将数据视为核心资产、培养好奇心、鼓励实验、继续投资于培训和指导——这些只是全体会议和小组讨论的众多重要收获中的一部分洛伦·帕尔曼，Riffyn 科学副总裁；安德烈·亚精顿，陶氏化学公司核心研发副总裁；和库马尔·苏布拉马尼扬联合利华数据科学总监。 观看本集的点播版本从统计学上来说。
以下是 Loren 全体会议演讲中关于数据作为核心资产的摘录：
观众提出了很多很好的问题，但我们当时无法回答。 我们的特邀嘉宾热情地回答了一些问题。 我们感谢他们分享更多的智慧。
您能更多地谈谈公平数据实践吗？
洛伦： FAIR 代表可查找（Findable）、可访问（Accessible）、可互操作（Interoperable）和可重用（Reusable），定义如下：
- 可查找意味着存在与数据集相关的搜索和组织术语，使得使用相关搜索术语（例如项目、实验目的等）时可以找到它们。
- 可访问意味着一旦找到数据，就可以使用它——我可以直接下载它。 这可能带有相关的授权或身份验证要求，具体取决于给定组织的数据访问策略。
- 可互操作意味着数据集可以与应用程序或工作流程一起运行以进行分析、存储或其他处理。
- 可重用意味着数据与相关元数据都有详细记录，以便能够在不同设置中进行重组。 换句话说，数据和相关元数据使用共享词汇表（本体论）来实现数据集之间的理解关系——定义它们如何通过其中包含的数据或元数据相关。
有关 FAIR 的更多详细信息可以在这里找到： https://www.go-fair.org/fair-principles 。
您如何解决因“为什么我们不能只使用 Excel”而导致购买 JMP 许可证的阻力？ 有什么技巧可以向非用户证明 JMP 值得使用吗？
库马尔：这正是许多组织面临的论点。 Microsoft Excel 在组织中很普遍，但越来越多的人接受 R 和 Python 培训。 问题是投资 JMP 的价值是什么？ 后一点相对容易消除——R、Python 等开源分析工具需要一定水平的专业知识和培训。 因此，它们并不是实现分析民主化的途径，尽管它们可能是实现组织中特定分析解决方案民主化的途径。 从 Excel 到 JMP 的转换是需要解决的正确问题，以下几点将有助于这一过程：
- 如果需要，可以使用 Excel 作为起点，让人们踏上分析之旅。 可以在 Excel 中教授基本数据管理/组织和分析。
- 在下一阶段的技能提升中，嵌入联合管理计划作为关键推动者。 展示其相对于 Excel 的独特功能和优势（例如，实验设计、可视化、处理更大的数据集、数量显着增加的方法和模型）。
- 围绕应用领域建立 JMP 用户社区；这比针对个人用户更有效。
安德烈：实际上有两种方法，选择正确的一种方法取决于许多因素。 一种方法是全公司范围内的方法。 它需要公司领导层中的某个人了解其价值并接受这样的想法：当有自上而下的承诺和支持时，转型会发生得更快。 如果您没有顶级支持者，那么您应该考虑第二种方法，即通过成功案例不断增加支持。 对于这种方法，您需要实际运行一个实验，并将组织的一个子集作为测试用例运行。 该试验小组将有机会使用正确的工具（例如 JMP）以及正确的支持结构进行操作。 将其视为展示价值的案例研究。 该集团的成功将为未来的扩张提供投资。
洛伦：这是管理层提出的一个合理的问题，因为他们试图说明花在数据管理新工具或策略上的任何资金的投资回报率（ROI）。 Excel 无疑是用于有限规模数据集和基本分析的快速且简单的工具。 当数据集规模变得很大（并且对于不同的人来说，实质性意味着不同的事情）或者建模需求变得很大时，就会出现问题。 JMP 作为分析平台的强大功能是无可比拟的。 我认为库马尔和安德烈提出了正确的方法——建立核心能力并提供支持，以便用户可以通过实施该工具展示明确的价值。
