데이터를 핵심 자산으로 취급하고, 호기심을 키우고, 실험을 장려하고, 교육 및 멘토링에 지속적으로 투자합니다.이 내용은 본회의 및 패널 토론에서 얻은 중요한 내용 중 일부에 불과합니다. 로렌 펄만 , Riffyn의 과학 부사장; 안드레 아르 젠톤 , Dow의 핵심 연구 및 개발 부사장; 과 쿠마르 수 브라마 니안 , Unilever의 데이터 과학 이사. 이 에피소드의 주문형 버전보기 통계적으로 말하기 .
다음은 Loren의 총회에서 핵심 자산으로 데이터를 발췌 한 것입니다.
당시에는 대답 할 수 없었던 청중들로부터 좋은 질문이 많았습니다. 주요 게스트가 몇 가지 질문에 친절하게 답변 해 주셨습니다. 그들의 지혜를 더 많이 나눠 주신 분들께 감사드립니다.
FAIR 데이터 관행에 대해 더 많이 이야기 할 수 있습니까?
로렌 : FAIR는 Findable, Accessible, Interoperable 및 Reusable을 나타내며 다음과 같이 정의됩니다.
- 찾기 가능은 프로젝트, 실험 목적 등과 같은 관련 검색어를 사용할 때 찾을 수 있도록하는 데이터 세트와 관련된 검색 및 구성 용어가 있음을 의미합니다.
- 액세스 가능이란 데이터를 찾으면 사용할 수 있음을 의미합니다. 말 그대로 다운로드 할 수 있습니다. 이는 주어진 조직의 데이터 액세스 정책에 따라 관련 권한 부여 또는 인증 요구 사항과 함께 제공 될 수 있습니다.
- 상호 운용성은 데이터 세트가 분석, 저장 또는 추가 처리를 위해 애플리케이션 또는 워크 플로와 함께 작동 할 수 있음을 의미합니다.
- 재사용 가능이란 데이터가 관련 메타 데이터로 잘 문서화되어 다른 설정에서 재결합이 가능함을 의미합니다. 즉, 데이터 및 관련 메타 데이터는 데이터 세트 간의 이해 관계를 가능하게하는 공유 어휘 (종양 론)를 사용하여 데이터 또는 그 안에 포함 된 메타 데이터를 통해 관련되는 방식을 정의합니다.
FAIR에 대한 자세한 정보는 여기에서 확인할 수 있습니다. https://www.go-fair.org/fair-principles .
"Excel을 사용하면 안되는 이유"라는 주장을 둘러싼 JMP 라이선스 구매 거부를 어떻게 해결 했습니까? 비 사용자에게 JMP가 그만한 가치가 있음을 증명하기위한 팁이 있습니까?
Kumar : 이것이 바로 많은 조직이 직면하고있는 주장입니다. Microsoft Excel은 조직에 널리 퍼져 있지만 점점 더 많은 사람들이 R 및 Python 교육을 받고 있습니다. 질문은 JMP에 대한 투자의 가치가 무엇입니까? 후자의 요점은 비교적 쉽게 제거 할 수 있습니다. R, Python 및 기타 오픈 소스 분석 도구에는 특정 수준의 전문 지식과 교육이 필요합니다. 결과적으로 조직에서 특정 분석 솔루션을 민주화하는 경로 일 수 있지만 분석을 민주화하는 경로가 아닙니다. Excel에서 JMP 로의 변환은 해결해야 할 올바른 질문이며 다음 사항이이 여정에 도움이 될 것입니다.
- 필요한 경우 Excel을 시작점으로 사용하여 사람들이 분석 과정을 진행하도록합니다. 기본 데이터 관리 / 구성 및 분석을 Excel로 가르 칠 수 있습니다.
- 숙련도 향상의 다음 단계에서는 JMP 핵심 원동력으로 Excel에 비해 고유 한 기능과 장점을 보여줍니다 (예 : 실험 설계, 시각화, 더 큰 데이터 세트 처리, 훨씬 더 많은 방법 및 모델).
- 애플리케이션 영역을 중심으로 JMP 사용자 커뮤니티를 구축합니다. 이는 개별 사용자를 대상으로하는 것보다 더 효과적입니다.
안드레 : 실제로 두 가지 접근 방식이 있으며 올바른 접근 방식의 선택은 여러 요인에 따라 달라집니다. 한 가지 접근 방식은 전사적 접근 방식입니다. 회사 경영진의 누군가가 가치를 이해하고 하향식 헌신과 지원이있을 때 변화가 더 빨리 일어난다는 생각을 받아 들여야합니다. 최고의 챔피언이 없다면 성공 사례를 통해 성장하는 지원 중 하나 인 두 번째 접근 방식을 고려해야합니다. 이 접근 방식의 경우 말 그대로 실험을 실행하고 조직의 하위 집합이 테스트 사례로 작동해야합니다. 이 시험 그룹은 올바른 지원 구조뿐만 아니라 JMP와 같은 올바른 도구를 사용하여 운영 할 수있는 기회가 주어집니다. 가치를 보여주는 사례 연구라고 생각하십시오. 이 그룹의 성공은 확장을위한 미래 투자를 공급할 것입니다.
