Levannia Lildhar ist Datenwissenschaftlerin bei Siemens Healthineers mit Sitz in Ottawa. Als Mitglied des Produktentwicklungsteams des Unternehmens nutzt Levannia angewandte Statistiken, um die Arbeit im Bereich der Leistungsüberwachung, Kalibrierung und Validierung neuer F&E-Sensortechnologien von Biosensoren zu unterstützen.
Sie hat einen Master-Abschluss in Datenwissenschaft von der University of British Columbia und einen Bachelor-Abschluss in Chemieingenieurwesen und Biochemie von der University of Ottawa. Ihre Forschung wurde im Journal of Genome Biology and Evolution und im Journal of Biomedical Materials Research veröffentlicht. Sie ist außerdem Co-Moderatorin von Das geheime Leben der Zahlen , ein Podcast, in dem sie über Zahlen im Alltag spricht.
Meg: Wie bei so vielen von uns heute war Ihr Karriereweg eine Art Entwicklung. Wie sind Sie nach Ihrem Einstieg in Chemieingenieurwesen und Biochemie zur Datenwissenschaft gekommen?
Levannien: Ich habe meine Karriere als Produktingenieur begonnen, was eine sehr klassische Rolle ist. Wir haben ein Produkt entwickelt, dabei geholfen, die Ausbeute zu steigern, Ausschuss zu reduzieren, Kalibrierungen durchzuführen – und so weiter. Doch mit der Zeit wurde uns klar, dass wir viele Informationen verloren, weil wir unsere Daten nicht vollständig analysierten. Wir begannen uns auch zu fragen, ob unsere Modelle robuster und zukunftssicherer sein könnten.
Zu diesem Zeitpunkt hatte ich jedoch nicht das Gefühl, dass ich über die Fähigkeiten verfügte, die benötigten Modelle zu beurteilen oder zu bauen. Also verließ ich Siemens Healthineers für 10 Monate, um meinen Master in Data Science zu machen. Jetzt bin ich zurück und arbeite als Datenwissenschaftler, und ich hoffe wirklich, dass ich den Aufgabenbereich des Datenwissenschaftsteams über seinen derzeitigen Umfang hinaus erweitern kann: Können wir Modelle erstellen, die die Fertigungslinie unterstützen? Können wir Modelle erstellen, die Automatisierung oder Bilder berücksichtigen, nicht nur Zahlen?
Mit dem Wissen, das ich gewonnen habe, und zusammen mit dem Data-Science-Team konnten wir wirklich damit beginnen, die Grundlagen für eine umfassendere Datenkompetenz zu legen. Wir bewegen uns in Richtung „So wollen wir Daten betrachten, und das ist die Sprache, die wir verwenden, wenn wir Daten betrachten.“
Meg: Glauben Sie, dass Sie durch die Tätigkeit in der Produktentwicklung vor Ihrem Einstieg in die Datenwissenschaft eine andere Perspektive haben als beispielsweise die eines traditionellen Statistikers?
Levannien: Es hilft sicherlich bei der Kommunikation. Wenn beispielsweise ein Datenwissenschaftler eine Entscheidung trifft, stützt er sich möglicherweise auf etwas, dem die Fertigung oder die Verfahrenstechnik möglicherweise nicht unbedingt ausgesetzt waren. Möglicherweise geht es ihnen eher um die Tatsache, dass das Modell funktioniert, warum und welche Schlüsselparameter sie im Auge behalten müssen. Darauf konzentrieren Sie sich, wenn Sie die Arbeit beschreiben.
Mein technischer Hintergrund hilft auch ein wenig, wenn es darum geht, zu wissen, woran man arbeiten oder wo man Schwerpunkte legen muss. Es gibt ein Sprichwort, dass alle Modelle auf irgendeine Weise schlecht sind, aber einige sind nützlich. Als Produktingenieur denke ich, dass es einfacher ist zu erkennen, was nützlich sein wird. So kann ich ein schlechtes Modell erstellen, das immer noch nützlich ist!
