Trattare i dati come una risorsa fondamentale, coltivare la curiosità, incoraggiare la sperimentazione, continuare a investire nella formazione e nel tutoraggio: questi sono solo alcuni dei molti importanti punti salienti della plenaria e della tavola rotonda con Loren Perlman , VP of Science presso Riffyn; Andre Argenton , VP of Core Research and Development presso Dow; e Kumar Subramanyan , Director of Data Science presso Unilever. Guarda la versione on demand di questo episodio di Statisticamente parlando .
Ecco un estratto sui dati come risorsa principale dal discorso plenario di Loren:
Avevamo molte buone domande dal pubblico a cui non eravamo in grado di rispondere in quel momento. I nostri ospiti in primo piano hanno gentilmente fornito risposte ad alcune delle domande. Li ringraziamo per aver condiviso maggiormente la loro saggezza.
Puoi parlare di più sulle pratiche di dati FAIR?
Loren: FAIR sta per Findable, Accessible, Interoperable e Reusable, definito come segue:
- Trovabile significa che ci sono termini di ricerca e organizzazione associati a set di dati che li rendono reperibili quando si utilizzano termini di ricerca pertinenti, come progetto, scopo sperimentale, ecc.
- Accessibile significa che una volta individuati i dati, è possibile ottenerli per l'uso: posso letteralmente scaricarli. Ciò può essere associato a requisiti di autorizzazione o autenticazione associati, a seconda dei criteri di accesso ai dati di una determinata organizzazione.
- Interoperabile significa che i set di dati possono funzionare con applicazioni o flussi di lavoro per analisi, archiviazione o elaborazione aggiuntiva.
- Riutilizzabile significa che i dati sono ben documentati con i metadati associati per consentire la ricombinazione in diverse impostazioni. In altre parole, i dati e i metadati associati utilizzano vocabolari condivisi (onotologie) che consentono una relazione comprensibile tra i set di dati, definendo come sono correlati tramite i dati oi metadati contenuti all'interno.
Informazioni più complete su FAIR possono essere trovate qui: https://www.go-fair.org/fair-principles .
Come hai affrontato il problema del pushback sull'acquisto di licenze JMP sull'argomento "perché non possiamo usare solo Excel"? Qualche consiglio per dimostrare ai non utenti che vale la pena utilizzare JMP?
Kumar: Questo è precisamente l'argomento che molte organizzazioni stanno affrontando. Microsoft Excel è pervasivo nelle organizzazioni, ma sempre più persone vengono addestrate in R e Python. La domanda è: qual è il valore di investire in JMP? Quest'ultimo punto è relativamente facile da dissipare: R, Python e altri strumenti di analisi open source richiedono un certo livello di esperienza e formazione. Di conseguenza, non sono la strada per democratizzare l'analisi, anche se possono essere una strada per democratizzare soluzioni analitiche specifiche nelle organizzazioni. La conversione da Excel a JMP è la domanda giusta da affrontare e i seguenti punti aiuteranno questo viaggio:
- Usa Excel come punto di partenza per portare le persone nel viaggio dell'analisi, se necessario. La gestione / organizzazione e analisi dei dati di base possono essere insegnate in Excel.
- Nella fase successiva di aggiornamento delle competenze, incorporare JMP come fattore chiave. Mostra le sue capacità e i suoi vantaggi esclusivi rispetto a Excel (ad esempio, progettazione di esperimenti, visualizzazione, gestione di set di dati più grandi, numero significativamente maggiore di metodi e modelli).
- Crea comunità di utenti JMP attorno alle aree applicative; funziona meglio del targeting di singoli utenti.
Andre: Ci sono davvero due approcci e la scelta di quello giusto dipende da molti fattori. Un approccio è quello aziendale. Richiede che qualcuno nella leadership dell'azienda comprenda il valore e aderisca all'idea che una trasformazione avvenga più velocemente quando c'è impegno e supporto dall'alto verso il basso. Se non hai un campione al vertice, dovresti considerare il secondo approccio, che è quello del supporto crescente attraverso i casi di successo. Per questo approccio, è necessario eseguire letteralmente un esperimento e disporre di un sottoinsieme dell'organizzazione che funge da test case. A questo gruppo di prova sarebbe stata data la possibilità di operare con gli strumenti giusti, come JMP, oltre alla giusta struttura di supporto. Consideralo un caso di studio per mostrare valore. Il successo di questo gruppo alimenterebbe i futuri investimenti per espandersi.