로렌 : 데이터 관리를위한 새로운 도구 또는 전략에 지출 된 비용에 대해 ROI (투자 수익)를 설명하려고하므로 경영진의 공정한 질문입니다. Excel은 제한된 규모의 데이터 세트 및 기본 분석을위한 빠르고 쉬운 도구입니다. 데이터 세트의 규모가 상당히 커지거나 (그리고 상당한 것은 사람마다 다른 것을 의미 함) 모델링 요구가 중요 해지면 문제가 나타납니다. 분석 플랫폼으로서 JMP의 힘을 비교할 수는 없습니다. Kumar와 Andre가 올바른 접근 방식을 다루었다고 생각합니다. 핵심 기능을 설정하고 지원을 제공하여 사용자가 도구 구현에서 명확한 가치를 입증 할 수 있도록합니다.
분석 문화에 대한 변화와 성장을 장려하는 구체적인 방법은 무엇입니까?
Kumar : 몇 가지 제안이 있습니다.
- 사용자 전환 / 채택을 얻기 위해 올바른 도구 (시스템)에 투자하십시오. 뛰어난 사용자 경험과 원활한 데이터 액세스에 중점을 둡니다.
- 얼리 어답터 / 비즈니스 챔피언을 식별하고이를 사용하여 추가 채택을 유도합니다.
- 향후 경력 기회에 기여할 수있는 학습 크레딧과 같은 인센티브를 구현하십시오. 분석을 핵심 기술 세트로 포함하도록 역할을 재정의합니다.
안드레 : 작은 승리를 축하하고 행동을 축하하십시오. 연구원이 새로운 기술, 데이터 분석을위한 새로운 접근 방식 또는 데이터 시각화를위한 다른 접근 방식을 사용하는 경우, 그 사례는 새로운 자료의 발견만큼이나 축하 받아야합니다.
로렌 : 진부한 표현은 다음과 같습니다. 돈이 이야기합니다. 문화 변화에 대한 적절한 보상을 제공하는 것은 먼 길을갑니다. 분석의 현명한 사용을 보여주는 팀에게 점심을 제공하거나 데이터 및 분석 우선 접근 방식 없이는 달성 할 수없는 문제 해결에 대한 현금 보상을 제공 할 수 있습니다. 채용 과정에서도 시작된다고 말하고 싶습니다. 특정 기술을 보유하고 있거나 업무에서 개발할 것으로 예상되는 사람을 채용해야합니다. 저는 우리가 기술 세트를 약간 격리하는 경향이 있다고 생각합니다 (예를 들어 데이터 과학자가 모델링을하고 벤치 과학자가 실험을합니다). 사람들이 다차원에서 기술을 향상시키고 지속적으로 성장할 수없는 이유는 무엇입니까?
최근 데이터를 핵심 자산으로 만들어야한다는 말을 많이 들었는데 동의합니다. 제 질문은 우리가 어떻게하는지, 그리고 어떻게 생겼을까 요?
Kumar : 이를 완전히 실현하려면 조직의 모든 수준에서 해결해야합니다.
- 최상위 수준에서는 핵심 데이터가 무엇인지, 관리 방법 (획득, 저장, 보호, 액세스) 및 가치 창출에 사용될 방법을 정의하는 데이터 전략이 필요합니다.
- 조직의 하위 수준에서는 다음 두 가지가 필요합니다. 1) 데이터와 데이터에 대한 자부심 문화를 조직의 공유 자산으로 심어줍니다. 2) 양질의 데이터를 공유 자산으로 수집하고 관리 할 수있는 운영 프로세스 및 도구.
로렌 : 우리는 Riffyn Nexus 배포에서 이것을 많이 봅니다. 짧은 대답은 고품질 데이터를 쉽게 수집하고 FAIR 데이터 관행에 따라 정리할 수 있어야한다는 것입니다. 데이터 수집 및 관리에 장애가있는 경우 사용자는 로컬에 저장된 스프레드 시트의 사일로 데이터와 같은 기존 동작으로 간단히 되돌릴 수 있습니다.
조직이 최소한의 데이터 문화 (비즈니스 프로세스, 데이터 및 비즈니스 의사 결정 사이의 조정이 거의 또는 전혀없는 경우)를 가장 먼저 집중하고 있습니까?
