Daten als zentrales Gut behandeln, Neugier wecken, Experimente fördern, weiterhin in Schulung und Mentoring investieren – das sind nur einige der vielen wichtigen Erkenntnisse aus der Plenar- und Podiumsdiskussion Loren Perlman , Vizepräsident für Wissenschaft bei Riffyn; Andre Argenton , Vizepräsident für Kernforschung und Entwicklung bei Dow; Und Kumar Subramanyan , Direktor für Datenwissenschaft bei Unilever. Sehen Sie sich die On-Demand-Version dieser Folge von an Statistisch gesehen .
Hier ist ein Auszug aus Lorens Plenarvortrag über Daten als zentrales Gut:
Wir hatten viele gute Fragen aus dem Publikum, die wir damals nicht beantworten konnten. Unsere vorgestellten Gäste haben freundlicherweise Antworten auf einige der Fragen gegeben. Wir danken ihnen, dass sie mehr von ihrer Weisheit weitergegeben haben.
Können Sie mehr über FAIR-Datenpraktiken sprechen?
Loren: FAIR steht für „Findable“, „Accessible“, „Interoperable“ und „Reusable“ und wird wie folgt definiert:
- Auffindbar bedeutet, dass mit Datensätzen Such- und Organisationsbegriffe verknüpft sind, die sie bei Verwendung relevanter Suchbegriffe wie Projekt, Versuchszweck usw. auffindbar machen.
- Zugänglich bedeutet, dass die Daten, sobald sie gefunden wurden, zur Nutzung verfügbar sind – ich kann sie buchstäblich herunterladen. Abhängig von den Datenzugriffsrichtlinien einer bestimmten Organisation können damit verbundene Autorisierungs- oder Authentifizierungsanforderungen verbunden sein.
- Interoperabel bedeutet, dass die Datensätze mit Anwendungen oder Workflows zur Analyse, Speicherung oder weiteren Verarbeitung zusammenarbeiten können.
- Wiederverwendbar bedeutet, dass die Daten mit den zugehörigen Metadaten gut dokumentiert sind, um eine Neukombination in verschiedenen Umgebungen zu ermöglichen. Mit anderen Worten: Die Daten und zugehörigen Metadaten nutzen gemeinsame Vokabulare (Onotologien), die eine verständliche Beziehung zwischen Datensätzen ermöglichen und definieren, wie sie über die darin enthaltenen Daten oder Metadaten miteinander in Beziehung stehen.
Ausführlichere Informationen zu FAIR finden Sie hier: https://www.go-fair.org/fair-principles .
Wie sind Sie auf den Widerstand beim Kauf von JMP-Lizenzen aufgrund des Arguments „Warum können wir nicht einfach Excel verwenden?“ reagiert? Irgendwelche Tipps, um Nicht-Benutzern zu beweisen, dass sich JMP lohnt?
Kumar: Genau diesem Argument stehen viele Organisationen gegenüber. Microsoft Excel ist in Unternehmen allgegenwärtig, aber es gibt immer mehr Leute, die in R und Python geschult werden. Die Frage ist: Welchen Wert hat eine Investition in JMP? Letzterer Punkt lässt sich relativ einfach ausräumen – R, Python und andere Open-Source-Analysetools erfordern ein gewisses Maß an Fachwissen und Schulung. Daher sind sie nicht der Weg zur Demokratisierung von Analysen, auch wenn sie möglicherweise ein Weg zur Demokratisierung spezifischer Analyselösungen in Organisationen sind. Die Umstellung von Excel auf JMP ist die richtige Frage, und die folgenden Punkte werden Ihnen auf diesem Weg helfen:
- Nutzen Sie bei Bedarf Excel als Ausgangspunkt, um Menschen auf die Analysereise zu bringen. Grundlegende Datenverwaltung/-organisation und -analyse können in Excel vermittelt werden.
- In der nächsten Phase der Weiterqualifizierung sollten Sie sich einbetten JMP als Schlüsselfaktor. Präsentieren Sie seine einzigartigen Fähigkeiten und Vorteile gegenüber Excel (z. B. Versuchsplanung, Visualisierung, Handhabung größerer Datensätze, deutlich größere Anzahl von Methoden und Modellen).
