データをコア資産として扱い、好奇心を育み、実験を奨励し、トレーニングとメンタリングへの投資を継続します。これらは、本会議とパネルディスカッションからの多くの重要なポイントのほんの一部です。ローレン・パールマン、リフィンの科学担当副社長。アンドレ・アーゲントン、ダウのコア研究開発担当副社長。そしてクマールサブラマニアン、ユニリーバのデータサイエンスディレクター。 のこのエピソードのオンデマンドバージョンを見る統計的に言えば。
ローレンの本会議からのコア資産としてのデータの抜粋は次のとおりです。
当時は答えられなかった良い質問がたくさんありました。 注目のゲストがいくつかの質問に親切に答えてくれました。 彼らの知恵をもっと共有してくれたことに感謝します。
FAIRデータの実践についてもっと話していただけますか？
ローレン： FAIRは、Findable、Accessible、Interoperable、およびReusableの略で、次のように定義されます。
- 検索可能とは、プロジェクト、実験目的など、関連する検索用語を使用するときにデータセットを検索可能にするデータセットに関連付けられた検索用語と編成用語があることを意味します。
- アクセス可能とは、データが特定されると、使用できるようになることを意味します。文字通りダウンロードできます。 これには、特定の組織のデータアクセスポリシーに応じて、関連する承認または認証の要件が伴う場合があります。
- 相互運用性とは、データセットがアプリケーションまたはワークフローで動作して、分析、ストレージ、または追加の処理を行うことができることを意味します。
- 再利用可能とは、データが関連するメタデータとともに十分に文書化されており、さまざまな設定で再利用できることを意味します。 言い換えると、データと関連するメタデータは、データセット間の理解された関係を可能にする共有語彙（オノトロジー）を使用し、データセットまたはそれに含まれるメタデータを介してそれらがどのように関連するかを定義します。
FAIRの詳細については、こちらをご覧ください。 https://www.go-fair.org/fair-principles 。
「なぜExcelだけを使用できないのか」という議論をめぐって、JMPライセンスの購入に対する反発にどのように対処しましたか。 JMPが価値があることを非ユーザーに証明するためのヒントはありますか？
クマール：これはまさに多くの組織が直面している議論です。 Microsoft Excelは組織に浸透していますが、ますます多くの人々がRとPythonのトレーニングを受けています。 問題は、JMPに投資することの価値は何ですか？ 後者の点は比較的簡単に解消できます。R、Python、その他のオープンソース分析ツールには、ある程度の専門知識とトレーニングが必要です。 結果として、組織内の特定の分析ソリューションを民主化するためのルートである場合でも、分析を民主化するためのルートではありません。 ExcelからJMPへの変換は、取り組むべき正しい質問であり、次の点がこの旅に役立ちます。
- 必要に応じて、Excelを出発点として使用して、分析の旅に人々を導きます。 基本的なデータ管理/編成と分析はExcelで教えることができます。
- スキルアップの次のフェーズでは、埋め込みJMPキーイネーブラーとして。 Excelに対する独自の機能と利点を紹介します（たとえば、実験計画法、視覚化、より大きなデータセットの処理、非常に多くのメソッドとモデル）。
- アプリケーション領域の周りにJMPユーザーのコミュニティを構築します。これは、個々のユーザーをターゲットにするよりも効果的です。
アンドレ：実際には2つのアプローチがあり、適切なアプローチの選択は多くの要因に依存します。 1つのアプローチは全社的なものです。 トップダウンのコミットメントとサポートがあれば、変革はより早く起こるという考えに価値を理解し、賛同するために、会社のリーダーシップの誰かが必要です。 トップにチャンピオンがいない場合は、2番目のアプローチを検討する必要があります。これは、成功事例を通じてサポートを拡大する方法の1つです。 このアプローチでは、文字通り実験を実行し、組織のサブセットをテストケースとして運用する必要があります。 このトライアルグループには、JMPなどの適切なツールと適切なサポート構造を使用して操作する機会が与えられます。 価値を示すためのケーススタディと考えてください。 このグループの成功は、拡大するための将来の投資を養うでしょう。
ローレン：彼らはデータ管理のための新しいツールや戦略に費やされたお金のROI（投資収益率）を説明しようとしているので、それは経営陣からの公正な質問です。 Excelは確かに、限られた規模のデータセットと基本的な分析のための高速で簡単なツールです。 この問題は、データセットの規模が大きくなる（そして、大きくなるとは人によって異なることを意味する）か、モデリングのニーズが大きくなると発生します。 分析プラットフォームとしてのJMPの能力を比較することはできません。 KumarとAndreは正しいアプローチをカバーしたと思います。コア機能を確立し、サポートを提供して、ユーザーがツールの実装から明確な価値を実証できるようにします。
分析の文化に向けて変化と成長を奨励する具体的な方法は何ですか？
クマール：私はいくつかの提案があります：
- 適切なツール（システム）に投資して、ユーザーのコンバージョン/採用を獲得します。 優れたユーザーエクスペリエンスとシームレスなデータアクセスに重点を置きます。
