数据科学制胜之道：写给制药业高管的5条入门提示

这五个重要提示可能有助于制药高管打开数据科学之旅的大门。以此为指导，你会逐渐明白如何选择正确的分析项目，保证资金供应，建立前期团队，获取数据，选择有效的实施技术。

2011年，谷歌对深度学习技术的潜力普遍持怀疑态度。显然，时任谷歌大脑团队负责人的吴恩达必须克服巨大的挑战，说服所有人在这个新的人工智能方向上投入资源。

吴恩达决定从小处着手消除阻力。

他首先得到了语音识别团队的初步支持。该团队在谷歌的关注度远不及搜索或广告业务部门，但吴恩达至少以此为出发点，帮助第一个内部客户获得价值回报，让深度学习可以在早期应用于谷歌语音搜索。正是因为这成功的第一步，深度学习技术才有机会在负责提升数据质量的谷歌地图上一试身手。

每一个项目的成功，都在夯实人们的信心。最终飞轮效应全面启动，让深度学习成为谷歌内部不可阻挡的洪流。如今，深度学习已经为谷歌的大部分产品提供了强大的支持，包括搜索、相册、YouTube甚至地图等。

这个故事也可以为医药行业高管提供宝贵的经验，激励大家立足组织，一步步探索数据科学领域。

每个想要掌握高级分析能力的组织都必须经历五个关键步骤。虽然说起来很简单，但不同行业的高管往往没有对这些步骤给予应有的重视。

TPS Global临床和战略运营执行副总裁Syed Shah表示，“让我感到惊讶的是，制药领域一直有大量可用数据，但实际成功使用的数据量非常有限。”通过示例，我们将了解这五个步骤如何帮助您为制药行业建立可靠的数据科学实践。

1. 克制挑战“登月”的雄心，先从唾手可得的成果中做出选择

企业在选择数据科学之旅的创业项目时，往往会犯同样的错误。——倾向于选择那些紧急但缺乏战略影响力的项目，或者有趣但很少有实际回报的项目。

更糟糕的是，企业最终选择的项目往往过于复杂。请注意，最重要的是通过早期的小成功快速展示商业价值，而不是选择前景很好但充满不确定风险的“登月”类项目。

罗氏诊断公司商业智能和分析主管K.M.A. Omar表示，“在制药企业选择启动一个项目时，不一定要从营销、销售或财务的角度出发。研究等领域往往实施阻力较低，也能给患者带来可观的价值。此外，这些员工对生物统计学甚至数据的应用概念有很好的理解。事实上，他们经常热衷于组织在高级分析方法方面的尝试。"

2. 通过量化业务投资回报、而非给出模糊的预测结果，保障资金供给

根据Gartner的调查，数据分析项目的资金短缺已成为首席数据官(CDO)面临的最大障碍之一。赛义德沙阿指出，“为了获得资金，我们首先需要明确项目的最终收益。”

沙阿补充说，“然而，有许多项目缺乏明确的投资回报率或成本节约效果。对于这类项目，最重要的自然是总结出无形的效益，比如消除低质量产品带来的返工成本。”

例如，假设您已经建立了一个数据科学解决方案，可以自动计数细胞以加快药物发现。一般来说，这样的解决方案可以缩短研发周期或降低生物学家的工作强度。对此，最合理的方法自然是计算项目带来的潜在成本节约和投资回报。只要由此获得的近似估算值是投资回报的起点，你的项目就能在企业中得到必要的重视和预算支持。

3. 为你的早期数据科学团队配备技术通才，而非急于引入纯数据科学家

每个数据科学团队都需要五个专业角色。但在早期阶段，多面手往往比特定领域的专家更有价值。一般来说，通才属于公司现有员工，对医药领域和组织动态有很深的了解。

美国美国食品药品监督管理局的CDO拉姆C伊耶说，“许多新领导人低估了组织中已经存在的人才库。大多数健康相关组织都有一批掌握各种分析技术和工具的高级知识分子甚至医生。”

数据领导者必须充分发挥自己的人才发现能力，快速找到精通数字、好奇心强、愿意学习的员工。伊尔还补充说，这些人才将成为启动初期项目和建立长期数据科学部门的重要基础。

4. 从少量数据起步，不要坐等完美数据仓库的落实

没有相当规模、质量稳定、组织良好的数据，数据科学根本无法实现。但是在早期，大多数组织都负担不起如此奢侈的资源储备。那么，制药行业的高管们应该推迟他们的数据科学探索，直到他们准备好迎接一个强大的探索吗？

Omar认为，“我强烈建议大家不要等待，因为所谓完美的数据可用性永远不可能到来。”

他还补充称，这些早期项目可以帮助大家建立起可重用数据资产创建案例。你可以借此吸引到人们对于数据质量问题的关注。从起步阶段开始，大家就必须关注数据架构层面的差距，并将这部分问题充分体现在数据工程的待办清单当中。

例如，你可以使用临床试验数据表格发现关于患者行为、募集与留存的可行性洞见。你需要评估数据的可用性与质量，并在确定这些指标均高于可接受阈值后正式启动高级分析之旅。

5. 在运用AI力量之前，先从简单的数据分析方法入手

我们能不能在第一个数据科学项目中就充分运用人工智能的潜力？Shah认为，“千万别被那些流行语和趋势性表述所误导。请坚持您的直觉判断、不断探索真相、总结出自己的洞见并据此做出决定。在大多数情况下，初步探索并不需要特别复杂的技术或者统计数据。”

在Roche Diagnostics，“AI本身并不属于独立的议程，它只是我们用于实现战略目标的工具与部分功能。”根据该公司CIO Werner Boeing在《麻省理工学院斯隆管理评论》中发表的报告，正是这种将AI视为常规工具之一的举措，帮助Roche Diagnostics获得了结合实际需求使用AI功能的灵活性。

例如，计算机视觉可以检查视频源中是否存在药品生产或包装问题，借此提高药品制造质量。但作为更适合的起步项目，大家不妨先尝试通过简单的回归算法快速提高药物良品率。

数据科学之旅中的第一波冲刺

选择正确的数据科学项目、获取资金供给、组建团队、获取数据并产生可行洞见，这些都是相当艰难的挑战。而即使完成了这些目标，数据科学的探索之旅仍然没有彻底完成。

只有将解决方案应用于实际决策，数据科学才能真正为大家创造价值。要想冲过这道终点线，大家需要保证你的项目已经得到用户们的实际采用，包括与业务支持者们通力合作、为最终用户提供影响并不断获得一项项成果，借此在制药企业之内维持住良好的数据科学发展势头。

Shah总结道，“只有当领导者们能够看到自己的数据，体会到数据背后那一个个引人入胜、但以往根本没有被发现过的故事时，他们才算真正体会到数据科学的现实力量。”