激励分析文化变革和发展的具体方法有哪些？
库马尔：我有几个建议：
- 投资正确的工具（系统）来获得用户转化/采用。 专注于出色的用户体验和无缝数据访问。
- 确定早期采用者/业务冠军并利用它们来推动进一步采用。
- 实施有助于增加未来职业机会的激励措施，例如学习学分。 重新定义角色，将分析作为一项关键技能。
安德烈：庆祝小小的胜利并庆祝行为。 当研究人员使用新技能、新颖的数据分析方法或不同的数据可视化方法时，这个例子应该像新材料的发现一样值得庆祝。
洛伦：正如那句老话所说：有钱能使鬼推磨。 为文化变革提供适当的奖励大有帮助。 也许为团队提供午餐，展示对分析的最聪明的使用，或者为解决问题提供现金奖励，如果没有数据和分析优先的方法，这可能无法完成。 我想说，这也在招聘过程中开始——我们需要雇用具有某些技能或了解他们将在工作中发展的人。 我确实认为我们倾向于将技能集分开（例如，数据科学家进行建模；实验科学家进行实验）。 为什么不能期望人们在多个维度上提高技能并不断成长？
最近我经常听到我们应该将数据作为核心资产，我对此表示同意。 我的问题是我们如何做到这一点，那是什么样子的？
库马尔：要充分实现这一点，需要在组织的各个层面解决：
- 在顶层，需要有一个数据策略来定义核心数据是什么、如何管理它（获取、存储、保护、访问）以及如何使用它来创造价值。
- 在组织的较低级别，需要做两件事：1）灌输一种对数据感到自豪的文化，并将数据作为组织中的共享资产； 2) 能够收集高质量数据并将其作为共享资产进行管理的操作流程和工具。
洛伦：我们在 Riffyn Nexus 的部署中经常看到这种情况。 简而言之，需要轻松收集高质量数据并根据公平数据实践对其进行组织。 如果数据收集和管理存在障碍，那么用户将简单地恢复现有行为，例如本地保存的电子表格中的孤立数据。
如果您的组织的数据文化非常少——业务流程、数据和业务决策之间几乎没有一致性——您首先关注的是什么？
库马尔：专注于生成大量数据的业务流程。 展示分析这些数据的新见解的价值，这些见解可以通过自动化分析/报告带来更好的决策或提高运营效率。 一旦认识到影响，就开始系统化数据捕获/数据质量问题，并显示见解/决策质量的改进。 最后，确定分析中必然出现的业务流程改进机会。 这些改进通常很难实施，除非它们的好处非常显着。
安德烈：与库马尔的观点一致，我将重点关注那些可以有效地产生最大影响以及可以快速交付价值的领域。 假设您有两个机会：1）一个价值 1 亿美元的机会，需要多年时间才能实现，并且需要付出巨大的努力；2）一个价值 1000 万美元的机会，其中数据基本可用，利益相关者更加投入，并且分析具有明显的优势。发挥很大的作用。 选择 1000 万美元的机会。 实现目标，获得信誉和信任，并努力让组织能够抓住更大的机会。
洛伦：这与文化变革和激励问题紧密相关。 它需要自上而下的投资和愿景，以及自下而上的工具和态度来实现它。 我要指出的是，这并不容易，但它在组织内的各个层面上都会带来深远的回报。 管理层需要为实现这一目标创造空间和激励，同时提供驱动它的基础设施。
人力资源方面是否有任何变革来支持分析文化的建设，例如职位描述、技能提升激励措施等？
库马尔：是的。 人力资源部门需要并且正在组织中构建分析文化方面发挥关键作用。 它包括将数据和分析作为一项特定技能、创建分析角色、建立招聘网络以及通过学习机会提升员工技能。
许多组织已经看到公民数据科学家的概念被用来促进/提升组织的基础到更高水平的分析意识和文化。 他们创造激励措施，包括认证、有助于进一步就业机会的学习学分，以及对高级管理层的反向指导。
如何聚合一个大群体的数据？ 可以使用哪些工具从一个问题中获取数据，使其与更大的聚合数据集相关？