- アーリーアダプター/ビジネスチャンピオンを特定し、それらを使用してさらなる採用を推進します。
- 将来のキャリアの機会に貢献できる、学習クレジットなどのインセンティブを実装します。 役割を再定義して、主要なスキルセットとして分析を含めます。
アンドレ：小さな勝利を祝い、行動を祝います。 研究者が新しいスキル、データを分析するための新しいアプローチ、またはデータを視覚化するための別のアプローチを使用する場合、その例は新しい材料の発見と同じくらい祝福されるべきです。
ローレン：決まり文句が述べているように：お金は話します。 文化の変化に対して適切な報酬を提供することは大いに役立ちます。 たぶん、データと分析を優先するアプローチなしでは達成できなかったかもしれない問題解決のための分析の巧妙な使用または現金報酬を示すチームのための昼食を提供します。 それは採用プロセスでも始まると思います。特定のスキルを持っているか、仕事でそれらを開発することが期待されることを理解している人を採用する必要があります。 私たちはスキルセットを少しサイロ化する傾向があると思います（たとえば、データサイエンティストがモデリングを行い、ベンチサイエンティストが実験を行います）。 なぜ人々はスキルアップし、多面的に継続的に成長することが期待できないのですか？
最近、データをコア資産にすべきだとよく耳にしますが、同意します。 私の質問は、それをどのように行うのか、そしてそれはどのように見えるのかということです。
クマール：これを完全に実現するには、組織のすべてのレベルで対処する必要があります。
- トップレベルでは、コアデータとは何か、データの管理方法（取得、保存、保護、アクセス）、および価値の創造に使用する方法を定義するデータ戦略が必要です。
- 組織の下位レベルでは、次の2つのことが必要です。1）組織内の共有資産としてのデータとデータに対するプライドの文化を浸透させる。 2）高品質のデータを共有資産として収集および管理できるようにするための運用プロセスとツール。
ローレン：これは、RiffynNexusの展開でよく見られます。 簡単に言えば、高品質のデータを簡単に収集し、FAIRデータの慣行に従って整理する必要があるということです。 データの収集と管理に障壁がある場合、ユーザーは、ローカルに保存されたスプレッドシートのサイロ化されたデータなど、既存の動作に戻るだけです。
組織のデータ文化がごくわずかである場合（ビジネスプロセス、データ、およびビジネス上の意思決定の間の整合性がほとんどまたはまったくない場合）、最初に何に焦点を当てますか？
クマール：大量のデータを生成しているビジネスプロセスに焦点を当てます。 分析/レポートの自動化によるより良い意思決定または運用効率につながる新しい洞察の観点から、これらのデータを分析することの価値を示します。 影響が認識されたら、データキャプチャ/データ品質の問題を体系化し、洞察/意思決定の品質の向上を示します。 最後に、分析から常に得られるビジネスプロセス改善の機会を特定します。 これらの改善は、その利点が重要でない限り、通常、実装するのがはるかに困難です。
アンドレ：クマールの主張に沿って、効果的に最大の影響を与えることができ、価値を迅速に提供できる分野に焦点を当てます。 2つの機会があるとします。1）実現するのに数年かかり、多大な労力を必要とする1億ドルの機会、または2）データが大部分利用可能で、利害関係者がよりコミットし、分析に明らかな果たすべき大きな役割。 1,000万ドルの機会を選択してください。 それを実現し、信頼と信頼を獲得し、組織がより大きな機会に取り組むことができるようになるまで努力します。
ローレン：これは、文化の変化やインセンティブの問題と密接に交差しています。 それを実現するには、トップダウンの投資とビジョンに加えて、ボトムアップのツールと姿勢が必要です。 簡単ではありませんが、組織内のあらゆるレベルで非常にやりがいがあります。 経営陣は、それを推進するためのインフラストラクチャを提供しながら、これを実現するためのスペースとインセンティブを作成する必要があります。
職務記述書、スキルアップのインセンティブなど、分析文化の構築をサポートするためのHRの進化はありましたか？
クマール：はい。 人事部門は、組織内の分析文化を構築する上で重要な役割を果たしている必要があり、その役割を果たしています。 これは、特定のスキルとしてデータと分析を含めること、分析の役割を作成すること、採用ネットワークを構築すること、学習の機会を通じて従業員のスキルアップを促進することまで多岐にわたります。
多くの組織は、組織の基盤をより高いレベルの分析意識と文化に促進/向上させるために使用される市民データサイエンティストの概念を見てきました。 それらは、認定、さらなるキャリアの機会を支援するクレジットの学習、上級管理職の逆メンタリングに至るまで、インセンティブを生み出します。
大規模なグループ全体でデータをどのように集計しますか？ 1つの問題からデータを取得して、より大きな集約データセットとの関連性を持たせるために、どのツールを使用できますか？