Loren: È una domanda giusta da parte del management, poiché stanno cercando di illustrare il ROI (ritorno sull'investimento) per qualsiasi denaro speso in nuovi strumenti o strategie per la gestione dei dati. Excel è certamente uno strumento veloce e facile per set di dati su scala limitata e analisi di base. Il problema sorge quando i set di dati diventano sostanziali in scala (e sostanziale significa cose diverse per persone diverse) o le esigenze di modellazione diventano significative. Semplicemente non c'è confronto tra la potenza di JMP come piattaforma di analisi. Penso che Kumar e Andre abbiano coperto gli approcci giusti: stabilire una capacità di base e fornire supporto in modo che gli utenti possano dimostrare un chiaro valore dall'implementazione dello strumento.
Quali sono i modi specifici per incentivare il cambiamento e la crescita verso una cultura dell'analisi?
Kumar: Ho alcuni suggerimenti:
- Investire negli strumenti (sistemi) giusti per ottenere la conversione / adozione degli utenti. Concentrati su un'ottima esperienza utente e un accesso ai dati senza interruzioni.
- Identifica i primi utenti / campioni aziendali e usali per promuovere un'ulteriore adozione.
- Implementare incentivi, come crediti formativi, che possono contribuire a future opportunità di carriera. Ridefinisci i ruoli per includere l'analisi come set di competenze chiave.
Andre: Festeggia piccole vittorie e celebra il comportamento. Quando un ricercatore utilizza nuove competenze, un nuovo approccio per analizzare i dati o un diverso approccio per visualizzare i dati, quell'esempio dovrebbe essere celebrato tanto quanto la scoperta di nuovo materiale.
Loren: Come recita il cliché: il denaro parla. Offrire ricompense adeguate per il cambiamento nella cultura è molto importante. Forse offrire un pranzo al team che dimostri l'uso più intelligente dell'analisi o una ricompensa in denaro per la risoluzione dei problemi che non sarebbe stato possibile senza un approccio basato sui dati e sull'analisi. Direi che inizia anche durante il processo di assunzione: dobbiamo assumere persone che hanno determinate abilità o capiscono che ci si aspetta che le sviluppino sul lavoro. Penso che tendiamo a raggruppare un po 'le serie di abilità (ad esempio, uno scienziato dei dati fa la modellazione; uno scienziato al banco fa la sperimentazione). Perché non ci si può aspettare che le persone migliorino le proprie competenze e crescano continuamente in più dimensioni?
Ultimamente ho sentito spesso che dovremmo rendere i dati una risorsa fondamentale e sono d'accordo. La mia domanda è come lo facciamo e che aspetto ha?
Kumar: Questo deve essere affrontato a tutti i livelli dell'organizzazione per essere pienamente realizzato:
- Al livello più alto, deve esserci una strategia sui dati che definisca quali sono i dati fondamentali, come verranno gestiti (acquisiti, archiviati, protetti, accessibili) e come verranno utilizzati per creare valore.
- Ai livelli inferiori dell'organizzazione, sono necessarie due cose: 1) instillare una cultura dell'orgoglio nei dati e nei dati come risorsa condivisa nell'organizzazione; 2) processi operativi e strumenti per consentire la raccolta e la gestione di dati di buona qualità come asset condiviso.
Loren: Lo vediamo molto nell'implementazione di Riffyn Nexus. La risposta breve è che deve essere facile raccogliere dati di alta qualità e organizzarli secondo le pratiche di dati FAIR. Se sono presenti ostacoli alla raccolta e alla gestione dei dati, gli utenti torneranno semplicemente ai comportamenti esistenti, come i dati in silos in fogli di calcolo salvati localmente.
Se la tua organizzazione ha una cultura dei dati molto minima - allineamento minimo o nullo tra processi aziendali, dati e decisioni aziendali - su cosa ti concentri prima?
Kumar: Concentrati sui processi aziendali che generano grandi quantità di dati. Mostra il valore dell'analisi di questi dati in termini di nuove intuizioni che portano a decisioni migliori o efficienze operative dall'automazione di analisi / reportistica. Una volta riconosciuto l'impatto, passare a sistematizzare l'acquisizione dei dati / problemi di qualità dei dati e mostrare miglioramenti nella qualità delle intuizioni / decisioni. Infine, identifica le opportunità di miglioramento dei processi aziendali che invariabilmente emergeranno dall'analisi. Questi miglioramenti sono generalmente molto più difficili da implementare a meno che i loro benefici non siano significativi.
