데이터를 핵심 자산으로 취급하고, 호기심을 키우고, 실험을 장려하고, 교육 및 멘토링에 지속적으로 투자하는 것은 본회의 및 패널 토론에서 얻은 많은 중요한 내용 중 일부에 불과합니다. 로렌 펄먼 , Riffyn의 과학 부사장; 앙드레 아르젠톤 , Dow의 핵심 연구 개발 부사장; 그리고 쿠마르 수브라만얀 , Unilever의 데이터 과학 이사. 이 에피소드의 주문형 버전을 시청하세요. 통계적으로 말하면 .
다음은 Loren의 전체 연설에서 핵심 자산인 데이터에 대한 발췌 내용입니다.
당시 우리가 대답할 수 없었던 좋은 질문들을 청중들로부터 많이 받았습니다. 우리의 특집 게스트들은 몇 가지 질문에 친절하게 답변해 주었습니다. 우리는 그들의 지혜를 더 많이 공유해 주셔서 감사합니다.
FAIR 데이터 관행에 대해 더 자세히 말씀해 주실 수 있나요?
로렌: FAIR는 Findable, Accessible, Interoperable, Reusable을 나타내며 다음과 같이 정의됩니다.
- 검색 가능이란 프로젝트, 실험 목적 등과 같은 관련 검색어를 사용할 때 데이터 세트를 찾을 수 있도록 하는 검색 및 구성 용어가 데이터 세트와 연관되어 있음을 의미합니다.
- 접근 가능이란 일단 데이터를 찾으면 사용할 수 있다는 의미입니다. 문자 그대로 다운로드할 수 있습니다. 여기에는 해당 조직의 데이터 액세스 정책에 따라 관련 권한 부여 또는 인증 요구 사항이 포함될 수 있습니다.
- 상호 운용 가능이란 데이터 세트가 분석, 저장 또는 추가 처리를 위해 애플리케이션이나 워크플로우와 함께 작동할 수 있음을 의미합니다.
- 재사용 가능이란 데이터가 관련 메타데이터와 함께 잘 문서화되어 다양한 설정에서 재조합이 가능하다는 것을 의미합니다. 즉, 데이터 및 관련 메타데이터는 데이터 세트 간의 이해된 관계를 가능하게 하는 공유 어휘(동일론)를 사용합니다. 즉, 포함된 데이터 또는 메타데이터를 통해 데이터 세트가 어떻게 관련되어 있는지 정의합니다.
FAIR에 대한 자세한 정보는 여기에서 확인할 수 있습니다. https://www.go-fair.org/fair-principles .
"그냥 Excel을 사용하면 안 되나요?"라는 주장으로 인해 JMP 라이선스 구매에 대한 반발을 어떻게 해결하셨나요? 비사용자에게 JMP의 가치를 입증할 수 있는 팁이 있나요?
쿠마르: 이것이 바로 많은 조직이 직면하고 있는 주장입니다. Microsoft Excel은 조직에 널리 퍼져 있지만 점점 더 많은 사람들이 R 및 Python 교육을 받고 있습니다. 문제는 JMP에 투자하면 어떤 가치가 있느냐는 것입니다. 후자의 요점은 상대적으로 해소하기 쉽습니다. R, Python 및 기타 오픈 소스 분석 도구에는 일정 수준의 전문 지식과 교육이 필요합니다. 결과적으로 이는 조직에서 특정 분석 솔루션을 민주화하는 경로일 수 있지만 분석을 민주화하는 경로는 아닙니다. Excel에서 JMP로의 전환은 해결해야 할 올바른 질문이며 다음 사항이 이 여정에 도움이 될 것입니다.
- 필요한 경우 Excel을 시작점으로 사용하여 사람들이 분석 여정을 시작하도록 하세요. 기본적인 데이터 관리/정리 및 분석을 엑셀로 강의할 수 있습니다.
- 기술 향상의 다음 단계에서는 JMP 핵심 조력자로서. Excel에 비해 고유한 기능과 장점을 보여줍니다(예: 실험 설계, 시각화, 더 큰 데이터 세트 처리, 훨씬 더 많은 수의 방법 및 모델).
