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
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
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