Andre: In linea con il punto di vista di Kumar, mi concentrerei su quelle aree in cui puoi effettivamente avere il maggior impatto e in cui puoi fornire valore rapidamente. Supponiamo che tu abbia due opportunità: 1) un'opportunità da $ 100 milioni che richiederà diversi anni per essere realizzata e che richiede uno sforzo enorme, o 2) un'opportunità da $ 10 milioni in cui i dati sono ampiamente disponibili, le parti interessate sono più grande ruolo da svolgere. Scegli l'opportunità da $ 10 milioni. Realizzalo, guadagna credibilità e fiducia e fatti strada verso il punto in cui l'organizzazione può affrontare le opportunità più grandi.
Loren: Ciò si interseca strettamente con la questione del cambiamento culturale e dell'incentivazione. Richiede un investimento e una visione dall'alto verso il basso, insieme a strumenti e attitudine dal basso verso l'alto per realizzarlo. Noterò che non è facile, ma è profondamente gratificante a tutti i livelli all'interno di un'organizzazione. La direzione deve creare lo spazio e gli incentivi affinché ciò avvenga, fornendo al contempo l'infrastruttura per guidarlo.
Ci sono state evoluzioni nelle risorse umane per supportare la costruzione di una cultura dell'analisi, come descrizioni del lavoro, incentivi per il miglioramento delle competenze, ecc.?
Kumar: Sì. Le risorse umane devono e svolgono un ruolo fondamentale nella costruzione di una cultura dell'analisi nelle organizzazioni. Si estende dall'inclusione di dati e analisi come competenze specifiche, alla creazione di ruoli di analisi, alla costruzione di una rete di reclutamento e alla promozione del miglioramento delle competenze dei dipendenti attraverso opportunità di apprendimento.
Molte organizzazioni hanno visto il concetto di citizen data scientist utilizzato per promuovere / elevare la base dell'organizzazione a un livello più alto di consapevolezza e cultura dell'analisi. Creano incentivi, che vanno dalla certificazione, ai crediti di apprendimento che aiutano ulteriori opportunità di carriera e al tutoraggio inverso per i dirigenti.
Come aggreghi i dati in un grande gruppo? Quali strumenti possono essere utilizzati per prendere i dati da un problema in modo che abbiano rilevanza per il set di dati più ampio e aggregato?
Kumar: Per un gruppo che ha un dominio comune (come le scienze della vita o la produzione), la chiave è standardizzare un processo per l'acquisizione dei dati, che guiderà l'efficienza e, soprattutto, la qualità dei dati. Il più grande ostacolo alla condivisione dei dati è la scarsa qualità dei dati, come la mancanza di dati o la mancanza di metadati. Il miglioramento della qualità dei dati può essere ottenuto tramite uno strumento come un modello di acquisizione dati standardizzato o un flusso di lavoro intuitivo (i quaderni di laboratorio elettronici funzionano bene). Per i gruppi in più domini, può essere più impegnativo. Funziona meglio se esiste un caso d'uso definito che necessita di accedere ai dati attraverso questi domini. Supponendo che ciò sia stato stabilito, riunire questi set di dati in un ambiente cloud per l'analisi è oggi il metodo operativo standard. La chiave è consentire la ricerca e l'individuazione dei dati tra questi gruppi per facilitare le soluzioni di analisi.
Loren: Voglio fare eco all'eccellente commento di Kumar sulla standardizzazione dei processi per l'acquisizione dei dati. Ciò significa fornire gli strumenti e le ontologie che creano coerenza e allineamento all'interno dei gruppi. È possibile promuovere l'aggregazione dei dati tra i gruppi comprendendo il modo in cui i dati e i materiali fluiscono tra i gruppi. Significa allinearsi su cose semplici, come schemi di denominazione di esempio, in modo che i dati possano essere uniti in un data lake o in uno strumento come Riffyn Nexus.
Come si fa a convincere le persone a fidarsi dei risultati dell'analisi quando non comprendono appieno la matematica o le statistiche?
