Levannia Lildhar 是位於渥太華的 Siemens Healthineers 的數據科學家。 作為公司產品工程團隊的成員，Levannia 使用應用統計數據來支持現場生物傳感器性能監測、校準和驗證新研發傳感器技術的工作。
她擁有不列顛哥倫比亞大學的數據科學碩士學位和渥太華大學的化學工程和生物化學學士學位。 她的研究已發表在《基因組生物學與進化雜誌》和《生物醫學材料研究雜誌》上。 她也是聯合主持人數字的秘密生活，一個播客，她在其中討論日常生活中的數字。
梅格：就像我們今天的許多人一樣，你的職業道路一直在演變。 在開始從事化學工程和生物化學工作後，您是如何涉足數據科學的？
萊萬尼亞：我的職業生涯始於產品工程師，這是一個非常經典的角色。 我們正在製造產品，幫助提高產量、減少廢品、進行校準——諸如此類。 但隨著時間的推移，我們開始意識到，由於沒有充分分析我們的數據，我們正在丟失大量信息。 我們也開始懷疑我們的模型是否可以更強大、更經得起未來考驗。
不過，當時我並不覺得自己具備評估或構建所需模型的技能。 所以我離開 Siemens Healthineers 10 個月來獲得我的數據科學碩士學位。 現在我回來擔任數據科學家工作，我真的希望將數據科學團隊的範圍擴大到目前的範圍之外：我們可以構建有助於生產線的模型嗎？ 我們能否構建關注自動化或圖像的模型，而不僅僅是數字？
憑藉我所獲得的知識，以及與數據科學團隊一起，我們真的能夠開始為更廣泛的數據素養奠定基礎。 我們正朝著“這就是我們想要查看數據的方式，這是我們查看數據時使用的語言”的方向發展。
Meg：你認為在進入數據科學領域之前曾擔任過產品工程職位，是否會給你帶來與傳統統計學家不同的視角？
萊萬尼亞：它當然有助於溝通。 例如，當數據科學家做出決定時，他們可能會根據製造或過程工程可能不一定接觸到的東西做出決定。 他們可能更關心模型是否有效、為什麼以及他們需要關注哪些關鍵參數。 當您描述作品時，這將成為您的重點。
我的工程背景也有助於了解要做什麼或重點放在哪裡。 有一種說法，所有模型在某些方面都不好，但有些是有用的。 作為一名產品工程師，我認為更容易看出什麼是有用的。 所以我可以製作一個仍然有用的壞模型！
梅格：鑑於數據科學家和工程師溝通方式的差異，您是否遇到過很多質疑？ 您發現哪些概念證明在領域專家眼中最引人注目？
萊萬尼亞：我喜歡將我們的數據科學團隊視為為所有其他團隊服務；我們的目標是為整個組織服務。 我們還很年輕，因為我認為醫療保健中數據科學的想法還很年輕。 我們仍在學習我們適合的地方並倡導它，我們仍然遇到那些對我們可能使用的一些更先進的技術不太信任的人。 他們仍然需要在行動中看到它——這是公平的，因為我們製造的醫療診斷設備會影響患者的生活，所以這種謹慎的方法絕對是必要的和必要的！
我想說，總的來說，接受更先進的技術可能需要時間。 我們必須證明，如果出現問題，並不是更先進的技術導致了問題。 感覺就像您一直在捍衛分析。 但是當你多次經歷這個過程時，當問題出現時，你就有信心認為這實際上是一個應該解決的問題，而不僅僅是模型中的異常。
在許多情況下，我們會查看幾種情況和邊緣情況。 這需要花時間收集數據並證明新技術可以準確和精確地執行。 我這麼說是笑，但有時當你被要求查看某種情況時，你會感到沮喪，你會說，“好吧，模型當然可以做到這一點。”這一切都回到了溝通上。
隨著您的建模技術越來越先進，您希望確保您正在傳達正在發生的事情。 而且您必須意識到，在此背景下工作了很長時間的領域專家會給您帶來一些有趣的情況。 可能有一些你沒有想到的事情。 做這種工作也確實考驗你。 但最終，它也產生了更強大的分析和模型，所以我也感謝審查。
最後，強調統計方法或一些更高級的分析可以節省時間是有幫助的，因為人們永遠沒有足夠的時間！ 我們可以創建模型和構建工具來節省時間……而且它們通常更強大。 它們還可以幫助人們獲得更快做出決策所需的信息。
梅格：管理層是否給予支持？
萊萬尼亞：是的。 儘管與任何嘗試新工具或方法的團隊一樣，管理層希望先看看你能做什麼。 我們仍處於 [Siemens Healthineers 的領導層] 給予我們自由去看看我們能做什麼的階段。 他們為我們指明了正確的方向，也許會給我們提供有趣的問題來解決，這也將有助於業務。