- 응용 분야를 중심으로 JMP 사용자 커뮤니티를 구축하세요. 이는 개별 사용자를 타겟팅하는 것보다 효과적입니다.
안드레: 실제로 두 가지 접근 방식이 있으며 올바른 접근 방식을 선택하는 것은 여러 요인에 따라 달라집니다. 한 가지 접근 방식은 전사적 접근 방식입니다. 회사 경영진 중 누군가가 가치를 이해하고 하향식 헌신과 지원이 있을 때 변화가 더 빠르게 일어난다는 생각을 받아들여야 합니다. 상위권에 챔피언이 없다면 성공 사례를 통해 지원을 늘리는 두 번째 접근 방식을 고려해야 합니다. 이 접근 방식의 경우 문자 그대로 실험을 실행하고 조직의 하위 집합을 테스트 사례로 운영해야 합니다. 이 시험 그룹에는 JMP와 같은 올바른 도구와 올바른 지원 구조를 사용하여 작업할 수 있는 기회가 주어집니다. 가치를 보여주는 사례 연구를 고려하십시오. 이 그룹의 성공은 향후 투자 확대에 도움이 될 것입니다.
로렌: 데이터 관리를 위한 새로운 도구나 전략에 지출된 비용에 대한 ROI(투자 수익)를 설명하려고 노력하고 있으므로 이는 경영진의 정당한 질문입니다. Excel은 제한된 규모의 데이터 세트 및 기본 분석을 위한 빠르고 쉬운 도구입니다. 문제는 데이터 세트의 규모가 상당해지거나(실질적이란 사람마다 다른 것을 의미함) 모델링 요구가 중요해지면 나타납니다. 분석 플랫폼으로서 JMP의 성능은 비교할 수 없습니다. 저는 Kumar와 Andre가 올바른 접근 방식을 다루었다고 생각합니다. 핵심 기능을 확립하고 사용자가 도구 구현을 통해 명확한 가치를 입증할 수 있도록 지원을 제공하는 것입니다.
분석 문화에 대한 변화와 성장을 장려하는 구체적인 방법은 무엇입니까?
쿠마르: 몇 가지 제안 사항이 있습니다.
- 사용자 전환/채택을 얻으려면 올바른 도구(시스템)에 투자하세요. 뛰어난 사용자 경험과 원활한 데이터 액세스에 중점을 둡니다.
- 얼리 어답터/비즈니스 챔피언을 식별하고 이를 사용하여 추가 채택을 촉진합니다.
- 향후 직업 기회에 기여할 수 있는 학습 학점과 같은 인센티브를 구현합니다. 분석을 핵심 기술 세트로 포함하도록 역할을 재정의합니다.
앙드레: 작은 승리를 축하하고 행동을 축하하십시오. 연구자가 새로운 기술, 데이터를 분석하기 위한 새로운 접근 방식, 또는 데이터를 시각화하기 위해 다른 접근 방식을 사용할 때, 그 사례는 새로운 자료의 발견만큼이나 축하받아야 합니다.
로렌: 진부한 표현처럼: 돈이 말한다. 문화 변화에 따라 적절한 보상을 제공하는 것은 큰 도움이 됩니다. 가장 영리한 분석 사용을 보여주는 팀을 위한 점심 식사를 제공하거나 데이터 및 분석 우선 접근 방식 없이는 달성할 수 없는 문제 해결에 대한 현금 보상을 제공할 수도 있습니다. 이는 채용 과정에서도 시작된다고 말하고 싶습니다. 특정 기술을 보유하고 있거나 업무에서 해당 기술을 개발할 것으로 예상되는 사람을 고용해야 합니다. 나는 우리가 기술 세트를 약간 분리하는 경향이 있다고 생각합니다(예를 들어 데이터 과학자가 모델링을 수행하고 벤치 과학자가 실험을 수행함). 왜 사람들은 다차원적으로 기술을 향상하고 지속적으로 성장할 것으로 기대할 수 없습니까?