Kumar: Questa è davvero una delle sfide per creare una cultura pervasiva dell'analisi nelle organizzazioni; pertanto, l'importanza della gestione del cambiamento non può essere sottovalutata. Parliamo della necessità di alzare il pavimento dell'organizzazione, che si riferisce alla sensibilizzazione dei dati e dell'analisi e del loro valore a tutti i livelli dell'organizzazione. È inoltre necessario rivolgersi ai manager e ai leader che devono prendere le decisioni aziendali. Stiamo assistendo sempre più alla formazione sui dati e sulla trasformazione digitale per i leader. Nel fare quanto sopra, c'è anche la necessità di affrontare la dicotomia tra hype e realtà che esiste tra i non esperti. Alcuni credono che l'analisi (AI / ML) sia una panacea per tutti i problemi aziendali, mentre altri citano i gloriosi fallimenti nel sostenere la loro posizione secondo cui il valore dell'analisi (in particolare AI / ML) è esagerato. La verità è, ovviamente, nel mezzo, quindi l'obiettivo di tutta la formazione deve essere quello di mostrare questa come l'arte della possibilità, unita a un senso di realismo per guidare il comportamento e i risultati giusti nelle organizzazioni.
Andre: Concordo con il punto di vista di Kumar di alzare la parola e questo inizia con la necessità di un'istruzione continua. Credo anche che un centro di eccellenza con persone altamente rispettate ed esperti in materia nel campo fornirà la certezza alle persone di accettarlo. Con tale accettazione, i risultati e la fiducia si svilupperanno naturalmente all'interno di un'organizzazione.
La chiave per generare valore è agire da insight e analisi. In che modo le organizzazioni dovrebbero guidare l'azione insieme all'analisi?
Kumar: Chiaramente, una trasformazione verso una cultura dell'analisi fallirà a meno che non venga creato valore nel trasformare le intuizioni in azioni. Pertanto, è importante che all'inizio di ogni progetto di analisi venga concordato un insieme molto chiaro di azioni. Ogni risultato o previsione deve avere un esito specifico per l'azienda, sia che si tratti di un miglioramento misurabile dell'efficienza o di un impatto su un processo o decisione aziendale.
Potresti accennare al modo in cui gli aspetti etici e di sostenibilità possono essere affrontati in un contesto industriale?
Andre: Credo che il significato di etica e sostenibilità in questa domanda riguardi il trattamento etico dei dati e la sostenibilità a lungo termine delle soluzioni digitali proposte (al contrario dell'etica generale nell'industria e delle sfide generali di sostenibilità del pianeta).
Il dibattito in corso sull'etica nei dati e nel trattamento dei dati che viene discusso in tutto il mondo accademico e industriale è molto importante. Nel mondo ideale, i dati generati sono trasparenti e le analisi dei dati sono riproducibili, verificabili e autoesplicative per gli utenti futuri. Il professor Philip Stark di Berkeley parla del concetto di "preproducibilità", ed è uno che affronta bene questo argomento. Vedo l'industria e il mondo accademico evolversi verso un sistema di trasparenza dei dati all'interno di un campo specifico e di un gruppo specifico (ovvero, tutti in un'organizzazione che possono creare valore da quei dati dovrebbero avere accesso ai dati grezzi e ai metadati associati).
Affrontando la questione della sostenibilità di sistemi e processi, l'industria deve sempre prendere una decisione quando sviluppa un sistema e il flusso di lavoro di generazione e analisi dei dati. Scegli uno sviluppo rapido che serva davvero bene un progetto ma non è scalabile? Oppure scegli uno sviluppo più lungo e più costoso di un flusso di lavoro di generazione di sistema e dati che sia olistico e applicabile a tutti i flussi di lavoro? La risposta, a mio avviso, è che abbiamo bisogno di equilibrio. Alcuni dei pezzi fondamentali della struttura dei dati e dei processi nella ricerca che avranno un impatto sulla maggior parte dei flussi di lavoro dovrebbero essere trattati in modo olistico, poiché è più economico e meglio farlo in questo modo. Tuttavia, esisteranno sempre sistemi unici, progetti unici ed esigenze uniche, quindi è importante avere la flessibilità per accettare quelli nell'architettura e nella cultura dei dati. In altre parole, dovrebbe essere sempre considerato un approccio pragmatico.
Orologio questo episodio di Statistically Speaking tramite il nostro sito web.