- Bauen Sie Gemeinschaften von JMP-Benutzern rund um Anwendungsbereiche auf; Dies funktioniert besser als die gezielte Ausrichtung auf einzelne Benutzer.
Andre: Eigentlich gibt es zwei Ansätze und die Wahl des richtigen hängt von vielen Faktoren ab. Ein Ansatz ist der unternehmensweite. Es erfordert, dass jemand in der Unternehmensleitung den Wert versteht und sich mit der Idee einverstanden erklärt, dass eine Transformation schneller vonstatten geht, wenn Engagement und Unterstützung von oben vorhanden sind. Wenn Sie keinen Verfechter an der Spitze haben, sollten Sie den zweiten Ansatz in Betracht ziehen, der darin besteht, die Unterstützung durch Erfolgsfälle zu steigern. Für diesen Ansatz müssen Sie buchstäblich ein Experiment durchführen und eine Teilmenge der Organisation als Testfall fungieren lassen. Diese Versuchsgruppe würde die Möglichkeit erhalten, mit den richtigen Tools, wie etwa JMP, sowie der richtigen Supportstruktur zu arbeiten. Betrachten Sie es als eine Fallstudie, um den Wert aufzuzeigen. Der Erfolg dieser Gruppe würde die zukünftigen Investitionen zur Expansion fördern.
Loren: Das ist eine berechtigte Frage des Managements, da es versucht, den ROI (Return on Investment) für jedes Geld zu veranschaulichen, das für neue Tools oder Strategien für das Datenmanagement ausgegeben wird. Excel ist zwar ein schnelles und einfaches Werkzeug für begrenzte Datensätze und einfache Analysen. Das Problem tritt auf, wenn entweder die Datensätze beträchtlich werden (und substanziell für verschiedene Personen unterschiedliche Bedeutungen hat) oder wenn der Modellierungsbedarf erheblich wird. Es gibt einfach keinen Vergleich zwischen der Leistungsfähigkeit von JMP als Analyseplattform. Ich denke, Kumar und Andre haben die richtigen Ansätze abgedeckt – eine Kernkompetenz etablieren und Unterstützung leisten, damit Benutzer den klaren Nutzen der Implementierung des Tools nachweisen können.
Welche konkreten Möglichkeiten gibt es, Anreize für Veränderungen und Wachstum hin zu einer Analysekultur zu schaffen?
Kumar: Ich habe ein paar Vorschläge:
- Investieren Sie in die richtigen Tools (Systeme), um die Benutzerkonvertierung/-akzeptanz zu erreichen. Konzentrieren Sie sich auf ein großartiges Benutzererlebnis und einen nahtlosen Datenzugriff.
- Identifizieren Sie Early Adopters/Business Champions und nutzen Sie sie, um die weitere Akzeptanz voranzutreiben.
- Implementieren Sie Anreize, wie z. B. Lerngutschriften, die zu zukünftigen Karrieremöglichkeiten beitragen können. Definieren Sie Rollen neu, um Analysen als Schlüsselkompetenzen einzubeziehen.
Andre: Feiern Sie kleine Siege und feiern Sie Verhalten. Wenn ein Forscher neue Fähigkeiten, einen neuartigen Ansatz zur Analyse der Daten oder einen anderen Ansatz zur Visualisierung der Daten einsetzt, sollte dieses Beispiel ebenso gefeiert werden wie die Entdeckung neuen Materials.
Loren: Wie das Klischee besagt: Money talks. Das Anbieten angemessener Belohnungen für Veränderungen in der Kultur kann viel bewirken. Vielleicht ein Mittagessen für das Team, das den cleversten Einsatz von Analysen demonstriert, oder eine Geldprämie für Problemlösungen, die ohne einen daten- und analyseorientierten Ansatz vielleicht nicht möglich gewesen wären. Ich würde sagen, dass es auch während des Einstellungsprozesses beginnt – wir müssen Leute einstellen, die über bestimmte Fähigkeiten verfügen oder verstehen, dass von ihnen erwartet wird, dass sie diese im Job weiterentwickeln. Ich denke schon, dass wir dazu neigen, Fähigkeiten ein wenig zu isolieren (z. B. übernimmt ein Datenwissenschaftler die Modellierung, ein Laborwissenschaftler die Experimente). Warum kann von den Menschen nicht erwartet werden, dass sie sich weiterbilden und in mehreren Dimensionen kontinuierlich wachsen?
