Trattare i dati come una risorsa fondamentale, coltivare la curiosità, incoraggiare la sperimentazione, continuare a investire nella formazione e nel tutoraggio: questi sono solo alcuni dei tanti importanti risultati emersi dalla plenaria e dalla tavola rotonda con Loren Perlmann , vicepresidente scientifico presso Riffyn; André Argenton , vicepresidente della ricerca e dello sviluppo di base presso Dow; E Kumar Subramayan , Direttore della scienza dei dati presso Unilever. Guarda la versione on-demand di questo episodio di Statisticamente parlando .
Ecco un estratto dal discorso plenario di Loren sui dati come risorsa fondamentale:
Avevamo molte domande interessanti da parte del pubblico a cui non eravamo in grado di rispondere in quel momento. I nostri ospiti in primo piano hanno gentilmente fornito le risposte ad alcune delle domande. Li ringraziamo per aver condiviso più della loro saggezza.
Puoi parlare di più delle pratiche relative ai dati FAIR?
Loren: FAIR sta per Trovabile, Accessibile, Interoperabile e Riutilizzabile, definito come segue:
- Trovabile significa che esistono termini di ricerca e organizzazione associati ai set di dati che li rendono trovabili quando si utilizzano termini di ricerca pertinenti, come progetto, scopo sperimentale, ecc.
- Accessibile significa che una volta individuati i dati, sono disponibili per l'uso: posso letteralmente scaricarli. Ciò può comportare requisiti di autorizzazione o autenticazione associati, a seconda delle policy di accesso ai dati di una determinata organizzazione.
- Interoperabile significa che i set di dati possono funzionare con applicazioni o flussi di lavoro per analisi, archiviazione o elaborazione aggiuntiva.
- Riutilizzabile significa che i dati sono ben documentati con metadati associati per consentire la ricombinazione in diverse impostazioni. In altre parole, i dati e i metadati associati utilizzano vocabolari condivisi (onotologie) che consentono una relazione compresa tra i set di dati, definendo come sono correlati tramite i dati o i metadati contenuti al loro interno.
Informazioni più approfondite su FAIR possono essere trovate qui: https://www.go-fair.org/fair-principles .
Come avete affrontato le resistenze all'acquisto di licenze JMP in merito all'argomento "perché non possiamo semplicemente usare Excel"? Qualche consiglio per dimostrare ai non utenti che vale la pena utilizzare JMP?
Kumar: Questo è esattamente l’argomento che molte organizzazioni si trovano ad affrontare. Microsoft Excel è pervasivo nelle organizzazioni, ma sempre più persone si stanno formando in R e Python. La domanda è: qual è il valore di investire in JMP? Quest’ultimo punto è relativamente facile da sfatare: R, Python e altri strumenti di analisi open source richiedono un certo livello di competenza e formazione. Di conseguenza, non rappresentano la strada per democratizzare l’analisi, anche se potrebbero essere una strada per democratizzare specifiche soluzioni analitiche nelle organizzazioni. La conversione da Excel a JMP è la domanda giusta da affrontare e i seguenti punti aiuteranno questo viaggio:
- Utilizza Excel come punto di partenza per coinvolgere gli utenti nel percorso di analisi, se necessario. La gestione/organizzazione e analisi di base dei dati può essere insegnata in Excel.
- Nella fase successiva di miglioramento delle competenze, incorporare JMP come fattore abilitante chiave. Mostra le sue capacità e vantaggi unici rispetto a Excel (ad esempio, progettazione di esperimenti, visualizzazione, gestione di set di dati più grandi, numero significativamente maggiore di metodi e modelli).
- Creare comunità di utenti JMP attorno alle aree applicative; funziona meglio rispetto al targeting di singoli utenti.
André: Esistono in realtà due approcci e la scelta di quello giusto dipende da molti fattori. Un approccio è quello a livello aziendale. È necessario che qualcuno nella leadership dell'azienda comprenda il valore e condivida l'idea che una trasformazione avviene più rapidamente quando c'è impegno e supporto dall'alto verso il basso. Se non hai un campione al vertice, dovresti considerare il secondo approccio, che consiste nel far crescere il supporto attraverso casi di successo. Per questo approccio, è necessario eseguire letteralmente un esperimento e avere un sottoinsieme dell'organizzazione che funziona come caso di test. A questo gruppo di prova verrà data la possibilità di operare con gli strumenti giusti, come JMP, nonché con la giusta struttura di supporto. Consideralo un caso di studio per mostrare valore. Il successo di questo gruppo alimenterebbe i futuri investimenti per espandersi.
