將數據視為核心資產、培養好奇心、鼓勵實驗、繼續投資於培訓和指導——這些只是全體會議和小組討論的眾多重要收穫中的一部分洛倫·帕爾曼，Riffyn 科學副總裁；安德烈·亞精頓，陶氏化學公司核心研發副總裁；和庫馬爾·蘇布拉馬尼揚聯合利華數據科學總監。 觀看本集的點播版本從統計上來說。
以下是 Loren 全體會議演講中關於資料作為核心資產的摘錄：
觀眾提出了很多很好的問題，但我們當時無法回答。 我們的特邀嘉賓熱情地回答了一些問題。 我們感謝他們分享更多的智慧。
您能多談談公平數據實踐嗎？
洛倫： FAIR 代表可尋找（Findable）、可存取（Accessible）、可互通（Interoperable）和可重複使用（Reusable），定義如下：
- 可查找意味著存在與資料集相關的搜尋和組織術語，使得使用相關搜尋術語（例如項目、實驗目的等）時可以找到它們。
- 可訪問意味著一旦找到數據，就可以使用它——我可以直接下載它。 這可能伴隨相關的授權或身份驗證要求，具體取決於給定組織的資料存取策略。
- 可互通意味著資料集可以與應用程式或工作流程一起運行以進行分析、儲存或其他處理。
- 可重複使用表示資料與相關元資料都有詳細記錄，以便在不同設定中進行重組。 換句話說，資料和相關元資料使用共享詞彙表（本體論）來實現資料集之間的理解關係——定義它們如何透過其中包含的資料或元資料相關。
有關 FAIR 的更多詳細資訊可以在這裡找到： https://www.go-fair.org/fair-principles 。
您如何解決因「為什麼我們不能只使用 Excel」而導致購買 JMP 許可證的阻力？ 有什麼技巧可以向非使用者證明 JMP 值得使用嗎？
庫馬爾：這正是許多組織面臨的論點。 Microsoft Excel 在組織中很普遍，但越來越多的人接受 R 和 Python 培訓。 問題是投資 JMP 的價值是什麼？ 後者相對容易消除－R、Python 等開源分析工具需要一定程度的專業知識和培訓。 因此，它們並不是實現分析民主化的途徑，儘管它們可能是實現組織中特定分析解決方案民主化的途徑。 從 Excel 到 JMP 的轉換是需要解決的正確問題，以下幾點將有助於這個過程：
- 如果需要，可以使用 Excel 作為起點，讓人們踏上分析之旅。 可以在 Excel 中教授基本資料管理/組織和分析。
- 在下一階段的技能提升中，嵌入聯合管理計劃作為關鍵推動者。 展示其相對於 Excel 的獨特功能和優勢（例如，實驗設計、視覺化、處理更大的資料集、數量顯著增加的方法和模型）。
- 圍繞應用領域建立 JMP 使用者社群；這比針對個人用戶更有效。
安德烈：實際上有兩種方法，選擇正確的一種方法取決於許多因素。 一種方法是全公司範圍內的方法。 它需要公司領導層中的某個人了解其價值並接受這樣的想法：當有自上而下的承諾和支持時，轉型會發生得更快。 如果您沒有頂級支持者，那麼您應該考慮第二種方法，即透過成功案例不斷增加支援。 對於這種方法，您需要實際執行一個實驗，並將組織的子集作為測試案例來執行。 此試驗小組將有機會使用正確的工具（例如 JMP）以及正確的支援結構進行操作。 將其視為展示價值的案例研究。 該集團的成功將為未來的擴張提供投資。
洛倫：這是管理階層提出的一個合理的問題，因為他們試圖說明花在資料管理新工具或策略上的任何資金的投資報酬率（ROI）。 Excel 無疑是用於有限規模資料集和基本分析的快速且簡單的工具。 當資料集規模變得很大（並且對於不同的人來說，實質意味著不同的事情）或建模需求變得很大時，就會出現問題。 JMP 作為分析平台的強大功能是無可比擬的。 我認為庫馬爾和安德烈提出了正確的方法——建立核心能力並提供支持，以便用戶可以透過實施該工具來展示明確的價值。
