Tratar los datos como un activo fundamental, cultivar la curiosidad, fomentar la experimentación, seguir invirtiendo en capacitación y tutoría: estas son solo algunas de las muchas conclusiones importantes de la sesión plenaria y el panel de discusión que presenta Loren Perlman , Vicepresidente de ciencia en Riffyn; André Argenton , Vicepresidente de investigación y desarrollo básicos de Dow; y Kumar Subramanyan , Director de Ciencia de Datos en Unilever. Mira la versión a pedido de este episodio de Hablando estadísticamente .
Aquí hay un extracto sobre los datos como un activo central de la charla plenaria de Loren:
Tuvimos muchas buenas preguntas de la audiencia que no pudimos responder en ese momento. Nuestros invitados destacados han respondido amablemente a algunas de las preguntas. Les agradecemos por compartir más de su sabiduría.
¿Puede hablar más sobre las prácticas de datos FAIR?
Loren: FAIR significa Localizable, Accesible, Interoperable y Reutilizable, definido de la siguiente manera:
- Localizable significa que hay términos de búsqueda y organización asociados con conjuntos de datos que los hacen encontrables cuando se utilizan términos de búsqueda relevantes, como proyecto, propósito experimental, etc.
- Accesible significa que una vez que se encuentran los datos, se pueden obtener para su uso; literalmente, puedo descargarlos. Esto puede venir con requisitos de autenticación o autorización asociados, según las políticas de acceso a datos de una organización determinada.
- Interoperable significa que los conjuntos de datos pueden operar con aplicaciones o flujos de trabajo para análisis, almacenamiento o procesamiento adicional.
- Reutilizable significa que los datos están bien documentados con metadatos asociados para permitir la recombinación en diferentes entornos. En otras palabras, los datos y los metadatos asociados utilizan vocabularios compartidos (onotologías) que permiten una relación entendida entre conjuntos de datos, definiendo cómo se relacionan a través de los datos o metadatos contenidos en ellos.
Puede encontrar información más completa sobre FAIR aquí: https://www.go-fair.org/fair-principles .
¿Cómo ha abordado el rechazo a la compra de licencias JMP sobre el argumento de "por qué no podemos simplemente usar Excel"? ¿Algún consejo para demostrarles a los no usuarios que JMP vale la pena?
Kumar: Este es precisamente el argumento al que se enfrentan muchas organizaciones. Microsoft Excel es omnipresente en las organizaciones, pero cada vez más, hay personas que se capacitan en R y Python. La pregunta es ¿cuál es el valor de invertir en JMP? El último punto es relativamente fácil de disipar: R, Python y otras herramientas de análisis de código abierto necesitan un cierto nivel de experiencia y capacitación. Como resultado, no son la ruta para democratizar la analítica, aunque pueden ser una ruta para democratizar soluciones analíticas específicas en las organizaciones. La conversión de Excel a JMP es la pregunta correcta a abordar, y los siguientes puntos ayudarán en este viaje:
- Utilice Excel como punto de partida para que las personas se embarquen en el proceso de análisis, si es necesario. La gestión / organización y análisis de datos básicos se pueden enseñar en Excel.
- En la siguiente fase de actualización, incruste JMP como un habilitador clave. Muestre sus capacidades y ventajas únicas sobre Excel (por ejemplo, diseño de experimentos, visualización, manejo de conjuntos de datos más grandes, número significativamente mayor de métodos y modelos).
- Construya comunidades de usuarios de JMP alrededor de áreas de aplicación; esto funciona mejor que dirigirse a usuarios individuales.
Andre: En realidad, existen dos enfoques y la elección del correcto depende de muchos factores. Un enfoque es el de toda la empresa. Requiere que alguien en el liderazgo de la empresa comprenda el valor y acepte la idea de que una transformación ocurre más rápido cuando hay un compromiso y apoyo de arriba hacia abajo. Si no tiene un campeón en la cima, entonces debería considerar el segundo enfoque, que consiste en un apoyo creciente a través de casos de éxito. Para este enfoque, debe ejecutar literalmente un experimento y tener un subconjunto de la organización operando como un caso de prueba. Este grupo de prueba tendría la oportunidad de operar con las herramientas adecuadas, como JMP, así como con la estructura de soporte adecuada. Considérelo un estudio de caso para demostrar valor. El éxito de este grupo alimentaría las futuras inversiones para expandirse.