Loren: È una domanda giusta da parte del management, poiché sta cercando di illustrare il ROI (ritorno sull'investimento) per qualsiasi denaro speso in nuovi strumenti o strategie per la gestione dei dati. Excel è certamente uno strumento semplice e veloce per set di dati su scala limitata e analisi di base. Il problema sorge quando i set di dati diventano di dimensioni considerevoli (e sostanziale significa cose diverse per persone diverse) o le esigenze di modellazione diventano significative. Semplicemente non c'è paragone tra la potenza di JMP come piattaforma di analisi. Penso che Kumar e Andre abbiano affrontato gli approcci giusti: stabilire una capacità fondamentale e fornire supporto in modo che gli utenti possano dimostrare un chiaro valore derivante dall'implementazione dello strumento.
Quali sono i modi specifici per incentivare il cambiamento e la crescita verso una cultura dell’analisi?
Kumar: Ho alcuni suggerimenti:
- Investi negli strumenti (sistemi) giusti per ottenere la conversione/adozione degli utenti. Concentrati su un'esperienza utente eccezionale e un accesso ai dati senza interruzioni.
- Identifica i primi utilizzatori/campioni aziendali e usali per favorire un'ulteriore adozione.
- Implementare incentivi, come i crediti formativi, che possano contribuire alle future opportunità di carriera. Ridefinire i ruoli per includere l'analisi come set di competenze chiave.
André: Festeggia le piccole vittorie e celebra il comportamento. Quando un ricercatore utilizza nuove competenze, un nuovo approccio per analizzare i dati o un approccio diverso per visualizzare i dati, quell’esempio dovrebbe essere celebrato tanto quanto la scoperta di nuovo materiale.
Loren: Come recita il luogo comune: il denaro parla. Offrire ricompense adeguate per il cambiamento culturale è di grande aiuto. Magari offrendo un pranzo al team che dimostra l'uso più intelligente dell'analisi o una ricompensa in denaro per la risoluzione di problemi che non sarebbero stati realizzati senza un approccio incentrato sui dati e sull'analisi. Direi che tutto inizia durante il processo di assunzione: dobbiamo assumere persone che abbiano determinate competenze o che capiscano che dovranno svilupparle sul posto di lavoro. Penso che tendiamo a suddividere un po' le competenze in compartimenti stagni (ad esempio, uno scienziato dei dati fa la modellazione; uno scienziato del banco fa la sperimentazione). Perché non ci si può aspettare che le persone migliorino le loro competenze e crescano continuamente in più dimensioni?
Ultimamente ho sentito spesso dire che dovremmo rendere i dati una risorsa fondamentale e sono d'accordo. La mia domanda è: come lo facciamo e che aspetto ha?
Kumar: Per essere pienamente realizzato, questo aspetto deve essere affrontato a tutti i livelli dell’organizzazione:
- Al livello più alto, è necessaria una strategia sui dati che definisca quali sono i dati fondamentali, come verranno gestiti (acquisiti, archiviati, protetti, consultati) e come verranno utilizzati per creare valore.
- Ai livelli più bassi dell'organizzazione sono necessarie due cose: 1) instillare una cultura di orgoglio per i dati e per i dati come risorsa condivisa nell'organizzazione; 2) processi e strumenti operativi per consentire la raccolta e la gestione di dati di buona qualità come una risorsa condivisa.
Loren: Lo vediamo spesso nell'implementazione di Riffyn Nexus. La risposta breve è che deve essere facile raccogliere dati di alta qualità e organizzarli secondo le pratiche FAIR. Se esistono ostacoli alla raccolta e alla gestione dei dati, gli utenti torneranno semplicemente ai comportamenti esistenti, come i dati archiviati in fogli di calcolo salvati localmente.
Se la tua organizzazione ha una cultura dei dati molto ridotta, ovvero un allineamento minimo o nullo tra processi aziendali, dati e decisioni aziendali, su cosa ti concentri innanzitutto?