クマール：共通のドメイン（ライフサイエンスや製造など）を持つグループにとって重要なのは、データキャプチャのプロセスを標準化することです。これにより、効率が向上し、さらに重要なことに、データ品質が向上します。 データ共有の最大のハードルは、データの欠落やメタデータの欠如など、データ品質の低下です。 データ品質の向上は、標準化されたデータキャプチャテンプレートやユーザーフレンドリーなワークフローなどのツールを介して行うことができます（Electronic Lab Notebooksはうまく機能します）。 ドメイン間のグループの場合、それはより困難になる可能性があります。 これらのドメイン間でデータにアクセスする必要がある定義済みのユースケースがある場合に最適に機能します。 これが確立されていると仮定すると、分析のためにこれらのデータセットをクラウド環境にまとめることが、今日の標準的な運用方法です。 重要なのは、これらのグループ全体でデータの検索と発見を可能にして、分析ソリューションを促進することです。
ローレン：データキャプチャのプロセスの標準化に関するKumarの優れたコメントをエコーしたいと思います。 これは、グループ内で一貫性と整合性を生み出すツールとオントロジーを提供することを意味します。 グループ間のデータ集約を促進するには、データと資料がグループ間をどのように流れるかを理解します。 これは、サンプルの命名スキームなどの単純なものに合わせて、データレイクまたはRiffynNexusなどのツールでデータを結合できるようにすることを意味します。
数学や統計を完全に理解していない人に、分析結果を信頼させるにはどうすればよいでしょうか。
クマール：これは確かに、組織に分析の文化を浸透させるための課題の1つです。したがって、変更管理の重要性を過小評価することはできません。 組織のフロアを上げる必要性について話します。これは、組織のすべてのレベルでデータと分析の認識とその価値を高めることを意味します。 また、ビジネス上の意思決定を行う必要のあるマネージャーやリーダーをターゲットにする必要もあります。 リーダー向けのデータとデジタルトランスフォーメーションのトレーニングがますます増えています。 上記を行う際には、非専門家の間に存在する誇大広告と現実の二分法に対処する必要もあります。 分析（AI / ML）がすべてのビジネス問題の万能薬であると信じている人もいれば、分析（特にAI / ML）の価値が誇張されているという彼らの立場を支持するための輝かしい失敗を引用する人もいます。 もちろん、真実は真ん中にあるので、すべてのトレーニングの目標は、組織で正しい行動と結果を推進するためのリアリズムの感覚と結びついた、可能性の芸術としてこれを紹介することでなければなりません。
アンドレ：私は、フロアを上げるというクマールの主張に同意します。それは継続的な教育の必要性から始まります。 また、この分野で高く評価されている個人や対象分野の専門家がいるセンターオブエクセレンスは、人々がそれを受け入れることを保証すると信じています。 その受け入れにより、結果と信頼は組織内で自然に構築されます。
価値を生み出すための鍵は、洞察と分析から行動を起こすことです。 組織は分析とともにどのように行動を推進する必要がありますか？
クマール：明らかに、洞察を行動に変えることに価値が生み出されない限り、分析文化への転換は失敗します。 したがって、すべての分析プロジェクトの開始時に、非常に明確な一連のアクションについて合意することが重要です。 すべての結果または予測は、効率の測定可能な改善であろうと、ビジネスプロセスまたは意思決定への影響であろうと、ビジネスに特定の結果をもたらす必要があります。
産業環境で倫理と持続可能性の側面にどのように取り組むことができるかについて触れていただけますか？
アンドレ：この質問における倫理と持続可能性の意味は、データの倫理的取り扱いと提案されたデジタルソリューションの長期的な持続可能性に関するものだと思います（業界の一般的な倫理や地球に対する一般的な持続可能性の課題とは対照的です）。
学界や産業界全体で議論されているデータとデータ処理における倫理の継続的な議論は非常に重要なものです。 理想的な世界では、生成されたデータは透過的であり、データからの分析は再現可能で、監査可能であり、将来のユーザーにとって自明です。 バークレー校のフィリップ・スターク教授が「準備可能性」の概念について語っていますが、これはこのトピックにうまく対処しているものです。 産業界と学界は、特定の分野と特定のグループ内のデータの透明性のシステムに向かって進化していると思います（つまり、そのデータから価値を生み出すことができる組織内の全員が、生データとそれに関連するメタデータにアクセスできる必要があります）。
システムとプロセスの持続可能性の問題に対処するために、業界はシステムとデータの生成および分析ワークフローを開発する際に常に決定を下さなければなりません。 1つのプロジェクトに非常に適しているが、スケーラブルではない迅速な開発を選択しますか？ それとも、全体的ですべてのワークフローに適用できる、システムとデータ生成ワークフローのより長く、より費用のかかる開発を選択しますか？ 私の考えでは、答えはバランスが必要だということです。 ほとんどのワークフローに影響を与える研究のデータ構造とプロセスの基本的な部分のいくつかは、この方法で行う方が安価で優れているため、全体的に扱う必要があります。 ただし、独自のシステム、独自のプロジェクト、独自のニーズは常に存在するため、データアーキテクチャとデータカルチャーでそれらを受け入れる柔軟性を持つことが重要です。 言い換えれば、実用的なアプローチを常に検討する必要があります。
見るこのエピソード私たちのウェブサイトを介して統計的に話すの。