최근 데이터를 핵심자산으로 삼아야 한다는 이야기를 많이 들었고 저도 이에 동의합니다. 제 질문은 우리가 어떻게 그렇게 할 수 있느냐는 것입니다. 그리고 그것은 어떤 모습일까요?
쿠마르: 이것이 완전히 실현되려면 조직의 모든 수준에서 해결되어야 합니다.
- 최상위 수준에서는 핵심 데이터가 무엇인지, 어떻게 관리할지(획득, 저장, 보호, 액세스), 가치 창출을 위해 어떻게 사용할지 정의하는 데이터 전략이 필요합니다.
- 조직의 하위 수준에서는 두 가지가 필요합니다. 1) 데이터에 대한 자부심 문화와 데이터를 조직의 공유 자산으로 주입합니다. 2) 양질의 데이터를 공유 자산으로 수집하고 관리할 수 있는 운영 프로세스 및 도구.
로렌: Riffyn Nexus 배포에서 이러한 현상을 많이 볼 수 있습니다. 간단히 대답하자면 고품질 데이터를 수집하고 FAIR 데이터 관행에 따라 정리하기가 쉬워야 한다는 것입니다. 데이터 수집 및 관리에 장벽이 있는 경우 사용자는 로컬에 저장된 스프레드시트의 격리된 데이터와 같은 기존 동작으로 간단히 되돌아갑니다.
귀하의 조직이 매우 최소한의 데이터 문화를 갖고 있고 비즈니스 프로세스, 데이터 및 비즈니스 의사결정 간의 조정이 거의 또는 전혀 이루어지지 않은 경우 먼저 무엇에 집중하시겠습니까?
쿠마르: 대량의 데이터를 생성하는 비즈니스 프로세스에 집중하세요. 분석/보고 자동화를 통해 더 나은 결정이나 운영 효율성을 얻을 수 있는 새로운 통찰력 측면에서 이러한 데이터 분석의 가치를 보여줍니다. 영향이 인식되면 데이터 캡처/데이터 품질 문제를 체계화하고 통찰력/의사결정 품질 개선을 보여줍니다. 마지막으로, 분석을 통해 반드시 도출되는 비즈니스 프로세스 개선 기회를 식별하십시오. 이러한 개선 사항은 일반적으로 이점이 크지 않은 한 구현하기가 훨씬 어렵습니다.
앙드레: Kumar의 관점에 맞춰, 저는 효과적으로 가장 큰 영향을 미칠 수 있는 영역과 신속하게 가치를 제공할 수 있는 영역에 초점을 맞추고 싶습니다. 두 가지 기회가 있다고 가정해 보겠습니다. 1) 실현하는 데 수년이 걸리고 막대한 노력이 필요한 1억 달러 규모의 기회 또는 2) 데이터를 광범위하게 사용할 수 있고 이해관계자가 더 헌신적이며 분석에 명확하고 큰 역할을 맡습니다. 천만 달러의 기회를 선택하세요. 이를 달성하고 신뢰와 신뢰를 얻으며 조직이 더 큰 기회를 해결할 수 있는 지점을 향해 나아가십시오.
로렌: 이는 문화적 변화 및 인센티브 부여 문제와 긴밀하게 교차합니다. 이를 실현하려면 하향식 투자와 비전, 상향식 도구 및 태도가 필요합니다. 쉽지는 않지만 조직 내 모든 수준에서 큰 보람을 느낄 수 있다는 점을 말씀드리고 싶습니다. 경영진은 이를 추진할 수 있는 인프라를 제공하는 동시에 이를 위한 공간과 인센티브를 만들어야 합니다.
직무 설명, 기술 향상에 대한 인센티브 등과 같은 분석 문화 구축을 지원하기 위해 HR에 어떤 발전이 있었습니까?