Kumar: Concentrarsi sui processi aziendali che generano grandi quantità di dati. Mostra il valore dell'analisi di questi dati in termini di nuove informazioni che portano a decisioni migliori o a efficienze operative automatizzando analisi/reporting. Una volta riconosciuto l'impatto, passare alla sistematizzazione dei problemi di acquisizione/qualità dei dati e mostrare miglioramenti nella qualità delle intuizioni/decisioni. Infine, identificare le opportunità di miglioramento dei processi aziendali che emergeranno invariabilmente dall'analisi. Questi miglioramenti sono solitamente molto più difficili da implementare a meno che i loro benefici non siano significativi.
André: In linea con il punto di Kumar, mi concentrerei su quelle aree in cui puoi effettivamente avere il massimo impatto e dove puoi fornire valore rapidamente. Supponiamo di avere due opportunità: 1) un'opportunità da 100 milioni di dollari che richiederà molti anni per essere realizzata e che richiede uno sforzo enorme, oppure 2) un'opportunità da 10 milioni di dollari in cui i dati sono ampiamente disponibili, le parti interessate sono più impegnate e l'analisi ha un effetto ovvio e grande ruolo da svolgere. Scegli l'opportunità da 10 milioni di dollari. Mantienilo, acquisisci credibilità e fiducia e fatti strada verso il punto in cui l'organizzazione può affrontare le opportunità più ampie.
Loren: Ciò si interseca strettamente con la questione del cambiamento culturale e dell’incentivazione. Richiede un investimento e una visione dall’alto verso il basso, insieme a strumenti e un atteggiamento dal basso verso l’alto per realizzarlo. Noterò che non è facile, ma è profondamente gratificante a tutti i livelli all'interno di un'organizzazione. Il management deve creare lo spazio e gli incentivi affinché ciò accada, fornendo allo stesso tempo l’infrastruttura per guidarlo.
Ci sono state evoluzioni nelle risorse umane per supportare la costruzione di una cultura dell'analisi, come descrizioni delle mansioni, incentivi per l'aggiornamento delle competenze, ecc.?
Kumar: SÌ. Le risorse umane devono e stanno svolgendo un ruolo fondamentale nella costruzione di una cultura analitica nelle organizzazioni. Si va dall’inclusione di dati e analisi come competenze specifiche, alla creazione di ruoli di analisi, alla costruzione di una rete di reclutamento e al sostegno del miglioramento delle competenze dei dipendenti attraverso opportunità di apprendimento.
Molte organizzazioni hanno visto il concetto di citizen data scientist utilizzato per promuovere/elevare la base dell'organizzazione a un livello più elevato di consapevolezza e cultura analitica. Creano incentivi, che vanno dalla certificazione, ai crediti formativi che aiutano ulteriori opportunità di carriera e al tutoraggio inverso per il senior management.
Come si aggregano i dati di un gruppo di grandi dimensioni? Quali strumenti possono essere utilizzati per estrarre i dati da un problema in modo che abbiano rilevanza per un insieme di dati più ampio e aggregato?
Kumar: Per un gruppo che ha un ambito comune (come le scienze della vita o il settore manifatturiero), la chiave è standardizzare un processo di acquisizione dei dati, che migliorerà l’efficienza e, soprattutto, la qualità dei dati. Il più grande ostacolo alla condivisione dei dati è la scarsa qualità dei dati, come dati mancanti o mancanza di metadati. Il miglioramento della qualità dei dati può essere ottenuto tramite uno strumento come un modello di acquisizione dati standardizzato o un flusso di lavoro intuitivo (i quaderni da laboratorio elettronici funzionano bene). Per i gruppi di più domini, può essere più impegnativo. Funziona meglio se esiste un caso d'uso definito che deve accedere ai dati in questi domini. Supponendo che ciò sia stato stabilito, riunire questi set di dati in un ambiente cloud per l’analisi è oggi il metodo operativo standard. La chiave è consentire la ricerca e il rilevamento dei dati in questi gruppi per facilitare le soluzioni di analisi.
Loren: Voglio fare eco all'eccellente commento di Kumar sulla standardizzazione dei processi per l'acquisizione dei dati. Ciò significa fornire gli strumenti e le ontologie che creano coerenza e allineamento all'interno dei gruppi. È possibile promuovere l'aggregazione dei dati tra i gruppi comprendendo come i dati e i materiali fluiscono tra i gruppi. Significa allinearsi su cose semplici, come schemi di denominazione campione, in modo che i dati possano essere uniti in un data Lake o in uno strumento come Riffyn Nexus.
Come convincere le persone a fidarsi dei risultati dell'analisi quando non comprendono appieno la matematica o le statistiche?
