データを中核資産として扱い、好奇心を育み、実験を奨励し、トレーニングと指導に継続的に投資すること – これらは、本会議とパネルディスカッションで得られた多くの重要なポイントのほんの一部です。ローレン・パールマン、Riffyn 社科学担当副社長。アンドレ・アルジャントン, ダウ社の中核研究開発担当副社長。そしてクマール・スブラマニャン, ユニリーバのデータサイエンスディレクター。 このエピソードのオンデマンド バージョンを視聴する統計的に言えば。
以下は、ローレン氏の全体講演からの中核資産としてのデータに関する抜粋です。
聴衆からはたくさんの良い質問がありましたが、その時点では答えることができませんでした。 注目のゲストがいくつかの質問に親切に答えてくれました。 さらに多くの知恵を共有してくれた彼らに感謝します。
FAIR データの実践について詳しくお話しいただけますか?
ローレン: FAIR は、Findable、Accessible、Interoperable、および Reusable の略で、次のように定義されます。
- 検索可能とは、データ セットに関連付けられた検索用語と編成用語があり、プロジェクト、実験目的など、関連する検索用語を使用するときにデータ セットを見つけられるようにすることを意味します。
- アクセス可能とは、データが見つかったら、それを取得して使用できること、つまり文字通りダウンロードできることを意味します。 これには、特定の組織のデータ アクセス ポリシーに応じて、関連する承認または認証の要件が伴う場合があります。
- 相互運用可能とは、データ セットが分析、保存、または追加の処理のためにアプリケーションまたはワークフローと連携して動作できることを意味します。
- 再利用可能とは、データが関連するメタデータとともに十分に文書化されており、さまざまな設定で再結合できることを意味します。 言い換えれば、データと関連するメタデータは、データ セット間の関係を理解できるようにする共有語彙 (オノトロジー) を使用しており、そこに含まれるデータまたはメタデータを介してそれらがどのように関連しているかを定義します。
FAIR に関する詳細な情報は、こちらでご覧いただけます。 https://www.go-fair.org/fair-principles 。
「なぜ Excel を使えばいいのか」という議論を理由に、JMP ライセンスの購入に対する反対にどのように対処しましたか? JMP の価値があることを非ユーザーに証明するためのヒントはありますか?
クマール:これはまさに多くの組織が直面している議論です。 Microsoft Excel は組織に普及していますが、R と Python のトレーニングを受ける人も増えています。 問題は、JMP に投資する価値は何でしょうか? 後者の点は比較的簡単に払拭できます。R、Python、その他のオープンソース分析ツールには、一定レベルの専門知識とトレーニングが必要です。 結果として、これらは、組織内の特定の分析ソリューションを民主化する手段ではあっても、分析を民主化する手段ではありません。 Excel から JMP への変換は適切な質問であり、次の点がこの作業に役立ちます。
- 必要に応じて、人々を分析の取り組みに参加させるための出発点として Excel を使用します。 基本的なデータ管理・整理・分析をExcelで学ぶことができます。
- スキルアップの次の段階では、 JMP主要なイネーブラーとして。 Excel に勝る独自の機能と利点 (たとえば、実験計画、視覚化、大規模なデータ セットの処理、大幅に多数のメソッドとモデル) を紹介します。
- アプリケーション分野を中心に JMP ユーザーのコミュニティを構築します。これは、個々のユーザーをターゲットにするよりも効果的です。
アンドレ:実際には 2 つのアプローチがあり、適切な方法の選択は多くの要因によって決まります。 1 つのアプローチは全社的なアプローチです。 それには、会社のリーダーシップの誰かがその価値を理解し、トップダウンのコミットメントとサポートがあれば変革はより早く起こるという考えに同意する必要があります。 トップにチャンピオンがいない場合は、成功事例を通じてサポートを拡大する 2 番目のアプローチを検討する必要があります。 このアプローチでは、文字通り実験を実行し、組織のサブセットをテスト ケースとして運用する必要があります。 このトライアル グループには、JMP などの適切なツールと適切なサポート構造を使用して作業する機会が与えられます。 価値を示すためのケーススタディと考えてください。 このグループの成功は、将来の投資拡大の糧となるでしょう。
ローレン:経営陣は、データ管理のための新しいツールや戦略に費やした資金の ROI (投資収益率) を説明しようとしているので、これは当然の質問です。 Excel は、確かに、限られた規模のデータセットや基本的な分析には高速で簡単なツールです。 この問題は、データ セットの規模が大きくなった場合 (そして、実質とは人によって意味が異なります)、またはモデリングのニーズが重要になった場合に発生します。 分析プラットフォームとしての JMP の能力は比べものになりません。 Kumar と Andre は、コア機能を確立し、ユーザーがツールの実装によって明確な価値を実証できるようにサポートを提供するという、正しいアプローチをカバーしていたと思います。
分析の文化に向けた変化と成長を促す具体的な方法は何ですか?