激勵分析文化變遷和發展的具體方法有哪些？
庫馬爾：我有幾個建議：
- 投資正確的工具（系統）來獲得使用者轉換/採用。 專注於出色的用戶體驗和無縫數據存取。
- 確定早期採用者/業務冠軍並利用它們來推動進一步採用。
- 實施有助於增加未來職業機會的激勵措施，例如學習學分。 重新定義角色，將分析視為一項關鍵技能。
安德烈：慶祝小小的勝利並慶祝行為。 當研究人員使用新技能、新穎的數據分析方法或不同的數據視覺化方法時，這個例子應該像新材料的發現一樣值得慶祝。
洛倫：正如那句老話所說：有錢能使鬼推磨。 為文化變革提供適當的獎勵大有幫助。 也許為團隊提供午餐，展示對分析的最聰明的使用，或者為解決問題提供現金獎勵，如果沒有數據和分析優先的方法，這可能無法完成。 我想說，這也在招募過程中開始——我們需要雇用具有某些技能或了解他們將在工作中發展的人。 我確實認為我們傾向於將技能集分開（例如，數據科學家進行建模；實驗科學家進行實驗）。 為什麼不能期望人們在多個維度上提陞技能並不斷成長？
最近我常聽到我們應該將數據作為核心資產，我對此表示同意。 我的問題是我們要如何做到這一點，那是什麼樣子的呢？
庫馬爾：要充分實現這一點，需要在組織的各個層面解決：
- 在頂層，需要有一個資料策略來定義核心資料是什麼、如何管理它（獲取、儲存、保護、存取）以及如何使用它來創造價值。
- 在組織的較低級別，需要做兩件事：1）灌輸一種對數據感到自豪的文化，並將數據作為組織中的共享資產； 2) 能夠收集高品質資料並將其作為共享資產進行管理的作業流程和工具。
洛倫：我們在 Riffyn Nexus 的部署中經常看到這種情況。 簡而言之，需要輕鬆收集高品質數據並根據公平數據實踐對其進行組織。 如果資料收集和管理存在障礙，那麼使用者將簡單地恢復現有行為，例如本地保存的電子表格中的孤立資料。
如果您的組織的資料文化非常少——業務流程、資料和業務決策之間幾乎沒有一致性——您首先關注的是什麼？
庫馬爾：專注於產生大量數據的業務流程。 展示分析這些數據的新見解的價值，這些見解可以透過自動化分析/報告帶來更好的決策或提高營運效率。 一旦認識到影響，就開始系統化資料擷取/資料品質問題，並顯示見解/決策品質的改善。 最後，確定分析中必然出現的業務流程改善機會。 這些改進通常更難實施，除非它們的好處非常顯著。
安德烈：與庫馬爾的觀點一致，我將重點放在那些可以有效地產生最大影響力以及可以快速交付價值的領域。 假設你有兩個機會：1）一個價值1 億美元的機會，需要多年時間才能實現，並且需要付出巨大的努力；2）一個價值1000 萬美元的機會，其中數據基本上可用，利益相關者更加投入，並且分析具有明顯的優勢。發揮很大的作用。 選擇 1000 萬美元的機會。 實現目標，獲得信譽和信任，並努力讓組織能夠抓住更大的機會。
洛倫：這與文化變革和激勵問題緊密相關。 它需要自上而下的投資和願景，以及自下而上的工具和態度來實現它。 我要指出的是，這並不容易，但它在組織內的各個層面上都會帶來深遠的回報。 管理層需要為實現這一目標創造空間和激勵，同時提供驅動它的基礎設施。
人力資源方面是否有任何變革來支持分析文化的建設，例如職位描述、技能提升激勵措施等？
庫馬爾：是的。 人力資源部門需要並且正在組織中建構分析文化方面發揮關鍵作用。 它包括將數據和分析作為一項特定技能、創建分析角色、建立招聘網絡以及透過學習機會提升員工技能。
許多組織已經看到公民資料科學家的概念被用來促進/提升組織的基礎到更高層次的分析意識和文化。 他們創造激勵措施，包括認證、有助於進一步職業機會的學習學分，以及高階管理層的反向指導。
如何聚合一個大群體的資料？ 可以使用哪些工具從一個問題中取得數據，使其與更大的聚合數據集相關？