Ich habe in letzter Zeit oft gehört, dass wir Daten zu einem zentralen Gut machen sollten, und ich stimme zu. Meine Frage ist, wie machen wir das und wie sieht das aus?
Kumar: Dies muss auf allen Ebenen der Organisation angegangen werden, um vollständig umgesetzt zu werden:
- Auf der obersten Ebene muss es eine Datenstrategie geben, die definiert, was Kerndaten sind, wie sie verwaltet werden (erfasst, gespeichert, geschützt, abgerufen) und wie sie zur Wertschöpfung verwendet werden.
- Auf den unteren Ebenen der Organisation sind zwei Dinge erforderlich: 1) die Einführung einer Kultur des Stolzes auf Daten und Daten als gemeinsames Gut in der Organisation; 2) betriebliche Prozesse und Tools, die es ermöglichen, qualitativ hochwertige Daten zu sammeln und als gemeinsames Gut zu verwalten.
Loren: Wir sehen dies häufig beim Einsatz von Riffyn Nexus. Die kurze Antwort lautet: Es muss einfach sein, qualitativ hochwertige Daten zu sammeln und sie gemäß FAIR-Datenpraktiken zu organisieren. Wenn es Hindernisse bei der Datenerfassung und -verwaltung gibt, greifen Benutzer einfach auf bestehende Verhaltensweisen zurück, wie z. B. isolierte Daten in lokal gespeicherten Tabellenkalkulationen.
Wenn Ihr Unternehmen über eine sehr minimale Datenkultur verfügt – wenig bis gar keine Übereinstimmung zwischen Geschäftsprozessen, Daten und Geschäftsentscheidungen – worauf konzentrieren Sie sich zuerst?
Kumar: Konzentrieren Sie sich auf Geschäftsprozesse, die große Datenmengen erzeugen. Zeigen Sie den Wert der Analyse dieser Daten im Hinblick auf neue Erkenntnisse auf, die zu besseren Entscheidungen oder betrieblicher Effizienz durch die Automatisierung von Analysen/Berichten führen. Sobald die Auswirkungen erkannt werden, beginnen Sie mit der Systematisierung von Datenerfassungs-/Datenqualitätsproblemen und zeigen Sie Verbesserungen bei der Qualität von Erkenntnissen/Entscheidungen auf. Identifizieren Sie schließlich Möglichkeiten für Geschäftsprozessverbesserungen, die sich aus der Analyse unweigerlich ergeben. Diese Verbesserungen sind in der Regel viel schwieriger umzusetzen, es sei denn, ihr Nutzen ist erheblich.
Andre: In Übereinstimmung mit Kumars Standpunkt würde ich mich auf die Bereiche konzentrieren, in denen Sie effektiv die größte Wirkung erzielen und schnell einen Mehrwert liefern können. Angenommen, Sie haben zwei Möglichkeiten: 1) eine 100-Millionen-Dollar-Chance, deren Realisierung mehrere Jahre dauern wird und die enorme Anstrengungen erfordert, oder 2) eine 10-Millionen-Dollar-Chance, bei der die Daten weitgehend verfügbar sind, die Stakeholder engagierter sind und die Analyse eine offensichtliche Rolle spielt große Rolle spielen. Wählen Sie die 10-Millionen-Dollar-Chance. Setzen Sie dies um, gewinnen Sie Glaubwürdigkeit und Vertrauen und arbeiten Sie sich an den Punkt heran, an dem die Organisation die größeren Chancen angehen kann.
Loren: Dies steht in engem Zusammenhang mit der Frage des kulturellen Wandels und der Anreize. Es erfordert eine Top-down-Investition und -Vision sowie Bottom-up-Tools und eine Einstellung, um dies zu verwirklichen. Ich möchte anmerken, dass es nicht einfach ist, aber es ist auf jeder Ebene innerhalb einer Organisation äußerst lohnend. Das Management muss den Raum und die Anreize dafür schaffen und gleichzeitig die Infrastruktur bereitstellen, um dies voranzutreiben.
Gab es im Personalwesen irgendwelche Entwicklungen, die den Aufbau einer Analysekultur unterstützen, etwa durch Stellenbeschreibungen, Anreize zur Weiterqualifizierung usw.?