Loren: Es una pregunta justa de la administración, ya que están tratando de ilustrar el ROI (retorno de la inversión) de cualquier dinero gastado en nuevas herramientas o estrategias para la administración de datos. Sin duda, Excel es una herramienta rápida y sencilla para conjuntos de datos de escala limitada y análisis básicos. El problema aparece cuando los conjuntos de datos se vuelven sustanciales en escala (y sustancial significa cosas diferentes para diferentes personas) o las necesidades de modelado se vuelven significativas. Simplemente no hay comparación entre el poder de JMP como plataforma de análisis. Creo que Kumar y Andre cubrieron los enfoques correctos: establecer una capacidad central y brindar soporte para que los usuarios puedan demostrar el valor claro de la implementación de la herramienta.
¿Cuáles son las formas específicas de incentivar el cambio y el crecimiento hacia una cultura de análisis?
Kumar: Tengo algunas sugerencias:
- Invierta en las herramientas (sistemas) adecuadas para obtener la conversión / adopción de los usuarios. Concéntrese en una excelente experiencia de usuario y un acceso a los datos sin inconvenientes.
- Identifique a los primeros usuarios / campeones comerciales y utilícelos para impulsar una mayor adopción.
- Implementar incentivos, como créditos de aprendizaje, que puedan contribuir a futuras oportunidades profesionales. Redefina los roles para incluir la analítica como un conjunto de habilidades clave.
Andre: Celebre las pequeñas victorias y celebre el comportamiento. Cuando un investigador utiliza nuevas habilidades, un enfoque novedoso para analizar los datos o un enfoque diferente para visualizar los datos, ese ejemplo debe celebrarse tanto como el descubrimiento de material nuevo.
Loren: Como dice el cliché: el dinero habla. Ofrecer recompensas adecuadas por el cambio de cultura es de gran ayuda. Tal vez ofrecer un almuerzo para el equipo que demuestre el uso más inteligente del análisis o una recompensa en efectivo por la resolución de problemas que podría no haberse logrado sin un enfoque de análisis y datos primero. Yo diría que también comienza durante el proceso de contratación: necesitamos contratar personas que tengan ciertas habilidades o comprendan que se espera que las desarrollen en el trabajo. Creo que tendemos a aislar un poco los conjuntos de habilidades (por ejemplo, un científico de datos hace el modelado; un científico de banco hace la experimentación). ¿Por qué no se puede esperar que las personas mejoren sus habilidades y crezcan continuamente en múltiples dimensiones?
Últimamente he escuchado mucho que deberíamos hacer de los datos un activo fundamental, y estoy de acuerdo. Mi pregunta es ¿cómo lo hacemos y cómo se ve?
Kumar: Esto debe abordarse en todos los niveles de la organización para que se realice plenamente:
- En el nivel superior, debe haber una estrategia de datos que defina qué son los datos básicos, cómo se administrarán (adquiridos, almacenados, protegidos, accedidos) y cómo se utilizarán para crear valor.
- En los niveles inferiores de la organización, se requieren dos cosas: 1) inculcar una cultura de orgullo por los datos y los datos como un activo compartido en la organización; 2) procesos operativos y herramientas para permitir que se recopilen y gestionen datos de buena calidad como un activo compartido.
Loren: Vemos esto mucho en el despliegue de Riffyn Nexus. La respuesta corta es que debe ser fácil recopilar datos de alta calidad y organizarlos de acuerdo con las prácticas de datos FAIR. Si existen barreras para la recopilación y gestión de datos, los usuarios simplemente volverán a comportamientos existentes, como datos en silos en hojas de cálculo guardadas localmente.
Si su organización tiene una cultura de datos mínima (poca o ninguna alineación entre los procesos comerciales, los datos y las decisiones comerciales), ¿en qué se enfocará primero?