クマール:いくつか提案があります:
- ユーザーの変換/採用を獲得するために、適切なツール (システム) に投資します。 優れたユーザー エクスペリエンスとシームレスなデータ アクセスに重点を置きます。
- 早期導入者やビジネスの推進者を特定し、さらなる導入の推進に活用します。
- 将来のキャリアの機会に貢献できる学習単位などのインセンティブを導入します。 主要なスキルセットとして分析を含めるように役割を再定義します。
アンドレ:小さな勝利を祝い、行動を祝いましょう。 研究者が新しいスキル、データを分析するための新しいアプローチ、またはデータを視覚化するための別のアプローチを使用する場合、その例は新しい資料の発見と同じくらい称賛されるべきです。
ローレン:常套句にあるように、「お金は物を言う」のです。 文化の変化に対して適切な報酬を提供することは大いに役立ちます。 分析を最も賢く利用していることを証明するランチをチームに提供したり、データと分析を第一に考えたアプローチがなければ達成できなかった問題解決に対して現金で報酬を提供したりすることも考えられます。 それは採用プロセスからも始まると言えます。特定のスキルを持っている人、または仕事上でスキルを伸ばすことが期待されることを理解している人を採用する必要があります。 私たちは、スキル セットを少しサイロ化する傾向があると思います (たとえば、データ サイエンティストがモデリングを行い、ベンチ サイエンティストが実験を行います)。 なぜ人々はスキルを向上させ、多面的に継続的に成長することが期待できないのでしょうか?
最近、データを中核資産にすべきだという話をよく聞きますが、私もそれに同意します。 私の質問は、それをどのように行うのか、そしてそれはどのようなものになるのかということです。
クマール:これを完全に実現するには、組織のすべてのレベルで対処する必要があります。
- トップレベルでは、コアデータとは何か、それがどのように管理されるか (取得、保存、保護、アクセス)、価値を生み出すためにどのように使用されるかを定義するデータ戦略が必要です。
- 組織の下位レベルでは、次の 2 つのことが必要です。1) データと共有資産としてのデータを誇りとする文化を組織に浸透させる。 2) 高品質のデータを共有資産として収集および管理できるようにする運用プロセスとツール。
ローレン:これは Riffyn Nexus の展開でよく見られます。 簡単に言うと、高品質のデータを簡単に収集し、FAIR データ慣行に従って整理できる必要があるということです。 データの収集と管理に障壁がある場合、ユーザーはローカルに保存されたスプレッドシートにデータをサイロ化するなど、既存の行動に単純に戻ってしまいます。
あなたの組織が非常に最小限のデータ文化を持っている場合、つまりビジネス プロセス、データ、ビジネス上の意思決定の間の連携がほとんど、またはまったくない場合、最初に何に重点を置きますか?