库马尔：对于具有共同领域（例如生命科学或制造）的团队来说，关键是标准化数据捕获流程，这将提高效率，更重要的是提高数据质量。 数据共享的最大障碍是数据质量差，例如数据丢失或元数据缺乏。 可以通过标准化数据捕获模板或用户友好的工作流程（电子实验室笔记本效果很好）等工具来提高数据质量。 对于跨领域的团体来说，这可能更具挑战性。 如果有一个定义的用例需要跨这些域访问数据，那么它的效果最好。 假设这一点已经成立，那么将这些数据集汇集到云环境中进行分析就是当今的标准操作方法。 关键是允许跨这些组搜索和发现数据，以促进分析解决方案。
洛伦：我想回应 Kumar 关于标准化数据捕获流程的精彩评论。 这意味着提供在组内创建一致性和一致性的工具和本体。 通过了解数据和材料如何在组之间流动，可以实现组之间的数据聚合。 这意味着在简单的事情上进行调整，例如示例命名方案，以便可以将数据连接到数据湖或 Riffyn Nexus 等工具中。
当人们不完全理解数学或统计学时，如何让他们相信分析结果？
库马尔：这确实是在组织中创建普遍的分析文化的挑战之一。因此，变革管理的重要性不可低估。 我们谈论提高组织水平的必要性，这指的是提高组织各个级别对数据和分析及其价值的认识。 还需要针对需要做出业务决策的经理和领导者。 我们越来越多地看到针对领导者的数据和数字化转型培训。 在执行上述操作时，还需要解决非专家之间存在的炒作与现实的二分法。 有些人认为分析（AI/ML）是解决所有业务问题的灵丹妙药，而另一些人则会引用光荣的失败来支持他们的立场，即分析（尤其是 AI/ML）的价值被过度夸大了。 当然，事实是在中间，因此所有培训的目标必须是将其展示为可能性的艺术，并带有现实感，以推动组织中的正确行为和结果。
安德烈：我同意库马尔提出的观点，这首先是需要继续教育。 我还相信，一个拥有该领域备受尊敬的个人和主题专家的卓越中心将为人们接受它提供保证。 有了这种接受，结果和信任就会在组织内自然建立起来。
创造价值的关键是根据洞察和分析采取行动。 组织应如何在分析的同时推动行动？
库马尔：显然，除非将见解转化为行动能够创造价值，否则向分析文化的转型将会失败。 因此，在每个分析项目开始时就一套非常明确的行动达成一致非常重要。 每个结果或预测都必须为业务带来特定的结果，无论是可衡量的效率改进还是对业务流程或决策的影响。
您能否谈谈如何在工业环境中解决道德和可持续发展方面的问题？
安德烈：我认为，这个问题中道德和可持续性的含义是关于数据的道德处理和所提出的数字解决方案的长期可持续性（而不是行业中的一般道德和地球面临的一般可持续性挑战）。
学术界和工业界正在讨论的数据和数据处理伦理问题是一场非常重要的争论。 在理想的世界中，生成的数据是透明的，并且数据分析对于未来的用户来说是可重复的、可审计的且不言自明的。 伯克利大学的 Philip Stark 教授谈到了“预生产性”的概念，它很好地解决了这一主题。 我看到行业和学术界正在朝着特定领域和特定群体内的数据透明系统发展（也就是说，组织中能够从数据中创造价值的每个人都应该有权访问原始数据及其相关元数据）。
为了解决系统和流程的可持续性问题，行业在开发系统以及数据生成和分析工作流程时始终必须做出决定。 您是否选择一种能够很好地服务于一个项目但不可扩展的快速开发？ 或者您是否选择更长、更昂贵的系统和数据生成工作流程的开发，该工作流程是整体的并且适用于所有工作流程？ 在我看来，答案是我们需要平衡。 研究中将影响大多数工作流程的数据结构和流程的一些基本部分应该被整体对待，因为这样做更便宜、更好。 然而，独特的系统、独特的项目和独特的需求始终存在，因此灵活地接受数据架构和数据文化中的这些内容非常重要。 换句话说，应始终考虑采取务实的方法。
手表这一集通过我们的网站进行统计。
