1. How to deliver a model within 2 weeks using machine learning cycle? 2. User story decomposition by CRISP-DM 3. Sprint review is a vital part to improve code readability and knowledge exchange among data scientists 4. Sprint is a time boundary for model development 5. Product backlog and sprints are the way to increase your value for other divisions

1. Scrum in Data Science
Рустем Галиуллин
Ак Барс Цифровые Технологии

3. Причины перехода на скрам
1. Неопределенные сроки для построения модели
2. Другие подразделения не придают ценности времени,
затраченному командой
3. Нечеткая постановка задач
4. Нечеткие критерии приемки
5. Низкая читабельность кода
6. Переиспользование кода не гарантировано

4. Sprint - 2 weeks
Трансформируем CRISP-DM в цикл
машинного обучения, предложенный
Andrew Ng
1. Выбираем наиболее важные
признаки
2. Подготовка данных и
генерация признаков
3. Строим модели на
подготовленных признаках
4. Оцениваем модели
5. Выделяем признаки
следующего порядка и
проходим все этапы заново

5. Направления работы:
- Корпоративный бизнес
- Розничный бизнес
- Чатбот
Эпики сопоставляются к моделям.
Например, отток юр.лиц, отток
физлиц, вклады и т.д.
Истории представляют собой
конкретный результат (модель на
определенном наборе данных,
оценка гипотезы, сбор данных)
Product backlog
1. Более четкая
формулировка задач от
заказчика и согласование
критериев приемки
2. Невмешательство в спринт
3. Уважение к бэклогу

6. User story
1. Формулировка пользовательской
истории:
a. Роль
b. Бизнес-цель
c. Ценность
2. Критерии приемки
3. Мозговой штурм на грумминге
4. Оценка с помощью poker planning
Примеры:
- Я как дата саентист хочу тетрадку
для еженедельного обновления
маппинга way4 id к crm id, чтобы
отправлять на коммуникацию только
самые свежие срм ид
- Я как ПО сайта хочу знать каким
посетителям главной страницы
сайта показывать баннер Эво для
наибольшей конверсии

7. Sprint review
1. Рефакторинг
2. Markdown тетрадки
3. Prod тетрадка
4. README
5. Композиция папки (Code, Raw
data, Intermediate data, Final
data)
6. Code review
- Уменьшается риск ошибок
- Переиспользование кода другими
членами команды
- Растет читабельность кода
- Другие члены команды Data
Science в курсе всех проектов

8. Результаты

9. Первоначальная оценка
- Снижение разброса по оценке историй
- Вырос % завершения историй
- Вырос уровень удовлетворенности работой команды
(субъективная оценка)
- Более открытое взаимодействие со стейкхолдерами и другими
подразделениями

10. График показывает, что в последние 2 спринта % завершения
историй возрос, тогда как в первые спринты происходило
переоценка своих ресурсов
Завершенные истории vs истории взятые в спринт

11. @rusteam11