庫馬爾：對於具有共同領域（例如生命科學或製造）的團隊來說，關鍵是標準化資料擷取流程，這將提高效率，更重要的是提高資料品質。 資料共享的最大障礙是資料品質差，例如資料遺失或元資料缺乏。 可以透過標準化資料擷取範本或使用者友善的工作流程（電子實驗室筆記本效果很好）等工具來提高資料品質。 對於跨領域的團體來說，這可能更具挑戰性。 如果有一個定義的用例需要跨這些域存取數據，那麼它的效果最好。 假設這一點已經成立，那麼將這些資料集匯集到雲端環境中進行分析就是當今的標準操作方法。 關鍵是允許跨這些組搜尋和發現數據，以促進分析解決方案。
洛倫：我想回應 Kumar 關於標準化資料擷取流程的精彩評論。 這意味著提供在群組內創建一致性和一致性的工具和本體。 透過了解資料和材料如何在群組之間流動，可以實現群組之間的資料聚合。 這意味著在簡單的事情上進行調整，例如範例命名方案，以便可以將資料連接到資料湖或 Riffyn Nexus 等工具中。
當人們不完全理解數學或統計學時，如何讓他們相信分析結果？
庫馬爾：這確實是組織中創造普遍的分析文化的挑戰之一。因此，變革管理的重要性不可小覷。 我們談論提高組織水平的必要性，這指的是提高組織各個層級對數據和分析及其價值的認識。 也需要針對需要做出業務決策的經理和領導者。 我們越來越多地看到針對領導者的數據和數位轉型培訓。 在執行上述操作時，也需要解決非專家之間存在的炒作與現實的二分法。 有些人認為分析（AI/ML）是解決所有業務問題的靈丹妙藥，而另一些人則會引用光榮的失敗來支持他們的立場，即分析（尤其是 AI/ML）的價值被過度誇大了。 當然，事實是在中間，因此所有培訓的目標必須是將其展示為可能性的藝術，並帶有現實感，以推動組織中的正確行為和結果。
安德烈：我同意庫馬爾提出的觀點，這首先是需要繼續教育。 我還相信，一個擁有該領域備受尊敬的個人和主題專家的卓越中心將為人們接受它提供保證。 有了這種接受，結果和信任就會在組織內自然建立起來。
創造價值的關鍵是根據洞察和分析採取行動。 組織應如何在分析的同時推動行動？
庫馬爾：顯然，除非將見解轉化為行動能夠創造價值，否則向分析文化的轉型將會失敗。 因此，在每個分析項目開始時就一套非常明確的行動達成一致非常重要。 每個結果或預測都必須為業務帶來特定的結果，無論是可衡量的效率改善還是對業務流程或決策的影響。
您能否談談如何在工業環境中解決道德和永續發展的問題？
安德烈：我認為，這個問題中道德和可持續性的含義是關於數據的道德處理和所提出的數位解決方案的長期可持續性（而不是行業中的一般道德和地球面臨的一般可持續性挑戰）。
學術界和工業界正在討論的數據和數據處理倫理問題是一場非常重要的爭論。 在理想的世界中，產生的數據是透明的，並且數據分析對於未來的用戶來說是可重複的、可審計的且不言自明的。 柏克萊大學的 Philip Stark 教授談到了「預生產性」的概念，它很好地解決了這個主題。 我看到行業和學術界正在朝著特定領域和特定群體內的數據透明系統發展（也就是說，組織中能夠從數據中創造價值的每個人都應該有權訪問原始數據及其相關元數據） 。
為了解決系統和流程的可持續性問題，產業在開發系統以及資料生成和分析工作流程時始終必須做出決定。 您是否選擇一種能夠很好地服務於一個專案但不可擴展的快速開發？ 或者您選擇更長、更昂貴的系統和資料生成工作流程的開發，該工作流程是整體的並且適用於所有工作流程？ 在我看來，答案是我們需要平衡。 研究中將影響大多數工作流程的資料結構和流程的一些基本部分應該被整體對待，因為這樣做更便宜、更好。 然而，獨特的系統、獨特的專案和獨特的需求始終存在，因此靈活地接受資料架構和資料文化中的這些內容非常重要。 換句話說，應始終考慮採取務實的方法。
手錶這一集透過我們的網站進行統計。