쿠마르: 예. HR은 조직에서 분석 문화를 구축하는 데 중요한 역할을 해야 하며 이를 수행하고 있습니다. 이는 데이터 및 분석을 특정 기술로 포함하고, 분석 역할을 생성하고, 채용 네트워크를 구축하고, 학습 기회를 통해 직원의 기술 향상을 지원하는 것까지 포괄합니다.
많은 조직에서는 조직의 기반을 더 높은 수준의 분석 인식 및 문화로 촉진/승격하는 데 사용되는 시민 데이터 과학자의 개념을 보았습니다. 인증, 추가 경력 기회에 도움이 되는 학습 학점, 고위 경영진을 위한 역멘토링 등 다양한 인센티브를 제공합니다.
대규모 그룹 전체에서 데이터를 어떻게 집계합니까? 하나의 문제에서 데이터를 가져와 더 크고 집계된 데이터 세트와 관련성을 갖도록 하려면 어떤 도구를 사용할 수 있습니까?
쿠마르: 공통 영역(예: 생명 과학 또는 제조)을 가진 그룹의 경우 핵심은 데이터 캡처 프로세스를 표준화하는 것입니다. 이를 통해 효율성은 물론 더 중요하게는 데이터 품질도 향상됩니다. 데이터 공유의 가장 큰 장애물은 데이터 누락이나 메타데이터 부족과 같은 열악한 데이터 품질입니다. 표준화된 데이터 캡처 템플릿이나 사용자 친화적인 작업 흐름(전자 연구 노트가 잘 작동함)과 같은 도구를 통해 데이터 품질을 향상시킬 수 있습니다. 여러 도메인에 걸쳐 있는 그룹의 경우에는 더 어려울 수 있습니다. 이러한 도메인 전체의 데이터에 액세스해야 하는 정의된 사용 사례가 있는 경우 가장 잘 작동합니다. 이것이 확립되었다고 가정하면 이러한 데이터 세트를 클라우드 환경에 모아 분석하는 것이 오늘날 표준 운영 방법입니다. 핵심은 분석 솔루션을 용이하게 하기 위해 이러한 그룹 전체에서 데이터를 검색하고 발견할 수 있도록 하는 것입니다.
로렌: 저는 데이터 캡처 프로세스 표준화에 대한 Kumar의 훌륭한 의견을 반영하고 싶습니다. 이는 그룹 내에서 일관성과 정렬을 생성하는 도구와 온톨로지를 제공하는 것을 의미합니다. 그룹 간 데이터 집계를 추진하려면 그룹 간 데이터 및 자료 흐름 방식을 이해해야 합니다. 이는 데이터 레이크나 Riffyn Nexus와 같은 도구에서 데이터를 결합할 수 있도록 샘플 명명 체계와 같은 간단한 항목을 정렬하는 것을 의미합니다.
사람들이 수학이나 통계를 완전히 이해하지 못하는 경우 어떻게 분석 결과를 신뢰하게 만들 수 있나요?
쿠마르: 이는 실제로 조직에 널리 퍼져 있는 분석 문화를 조성하는 데 있어 어려운 과제 중 하나입니다. 그러므로 변화 관리의 중요성은 과소평가될 수 없습니다. 우리는 조직의 바닥을 높여야 할 필요성에 대해 이야기합니다. 이는 조직의 모든 수준에서 데이터 및 분석과 그 가치에 대한 인식을 높이는 것을 의미합니다. 비즈니스 결정을 내려야 하는 관리자와 리더를 대상으로 삼을 필요도 있습니다. 리더를 위한 데이터 및 디지털 혁신 교육이 점점 더 많아지고 있습니다. 위의 작업을 수행하면서 비전문가 사이에 존재하는 과대광고와 현실의 이분법을 해결할 필요도 있습니다. 분석(AI/ML)이 모든 비즈니스 문제에 대한 만병통치약이라고 믿는 사람들이 있는 반면, 분석(특히 AI/ML)의 가치가 과대평가된다는 입장을 뒷받침하기 위해 영광스러운 실패를 언급하는 사람들도 있습니다. 물론 진실은 중간에 있습니다. 따라서 모든 교육의 목표는 이를 가능성의 예술로 보여주고 조직에서 올바른 행동과 결과를 이끌어내기 위한 현실감이 결합된 것이어야 합니다.
