数据科学制胜之道写给制药业高管的5条入门提示

　　这5条重要提示，也许能帮助各位制药业高管打开通往数据科学之旅的大门。以此为引导，你将逐步了解如何选择正确的分析项目、保障资金供给、建立早期团队、获取数据并选择有效 的 实现技术。
　　2011年，谷歌内部对于深度学习技术的潜力仍普遍持怀疑态度。很明显，时任Google Brain团队负责人的吴恩达要说服大家在这一全新人工智能（AI）方向上投入资源，必须克服艰巨的挑战。
　　吴恩达决定从小处入手消解阻力。
　　他最先在语音识别团队中获得了初步支持。该团队在谷歌中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起点帮助第一位内部客户获得了价值回报，让深度学习在谷歌语音搜索中得到早期应用。也正是凭借这成功的第一步，深度学习技术得到了在谷歌地图中一试身手的机会，负责提高数据质量。
　　每个项目的成功都在巩固人们的信心。最终，飞轮效应全面启动，令深度学习成为谷歌之内一股不可阻挡的洪流。如今，深度学习已经为谷歌的大多数产品提供着强大的支持，包括搜索、相册、YouTube乃至地图等等。
　　这个故事同样能够为制药行业的高管们提供宝贵经验，启发大家立足所在组织一步步探索数据科学领域。
　　每一家希望掌握高级分析之力的组织，都必须经历五大关键步骤。虽然说起来非常简单，但不同行业的高管人士往往未能对这些步骤给予应有的重视。
　　TPS Global临床与战略运营执行副总裁Syed Shah表示，＂令我感到惊讶的是，药学领域一直存在大量可用数据，但真正得到成功使用的数据量却非常有限。＂通过示例，我们将共同了解这五个步骤如何帮助您为制药行业建立起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
　　在选择数据科学之旅的启动项目方面，企业往往会犯下同一类错误——倾向于选择那些紧急但缺乏战略影响，或者说有趣但鲜有实际回报的项目。
　　更糟糕的是，企业最终选择的项目往往过于复杂。请注意，最重要的是应该通过早期的一个个小成功快速展示业务价值，而非一上来就选择那些前景无比宏伟、但却充满不确定性风险的＂登月＂级项目。
　　Roche Diagnostics公司商务智能兼分析主管K.M.A. Omar表示，＂在制药企业中选择启动项目时，并不一定非得从营销、销售或者财务等角度切入。研究等领域的实施阻力往往更低，而且同样能够为患者带来可观的价值。此外，这部分员工们对于生物统计学乃至数据的应用概念拥有良好的理解。实际上，他们往往对组织在高级分析方法方面的尝试充满热情。＂
　　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，数据分析项目中的资金短缺已经成为首席数据官（CDO）们面临的最大障碍之一。Syed Shah指出，＂为了获取资金，首先需要明确项目的最终收益。＂
　　Shah补充道，＂然而，确实有不少项目缺乏明确的投资回报（ROI）或者成本节约效用。对于这类项目，最重要的自然是归纳其带来的无形收益，例如消除由低质量产品带来的返工成本。＂
　　举例来说，假定你已经建立起一套数据科学解决方案，可以自动对细胞进行计数以加快药物发现速度。一般认为，这类解决方案能够缩短研发周期或者降低生物学家们的工作强度。对此，最合理的方法自然是计算项目带来的潜在成本节约与投资回报。只要以由此得出的近似估算值作为投资回报起点，你的项目就能在企业中获得必要的关注与预算支持。
　　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种专业角色。但在早期阶段，通才往往比特定领域的专家更具价值。一般来说，通才属于公司内的现有人员，而且对制药领域及组织动态都拥有深刻的理解。
　　美国食品药监局CDO Ram C Iyer表示，＂很多新任领导者都低估了组织内已经拥有的人才储备。大多数与健康相关的组织都拥有着掌握各类分析技术与工具知识的高级知识分子乃至博士群体。＂
　　数据领导者们必须发挥自己的人才发掘能力，快速找到那些精通数字、充满好奇心且乐于学习的员工。Iyer还补充道，这部分人才将成为启动初期项目、建立长期数据科学部门当中的重要基础。
　　4. 从少量数据起步，不要坐等完美数据仓库的落实
　　如果没有规模可观、质量稳定且经过良好组织化的数据作为依托，数据科学根本无法实现。但在早期阶段，大多数组织都拿不出如此奢侈的资源储备。那么，制药行业的高管们是不是该推迟自己的数据科学探索，直至准备好强大的数据工程层？
　　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。＂