Доклад Сергея Кадомского на конференции Analyst Days-4, 17-18 апреля 2015 г., Минск www.analystdays.com

1. Использование практик бизнес-анализа в
проектах big data и data science
Сергей Кадомский
Director of Research and Data Science
Wargaming.net

2. 2
Давайте познакомимся

3. 3
Немного о нашей команде Player Research and Data Science в WG
 Wargaming.net сейчас оперирует несколько free2Play игр: World of
Tanks, World of Warplanes, World of Tanks Blitz, на подходе ещё ряд
проектов
 Некоторые задачи, которые нами решаются либо не решались в
индустрии, либо информация об их решении отсутствует
 Наша команда представляет собой сервисное подразделение,
работающее с внутренними заказчиками, сейчас нас 12 человек
 Офисы WG расположены в 14 локациях по всему миру

4. 4
История из жизни

5. 5
О чем мой рассказ
 Big Data, Data Science, Machine Learning это новые области не
только для игровой индустрии, но и для большинства индустрий на
постсоветском пространстве
 Специалисты, решающие задачи data science – в подавляющем
большинстве приходят из технических специальностей, а не из
бизнеса, маркетинга или продуктового управления

6. 6
О чем мой рассказ
 Непонимание подходов Big Data и Data Science заказчиками
 Завышенные ожидания и естественный scope creep
 Непредсказуемость результатов моделирования
 Конфликт результатов с мнением экспертов

7. 7
Практика #1: глоссарий бизнес-определений
 Первый этап, с которого необходимо начинать работу
 Базис, без которого невозможна эффективная коммуникация

8. 8
Практика #2: словари данных
 Описание структур используемых БД
 Описание значений данных в используемых БД
 Описание Business Intelligence систем, с которыми нужно будет
интегрироваться
Решает проблему качества данных и упрощает поиск ошибок

9. 9
Проблема: завышенные ожидания и scope creep

10. 10
Решение проблемы завышенных ожиданий
 Фиксация vision&scope перед стартом проекта
 Формализация бизнес-целей
 Фиксация гипотез с вовлечением экспертов

11. 11
Решение проблемы завышенных ожиданий –
в работе с нефункциональными требованиями
 Скорость работы моделей
 Качество моделирования
 Reusability: это ad-hoc или будем внедрять?

12. 12
Проблема: непредсказуемость результатов
 Моделирование это приблизительное описание реального мира –
100% точных моделей не бывает, т.к. все данные собрать
невозможно
 Результата может не быть – вообще!
 Полученные результаты иногда сложно, а при выборе некоторых
методов невозможно объяснить

13. 13
Решение - непредсказуемость результатов
 Итеративное решение задачи возможно только тогда, когда
исполнителю понятны бизнес-цели (а не «посчитайте мне это») и
метрики успешности проекта
 Повышение точности достигается в результате оптимизации
моделей: через усложнение алгоритмов, поиск и добавление
новых данных – для выбора направления оптимизации нужно
понимать ожидания и бизнес-задачи

14. 14
Проблема: конфликт результатов с мнением экспертов
 Для моей команды успешный проект это не тот, который
подтвердил ожидания, а тот, который принёс новые и
неожиданные знания
 Зачастую такие результаты сильно отличаются от ожиданий
заказчиков и экспертов и вызывают недоверие

15. 15
Решение - конфликт результатов с мнением экспертов
 Выявление на старте проекта не только стейкхолдеров и SME, но
и неформальных лидеров мнений
 План коммуникаций должен вовлекать заказчиков и экспертов не
только на этапе постановки, но и при выполнении проекта – так
создаётся доверие к результатам

16. 16
Решение - конфликта результатов с мнением экспертов
 Сбор гипотез и информации по проблеме у SME
 Погружение в предметную область аналитика
 В идеальном мире – с физическим перемещением его в команду
SME
 Выявление того, как задача решается сейчас или решалась
ранее?

17. 17
Успешная аналитика
 Любые технические задачи можно решить
 Успех аналитического проекта лежит в плоскости коммуникаций
 Учите ваших data scientist’ов эффективной коммуникации и
оказывайте им достаточную аналитическую поддержку
 Управляйте ожиданиями и чётко определяйте бизнес-цели
проекта

18. 18
Рекомендуемая литература
How to Measure Anything:
Finding the Value of Intangibles in Business
by Douglas W. Hubbard
http://amzn.to/1DMTyxf
Secrets of Analytical Leaders:
Insights from Information Insiders
by Wayne Eckerson
http://amzn.to/1EcGR4L

19. Спасибо за
внимание
Ваши вопросы?
Email: sergey@kadomsky.com
Skype: sergey.kadomsky
DataTalks: http://linkd.in/1EVdkLT