Kumar : 많은 양의 데이터를 생성하는 비즈니스 프로세스에 중점을 둡니다. 분석 /보고 자동화를 통해 더 나은 의사 결정 또는 운영 효율성으로 이어지는 새로운 통찰력의 관점에서 이러한 데이터를 분석하는 가치를 보여줍니다. 영향이 인식되면 데이터 캡처 / 데이터 품질 문제를 체계화하고 통찰력 / 결정의 품질 향상을 보여줍니다. 마지막으로, 항상 분석에서 나올 비즈니스 프로세스 개선 기회를 식별하십시오. 이러한 개선은 일반적으로 이점이 크지 않으면 구현하기가 훨씬 더 어렵습니다.
안드레 : Kumar의 요점에 따라 효과적으로 효과를 극대화 할 수 있고 가치를 빠르게 제공 할 수있는 영역에 초점을 맞출 것입니다. 두 가지 기회가 있다고 가정 해 보겠습니다. 1) 실현하는 데 수년이 걸리고 엄청난 노력이 필요한 1 억 달러의 기회 또는 2) 데이터를 많이 사용할 수 있고 이해 관계자가 더 헌신적이며 분석에 분명하고 큰 역할을합니다. 1,000 만 달러의 기회를 선택하십시오. 이를 전달하고, 신뢰성과 신뢰를 얻고, 조직이 더 큰 기회를 처리 할 수있는 지점을 향해 작업하십시오.
로렌 : 이것은 문화적 변화 및 인센티브 문제와 밀접하게 교차합니다. 이를 위해서는 상향식 투자 및 비전, 상향식 도구 및 태도가 필요합니다. 쉽지는 않지만 조직 내 모든 수준에서 큰 보람을 느낍니다. 경영진은이를위한 인프라를 제공하면서이를위한 공간과 인센티브를 만들어야합니다.
직무 설명, 숙련도 향상을위한 인센티브 등과 같은 분석 문화 구축을 지원하기 위해 HR에서 진화가 있었습니까?
Kumar : 예. HR은 조직에서 분석 문화를 구축하는 데 중요한 역할을해야하며 그 역할을 수행하고 있습니다. 데이터 및 분석을 특정 기술로 포함하고, 분석 역할을 생성하고, 채용 네트워크를 구축하고, 학습 기회를 통해 직원의 숙련도를 높이는 것까지 포함됩니다.
많은 조직이 조직의 기반을 더 높은 수준의 분석 인식 및 문화로 승격 / 높이기 위해 사용되는 시민 데이터 과학자의 개념을 보았습니다. 그들은 인증, 추가 경력 기회에 도움이되는 학습 크레딧, 고위 경영진을위한 역 멘토링에 이르는 인센티브를 생성합니다.
대규모 그룹에서 데이터를 어떻게 집계합니까? 하나의 문제에서 데이터를 가져 와서 더 크고 집계 된 데이터 세트와 관련이 있도록 어떤 도구를 사용할 수 있습니까?
Kumar : 공통 영역 (예 : 생명 과학 또는 제조)을 가진 그룹의 경우 핵심은 데이터 캡처 프로세스를 표준화하는 것입니다. 이는 효율성과 더 중요한 데이터 품질을 촉진합니다. 데이터 공유의 가장 큰 장애물은 데이터 누락이나 메타 데이터 부족과 같은 데이터 품질이 좋지 않다는 것입니다. 표준화 된 데이터 캡처 템플릿 또는 사용자 친화적 인 워크 플로 (전자 실험실 노트북이 잘 작동 함)와 같은 도구를 통해 데이터 품질을 개선 할 수 있습니다. 도메인 간 그룹의 경우 더 어려울 수 있습니다. 이러한 도메인에서 데이터에 액세스해야하는 정의 된 사용 사례가있는 경우 가장 잘 작동합니다. 이것이 확립되었다고 가정하면 분석을 위해 이러한 데이터 세트를 클라우드 환경에 통합하는 것이 오늘날 표준 운영 방법입니다. 핵심은 이러한 그룹에서 데이터를 검색하고 검색하여 분석 솔루션을 용이하게하는 것입니다.
로렌 : 데이터 캡처를위한 프로세스 표준화에 대한 Kumar의 훌륭한 의견을 반영하고 싶습니다. 이는 그룹 내에서 일관성과 정렬을 생성하는 도구와 온톨로지를 제공하는 것을 의미합니다. 그룹 간 데이터 및 재료 흐름을 이해하면 그룹 간 데이터 집계를 유도 할 수 있습니다. 데이터 레이크 또는 Riffyn Nexus와 같은 도구에 데이터를 결합 할 수 있도록 샘플 이름 지정 체계와 같은 간단한 항목을 정렬하는 것을 의미합니다.
사람들이 수학이나 통계를 완전히 이해하지 못하는 경우 어떻게 분석 결과를 신뢰하게 만들 수 있습니까?