Meg: Sind Sie angesichts der Unterschiede in der Art und Weise, wie Datenwissenschaftler und Ingenieure kommunizieren, auf große Skepsis gestoßen? Welche Proofs of Concept sind Ihrer Meinung nach in den Augen von Fachexperten am überzeugendsten?
Levannien: Ich stelle mir gerne vor, dass unser Data-Science-Team allen anderen Teams dient. Unser Ziel ist es, der gesamten Organisation zu dienen. Wir sind noch ziemlich jung, weil ich denke, dass die Idee der Datenwissenschaft im Gesundheitswesen noch ziemlich jung ist. Wir lernen immer noch, wo wir hinpassen, und setzen uns dafür ein, und wir stoßen immer noch auf Personen, die noch nicht viel Vertrauen in einige der fortgeschritteneren Techniken haben, die wir möglicherweise verwenden. Sie müssen es noch in der Praxis sehen – was fair ist, denn wir bauen medizinische Diagnosegeräte, die sich auf das Leben von Patienten auswirken. Daher ist eine solche sorgfältige Herangehensweise auf jeden Fall gerechtfertigt und notwendig!
Ich würde sagen, dass es im Großen und Ganzen einige Zeit dauern kann, bis man fortgeschrittenere Techniken akzeptiert. Wir mussten nachweisen, dass, wenn etwas schief ging, nicht die fortschrittlichere Technik das Problem verursachte. Es kann sich so anfühlen, als würden Sie die Analyse ständig verteidigen. Aber wenn Sie diesen Prozess viele Male durchlaufen haben, haben Sie bei Auftreten eines Problems die Gewissheit, dass es sich tatsächlich um ein Problem handelt, das gelöst werden sollte, und nicht nur um eine Anomalie im Modell.
In vielen Fällen betrachten wir mehrere Situationen und Grenzfälle. Und das erfordert Zeit, die Daten zu sammeln und den Beweis zu erbringen, dass eine neue Technik sowohl genau als auch präzise funktionieren kann. Ich sage das lachend, aber manchmal kann es frustrierend sein, wenn man sich eine bestimmte Situation anschauen soll und dann denkt: „Natürlich kann ein Model das.“ Es kommt alles auf die Kommunikation an.
Wenn Sie in Ihren Modellierungstechniken immer fortgeschrittener werden, möchten Sie sicherstellen, dass Sie kommunizieren, was passiert. Und Sie müssen sich darüber im Klaren sein, dass es interessante Situationen gibt, die Ihnen von Fachexperten präsentiert werden, die schon sehr lange in diesem Kontext arbeiten. Möglicherweise gibt es etwas, an das Sie nicht gedacht haben. Diese Art von Arbeit stellt Sie auch wirklich auf die Probe. Letztendlich führt es aber auch zu viel aussagekräftigeren Analysen und Modellen, daher bin ich auch dankbar für die Prüfung.
Abschließend ist es hilfreich zu betonen, dass ein statistischer Ansatz oder einige der fortgeschritteneren Analysen Zeit sparen können, weil Menschen nie genug Zeit haben! Wir können Modelle erstellen und Werkzeuge bauen, die Zeit sparen … und sie sind oft robuster. Sie können Menschen auch dabei helfen, schneller die Informationen zu erhalten, die sie benötigen, um Entscheidungen zu treffen.
Meg: Hat das Management Sie unterstützt?
Levannien: Ja. Doch wie bei jedem Team, das ein neues Tool oder einen neuen Ansatz ausprobiert, möchte das Management zunächst sehen, was Sie tun können. Wir sind immer noch in der Phase, in der [die Führung bei Siemens Healthineers] uns die Freiheit gibt, zu sehen, was wir tun können. Und sie weisen uns vielleicht in die richtige Richtung, indem sie uns interessante Probleme zu lösen geben, die auch dem Unternehmen helfen.
