Tratar los datos como un activo fundamental, cultivar la curiosidad, fomentar la experimentación, continuar invirtiendo en capacitación y tutoría: estas son solo algunas de las muchas conclusiones importantes de la discusión plenaria y del panel en la que participaron Loren Perlman , vicepresidente de ciencias de Riffyn; André Argenton , vicepresidente de investigación y desarrollo central de Dow; y Kumar Subramanyan , Director de Ciencia de Datos de Unilever. Mira la versión on-demand de este episodio de Estadísticamente hablando .
He aquí un extracto de la charla plenaria de Loren sobre los datos como activo fundamental:
Recibimos muchas buenas preguntas del público que no pudimos responder en ese momento. Nuestros invitados destacados han respondido amablemente a algunas de las preguntas. Les agradecemos por compartir más de su sabiduría.
¿Puedes hablar más sobre las prácticas de datos FAIR?
loren: FAIR significa Localizable, Accesible, Interoperable y Reutilizable, y se define de la siguiente manera:
- Encontrable significa que hay términos de búsqueda y organización asociados con conjuntos de datos que los hacen localizables cuando se utilizan términos de búsqueda relevantes, como proyecto, propósito experimental, etc.
- Accesible significa que una vez que se localizan los datos, se pueden obtener para su uso; literalmente puedo descargarlos. Esto puede venir con requisitos de autorización o autenticación asociados, según las políticas de acceso a datos de una organización determinada.
- Interoperable significa que los conjuntos de datos pueden operar con aplicaciones o flujos de trabajo para análisis, almacenamiento o procesamiento adicional.
- Reutilizable significa que los datos están bien documentados con metadatos asociados para permitir la recombinación en diferentes entornos. En otras palabras, los datos y los metadatos asociados utilizan vocabularios compartidos (onotologías) que permiten una relación comprendida entre conjuntos de datos, definiendo cómo se relacionan a través de los datos o metadatos contenidos en ellos.
Puede encontrar información más detallada sobre FAIR aquí: https://www.go-fair.org/fair-principles .
¿Cómo ha abordado el rechazo a la compra de licencias JMP por el argumento de "¿por qué no podemos simplemente usar Excel"? ¿Algún consejo para demostrar a los no usuarios que JMP vale la pena?
Kumar: Este es precisamente el argumento al que se enfrentan muchas organizaciones. Microsoft Excel es omnipresente en las organizaciones, pero cada vez hay más personas que se capacitan en R y Python. La pregunta es ¿cuál es el valor de invertir en JMP? Este último punto es relativamente fácil de disipar: R, Python y otras herramientas de análisis de código abierto necesitan un cierto nivel de experiencia y capacitación. Como resultado, no son el camino para democratizar la analítica, aunque pueden ser una ruta para democratizar soluciones analíticas específicas en las organizaciones. La conversión de Excel a JMP es la pregunta correcta a abordar, y los siguientes puntos ayudarán en este viaje:
- Utilice Excel como punto de partida para que las personas inicien el proceso de análisis, si es necesario. La gestión/organización y análisis básicos de datos se pueden enseñar en Excel.
- En la siguiente fase de mejora de las cualificaciones, incorporar JMP como facilitador clave. Muestre sus capacidades y ventajas únicas sobre Excel (por ejemplo, diseño de experimentos, visualización, manejo de conjuntos de datos más grandes, una cantidad significativamente mayor de métodos y modelos).
- Cree comunidades de usuarios de JMP en torno a áreas de aplicación; esto funciona mejor que dirigirse a usuarios individuales.
André: En realidad, existen dos enfoques y la elección del correcto depende de muchos factores. Un enfoque es el de toda la empresa. Requiere que alguien en el liderazgo de la empresa comprenda el valor y acepte la idea de que una transformación ocurre más rápido cuando existe compromiso y apoyo de arriba hacia abajo. Si no tiene un líder en la cima, entonces debería considerar el segundo enfoque, que consiste en un apoyo creciente a través de casos de éxito. Para este enfoque, es necesario ejecutar literalmente un experimento y tener un subconjunto de la organización funcionando como caso de prueba. A este grupo de prueba se le daría la oportunidad de operar con las herramientas adecuadas, como JMP, así como con la estructura de soporte adecuada. Considérelo un estudio de caso para mostrar valor. El éxito de este grupo alimentaría las futuras inversiones para expandirse.
