将数据视为核心资产，培养好奇心，鼓励实验，继续投资于培训和指导–这些只是全体会议和小组讨论中许多重要成果中的一部分洛伦·珀尔曼（Loren Perlman） ，里芬（Riffyn）科学副总裁；安德烈·阿根顿（Andre Argenton）陶氏核心研发副总裁；和库玛·苏伯拉曼扬（Kumar Subramanyan）联合利华数据科学总监。 观看此剧集的点播版本统计学上讲。
以下是Loren全体会议演讲中作为核心资产的数据摘录：
观众有很多很好的问题，我们当时无法回答。 我们的特色嘉宾已经为一些问题提供了答案。 我们感谢他们分享他们的更多智慧。
您能否谈谈有关FAIR数据实践的更多信息？
劳伦： FAIR表示可查找，可访问，可互操作和可重用，其定义如下：
- 可查找是指与数据集相关联的搜索和组织术语，使它们在使用相关搜索词（例如项目，实验目的等）时可被查找。
- 可访问性意味着一旦找到数据，就可以使用它–我可以从字面上下载它。 根据给定组织的数据访问策略，这可能伴随有相关的授权或身份验证要求。
- 互操作性意味着数据集可以与应用程序或工作流一起使用，以进行分析，存储或其他处理。
- 可重用意味着数据已很好地记录了相关联的元数据，从而可以在不同的设置下进行重组。 换句话说，数据和关联的元数据使用共享词汇表（词法学），这些词汇表可以理解数据集之间的关系-定义它们如何通过包含在其中的数据或元数据进行关联。
有关FAIR的更全面的信息可以在这里找到： https://www.go-fair.org/fair-principles 。
您如何通过“为什么我们不能仅使用Excel”这一论点解决购买JMP许可证的推迟？ 向非用户证明JMP值得的任何技巧吗？
库玛：这正是许多组织所面临的争论。 Microsoft Excel在组织中无处不在，但是越来越多的人开始接受R和Python的培训。 问题是投资JMP有什么价值？ 后者相对来说比较容易消除-R，Python和其他开源分析工具需要一定水平的专业知识和培训。 因此，即使它们可能是使组织中特定分析解决方案民主化的途径，也不是使分析民主化的途径。 从Excel到JMP的转换是要解决的正确问题，以下几点将对这一过程有所帮助：
- 如果需要，可以使用Excel作为起点来使人们参与分析之旅。 基本数据管理/组织和分析可以在Excel中进行讲授。
- 在下一阶段的技能提升中，嵌入JMP作为关键推动因素。 展示其相对于Excel的独特功能和优势（例如，实验设计，可视化，处理更大的数据集，数量众多的方法和模型）。
- 在应用程序区域周围建立JMP用户社区；这比针对单个用户的效果更好。
安德烈：实际上有两种方法，正确的方法的选择取决于许多因素。 一种方法是在整个公司范围内使用。 它要求公司领导层中的某人了解其价值，并接受这样一种想法，即在获得自上而下的承诺和支持时，变革会更快地发生。 如果您没有最高领导者，那么您应该考虑第二种方法，这是通过成功案例获得越来越多支持的方法之一。 对于这种方法，您需要从字面上进行实验，并使组织的一部分作为测试用例。 该试验小组将有机会使用正确的工具（例如JMP）以及正确的支持结构进行操作。 认为这是一个展示价值的案例研究。 该集团的成功将为未来的投资提供动力。
劳伦：对于管理层来说，这是一个公平的问题，因为他们试图说明在数据管理新工具或策略上花费的任何资金的ROI（投资回报率）。 Excel是公认的快速便捷的工具，可用于有限规模的数据集和基本分析。 当数据集的规模变得庞大（并且实质意味着不同的人有不同的事情）或建模需求变得重要时，就会出现问题。 JMP作为分析平台的功能之间根本没有可比性。 我认为Kumar和Andre涵盖了正确的方法-建立核心功能并提供支持，以便用户可以从实施该工具中展示出明显的价值。