Im Moment lernt jeder – egal in welcher Branche man tätig ist –, dass es überall so viele Daten gibt und dass man, wenn man sie richtig analysiert, viel bewirken kann: Geld sparen, vorhersehbarer werden, zuverlässiger werden…. Ich denke, da Unternehmen wachsen – und insbesondere im Gesundheitswesen aufgrund von COVID –, mussten wir unsere Produktion steigern und darüber nachdenken, wie wir effizienter arbeiten können. Auch in Bereichen wie der Lieferkette denken Teams darüber nach, wie Daten besser genutzt werden können.
Meg: Welche Rolle muss die Ausbildung bei der Weiterentwicklung des Fachgebiets spielen?
Levannien: Ich glaube nicht, dass man eine formelle Ausbildung braucht, um Datenwissenschaftler zu werden. Die Leute beschäftigten sich schon lange mit Datenwissenschaft, bevor es diesen trendigen Begriff gab – nur haben wir ihn jetzt mit einem Etikett versehen.
Allerdings besteht ein Teil meiner Rolle darin, Schulungen zu unterstützen JMP ist das Werkzeug, das wir verwenden. Überlegen Sie zu Beginn, was die Leute mit ihren Daten machen wollen: Sie wollen sie visualisieren, Ausreißer kennzeichnen, grafisch darstellen, tabellarisch aufbereiten. JMP erledigt das alles sehr schnell und einfach, und Sie benötigen dafür nicht viel Schulung!
Mit JMP haben Sie die Möglichkeit, schneller voranzukommen. Ehrlich gesagt ist es eines der besten Tools, die ich für die Datenverarbeitung und Datenvisualisierung gesehen habe. Sie müssen weder Python noch R herunterladen und Sie müssen nicht verstehen, wie man programmiert.
Meg: Sie haben den Begriff „Datenkompetenz“ erwähnt und ich frage mich: Was ist Ihre Vision für Siemens Healthineers in zwei bis fünf Jahren?
Levannien: Ich hoffe, dass ich diejenigen, mit denen ich zusammenarbeite, dazu inspirieren kann, mehr über ihre Daten und ihre Datenkompetenz nachzudenken – ich würde mir eine einheitlichere Sprache wünschen: Wir verwenden die gleichen Begriffe; wir gehen Probleme auf die gleiche Weise an; Wir verstehen, was wir beachten müssen.
Selbst mit etwas so Einfachem wie der Datenvisualisierung können wir den Unterschied zwischen einem Problem und reinem Rauschen manchmal viel leichter verstehen. Außerdem können wir diese Denkweise über die Daten in unsere Prozesse integrieren, sodass sie immer im Hintergrund vorhanden sind. Sie können Daten vom Anfang bis zum Ende eines Prozesses betrachten.
Wenn Sie beispielsweise herausfinden können, welche Schlüsselindikatoren zu Ausfällen führen, können Sie Trends erkennen, bevor es zu Ausfällen kommt, und proaktiv Anpassungen vornehmen. Ich würde mir wünschen, dass unsere Website – oder unsere gesamte Organisation – in Zukunft einfach mehr über ihre Daten nachdenkt. Denken Sie einfach darüber nach. Bleiben Sie vielleicht eine Weile damit, spielen Sie damit, erstellen Sie ein paar Diagramme und beginnen Sie dann, es zu verwenden, um ihnen bei der Beantwortung von Fragen zu helfen. Und wir kommen dorthin.
Meg: Nutzen Sie Automatisierungen, um Best Practices für den Umgang mit und die Betrachtung von Daten zu standardisieren?