loren: Es una pregunta justa por parte de la gerencia, ya que están tratando de ilustrar el ROI (retorno de la inversión) de cualquier dinero gastado en nuevas herramientas o estrategias para la gestión de datos. Es cierto que Excel es una herramienta rápida y sencilla para conjuntos de datos y análisis básicos de escala limitada. El problema aparece cuando los conjuntos de datos se vuelven sustanciales en escala (y sustancial significa diferentes cosas para diferentes personas) o las necesidades de modelado se vuelven significativas. Simplemente no hay comparación entre el poder de JMP como plataforma de análisis. Creo que Kumar y Andre cubrieron los enfoques correctos: establecer una capacidad central y brindar soporte para que los usuarios puedan demostrar un valor claro al implementar la herramienta.
¿Cuáles son formas específicas de incentivar el cambio y el crecimiento hacia una cultura de análisis?
Kumar: Tengo algunas sugerencias:
- Invierta en las herramientas (sistemas) adecuados para lograr la conversión/adopción de los usuarios. Concéntrese en una excelente experiencia de usuario y un acceso fluido a los datos.
- Identifique a los primeros usuarios/campeones empresariales y utilícelos para impulsar una mayor adopción.
- Implementar incentivos, como créditos de aprendizaje, que puedan contribuir a futuras oportunidades profesionales. Redefina los roles para incluir la analítica como un conjunto de habilidades clave.
André: Celebre las pequeñas victorias y celebre el comportamiento. Cuando un investigador utiliza nuevas habilidades, un enfoque novedoso para analizar los datos o un enfoque diferente para visualizar los datos, ese ejemplo debe celebrarse tanto como el descubrimiento de material nuevo.
loren: Como dice el cliché: el dinero habla. Ofrecer recompensas apropiadas por el cambio cultural es de gran ayuda. Tal vez ofrecer un almuerzo para el equipo que demuestre el uso más inteligente del análisis o una recompensa en efectivo por la resolución de problemas que tal vez no se habría logrado sin un enfoque centrado en los datos y el análisis. Yo diría que también comienza durante el proceso de contratación: necesitamos contratar personas que tengan ciertas habilidades o que entiendan que se espera que las desarrollen en el trabajo. Creo que tendemos a aislar un poco los conjuntos de habilidades (por ejemplo, un científico de datos hace el modelado; un científico de banco hace la experimentación). ¿Por qué no se puede esperar que las personas mejoren sus habilidades y crezcan continuamente en múltiples dimensiones?
Últimamente he escuchado mucho que deberíamos hacer de los datos un activo fundamental, y estoy de acuerdo. Mi pregunta es ¿cómo hacemos eso y cómo se ve?
Kumar: Esto debe abordarse en todos los niveles de la organización para que se cumpla plenamente:
- En el nivel superior, es necesario que exista una estrategia de datos que defina qué son los datos centrales, cómo se gestionarán (adquiridos, almacenados, protegidos, accedidos) y cómo se utilizarán para crear valor.
- En los niveles inferiores de la organización, se requieren dos cosas: 1) inculcar una cultura de orgullo por los datos y los datos como un activo compartido en la organización; 2) procesos y herramientas operativos para permitir la recopilación y gestión de datos de buena calidad como un activo compartido.
loren: Vemos esto mucho en la implementación de Riffyn Nexus. La respuesta corta es que debe ser fácil recopilar datos de alta calidad y organizarlos de acuerdo con las prácticas de datos FAIR. Si existen barreras para la recopilación y gestión de datos, los usuarios simplemente volverán a comportamientos existentes, como datos aislados en hojas de cálculo guardadas localmente.
Si su organización tiene una cultura de datos mínima (poca o ninguna alineación entre los procesos de negocio, los datos y las decisiones de negocio), ¿en qué se centra primero?