앙드레: 저는 Kumar의 발언권을 높이는 데 동의하며 이는 지속적인 교육의 필요성에서 시작됩니다. 또한 저는 해당 분야에서 매우 존경받는 개인과 해당 분야 전문가로 구성된 CoE(Center of Excellence)가 사람들이 이를 받아들일 수 있다는 확신을 제공할 것이라고 믿습니다. 이러한 수용을 통해 조직 내에서 결과와 신뢰가 자연스럽게 구축됩니다.
가치 창출의 핵심은 통찰력과 분석을 바탕으로 조치를 취하는 것입니다. 조직은 분석과 함께 어떻게 조치를 취해야 합니까?
쿠마르: 분명히 통찰력을 행동으로 전환하여 창출되는 가치가 없다면 분석 문화로의 전환은 실패할 것입니다. 따라서 모든 분석 프로젝트를 시작할 때 매우 명확한 조치 세트에 합의하는 것이 중요합니다. 모든 결과나 예측에는 측정 가능한 효율성 향상이든 비즈니스 프로세스나 결정에 대한 영향이든 상관없이 비즈니스에 대한 구체적인 결과가 있어야 합니다.
산업 환경에서 윤리 및 지속 가능성 측면을 어떻게 다룰 수 있는지 말씀해 주시겠습니까?
앙드레: 나는 이 질문에서 윤리와 지속 가능성의 의미가 데이터의 윤리적 처리와 제안된 디지털 솔루션의 장기적인 지속 가능성(산업의 일반적인 윤리 및 지구에 대한 일반적인 지속 가능성 문제와 반대)에 관한 것이라고 믿습니다.
학계와 업계 전반에 걸쳐 논의되고 있는 데이터 및 데이터 처리에 대한 윤리에 대한 지속적인 논쟁은 매우 중요한 것입니다. 이상적인 세계에서는 생성된 데이터가 투명하고 데이터 분석이 재현 가능하고 감사 가능하며 미래 사용자를 위해 설명이 필요하지 않습니다. 버클리 대학의 필립 스타크(Philip Stark) 교수는 '예측 가능성'이라는 개념에 대해 이야기하는데, 이 주제를 잘 다루는 것이 바로 이 개념입니다. 저는 업계와 학계가 특정 분야 및 특정 그룹 내에서 데이터 투명성 시스템을 향해 발전하고 있는 것을 봅니다. 즉, 해당 데이터에서 가치를 창출할 수 있는 조직의 모든 사람은 원시 데이터 및 관련 메타데이터에 액세스할 수 있어야 합니다.
시스템과 프로세스의 지속 가능성 문제를 해결하기 위해 업계에서는 시스템과 데이터 생성 및 분석 워크플로우를 개발할 때 항상 결정을 내려야 합니다. 하나의 프로젝트에 매우 적합하지만 확장성이 없는 신속한 개발을 선택하십니까? 아니면 전체적이며 모든 워크플로우에 적용 가능한 시스템 및 데이터 생성 워크플로우의 개발 기간이 길고 비용이 더 많이 드는 방법을 선택하십니까? 내 생각에 그 대답은 균형이 필요하다는 것입니다. 대부분의 워크플로에 영향을 미치는 연구의 데이터 구조 및 프로세스의 일부 기본 부분은 전체적으로 다루어야 합니다. 이렇게 하는 것이 더 저렴하고 더 좋기 때문입니다. 그러나 고유한 시스템, 고유한 프로젝트 및 고유한 요구 사항은 항상 존재하므로 데이터 아키텍처 및 데이터 문화에서 이를 수용할 수 있는 유연성을 갖는 것이 중요합니다. 즉, 항상 실용적인 접근 방식을 고려해야 합니다.
보다 이번 에피소드 우리 웹사이트를 통해 통계적으로 말하기.
