Levannia Lildhar 是位于渥太华的 Siemens Healthineers 的数据科学家。 作为公司产品工程团队的成员，Levannia 使用应用统计数据来支持现场生物传感器性能监测、校准和验证新研发传感器技术的工作。
她拥有不列颠哥伦比亚大学的数据科学硕士学位和渥太华大学的化学工程和生物化学学士学位。 她的研究已发表在《基因组生物学与进化杂志》和《生物医学材料研究杂志》上。 她也是联合主持人数字的秘密生活，一个播客，她在其中讨论日常生活中的数字。
梅格：就像我们今天的许多人一样，你的职业道路一直在演变。 在开始从事化学工程和生物化学工作后，您是如何涉足数据科学的？
莱万尼亚：我的职业生涯始于产品工程师，这是一个非常经典的角色。 我们正在制造产品，帮助提高产量、减少废品、进行校准——诸如此类。 但随着时间的推移，我们开始意识到，由于没有充分分析我们的数据，我们正在丢失大量信息。 我们也开始怀疑我们的模型是否可以更强大、更经得起未来考验。
不过，当时我并不觉得自己具备评估或构建所需模型的技能。 所以我离开 Siemens Healthineers 10 个月来获得我的数据科学硕士学位。 现在我回来担任数据科学家工作，我真的希望将数据科学团队的范围扩大到目前的范围之外：我们可以构建有助于生产线的模型吗？ 我们能否构建关注自动化或图像的模型，而不仅仅是数字？
凭借我所获得的知识，以及与数据科学团队一起，我们真的能够开始为更广泛的数据素养奠定基础。 我们正朝着“这就是我们想要查看数据的方式，这是我们查看数据时使用的语言”的方向发展。
Meg：你认为在进入数据科学领域之前曾担任过产品工程职位，是否会给你带来与传统统计学家不同的视角？
莱万尼亚：它当然有助于沟通。 例如，当数据科学家做出决定时，他们可能会根据制造或过程工程可能不一定接触到的东西做出决定。 他们可能更关心模型是否有效、为什么以及他们需要关注哪些关键参数。 当您描述作品时，这将成为您的重点。
我的工程背景也有助于了解要做什么或重点放在哪里。 有一种说法，所有模型在某些方面都不好，但有些是有用的。 作为一名产品工程师，我认为更容易看出什么是有用的。 所以我可以制作一个仍然有用的坏模型！
梅格：鉴于数据科学家和工程师沟通方式的差异，您是否遇到过很多质疑？ 您发现哪些概念证明在领域专家眼中最引人注目？
莱万尼亚：我喜欢将我们的数据科学团队视为为所有其他团队服务；我们的目标是为整个组织服务。 我们还很年轻，因为我认为医疗保健中数据科学的想法还很年轻。 我们仍在学习我们适合的地方并倡导它，我们仍然遇到那些对我们可能使用的一些更先进的技术不太信任的人。 他们仍然需要在行动中看到它——这是公平的，因为我们制造的医疗诊断设备会影响患者的生活，所以这种谨慎的方法绝对是必要的和必要的！
我想说，总的来说，接受更先进的技术可能需要时间。 我们必须证明，如果出现问题，并不是更先进的技术导致了问题。 感觉就像您一直在捍卫分析。 但是当你多次经历这个过程时，当问题出现时，你就有信心认为这实际上是一个应该解决的问题，而不仅仅是模型中的异常。
在许多情况下，我们会查看几种情况和边缘情况。 这需要花时间收集数据并证明新技术可以准确和精确地执行。 我这么说是大笑，但有时当你被要求查看某种情况时，你会感到沮丧，你会说，“好吧，模特当然可以做到这一点。”这一切都回到了沟通上。
随着您的建模技术越来越先进，您希望确保您正在传达正在发生的事情。 您必须意识到，在此背景下工作了很长时间的领域专家会给您带来一些有趣的情况。 可能有一些你没有想到的事情。 做这种工作也确实考验你。 但最终，它也产生了更强大的分析和模型，所以我也感谢审查。
最后，强调统计方法或一些更高级的分析可以节省时间是有帮助的，因为人们永远没有足够的时间！ 我们可以创建模型和构建工具来节省时间……而且它们通常更强大。 它们还可以帮助人们获得更快做出决策所需的信息。
梅格：管理层是否给予支持？
莱万尼亚：是的。 尽管与任何尝试新工具或方法的团队一样，管理层希望先看看你能做什么。 我们仍处于 [Siemens Healthineers 的领导层] 给予我们自由去看看我们能做什么的阶段。 他们为我们指明了正确的方向，也许会给我们提供有趣的问题来解决，这也将有助于业务。