Kumar: Ja. Die Personalabteilung muss und spielt eine entscheidende Rolle beim Aufbau einer Analysekultur in Unternehmen. Es reicht von der Einbeziehung von Daten und Analysen als spezifische Kompetenz über die Schaffung von Analyserollen, den Aufbau eines Rekrutierungsnetzwerks bis hin zur Förderung der Weiterqualifizierung von Mitarbeitern durch Lernmöglichkeiten.
Viele Organisationen haben das Konzept von Citizen Data Scientists genutzt, um die Basis der Organisation auf ein höheres Maß an Analysebewusstsein und -kultur zu bringen. Sie schaffen Anreize, die von der Zertifizierung über Lerngutschriften für weitere Karrieremöglichkeiten bis hin zu Reverse Mentoring für die Geschäftsleitung reichen.
Wie aggregiert man Daten in einer großen Gruppe? Welche Tools können verwendet werden, um die Daten eines Problems so zu erfassen, dass sie für den größeren, aggregierten Datensatz relevant sind?
Kumar: Für eine Gruppe mit einem gemeinsamen Bereich (z. B. Biowissenschaften oder Fertigung) liegt der Schlüssel in der Standardisierung eines Prozesses zur Datenerfassung, der die Effizienz und, was noch wichtiger ist, die Datenqualität steigert. Die größte Hürde beim Datenaustausch ist eine schlechte Datenqualität, beispielsweise fehlende Daten oder fehlende Metadaten. Die Verbesserung der Datenqualität kann über ein Tool wie eine standardisierte Datenerfassungsvorlage oder einen benutzerfreundlichen Arbeitsablauf (elektronische Labornotizbücher funktionieren gut) erfolgen. Für domänenübergreifende Gruppen kann dies eine größere Herausforderung darstellen. Es funktioniert am besten, wenn es einen definierten Anwendungsfall gibt, der auf Daten über diese Domänen hinweg zugreifen muss. Sofern dies geklärt ist, ist die Zusammenführung dieser Datensätze in einer Cloud-Umgebung zur Analyse heute die Standard-Betriebsmethode. Der Schlüssel besteht darin, die Suche und Entdeckung der Daten in diesen Gruppen zu ermöglichen, um Analyselösungen zu ermöglichen.
Loren: Ich möchte Kumars hervorragenden Kommentar zur Standardisierung von Prozessen zur Datenerfassung wiederholen. Das bedeutet, die Tools und Ontologien bereitzustellen, die Konsistenz und Ausrichtung innerhalb von Gruppen schaffen. Die Datenaggregation zwischen Gruppen lässt sich vorantreiben, indem man versteht, wie Daten und Materialien zwischen Gruppen fließen. Es bedeutet, sich auf einfache Dinge wie Beispielbenennungsschemata abzustimmen, damit Daten in einem Data Lake oder einem Tool wie Riffyn Nexus zusammengeführt werden können.
Wie bringt man Menschen dazu, den Ergebnissen einer Analyse zu vertrauen, wenn sie Mathematik oder Statistik nicht vollständig verstehen?
Kumar: Dies ist in der Tat eine der Herausforderungen bei der Schaffung einer allgegenwärtigen Analysekultur in Unternehmen. Daher darf die Bedeutung des Änderungsmanagements nicht unterschätzt werden. Wir sprechen über die Notwendigkeit, den Stellenwert der Organisation zu erhöhen, was bedeutet, das Bewusstsein für Daten und Analysen und deren Wert auf allen Ebenen der Organisation zu schärfen. Es besteht auch die Notwendigkeit, die Manager und Führungskräfte anzusprechen, die geschäftliche Entscheidungen treffen müssen. Wir sehen zunehmend Schulungen für Führungskräfte im Bereich Daten und digitale Transformation. Dabei muss auch auf die Dichotomie zwischen Hype und Realität eingegangen werden, die unter Nicht-Experten besteht. Einige glauben, dass Analytics (KI/ML) ein Allheilmittel für alle geschäftlichen Probleme sei, während andere sich auf die glorreichen Misserfolge berufen, um ihre Position zu untermauern, dass der Wert von Analytics (insbesondere AI/ML) überbewertet wird. Die Wahrheit liegt natürlich in der Mitte, daher muss das Ziel aller Schulungen darin bestehen, dies als die Kunst der Möglichkeit darzustellen, gepaart mit einem Sinn für Realismus, um das richtige Verhalten und die richtigen Ergebnisse in Organisationen voranzutreiben.