Levannien: Sicherlich ja. An unserem Standort gibt es zwei oder drei Teams, die JMP intensiv nutzen. Wir haben geschaffen Skripte, die sich wiederholende Arbeiten für uns erledigen , und das ist sehr nützlich. In JMP können Sie ein Skript einfach speichern und von einem anderen Ort aus ausführen. Und Sie können es mit anderen teilen – was sicherlich zum Aufbau von Kapazitäten beiträgt, denn anstatt etwas von Grund auf neu zu machen, steht Ihnen ein automatisierter Prozess zur Verfügung. Das ist sehr nützlich.
Meg: Ich bin gespannt auf deine Erfahrungen damit JMP Early Adopter-Programm .
Levannien: Ich bin vor ein paar Jahren beigetreten und es gefällt mir, weil man die neuen Funktionen sehen kann, die sich in der Entwicklung befinden, und diese Funktionen kommentieren kann. Manchmal sehen Sie, dass Ihre Kommentare in neuen Versionen von JMP ins Spiel kommen. Und manchmal kommen die Dinge, die man sich wünscht, nicht heraus und man denkt sich: „Äh, ich bin ein bisschen enttäuscht“ – ha!
Ich denke, JMP leistet sehr gute Arbeit darin, das Gespräch am Laufen zu halten. Es gibt das [JMP-Systems-Engineering-Team], das immer für Sie da ist, und Sie können ihnen Daten senden. es gibt auch Seminare , und als wir einige Probleme mit JMP 16 hatten, wurde die Kundendienst es war sehr gut. Wir trafen uns und zeigten Daten, und Sie konnten interaktiv herausfinden, was vor sich ging, und Fehler melden. Mir gefällt, dass JMP das mit uns hin und her pflegt, weil man das Gefühl hat, dass sie tatsächlich an Ihren Problemen arbeiten.
Ich war auch überrascht, dass man sich so oft melden kann und dass das Feedback in vielen Fällen fast sofort erfolgt. Der [ JMP Online-Community ]-Foren waren eine große Hilfe für uns an dem Punkt, an dem wir anfingen, mehr Skripte zu erstellen. Tatsächlich sollte ich wahrscheinlich mehr zu diesen Foren beitragen, weil sie mir so sehr geholfen haben und es immer noch tun.
Meg: Zum Abschluss: Welchen Rat würden Sie jemandem geben, der gerade erst am Anfang steht – in Bezug auf seine Karriere, bei JMP, vielleicht sogar in Bezug auf seine Ausbildung?
Levannien: JMP leistet mit seinen Schulungsressourcen wirklich gute Arbeit. Es gibt einige sehr, sehr gute Videos und Schulungen online – [ Statistisches Denken zur industriellen Problemlösung (STIPS) ] ist wie ein komplettes System direkt für Sie da. Tatsächlich bitten wir unsere neuen Mitarbeiter, zunächst STIPS durchzugehen. Wenn Sie gerade erst mit JMP anfangen, ist das eine wirklich gute Basis.
Wenn Sie Datenwissenschaftler werden möchten, ist mein Rat, dass Sie keine formelle Ausbildung benötigen. Neugier auf Ihre Daten ist alles, was Sie brauchen. Tatsächlich führen viele Menschen Datenanalysen durch, ohne sich dessen bewusst zu sein. Jeder, dem datengesteuerte Entscheidungen am Herzen liegen, kann sich Datenwissenschaftler nennen. Alles, was Sie wirklich tun müssen, ist, mehr Zeit mit Ihren Daten zu verbringen. Und ja, Sie müssen auch die Tools und Techniken verstehen, und das beginnt wirklich bei Tools wie JMP, die die Datenwissenschaft vereinfacht haben. Vor allem, wenn Sie keine formelle Ausbildung haben.
Worauf es hinausläuft, ist: Scheuen Sie sich nicht davor, bei der Datenanalyse interessante oder mutige Dinge zu tun, weil Sie nicht wissen, welche Geschichten sie Ihnen erzählen können, wenn Sie nicht danach suchen.
Bauen Sie analytische Exzellenz in Ihrem Unternehmen auf. Finde heraus wie: jmp.com/advocate