Kumar: Céntrese en los procesos comerciales que generan grandes cantidades de datos. Muestre el valor de analizar estos datos en términos de nuevos conocimientos que conducen a mejores decisiones o eficiencias operativas a partir de la automatización de análisis / informes. Una vez que se reconozca el impacto, proceda a sistematizar la captura de datos / problemas de calidad de datos y muestre mejoras en la calidad de los conocimientos / decisiones. Por último, identifique oportunidades para mejorar los procesos de negocio que siempre surgirán de la analítica. Estas mejoras suelen ser mucho más difíciles de implementar a menos que sus beneficios sean significativos.
Andre: En consonancia con el punto de Kumar, me centraría en aquellas áreas en las que puede generar el mayor impacto de manera efectiva y en las que puede generar valor rápidamente. Supongamos que tiene dos oportunidades: 1) una oportunidad de $ 100 millones que tardará varios años en realizarse y que requiere un esfuerzo masivo, o 2) una oportunidad de $ 10 millones donde los datos están disponibles en gran medida, las partes interesadas están más comprometidas y la analítica tiene un efecto obvio y gran papel que desempeñar. Elija la oportunidad de $ 10 millones. Cumpla con ello, gane credibilidad y confianza, y trabaje hacia el punto en el que la organización pueda abordar las oportunidades más importantes.
Loren: Esto se cruza estrechamente con la cuestión de los incentivos y el cambio cultural. Requiere una inversión y una visión de arriba hacia abajo, junto con herramientas y una actitud de abajo hacia arriba para que esto suceda. Notaré que no es fácil, pero es muy gratificante en todos los niveles dentro de una organización. La gerencia debe crear el espacio y el incentivo para que esto suceda, al tiempo que proporciona la infraestructura para impulsarlo.
¿Ha habido alguna evolución en RR.HH. para apoyar la construcción de una cultura de análisis, como descripciones de puestos, incentivos para la mejora de habilidades, etc.?
Kumar: Si. RR.HH. necesita y está desempeñando un papel fundamental en la construcción de una cultura analítica en las organizaciones. Abarca desde la inclusión de datos y análisis como una habilidad específica, la creación de roles de análisis, la construcción de una red de contratación y la promoción de la mejora de las habilidades de los empleados a través de oportunidades de aprendizaje.
Muchas organizaciones han visto el concepto de científicos de datos ciudadanos utilizados para promover / elevar la base de la organización a un nivel más alto de conciencia y cultura analíticas. Crean incentivos que van desde la certificación, los créditos de aprendizaje que ayudan a ampliar las oportunidades profesionales y la tutoría inversa para la alta dirección.
¿Cómo se agregan los datos de un grupo grande? ¿Qué herramientas se pueden utilizar para tomar los datos de un problema de modo que tengan relevancia para el conjunto de datos agregados más grande?
Kumar: Para un grupo que tiene un dominio común (como las ciencias de la vida o la fabricación), la clave es estandarizar un proceso de captura de datos, lo que impulsará la eficiencia y, lo que es más importante, la calidad de los datos. El mayor obstáculo para el intercambio de datos es la mala calidad de los datos, como la falta de datos o la falta de metadatos. Se puede mejorar la calidad de los datos a través de una herramienta como una plantilla de captura de datos estandarizada o un flujo de trabajo fácil de usar (los Cuadernos de laboratorio electrónicos funcionan bien). Para grupos de distintos dominios, puede resultar más complicado. Funciona mejor si hay un caso de uso definido que necesita acceder a los datos en estos dominios. Suponiendo que esto se haya establecido, reunir estos conjuntos de datos en un entorno de nube para su análisis es el método operativo estándar en la actualidad. La clave es permitir la búsqueda y el descubrimiento de datos en estos grupos para facilitar las soluciones de análisis.
Loren: Quiero hacerme eco del excelente comentario de Kumar sobre la estandarización de procesos para la captura de datos. Esto significa proporcionar las herramientas y ontologías que crean coherencia y alineación dentro de los grupos. Se puede impulsar la agregación de datos entre grupos al comprender cómo fluyen los datos y los materiales entre los grupos. Significa alinearse en cosas simples, como esquemas de nombres de muestra, para que los datos se puedan unir en un lago de datos o en una herramienta como Riffyn Nexus.
¿Cómo logras que las personas confíen en los resultados del análisis cuando no comprenden completamente las matemáticas o las estadísticas?
