Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Использование практик бизнес-анализа в проектах big data и data science

1.197 visualizaciones

Publicado el

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

Publicado en: Educación
  • Inicia sesión para ver los comentarios

Использование практик бизнес-анализа в проектах big data и data science

  1. 1. Использование практик бизнес-анализа в проектах big data и data science Сергей Кадомский Director of Research and Data Science Wargaming.net
  2. 2. 2 Давайте познакомимся
  3. 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. 4 История из жизни
  5. 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. 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. 7 Практика #1: глоссарий бизнес-определений  Первый этап, с которого необходимо начинать работу  Базис, без которого невозможна эффективная коммуникация
  8. 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. 9 Проблема: завышенные ожидания и scope creep
  10. 10. 10 Решение проблемы завышенных ожиданий  Фиксация vision&scope перед стартом проекта  Формализация бизнес-целей  Фиксация гипотез с вовлечением экспертов
  11. 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. 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. 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. 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. 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. 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. 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. 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. 19. Спасибо за внимание Ваши вопросы? Email: sergey@kadomsky.com Skype: sergey.kadomsky DataTalks: http://linkd.in/1EVdkLT

×