クマール:大量のデータを生成するビジネス プロセスに焦点を当てます。 分析/レポートの自動化によって、より良い意思決定や業務効率化につながる新しい洞察という観点から、これらのデータを分析する価値を示します。 影響が認識されたら、データ収集/データ品質の問題の体系化に進み、洞察/意思決定の品質の改善を示します。 最後に、分析から必ず得られるビジネス プロセス改善の機会を特定します。 通常、これらの改善は、その利点が顕著でない限り、実装するのがはるかに困難です。
アンドレ: Kumar の指摘に沿って、私は効果的に最大の影響を与えることができ、価値を迅速に提供できる領域に焦点を当てたいと思います。 2 つの機会があるとします。1) 実現までに数年かかり、多大な努力が必要な 1 億ドルの機会、または 2) データがほとんど入手可能で、利害関係者がより熱心で、分析により明らかな問題が発生する 1,000 万ドルの機会果たすべき大きな役割。 1,000 万ドルのチャンスを選択してください。 それを実行し、信用と信頼を獲得し、組織がより大きな機会に対処できる地点に向かって努力してください。
ローレン:これは文化の変化とインセンティブの問題と密接に交差します。 それには、トップダウンの投資とビジョンに加えて、それを実現するためのボトムアップのツールと姿勢が必要です。 これは簡単なことではありませんが、組織内のあらゆるレベルで非常にやりがいのあるものであることに注意してください。 経営者は、これを推進するためのインフラストラクチャを提供しながら、これを実現するためのスペースとインセンティブを作成する必要があります。
職務内容やスキルアップのインセンティブなど、分析の文化の構築をサポートするために人事部門に何か進化はありましたか?
クマール:はい。 人事は、組織内に分析文化を構築する上で重要な役割を果たす必要があり、現在も重要な役割を果たしています。 これには、データと分析を特定のスキルとして含めることから、分析の役割の作成、採用ネットワークの構築、学習機会を通じた従業員のスキルアップの支援まで多岐にわたります。
多くの組織は、組織の基盤をより高いレベルの分析意識と文化に促進/向上させるために、シチズン データ サイエンティストの概念が使用されているのを目にしてきました。 これらは、認定資格、さらなるキャリアの機会に役立つ学習単位、上級管理職への逆メンタリングなど、さまざまなインセンティブを生み出します。
大規模なグループ全体のデータをどのように集約しますか? 1 つの問題からデータを取得し、より大きな集約されたデータ セットと関連付けるには、どのようなツールを使用できますか?
クマール:共通のドメイン (ライフ サイエンスや製造など) を持つグループの場合、鍵となるのはデータ収集プロセスを標準化することであり、これにより効率が向上し、さらに重要なことにデータ品質が向上します。 データ共有の最大の障害は、データの欠落やメタデータの欠如など、データ品質の低下です。 データ品質の向上は、標準化されたデータ キャプチャ テンプレートやユーザーフレンドリーなワークフローなどのツールを介して行うことができます (電子ラボ ノートブックが適しています)。 複数のドメインにまたがるグループの場合は、さらに困難になる可能性があります。 これらのドメイン全体でデータにアクセスする必要がある定義されたユースケースがある場合に最も効果的です。 これが確立されていると仮定すると、これらのデータセットをクラウド環境に集めて分析することが、今日の標準的な運用方法となります。 重要なのは、分析ソリューションを促進するために、これらのグループ全体でデータの検索と発見を可能にすることです。
ローレン:データ収集プロセスの標準化に関するクマール氏の素晴らしいコメントを引用したいと思います。 これは、グループ内で一貫性と連携を生み出すツールとオントロジーを提供することを意味します。 グループ間のデータ集約を推進するには、グループ間でデータとマテリアルがどのように流れるかを理解する必要があります。 これは、データをデータ レイクや Riffyn Nexus などのツールに結合できるように、サンプルの命名スキームなどの単純なことを調整することを意味します。
数学や統計を完全に理解していない人々に分析結果を信頼してもらうにはどうすればよいでしょうか?