Kumar: Céntrese en los procesos de negocio que generan grandes cantidades de datos. Muestre el valor de analizar estos datos en términos de nuevos conocimientos que conduzcan a mejores decisiones o eficiencias operativas a partir de la automatización de análisis/informes. Una vez que se reconozca el impacto, pasar a sistematizar los problemas de captura/calidad de datos y mostrar mejoras en la calidad de los conocimientos/decisiones. Por último, identifique oportunidades para mejorar los procesos de negocio que invariablemente surgirán de los análisis. Estas mejoras suelen ser mucho más difíciles de implementar a menos que sus beneficios sean significativos.
André: En consonancia con el punto de Kumar, me centraría en aquellas áreas en las que se puede lograr el mayor impacto de forma efectiva y en las que se puede ofrecer valor rápidamente. Supongamos que tiene dos oportunidades: 1) una oportunidad de 100 millones de dólares que tardará varios años en concretarse y que requiere un esfuerzo masivo, o 2) una oportunidad de 10 millones de dólares en la que los datos están ampliamente disponibles, las partes interesadas están más comprometidas y la analítica tiene un efecto obvio y gran papel que desempeñar. Elija la oportunidad de $10 millones. Cumpla con ello, gane credibilidad y confianza, y avance hacia el punto en que la organización pueda abordar las oportunidades más importantes.
loren: Esto se cruza estrechamente con la cuestión del cambio cultural y la incentivación. Se requiere una inversión y una visión de arriba hacia abajo, junto con herramientas y actitud de abajo hacia arriba para que esto suceda. Señalaré que no es fácil, pero es profundamente gratificante en todos los niveles dentro de una organización. La administración necesita crear el espacio y los incentivos para que esto suceda, al mismo tiempo que proporciona la infraestructura para impulsarlo.
¿Ha habido alguna evolución en RR.HH. para apoyar la construcción de una cultura de análisis, como descripciones de puestos, incentivos para mejorar las habilidades, etc.?
Kumar: Sí. RR.HH. necesita y está desempeñando un papel fundamental en la construcción de una cultura analítica en las organizaciones. Abarca desde incluir datos y análisis como una habilidad específica, crear roles de análisis, construir una red de reclutamiento y defender la mejora de las habilidades de los empleados a través de oportunidades de aprendizaje.
Muchas organizaciones han visto el concepto de ciudadanos científicos de datos utilizado para promover/elevar la base de la organización a un nivel más alto de conciencia y cultura analítica. Crean incentivos, que van desde certificaciones, créditos de aprendizaje que ayudan a aumentar las oportunidades profesionales y tutoría inversa para la alta dirección.
¿Cómo se agregan datos en un grupo grande? ¿Qué herramientas se pueden utilizar para tomar los datos de un problema de manera que tengan relevancia para el conjunto mayor de datos agregados?
Kumar: Para un grupo que tiene un dominio común (como las ciencias biológicas o la fabricación), la clave es estandarizar un proceso para la captura de datos, lo que impulsará la eficiencia y, lo que es más importante, la calidad de los datos. El mayor obstáculo para el intercambio de datos es la mala calidad de los mismos, como datos faltantes o falta de metadatos. Se puede mejorar la calidad de los datos mediante una herramienta como una plantilla de captura de datos estandarizada o un flujo de trabajo fácil de usar (los cuadernos de laboratorio electrónicos funcionan bien). Para grupos de distintos dominios, puede resultar más complicado. Funciona mejor si hay un caso de uso definido que necesita acceder a datos en estos dominios. Suponiendo que esto se haya establecido, reunir estos conjuntos de datos en un entorno de nube para su análisis es el método operativo estándar en la actualidad. La clave es permitir la búsqueda y el descubrimiento de datos en estos grupos para facilitar las soluciones analíticas.
loren: Quiero hacerme eco del excelente comentario de Kumar sobre la estandarización de procesos para la captura de datos. Esto significa proporcionar las herramientas y ontologías que crean coherencia y alineación dentro de los grupos. Se puede impulsar la agregación de datos entre grupos comprendiendo cómo fluyen los datos y los materiales entre los grupos. Significa alinearse con cosas simples, como esquemas de nombres de muestra, para que los datos puedan unirse en un lago de datos o una herramienta como Riffyn Nexus.
¿Cómo se consigue que la gente confíe en los resultados del análisis cuando no entienden completamente las matemáticas o la estadística?