Kumar: Questa è infatti una delle sfide per creare una cultura pervasiva dell’analisi nelle organizzazioni; pertanto, l’importanza della gestione del cambiamento non può essere sottovalutata. Parliamo della necessità di innalzare il livello dell'organizzazione, che si riferisce all'aumento della consapevolezza dei dati e dell'analisi e del loro valore a tutti i livelli dell'organizzazione. È inoltre necessario rivolgersi ai manager e ai leader che devono prendere le decisioni aziendali. Assistiamo sempre più spesso alla formazione sui dati e sulla trasformazione digitale per i leader. Nel fare quanto sopra, è anche necessario affrontare la dicotomia tra pubblicità e realtà che esiste tra i non esperti. Alcuni credono che l'analisi (AI/ML) sia una panacea per tutti i problemi aziendali, mentre altri citano i gloriosi fallimenti per sostenere la loro posizione secondo cui il valore dell'analisi (soprattutto AI/ML) è sopravvalutato. La verità, ovviamente, sta nel mezzo, quindi l'obiettivo di tutta la formazione deve essere quello di mostrare questa come l'arte della possibilità, intrecciata con un senso di realismo per guidare il comportamento e i risultati giusti nelle organizzazioni.
André: Sono d'accordo con il punto di Kumar di sollevare la questione e ciò inizia con la necessità di una formazione continua. Credo inoltre che un centro di eccellenza con persone di tutto rispetto ed esperti in materia nel settore fornirà la garanzia che le persone lo accettino. Con tale accettazione, i risultati e la fiducia si svilupperanno naturalmente all’interno di un’organizzazione.
La chiave per generare valore è agire partendo da insight e analisi. In che modo le organizzazioni dovrebbero guidare l'azione insieme all'analisi?
Kumar: Chiaramente, la trasformazione verso una cultura dell’analisi fallirà a meno che non si crei valore nel trasformare le conoscenze in azioni. Pertanto, è importante che all’inizio di ogni progetto di analisi venga concordata una serie di azioni molto chiare. Ogni risultato o previsione deve avere un esito specifico per l'azienda, sia che si tratti di un miglioramento misurabile dell'efficienza o di un impatto su un processo o una decisione aziendale.
Potresti accennare a come gli aspetti etici e di sostenibilità possono essere affrontati in un contesto industriale?
André: Credo che il significato di etica e sostenibilità in questa domanda riguardi il trattamento etico dei dati e la sostenibilità a lungo termine delle soluzioni digitali proposte (in contrapposizione all'etica generale nell'industria e alle sfide generali di sostenibilità per il pianeta).
Il dibattito in corso sull’etica nei dati e nel trattamento dei dati, discusso nel mondo accademico e industriale, è molto importante. Nel mondo ideale, i dati generati sono trasparenti e le analisi dai dati sono riproducibili, verificabili e autoesplicative per i futuri utenti. Il professor Philip Stark di Berkeley parla del concetto di “preproducibilità” ed è uno di quelli che affronta bene questo argomento. Vedo l’industria e il mondo accademico evolversi verso un sistema di trasparenza dei dati all’interno di un campo specifico e di un gruppo specifico (ovvero, tutti coloro che in un’organizzazione possono creare valore da tali dati dovrebbero avere accesso ai dati grezzi e ai metadati associati).
Affrontando la questione della sostenibilità dei sistemi e dei processi, l’industria deve sempre prendere una decisione quando sviluppa un flusso di lavoro per la generazione e l’analisi dei dati e del sistema. Scegli uno sviluppo rapido che serva davvero bene a un progetto ma non sia scalabile? Oppure scegli uno sviluppo più lungo e costoso di un flusso di lavoro di generazione di dati e sistemi che sia olistico e applicabile a tutti i flussi di lavoro? La risposta, a mio avviso, è che abbiamo bisogno di equilibrio. Alcuni degli elementi fondamentali della struttura dei dati e dei processi di ricerca che avranno un impatto sulla maggior parte dei flussi di lavoro dovrebbero essere trattati in modo olistico, poiché è più economico ed è meglio farlo in questo modo. Tuttavia, esisteranno sempre sistemi unici, progetti unici ed esigenze uniche, quindi è importante avere la flessibilità necessaria per accettarli nella propria architettura e cultura dei dati. In altre parole, si dovrebbe sempre considerare un approccio pragmatico.
Orologio questo episodio di Statistical Speaking tramite il nostro sito web.
