？
庫瑪：對於具有共同領域（例如生命科學或製造業）的團隊，關鍵是標準化數據捕獲流程，這將提高效率，更重要的是，提高數據質量。 數據共享的最大障礙是數據質量差，例如丟失數據或缺少元數據。 可以通過諸如標準化數據捕獲模板或用戶友好的工作流之類的工具來提高數據質量（電子實驗室筆記本可以很好地工作）。 對於跨域的小組，這可能更具挑戰性。 如果存在定義的用例需要跨這些域訪問數據，則效果最佳。 假設已經建立，將這些數據集放在雲環境中進行分析是當今的標準操作方法。 關鍵是允許在這些組中搜索和發現數據，以促進分析解決方案。
勞倫：我想回應Kumar關於標準化數據捕獲流程的出色評論。 這意味著提供在組內創建一致性和一致性的工具和本體。 通過了解數據和物料在組之間的流動方式，可以實現組之間的數據聚合驅動。 這意味著要對諸如樣例命名方案之類的簡單事物進行調整，以便可以將數據合併到數據湖或Riffyn Nexus之類的工具中。
當人們不完全了解數學或統計信息時，如何使他們信任分析結果？
庫瑪：這確實是在組織中建立普遍的分析文化的挑戰之一；因此，變革管理的重要性不可低估。 我們談論的是提高組織基礎的必要性，這是指提高組織各個層面對數據和分析及其價值的認識。 還需要針對需要製定業務決策的經理和領導者。 我們越來越多地看到針對領導者的數據和數字轉換培訓。 通過上述操作，還需要解決非專家之間存在的炒作與現實的二分法。 有些人認為分析（AI / ML）是解決所有業務問題的靈丹妙藥，而另一些人則認為光榮的失敗證明了他們對分析（尤其是AI / ML）的價值被過度炒作的立場的支持。 當然，事實是中間的，因此所有培訓的目標都必須是將這種可能性展示為一種藝術，並帶有一種現實感，以驅動組織中正確的行為和結果。
安德烈：我同意Kumar提出的觀點，並從不斷接受教育開始。 我還相信，一個由受尊敬的個人和該領域的主題專家組成的卓越中心將為人們接受它提供保證。 有了這種接受，結果和信任就自然會在組織內部建立。
創造價值的關鍵是根據見解和分析採取行動。 組織應如何與分析一起推動行動？
庫瑪：顯然，除非將見解轉化為行動而創造了價值，否則向分析文化的轉變將是失敗的。 因此，重要的是，在每個分析項目的開始階段就必須達成一系列明確的行動。 每個結果或預測都必須對業務具有特定的結果，無論是效率的可衡量提高還是對業務流程或決策的影響。
您能否談談如何在工業環境中解決道德和可持續性方面的問題？
安德烈：我認為，此問題中道德與可持續性的含義與數據的道德處理和所提議的數字解決方案的長期可持續性有關（與行業的一般道德和對地球的總體可持續性挑戰相反）。
學術界和工業界正在討論的有關數據和數據處理中的道德的辯論是非常重要的。 在理想的情況下，生成的數據是透明的，並且對數據的分析對於將來的用戶而言是可重複的，可審核的和不言自明的。 來自伯克利的Philip Stark教授談到了“可重複生產性”的概念，這是很好地解決了這一話題的人。 我看到行業和學術界正在朝著特定領域和特定群體內的數據透明系統發展（也就是說，組織中可以從該數據中創造價值的每個人都應該可以訪問原始數據及其關聯的元數據）。
為了解決系統和流程的可持續性問題，行業在開發系統以及數據生成和分析工作流程時始終必須做出決定。 您是否選擇了一個快速發展的服務，該服務確實可以很好地服務於一個項目，但是卻不可擴展？ 還是您選擇對系統和數據生成工作流進行整體開發並適用於所有工作流的更長，更昂貴的開發？ 我認為答案是我們需要平衡。 應該整體對待研究中會影響大多數工作流程的一些基本數據結構和過程，因為這樣做更便宜且更好。 但是，獨特的系統，獨特的項目和獨特的需求將永遠存在，因此，必須具有靈活性，以接受數據體系結構和數據文化中的那些，這一點很重要。 換句話說，應該始終考慮一種務實的方法。
手錶這個情節通過我們的網站進行統計分析。