有哪些具体方法可以激励人们朝着分析文化转变和增长？
库玛：我有一些建议：
- 投资于正确的工具（系统）以获得用户转换/采用。 专注于出色的用户体验和无缝的数据访问。
- 确定早期采用者/业务支持者，并利用他们来推动进一步采用。
- 实施奖励措施，例如学习学分，可以为未来的职业机会做出贡献。 重新定义角色以将分析作为一项关键技能。
安德烈：庆祝小胜利并庆祝行为。 当研究人员使用新技能，一种新颖的方法来分析数据或以另一种方法来可视化数据时，应该像发现新材料一样赞扬这个例子。
劳伦：正如陈词滥调所言：金钱在谈论。 为改变文化提供适当的奖励有很长的路要走。 也许为团队提供午餐，以证明他们最聪明地使用了分析方法或现金奖励来解决问题，而如果没有以数据和分析为先的方法，这可能无法完成。 我要说的是，这也是在招聘过程中开始的-我们需要招聘具有一定技能或了解他们会在工作中得到发展的人。 我确实认为我们倾向于提高技能水平（例如，数据科学家进行建模；实验人员进行实验）。 为什么不能期望人们提高技能并在多个方面不断成长？
我最近听到很多消息，我们应该将数据作为核心资产，我同意。 我的问题是我们该怎么做，那看起来像什么？
库玛：需要在组织的各个级别上解决此问题，以便完全实现：
- 在顶层，需要一种数据策略来定义什么是核心数据，如何对其进行管理（获取，存储，保护，访问）以及如何将其用于创造价值。
- 在组织的较低级别，需要做两件事：1）灌输一种以数据为傲的文化，并将数据作为组织中的共享资产。 2）能够收集和管理高质量数据作为共享资产的操作流程和工具。
劳伦：我们在Riffyn Nexus的部署中看到了很多。 简短的答案是，需要根据FAIR数据惯例轻松收集高质量的数据并对其进行组织。 如果存在收集和管理数据的障碍，那么用户将仅恢复到现有行为，例如本地保存的电子表格中的孤立数据。
如果您的组织的数据文化非常少（业务流程，数据与业务决策之间几乎没有统一），那么您首先要关注什么？
库玛：专注于生成大量数据的业务流程。 以新的洞察力来显示分析这些数据的价值，这些洞察力可以通过自动化的分析/报告带来更好的决策或运营效率。 一旦识别出影响，就可以将数据捕获/数据质量问题系统化，并显示洞察力/决策质量的提高。 最后，确定业务流程改进的机会，这些机会总是来自分析。 这些改进通常很难实现，除非它们的好处是可观的。
安德烈：为了适应Kumar的观点，我将重点关注可以有效发挥最大影响并可以快速交付价值的领域。 假设您有两个机会：1）一个价值1亿美元的机会，需要数年的时间才能实现，并且需要付出巨大的努力，或者2）一个1000万美元的机会，其中的数据大部分可用，利益相关者更加投入，而分析具有明显的优势。扮演重要角色。 选择1000万美元的机会。 做到这一点，赢得信誉和信任，并朝着组织可以应对更大机遇的方向努力。
劳伦：这与文化变革和激励问题紧密相交。 它需要自上而下的投资和远见，以及自下而上的工具和态度才能实现。 我将注意到这并不容易，但是它在组织内的各个层次上都是非常有意义的。 管理层需要为实现这一目标创造空间和动力，同时提供驱动它的基础架构。
人力资源方面是否有任何演变来支持建立分析文化，例如职位描述，提高技能的激励措施等？
库玛：是的。 人力资源在组织中建立分析文化方面需要并且正在发挥至关重要的作用。 它的范围包括将数据和分析作为一项特定技能，包括创建分析角色，建立招聘网络以及通过学习机会来提高员工的技能。
许多组织已经看到了公民数据科学家的概念，该概念用于将组织的基础提升/提升到更高的分析意识和文化水平。 他们提供激励措施，包括认证，有助于进一步发展职业机会的学分，以及对高级管理人员的反向指导。
您如何汇总大型组中的数据？ 可以使用哪些工具从一个问题中获取数据，以便与更大的汇总数据集相关联？