クマール:これは確かに、組織内に分析の文化を浸透させる上での課題の 1 つです。したがって、変更管理の重要性を過小評価することはできません。 組織の底上げの必要性について話します。これは、組織のすべてのレベルでデータと分析とその価値に対する意識を高めることを指します。 ビジネス上の意思決定を行う必要があるマネージャーやリーダーをターゲットにする必要もあります。 リーダー向けのデータとデジタル変革のトレーニングが増えています。 上記のことを行う際には、専門家以外の人々の間に存在する誇大広告と現実の二分法に対処する必要もあります。 アナリティクス (AI/ML) がすべてのビジネス上の問題に対する万能薬であると信じる人もいますが、アナリティクス (特に AI/ML) の価値が過剰に宣伝されているという自分たちの立場を裏付けるために、輝かしい失敗を引き合いに出す人もいます。 もちろん、真実は中間にあります。そのため、すべてのトレーニングの目標は、これを可能性の芸術として示し、組織内で正しい行動と結果を推進するための現実感を織り交ぜることです。
アンドレ:私はクマール氏の底上げの指摘に同意し、それは継続的な教育の必要性から始まります。 また、この分野で高く評価されている個人や対象分野の専門家を擁する卓越したセンターがあれば、人々がそれを受け入れることが保証されると私は信じています。 それを受け入れることで、組織内に成果と信頼が自然に構築されます。
価値を生み出す鍵は、洞察と分析に基づいて行動を起こすことです。 組織は分析とともにどのようにアクションを推進すべきでしょうか?
クマール:分析文化への変革は、洞察を行動に変えることで価値が生み出されない限り失敗することは明らかです。 したがって、すべての分析プロジェクトの開始時に、非常に明確な一連のアクションについて合意することが重要です。 すべての結果や予測は、それが目に見える効率の改善であれ、ビジネス プロセスや意思決定への影響であれ、ビジネスにとって特定の結果をもたらす必要があります。
産業環境において倫理と持続可能性の側面にどのように対処できるかについて触れていただけますか?
アンドレ:この質問における倫理と持続可能性の意味は、（業界における一般的な倫理や地球に対する一般的な持続可能性の課題とは対照的に）データの倫理的な取り扱いと、提案されたデジタル ソリューションの長期的な持続可能性に関するものであると私は考えています。
データおよびデータ処理における倫理に関する継続的な議論は、学界と業界全体で議論されており、非常に重要です。 理想的な世界では、生成されたデータは透明であり、データからの分析は再現可能で監査可能で、将来のユーザーにとって一目瞭然です。 バークレーのフィリップ・スターク教授は「予測可能性」という概念について語っており、このテーマをうまく扱っています。 産業界と学界は、特定の分野および特定のグループ内でのデータ透明性のシステムに向けて進化していると見ています（つまり、データから価値を生み出すことができる組織内の全員が、生データとそれに関連するメタデータにアクセスできる必要があります）。
システムとプロセスの持続可能性の問題に対処するため、業界はシステムとデータの生成と分析のワークフローを開発する際に常に決定を下す必要があります。 1 つのプロジェクトには非常に効果的ですが、スケーラビリティに欠ける迅速な開発を選択しますか? それとも、全体的ですべてのワークフローに適用できるシステムとデータ生成ワークフローの、より時間と費用がかかる開発を選択しますか? 私の考えでは、答えはバランスが必要だということです。 ほとんどのワークフローに影響を与える研究におけるデータ構造とプロセスの基本的な部分の一部は、この方法で行う方が安価で優れているため、総合的に扱う必要があります。 ただし、独自のシステム、独自のプロジェクト、独自のニーズは常に存在するため、データ アーキテクチャとデータ文化でそれらを受け入れる柔軟性を持つことが重要です。 言い換えれば、実践的なアプローチを常に考慮する必要があります。
時計このエピソード私たちのウェブサイトを通じて統計的に話すことについて。