Kumar : 이것은 실제로 조직에 널리 퍼져있는 분석 문화를 만드는 데있어 당면 과제 중 하나입니다. 따라서 변경 관리의 중요성을 과소 평가할 수 없습니다. 우리는 조직의 모든 수준에서 데이터 및 분석에 대한 인식과 그 가치를 높이는 것을 의미하는 조직의 바닥을 높여야 할 필요성에 대해 이야기합니다. 또한 비즈니스 결정을 내리는 데 필요한 관리자와 리더를 대상으로해야합니다. 리더를위한 데이터 및 디지털 혁신 교육을 점점 더 많이보고 있습니다. 위의 과정에서 비전문가들 사이에 존재하는 과대 광고 대 현실 이분법을 다룰 필요도 있습니다. 분석 (AI / ML)이 모든 비즈니스 문제에 대한 만병 통치약이라고 믿는 사람들이있는 반면, 분석 (특히 AI / ML)의 가치가 과장 됐다는 입장을 뒷받침하는 영광스러운 실패를 인용하는 사람들도 있습니다. 물론 진실은 중간에 있기 때문에 모든 훈련의 목표는 이것이 조직에서 올바른 행동과 결과를 이끌어 내기위한 현실감과 함께 가능성의 예술로 보여주기위한 것이어야합니다.
안드레 : 나는 Kumar의 바닥을 높이는 데 동의하며 지속적인 교육의 필요성에서 시작됩니다. 또한 존경받는 개인과 해당 분야의 주제별 전문가가있는 우수 센터가 사람들이 그것을 받아 들일 수 있도록 확신을 줄 것이라고 믿습니다. 이러한 수용으로 결과와 신뢰는 조직 내에서 자연스럽게 구축됩니다.
가치 창출의 핵심은 통찰력과 분석을 통해 조치를 취하는 것입니다. 조직은 분석과 함께 어떻게 행동을 유도해야합니까?
Kumar : 인사이트를 행동으로 전환하는 데있어 가치가 창출되지 않는 한 분석 문화로의 전환은 실패 할 것입니다. 따라서 모든 분석 프로젝트를 시작할 때 매우 명확한 일련의 작업에 동의하는 것이 중요합니다. 측정 가능한 효율성 향상이든 비즈니스 프로세스 또는 의사 결정에 미치는 영향이든 모든 결과 또는 예측에는 비즈니스에 대한 특정 결과가 있어야합니다.
산업 환경에서 윤리 및 지속 가능성 측면을 어떻게 다룰 수 있는지 말씀해 주시겠습니까?
안드레 : 이 질문에서 윤리와 지속 가능성의 의미는 데이터의 윤리적 취급과 제안 된 디지털 솔루션의 장기적인 지속 가능성에 관한 것이라고 믿습니다 (산업의 일반 윤리 및 지구에 대한 일반적인 지속 가능성 문제와 반대).
학계와 산업계에서 논의되고있는 데이터 및 데이터 처리 윤리에 대한 지속적인 논쟁은 매우 중요합니다. 이상적인 세계에서 생성 된 데이터는 투명하며 데이터의 분석은 재현 가능하고 감사 가능하며 향후 사용자를 위해 자체 설명이 가능합니다. Berkeley의 Philip Stark 교수는 "사전 생산성"의 개념에 대해 이야기하며이 주제를 잘 다룹니다. 산업계와 학계가 특정 분야와 특정 그룹 내에서 데이터 투명성 시스템으로 진화하는 것을 봅니다 (즉, 해당 데이터에서 가치를 창출 할 수있는 조직의 모든 사람은 원시 데이터 및 관련 메타 데이터에 액세스 할 수 있어야합니다).
시스템 및 프로세스의 지속 가능성 문제를 해결하기 위해 업계는 시스템 및 데이터 생성 및 분석 워크 플로를 개발할 때 항상 결정을 내려야합니다. 하나의 프로젝트를 잘 수행하지만 확장 할 수없는 빠른 개발을 선택하십니까? 아니면 전체 워크 플로우에 적용 할 수있는 시스템 및 데이터 생성 워크 플로우의 더 길고 비용이 많이 드는 개발을 선택하십니까? 제 생각에 대답은 균형이 필요하다는 것입니다. 대부분의 워크 플로에 영향을 미칠 연구에서 데이터 구조 및 프로세스의 일부 기본 부분은 이러한 방식으로 수행하는 것이 더 저렴하고 낫기 때문에 전체적으로 처리해야합니다. 그러나 고유 한 시스템, 고유 한 프로젝트 및 고유 한 요구 사항은 항상 존재하므로 데이터 아키텍처 및 데이터 문화에서이를 수용 할 수있는 유연성을 갖는 것이 중요합니다. 즉, 항상 실용적인 접근 방식을 고려해야합니다.
손목 시계 이 에피소드 웹 사이트를 통한 통계적 말하기의.