库玛：对于具有共同领域（例如生命科学或制造业）的团队，关键是标准化数据捕获流程，这将提高效率，更重要的是，提高数据质量。 数据共享的最大障碍是数据质量差，例如丢失数据或缺少元数据。 可以通过诸如标准化数据捕获模板或用户友好的工作流之类的工具来提高数据质量（电子实验室笔记本可以很好地工作）。 对于跨域的小组，这可能更具挑战性。 如果存在定义的用例需要跨这些域访问数据，则效果最佳。 假设已经建立，将这些数据集放在云环境中进行分析是当今的标准操作方法。 关键是允许在这些组中搜索和发现数据，以促进分析解决方案。
劳伦：我想回应Kumar关于标准化数据捕获流程的出色评论。 这意味着提供在组内创建一致性和一致性的工具和本体。 通过了解数据和物料在组之间的流动方式，可以实现组之间的数据聚合驱动。 这意味着要对诸如样例命名方案之类的简单事物进行调整，以便可以将数据合并到数据湖或Riffyn Nexus之类的工具中。
当人们不完全了解数学或统计信息时，如何使他们信任分析结果？
库玛：这确实是在组织中建立普遍的分析文化的挑战之一；因此，变革管理的重要性不可低估。 我们谈论的是提高组织基础的必要性，这是指提高组织各个层面对数据和分析及其价值的认识。 还需要针对需要制定业务决策的经理和领导者。 我们越来越多地看到针对领导者的数据和数字转换培训。 通过上述操作，还需要解决非专家之间存在的炒作与现实的二分法。 有些人认为分析（AI / ML）是解决所有业务问题的灵丹妙药，而另一些人则认为光荣的失败证明了他们对分析（尤其是AI / ML）的价值被过度炒作的立场的支持。 当然，事实是中间的，因此所有培训的目标都必须是将这种可能性展示为一种艺术，并带有一种现实感，以驱动组织中正确的行为和结果。
安德烈：我同意Kumar提出的观点，并从不断接受教育开始。 我还相信，由拥有备受尊敬的个人和该领域主题专家的卓越中心将为人们接受它提供保证。 有了这种接受，结果和信任就自然会在组织内部建立。
创造价值的关键是根据见解和分析采取行动。 组织应如何与分析一起推动行动？
库玛：显然，除非将见解转化为行动而创造了价值，否则向分析文化的转变将是失败的。 因此，重要的是，在每个分析项目的开始阶段就必须达成一系列明确的行动。 每个结果或预测都必须对业务具有特定的结果，无论是效率的可衡量提高还是对业务流程或决策的影响。
您能否谈谈如何在工业环境中解决道德和可持续性方面的问题？
安德烈：我认为，此问题中道德与可持续性的含义与数据的道德处理和所提议的数字解决方案的长期可持续性有关（与行业的一般道德和对地球的总体可持续性挑战相反）。
学术界和工业界正在讨论的有关数据和数据处理中的道德的辩论是非常重要的。 在理想的情况下，生成的数据是透明的，并且对数据的分析对于将来的用户而言是可重复的，可审核的和不言自明的。 来自伯克利的Philip Stark教授谈到了“可重复生产性”的概念，这是很好地解决了这一话题的人。 我看到行业和学术界正在朝着特定领域和特定群体内的数据透明系统发展（也就是说，组织中可以从该数据中创造价值的每个人都应该可以访问原始数据及其关联的元数据）。
为了解决系统和流程的可持续性问题，行业在开发系统以及数据生成和分析工作流程时始终必须做出决定。 您是否选择了一个快速发展的服务，该服务确实可以很好地服务于一个项目，但是却不可扩展？ 还是您选择对系统和数据生成工作流进行整体开发并适用于所有工作流的更长，更昂贵的开发？ 我认为答案是我们需要平衡。 应该整体对待研究中会影响大多数工作流程的一些基本数据结构和过程，因为这样做更便宜且更好。 但是，独特的系统，独特的项目和独特的需求将永远存在，因此，必须具有灵活性，以接受数据体系结构和数据文化中的那些，这一点很重要。 换句话说，应该始终考虑一种务实的方法。
手表这个情节通过我们的网站进行统计演讲。