Kumar: De hecho, este es uno de los desafíos para crear una cultura generalizada de análisis en las organizaciones; por lo tanto, no se puede subestimar la importancia de la gestión del cambio. Hablamos de la necesidad de elevar el piso de la organización, que se refiere a aumentar la conciencia de los datos y la analítica y su valor en todos los niveles de la organización. También es necesario apuntar a los gerentes y líderes que necesitan tomar las decisiones comerciales. Cada vez vemos más capacitación en datos y transformación digital para líderes. Al hacer lo anterior, también es necesario abordar la dicotomía exageración versus realidad que existe entre los no expertos. Hay quienes creen que la analítica (AI / ML) es una panacea para todos los problemas comerciales, mientras que hay otros que citarán los gloriosos fracasos para respaldar su posición de que el valor de la analítica (especialmente AI / ML) está exagerado. La verdad, por supuesto, está en el medio, por lo que el objetivo de toda capacitación debe ser mostrar esto como el arte de la posibilidad, combinado con un sentido de realismo para impulsar el comportamiento y los resultados correctos en las organizaciones.
Andre: Estoy de acuerdo con el punto de Kumar de levantar la palabra y eso comienza con la necesidad de una educación continua. También creo que un centro de excelencia con personas altamente respetadas y expertos en la materia en el campo proporcionará la seguridad para que la gente lo acepte. Con esa aceptación, los resultados y la confianza se construirán naturalmente dentro de una organización.
La clave para generar valor es actuar a partir de conocimientos y análisis. ¿Cómo deberían las organizaciones impulsar la acción junto con la analítica?
Kumar: Claramente, una transformación hacia una cultura de análisis fracasará a menos que se cree un valor al convertir los conocimientos en acciones. Por lo tanto, es importante que se acuerde un conjunto de acciones muy claro al comienzo de cada proyecto de análisis. Cada resultado o predicción debe tener un resultado específico para el negocio, ya sea una mejora medible en la eficiencia o un impacto en un proceso o decisión empresarial.
¿Podría mencionar cómo se pueden abordar los aspectos éticos y de sostenibilidad en un entorno industrial?
Andre: Creo que el significado de la ética y la sostenibilidad en esta pregunta tiene que ver con el tratamiento ético de los datos y la sostenibilidad a largo plazo de las soluciones digitales propuestas (en contraposición a la ética general en la industria y los desafíos generales de sostenibilidad para el planeta).
El debate en curso sobre la ética en los datos y el tratamiento de datos que se discute en la academia y la industria es muy importante. En el mundo ideal, los datos generados son transparentes y los análisis de los datos son reproducibles, auditables y autoexplicativos para los futuros usuarios. El profesor Philip Stark de Berkeley habla sobre el concepto de "preproducibilidad" y es uno que aborda bien este tema. Veo que la industria y la academia evolucionan hacia un sistema de transparencia de datos dentro de un campo específico y un grupo específico (es decir, todos en una organización que puedan crear valor a partir de esos datos deben tener acceso a los datos sin procesar y sus metadatos asociados).
Al abordar la cuestión de la sostenibilidad de los sistemas y procesos, la industria siempre tiene que tomar una decisión al desarrollar un sistema y un flujo de trabajo de generación y análisis de datos. ¿Eliges un desarrollo rápido que sirva realmente bien a un proyecto pero no sea escalable? ¿O elige un desarrollo más largo y costoso de un flujo de trabajo de generación de datos y sistema que sea holístico y aplicable en todos los flujos de trabajo? La respuesta, en mi opinión, es que necesitamos equilibrio. Algunas de las piezas fundamentales de la estructura de datos y los procesos en la investigación que afectarán a la mayoría de los flujos de trabajo deben tratarse de manera integral, ya que es más barato y mejor hacerlo de esta manera. Sin embargo, siempre existirán sistemas únicos, proyectos únicos y necesidades únicas, por lo que es importante tener la flexibilidad para aceptarlos en su arquitectura y cultura de datos. En otras palabras, siempre se debe considerar un enfoque pragmático.
Mirar Este episodio de Hablando Estadísticamente a través de nuestro sitio web.