現在每個人——無論你在哪個行業——都在了解到到處都有如此多的數據，如果你正確地分析它，你可以做很多事情：省錢、變得更可預測、變得更可靠……。 我認為隨著組織的發展——尤其是在 COVID 醫療保健領域——我們必須增加產量並考慮如何提高效率。 即使在供應鍊等領域，團隊也在考慮如何更好地利用數據。
梅格：隨著該領域的發展，培訓必鬚髮揮什麼作用？
萊萬尼亞：我認為你不需要正式培訓就可以成為一名數據科學家。 早在我們有這個流行術語之前，人們就在做數據科學——只是我們現在已經給它貼上了標籤。
也就是說，我的部分職責是支持培訓，並且JMP是我們使用的工具。 想想人們一開始想學習如何處理他們的數據：他們想要可視化數據、標記異常值、繪製圖表、製表。 JMP 可以快速輕鬆地完成所有這些工作，您不需要太多培訓即可完成！
使用 JMP，您可以更快地行動。 老實說，它是我見過的用於數據整理和數據可視化的最佳工具之一。 您無需下載 Python 或 R，也無需了解如何編碼。
Meg：您提到了“數據素養”這個詞，我想知道：您對 Siemens Healthineers 未來兩到五年的願景是什麼？
萊萬尼亞：我希望我能激勵那些與我一起工作的人更多地思考他們的數據，思考他們的數據素養——我希望它更像是一種共同的語言：我們使用相同的術語；我們以類似的方式處理問題；我們明白我們需要考慮什麼。
即使使用像數據可視化這樣簡單的東西，我們有時也可以更容易地理解問題與噪聲之間的區別。 此外，我們可以將這種對數據的思考方式集成到我們的流程中，以便它始終在後台存在。 您可以查看從流程開始到結束的數據。
例如，如果您能弄清楚哪些關鍵指標會導致故障，您就可以在故障發生之前了解趨勢並主動進行調整。 將來，我希望我們的網站——或者我們的整個組織——更多地考慮他們的數據。 考慮一下。 坐一會兒，也許，玩它，建立一些圖表，然後開始使用它來幫助他們回答問題。 我們正在到達那裡。
梅格：您是否使用任何自動化來幫助標準化處理和思考數據的最佳實踐？
萊萬尼亞：當然，是的。 在我們的網站上，有兩三個團隊大量使用 JMP。 我們創造了為我們做重複工作的腳本，這非常有用。 在 JMP 中，您可以只保存一個腳本並從其他地方運行它。 您可以與其他人分享它——這肯定有助於建立能力，因為您無需從頭開始做某事，而是準備好一個自動化流程。 這非常有用。
梅格：我很好奇你的經歷JMP 早期採用者計劃.
萊萬尼亞：我是幾年前加入的，我很喜歡它，因為您可以看到正在開發的新功能並評論這些功能。 有時您會看到您的評論在 JMP 的新版本中發揮作用。 有時你想要的東西沒有出來，你就像，“呃，我有點失望”——哈！
我認為 JMP 在保持對話進行方面做得非常好。 [JMP 系統工程團隊] 隨時為您提供幫助，您可以向他們發送數據。 還有研討會，當我們遇到 JMP 16 的一些問題時，客戶服務非常好。 我們會見面並展示數據，您可以交互地找出發生了什麼並提交錯誤。 我喜歡 JMP 與我們來回交流，因為您覺得他們實際上正在解決您的問題。
我也很驚訝您可以如此頻繁地與我們聯繫，並且在許多情況下反饋幾乎是即時的。 這 [ JMP 在線社區] 論壇在我們開始編寫更多腳本時對我們有很大幫助。 事實上，我可能應該為這些論壇做出更多貢獻，因為它們對我幫助很大，而且仍然如此。
Meg：總結一下，你會給剛剛起步的人甚麼建議——關於他們的職業、JMP，甚至可能是他們的教育。
萊萬尼亞： JMP 在其培訓資源方面做得非常好。 有一些非常非常好的在線視頻和培訓——[工業問題解決的統計思維（STIPS） ] 對您來說就像是一個完整的系統。 事實上，我們要求新員工從 STIPS 開始。 如果您剛開始使用 JMP，那將是一個非常好的基礎。
如果你想成為一名數據科學家，我的建議是你不需要正式培訓。 對數據的好奇心就是您所需要的。 事實上，很多人在沒有意識到的情況下進行數據分析工作。 任何關心做出數據驅動決策的人都可以稱自己為數據科學家。 您真正需要做的就是花更多時間處理數據。 是的，您還需要了解工具和技術，而這實際上要從 JMP 之類的工具開始，這些工具使數據科學變得容易。 特別是如果你沒有接受過正規培訓。
它歸結為：在分析數據時不要害怕用數據做有趣或大膽的事情，因為如果你不尋找它們，你不知道它會告訴你什麼故事。