Andre: Ich stimme Kumars Standpunkt zu, der das Wort anhebt, und das beginnt mit der Notwendigkeit einer kontinuierlichen Weiterbildung. Ich glaube auch, dass ein Kompetenzzentrum mit hoch angesehenen Personen und Fachexperten auf diesem Gebiet den Menschen die Gewissheit geben wird, es zu akzeptieren. Mit dieser Akzeptanz entstehen auf natürliche Weise Ergebnisse und Vertrauen innerhalb einer Organisation.
Der Schlüssel zur Wertschöpfung liegt darin, auf der Grundlage von Erkenntnissen und Analysen Maßnahmen zu ergreifen. Wie sollten Unternehmen neben der Analyse auch Maßnahmen vorantreiben?
Kumar: Es ist klar, dass die Umstellung auf eine Kultur der Analyse scheitern wird, wenn nicht durch die Umsetzung von Erkenntnissen in Maßnahmen ein Mehrwert geschaffen wird. Daher ist es wichtig, dass zu Beginn jedes Analyseprojekts ein klares Maßnahmenpaket vereinbart wird. Jedes Ergebnis oder jede Vorhersage muss ein spezifisches Ergebnis für das Unternehmen haben, sei es eine messbare Effizienzsteigerung oder eine Auswirkung auf einen Geschäftsprozess oder eine Geschäftsentscheidung.
Könnten Sie bitte kurz darauf eingehen, wie Ethik- und Nachhaltigkeitsaspekte in einem industriellen Umfeld berücksichtigt werden können?
Andre: Ich glaube, dass die Bedeutung von Ethik und Nachhaltigkeit in dieser Frage den ethischen Umgang mit Daten und die langfristige Nachhaltigkeit der vorgeschlagenen digitalen Lösungen betrifft (im Gegensatz zur allgemeinen Ethik in der Industrie und allgemeinen Nachhaltigkeitsherausforderungen für den Planeten).
Die anhaltende Debatte über Ethik bei Daten und Datenverarbeitung, die in Wissenschaft und Industrie diskutiert wird, ist sehr wichtig. Im Idealfall sind die generierten Daten transparent und Analysen aus den Daten sind reproduzierbar, überprüfbar und für zukünftige Benutzer selbsterklärend. Professor Philip Stark aus Berkeley spricht über das Konzept der „Vorproduzierbarkeit“, und es ist eines, das dieses Thema gut anspricht. Ich sehe, dass sich Industrie und Wissenschaft in Richtung eines Systems der Datentransparenz innerhalb eines bestimmten Bereichs und einer bestimmten Gruppe entwickeln (das heißt, jeder in einer Organisation, der aus diesen Daten einen Mehrwert schaffen kann, sollte Zugriff auf die Rohdaten und die damit verbundenen Metadaten haben).
Wenn es um die Frage der Nachhaltigkeit von Systemen und Prozessen geht, muss die Industrie bei der Entwicklung eines Systems sowie eines Datengenerierungs- und -analyse-Workflows immer eine Entscheidung treffen. Entscheiden Sie sich für eine schnelle Entwicklung, die einem Projekt wirklich gut dient, aber nicht skalierbar ist? Oder entscheiden Sie sich für eine längere und teurere Entwicklung eines System- und Datengenerierungsworkflows, der ganzheitlich und auf alle Workflows anwendbar ist? Die Antwort lautet meiner Ansicht nach: Wir brauchen ein Gleichgewicht. Einige der grundlegenden Teile der Datenstruktur und -prozesse in der Forschung, die sich auf die meisten Arbeitsabläufe auswirken, sollten ganzheitlich behandelt werden, da dies kostengünstiger und besser ist. Allerdings wird es immer einzigartige Systeme, einzigartige Projekte und einzigartige Anforderungen geben. Daher ist es wichtig, die Flexibilität zu haben, diese in Ihre Datenarchitektur und Datenkultur zu akzeptieren. Mit anderen Worten: Es sollte immer ein pragmatischer Ansatz in Betracht gezogen werden.
Betrachten diese Folge of Statistical Speaking über unsere Website.