Kumar: De hecho, este es uno de los desafíos para crear una cultura generalizada de análisis en las organizaciones; por lo tanto, no se puede subestimar la importancia de la gestión del cambio. Hablamos de la necesidad de elevar el nivel de la organización, lo que se refiere a aumentar la conciencia sobre los datos y el análisis y su valor en todos los niveles de la organización. También es necesario centrarse en los directivos y líderes que deben tomar las decisiones empresariales. Cada vez vemos más capacitación en datos y transformación digital para líderes. Al hacer lo anterior, también es necesario abordar la dicotomía exageración versus realidad que existe entre los no expertos. Hay quienes creen que la analítica (IA/ML) es una panacea para todos los problemas empresariales, mientras que hay otros que citarán los gloriosos fracasos para respaldar su posición de que el valor de la analítica (especialmente la IA/ML) está sobrevalorado. La verdad está, por supuesto, en el medio, por lo que el objetivo de toda capacitación debe ser mostrar esto como el arte de la posibilidad, combinado con un sentido de realismo para impulsar el comportamiento y los resultados correctos en las organizaciones.
André: Estoy de acuerdo con el punto de Kumar de elevar la palabra y eso comienza con la necesidad de educación continua. También creo que un centro de excelencia con personas muy respetadas y expertos en la materia en el campo brindará la seguridad para que la gente lo acepte. Con esa aceptación, los resultados y la confianza se construirán naturalmente dentro de una organización.
La clave para generar valor es actuar a partir de conocimientos y análisis. ¿Cómo deberían las organizaciones impulsar la acción junto con el análisis?
Kumar: Claramente, una transformación hacia una cultura de análisis fracasará a menos que se cree valor al convertir los conocimientos en acciones. Por lo tanto, es importante acordar un conjunto muy claro de acciones al comienzo de cada proyecto de análisis. Cada resultado o predicción debe tener un resultado específico para el negocio, ya sea una mejora mensurable en la eficiencia o un impacto en un proceso o decisión comercial.
¿Podría comentarnos cómo se pueden abordar los aspectos éticos y de sostenibilidad en un entorno industrial?
André: Creo que el significado de ética y sostenibilidad en esta pregunta tiene que ver con el tratamiento ético de los datos y la sostenibilidad a largo plazo de las soluciones digitales propuestas (a diferencia de la ética general en la industria y los desafíos generales de sostenibilidad para el planeta).
El debate actual sobre la ética en los datos y su tratamiento que se está debatiendo en el mundo académico y la industria es muy importante. En el mundo ideal, los datos generados son transparentes y los análisis de los datos son reproducibles, auditables y autoexplicativos para futuros usuarios. El profesor Philip Stark de Berkeley habla sobre el concepto de “preproducibilidad” y aborda bien este tema. Veo que la industria y el mundo académico evolucionan hacia un sistema de transparencia de datos dentro de un campo específico y un grupo específico (es decir, todos los miembros de una organización que puedan crear valor a partir de esos datos deberían tener acceso a los datos sin procesar y a sus metadatos asociados).
Al abordar la cuestión de la sostenibilidad de los sistemas y procesos, la industria siempre tiene que tomar una decisión al desarrollar un sistema y un flujo de trabajo de generación y análisis de datos. ¿Elige un desarrollo rápido que sirva muy bien para un proyecto pero que no sea escalable? ¿O elige un desarrollo más largo y costoso de un sistema y un flujo de trabajo de generación de datos que sea holístico y aplicable en todos los flujos de trabajo? La respuesta, en mi opinión, es que necesitamos equilibrio. Algunas de las piezas fundamentales de la estructura de datos y los procesos en la investigación que afectarán a la mayoría de los flujos de trabajo deben tratarse de manera integral, ya que es mejor y más barato hacerlo de esta manera. Sin embargo, siempre existirán sistemas únicos, proyectos únicos y necesidades únicas, por lo que es importante tener la flexibilidad para aceptarlos en su arquitectura y cultura de datos. En otras palabras, siempre se debe considerar un enfoque pragmático.
Mirar Este episodio de Estadísticamente Hablando a través de nuestro sitio web.