现在每个人——无论你在哪个行业——都在了解到到处都有如此多的数据，如果你正确地分析它，你可以做很多事情：省钱、变得更可预测、变得更可靠……。 我认为随着组织的发展——尤其是在 COVID 医疗保健领域——我们必须增加产量并考虑如何提高效率。 即使在供应链等领域，团队也在考虑如何更好地利用数据。
梅格：随着该领域的发展，培训必须发挥什么作用？
莱万尼亚：我认为你不需要正式培训就可以成为一名数据科学家。 早在我们有这个流行术语之前，人们就在做数据科学——只是我们现在已经给它贴上了标签。
也就是说，我的部分职责是支持培训，并且JMP是我们使用的工具。 想想人们一开始想学习如何处理他们的数据：他们想要可视化数据、标记异常值、绘制图表、制表。 JMP 可以快速轻松地完成所有这些工作，您不需要太多培训即可完成！
使用 JMP，您可以更快地行动。 老实说，它是我见过的用于数据整理和数据可视化的最佳工具之一。 您无需下载 Python 或 R，也无需了解如何编码。
Meg：您提到了“数据素养”这个词，我想知道：您对 Siemens Healthineers 未来两到五年的愿景是什么？
莱万尼亚：我希望我能激励那些与我一起工作的人更多地思考他们的数据，思考他们的数据素养——我希望它更像是一种共同的语言：我们使用相同的术语；我们以类似的方式处理问题；我们明白我们需要考虑什么。
即使使用像数据可视化这样简单的东西，我们有时也可以更容易地理解问题与噪声之间的区别。 此外，我们可以将这种对数据的思考方式集成到我们的流程中，以便它始终在后台存在。 您可以查看从流程开始到结束的数据。
例如，如果您能弄清楚哪些关键指标会导致故障，您就可以在故障发生之前了解趋势并主动进行调整。 将来，我希望我们的网站——或者我们的整个组织——更多地考虑他们的数据。 考虑一下。 坐一会儿，也许，玩它，建立一些图表，然后开始使用它来帮助他们回答问题。 我们正在到达那里。
梅格：您是否使用任何自动化来帮助标准化处理和思考数据的最佳实践？
莱万尼亚：当然，是的。 在我们的网站上，有两三个团队大量使用 JMP。 我们创造了为我们做重复工作的脚本，这非常有用。 在 JMP 中，您可以只保存一个脚本并从其他地方运行它。 您可以与其他人分享它——这肯定有助于建立能力，因为您无需从头开始做某事，而是准备好一个自动化流程。 这非常有用。
梅格：我很好奇你的经历JMP 早期采用者计划.
莱万尼亚：几年前我加入了，我很喜欢它，因为您可以看到正在开发的新功能并评论这些功能。 有时您会看到您的评论在 JMP 的新版本中发挥作用。 有时你想要的东西没有出来，你就像，“呃，我有点失望”——哈！
我认为 JMP 在保持对话进行方面做得非常好。 [JMP 系统工程团队] 随时为您提供帮助，您可以向他们发送数据。 还有研讨会，当我们遇到 JMP 16 的一些问题时，客户服务非常好。 我们会见面并展示数据，您可以交互地找出发生了什么并提交错误。 我喜欢 JMP 与我们来回交流，因为您觉得他们实际上正在解决您的问题。
我也很惊讶您可以如此频繁地与我们联系，并且在许多情况下反馈几乎是即时的。 这 [ JMP 在线社区] 论坛在我们开始编写更多脚本时对我们有很大帮助。 事实上，我可能应该为这些论坛做出更多贡献，因为它们对我帮助很大，而且仍然如此。
Meg：总结一下，你会给刚刚起步的人什么建议——关于他们的职业、JMP，甚至可能是他们的教育。
莱万尼亚： JMP 在其培训资源方面做得非常好。 有一些非常非常好的在线视频和培训——[工业问题解决的统计思维（STIPS） ] 对您来说就像是一个完整的系统。 事实上，我们要求新员工从 STIPS 开始。 如果您刚开始使用 JMP，那将是一个非常好的基础。
如果你想成为一名数据科学家，我的建议是你不需要正式培训。 对数据的好奇心就是您所需要的。 事实上，很多人在没有意识到的情况下进行数据分析工作。 任何关心做出数据驱动决策的人都可以称自己为数据科学家。 您真正需要做的就是花更多时间处理数据。 是的，您还需要了解这些工具和技术，而这实际上要从 JMP 之类的工具开始，这些工具使数据科学变得容易。 特别是如果你没有接受过正规培训。
它归结为：在分析数据时不要害怕用数据做有趣或大胆的事情，因为如果你不寻找它们，你不知道它会告诉你什么故事。
