agile data analytics
TRANSCRIPT
Key StoryData Analytics hat eigene
Herausforderungen gegenüber reiner Anwendungsentwicklung
-„so kann man Scrum anpassen, um es auch
hier zu nutzen“
2
3
Beispiel: KFZ-Preisbewertungauf einer Online-Automobilplattform
!"#?
Wie teuer soll ich mein Auto anbieten?
3mio frühere Verkäufejedoch ist kein Angebot gleich
"
"
"
"
"
"
"
"
"
"
"
"
"
"
"
"
Lernen aus
Herausforderungen durch viele Freiheitsgradeund hohen Explorationsbedarf
4
Charakteristika von Data AnalyticsQualitätskriterien oft nicht binär
#60%
9.000 11.000
95%
12.0008.000
Präzision versus ZuverlässigkeitKein natürliches richtig oder falsch
5
Charakteristika von Data AnalyticsUnterschiedliche Entwicklungsgeschwindigkeit
$Schnelle
Entwicklungszyklen durch Interaktivität
(z.B. Modell-Bildung)
%Langsame
Entwicklungszyklen durch große Datenmengen
(z.B. Vorverarbeitung)
Langsamer und schnellerals klassische Entwicklung
6
„Kein natürliches Richtig oder Falsch“
-„Wir können das nicht
entscheiden“
Perspektiven-Wechsel
„Was will unser Kunde?“-
„Können wir das?“
7**Eric Ries – The Lean Startup *Minimum Viable Product
Lean Startup Cycle**IDEA
BUILD
PRODUCT
MEASURE
DATA
LEARN
MVP*
LernenwasKundenwirklichbrauchenundDatenalsRohstoffgewinnen
8Quelle: http://www.heise.de/newsticker/meldung/Tesla-bringt-Autopilot-Funktion-per-Software-Update-2848008.html
Beispiel Tesla „Autopilot“ per Software-Update
&Online
Software-Update
'
LernendankfrühemReleaseAktiveFahrereingriffe=IndizfürOptimierungsbedarf
WannwirdAutopilotgenutzt:AutobahnoderWohngebiet?
9* Eric Ries – The Lean Startup
IDEA
BUILD
PRODUCT
MEASURE
DATA
LEARN
Was brauchen unsere Kunden wirklich?
Lean Startup Cycle*
** Desirée Sy: Adapting Usability Investigations for Agile User-centered Design
Dual Track Scrum**
%
%
Discovery
Delivery„Liefern“
„Lernen“
Was bieten wir unseren Kunden an?Können wir das?
10
Dual Track Scrum Sprints
%
%Discovery
DeliveryDeliverySprint
DeliverySprint
Discovery Sprint
Discovery Sprint
Anforderungen anderer Stakeholder
11
Dual Track Scrum Product Backlogs%
DISCOVERY DELIVERY
%DoR Delivery
PRODUCT
MEASURE
DATALEARN
1.2.3.
Opportunity Backlog
4.
1.2.3.
ProductBacklog
4. DoR Discovery
13
Rückblick Beispiel: KFZ-Preisbewertung
!"#? "
"
"
"
"
"
"
"
"
"
"
"
"
"
"
"
Lernen aus
DualTrackAnsatzDiscovery: MaschinellesLernenüberPreistreiberDelivery: MVPimA/BTestLeanStartupDataLoop: BenutzerfeedbackalsInputzurVerbesserung
14http://qz.com/571007/the-magic-that-makes-spotifys-discover-weekly-playlists-so-damn-good/
Ausblick: DatenprodukteDiscover Weekly
User Profil
Playlists passendePlaylists
neue Songs
1.2.3.4.5.
Vielen Dank
Dr. Benjamin KlattCollin Rogowski
inovex GmbHKupferhütte 4.1Schanzenstr. 6-20 D-51063 Köln
[email protected]@inovex.de