Levannia Lildhar 是位于渥太华的西门子医疗公司的数据科学家。 作为公司产品工程团队的成员，Levennia 使用应用统计学来支持新研发传感器技术的现场生物传感器性能监测、校准和验证工作。
她拥有不列颠哥伦比亚大学数据科学硕士学位和渥太华大学化学工程和生物化学学士学位。 她的研究成果发表在《基因组生物学与进化杂志》和《生物医学材料研究杂志》上。 她也是节目的联合主持人数字的秘密生活，一个她讨论日常生活中的数字的播客。
梅格：就像我们今天的许多人一样，您的职业道路也经历了一段演变。 从化学工程和生物化学开始，您是如何涉足数据科学的？
利瓦尼亚：我的职业生涯始于产品工程师，这是一个非常经典的角色。 我们正在构建一种产品，帮助提高产量、减少废品、进行校准等等。 但随着时间的推移，我们开始意识到，由于没有充分分析数据，我们正在丢失大量信息。 我们也开始思考我们的模型是否可以更强大、更面向未来。
但当时，我觉得自己没有能力评估或构建所需的模型。 因此，我离开西门子医疗公司 10 个月，以获得数据科学硕士学位。 现在我回来并担任数据科学家，我真的希望将数据科学团队的权限扩展到当前范围之外：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而不仅仅是数字的模型？
凭借我所获得的知识，并与数据科学团队一起，我们确实能够开始为更广泛的数据素养奠定基础。 我们正在朝着“这就是我们看待数据的方式，这就是我们在看待数据时使用的语言。”
梅格：您认为在进入数据科学之前担任产品工程职位会给您带来与传统统计学家不同的视角吗？
利瓦尼亚：这当然有助于沟通。 例如，当数据科学家做出决定时，他们可能会基于制造或工艺工程不一定接触过的东西。 他们可能更关心模型是否有效、原因以及需要关注哪些关键参数。 当你描述这项工作时，这将成为你的焦点。
我的工程背景在了解要做什么或重点放在哪里方面也有一些帮助。 有句话说，所有模型都在某种程度上是不好的，但有些模型是有用的。 作为一名产品工程师，我认为更容易看出什么是有用的。 这样我就可以制作一个仍然有用的糟糕模型！
梅格：鉴于数据科学家和工程师沟通方式的差异，您是否遇到过很多怀疑？ 您认为哪些概念证明在领域专家眼中最引人注目？
利瓦尼亚：我喜欢认为我们的数据科学团队是为所有其他团队服务的；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技术不太信任的人。 他们仍然需要看到它的实际应用——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，因此这种谨慎的方法绝对是必要的！
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。 感觉就像你总是在捍卫分析。 但是，当您多次经历该过程时，当问题出现时，您就有信心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，我们会考虑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无误地执行。 我笑着说，但有时，当你被要求观察某种情况时，你可能会感到沮丧，“嗯，模型当然可以做到这一点。”这一切都回到了沟通。
随着您的建模技术越来越先进，您需要确保能够传达正在发生的情况。 您必须意识到，长期在此背景下工作的领域专家将为您带来一些有趣的情况。 可能有一些你没有想到的事情。 做这样的工作也确实是对你的考验。 但最终，它也带来了更强大的分析和模型，所以我也很感谢大家的审查。
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！ 我们可以创建模型并构建可以节省时间的工具……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：管理层是否支持？
利瓦尼亚：是的。 尽管与尝试新工具或新方法的任何团队一样，管理层希望首先看看您能做什么。 我们仍处于[西门子医疗的领导层]让我们自由地看看我们能做什么的阶段。 他们也许会为我们提供有趣的问题来解决，从而为我们指明正确的方向，这也将有助于业务。
现在，每个人——无论你从事哪个行业——都知道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，尤其是在新冠疫情带来的医疗保健领域，我们必须增加产量并思考如何提高效率。 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？
利瓦尼亚：我认为成为一名数据科学家不需要正式的培训。 早在我们有了这个流行术语之前，人们就已经开始研究数据科学了——只是我们现在给它贴上了标签。
也就是说，我的部分职责是支持培训，并且联合管理计划是我们使用的工具。 想想人们一开始想要学习如何处理数据：他们想要将数据可视化、标记异常值、绘制图表、制成表格。 JMP 非常快速、轻松地完成所有这些工作，您不需要太多培训即可完成！
借助 JMP，您能够更快地行动。 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。 您不需要下载 Python 或 R，也不需要了解如何编码。
梅格：您提到“数据素养”一词，我想知道：您对西门子医疗未来两到五年的愿景是什么？
利瓦尼亚：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，并思考他们的数据素养——我希望它更像是一种共同语言：我们使用相同的术语；我们处理问题的方式类似；我们了解我们需要考虑什么。
即使使用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和噪音之间的区别。 此外，我们可以将这种数据思考方式集成到我们的流程中，以便它始终存在于后台。 您可以查看从流程开始到结束的数据。
例如，如果能找出哪些关键指标会导致故障，就可以在故障发生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。 也许可以坐一会儿，玩玩它，构建一些图表，然后开始使用它来帮助他们回答问题。 我们正在实现这一点。
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？
利瓦尼亚：当然，是的。 在我们的站点，有两三个团队大量使用 JMP。 我们已经创建了为我们做重复性工作的脚本，这非常有用。 在 JMP 中，您只需保存脚本并从其他位置运行它。 而且您可以与其他人分享——这当然有助于培养能力，因为您不必从头开始做某事，而是有一个随时可用的自动化流程。 这非常有用。
梅格：我很好奇你的经历JMP 早期采用者计划。
利瓦尼亚：我几年前加入了，我确实喜欢它，因为你可以看到正在开发的新功能并对这些功能发表评论。 有时您会看到您的评论在新版本的 JMP 中发挥作用。 有时你想要的东西没有出现，你会说，“呃，我有点失望”——哈！
我认为 JMP 在保持对话持续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，当我们在使用 JMP 16 时遇到一些问题时，客户服务非常好。 我们会见面并展示数据，您可以交互式地找出正在发生的事情并提交错误。 我喜欢 JMP 与我们进行反复交流，因为您会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联系我们，而且在许多情况下几乎可以立即得到反馈。 这 [ JMP 在线社区] 在我们开始编写更多脚本时，论坛对我们有很大帮助。 事实上，我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：总而言之，您会给那些刚刚起步的人什么建议——他们的职业生涯、JMP，甚至可能是他们的教育。
利瓦尼亚： JMP 的培训资源做得非常好。 网上有一些非常非常好的视频和培训 – [解决工业问题的统计思维 (STIPS) ] 就像一个完整的系统就在那里为您服务。 事实上，我们要求新员工首先通过 STIPS。 如果您刚刚开始使用 JMP，那么这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的培训。 您所需要的就是对数据的好奇心。 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，您还需要了解工具和技术，而这实际上是从 JMP 等使数据科学变得简单的工具开始的。 特别是如果您没有接受过正式培训。
归根结底是：在分析数据时，不要害怕用数据做有趣或大胆的事情，因为如果你不寻找数据，你就不知道它会告诉你什么故事。
