Durch unmittelbare Erfahrung im Umgang mit Daten über verschiedene Organisationen, Tools und Industrien hinweg haben wir eine bessere Art entdeckt Analysen zu entwickeln und bereit zu stellen, die wir DataOps nennen.

DataOps-Prinzipien

Unsere höchste Priorität ist die Zufriedenheit der Kunden durch frühzeitige und fortlaufende Bereitstellung wertvoller analytischer Erkenntnisse, über den Zeitraum von wenigen Minuten bis hin zu Wochen.

Wir glauben, dass das wichtigste Maß für den Wert von Arbeit mit Daten der Anteil von aufschlussreichen Analysen ist, die korrekte Daten enthalten und auf robusten Frameworks und Systemen aufbauen.

Wir stellen uns sich ändernden Kundenbedürfnissen. Eigentlich begrüßen wir sie sogar, um uns Wettbewerbsvorteile zu erarbeiten. Wir glauben, dass die effizienteste, effektivste und agilste Methode der Kommunikation mit Kunden das persönliche Gespräch ist.

Analyseteams haben immer eine Vielzahl von Rollen, Fähigkeiten, bevorzugten Tools und Titeln. Eine Vielzahl von Hintergründen und Meinungen erhöht Innovation und Produktivität.

Kunden, Teams und Prozesse müssen über die Dauer eines Projekts täglich Hand in Hand arbeiten

Wir glauben, dass die besten analytischen Erkenntnisse, Algorithmen, Architekturen, Anforderungen und Designs aus selbstorganisierten Teams entstehen

Da das Tempo und die Breite des Bedarfs an analytischen Erkenntnissen immer weiter zunimmt, glauben wir, dass analytische Teams danach streben sollten, Heldentum zu reduzieren und stattdessen nachhaltige und skalierbare Teams und Prozesse zu schaffen.

Analytische Teams sollten ihre Leistung optimieren, indem sie in regelmäßigen Abständen Feedback von Kunden und sich selbst sowie Nutzungsstatistiken reflektieren.

Analytische Teams verwenden eine Vielzahl von Tools für den Zugriff auf sowie die Integration, Modellierung und Visualisierung von Daten. Grundsätzlich erzeugt jedes dieser Tools Code und Konfiguration, welche die Maßnahmen beschreiben, die durchgeführt werden, um Erkenntnisse zu gewinnen.

Die durchgängige Orchestrierung von Daten, Tools, Code und Teams ist ein wesentlicher Faktor für erfolgreiche Analysen.

Weil reproduzierbare Ergebnisse notwendig sind versionieren wir alles: Daten, Hard- und Softwarekonfigurationen sowie den Code und die Konfiguration für jedes Tool in der Wertschöpfungskette.

Wir glauben, dass es wichtig ist, den Aufwand zu experimentieren für Teammitglieder möglichst gering zu halten, indem wir ihnen einfach zu schaffende, isolierte und sichere Entwicklungsumgebungen bieten, welche die Produktionsumgebung widerspiegeln.

Wir glauben, dass stetiger Fokus auf technische Exzellenz und gutes Design die Agilität erhöht; genauso ist Einfachheit – die Kunst, unnötigen Arbeitsaufwand zu minimieren – unerlässlich.

Analytische Pipelines sind analog zu leanen Produktionsstraßen. Wir glauben, dass ein grundlegendes Konzept von DataOps ein Fokus auf Prozessdenken ist, welches darauf abzielt, die Gewinnung von analytischen Erkenntnissen kontinuierlich zu verbessern.

Analytische Pipelines sollten auf einem Fundament aufgebaut sein, das in der Lage ist, Anomalien (Jidoka) in Code, Konfiguration und Daten automatisch zu erkennen, und dem Team eine kontinuierliche Rückmeldung zur Fehlervermeidung (Poka Yoke) geben.

Unser Ziel ist es Leistungs- und Qualitätsindikatoren zu messen und kontinuierlich zu überwachen, um unerwartete Abweichungen zu erkennen und operative Statistiken zu erstellen.

Wir glauben, dass ein grundlegender Aspekt der Effizienz bei der Gewinnung von Erkenntnissen ist, frühere Arbeit durch den Einzelnen oder das Team nicht zu wiederholen.

Wir sollten uns bemühen, den Zeit- und Arbeitsaufwand zu minimieren, der notwendig ist um aus einer Kundenanforderung ein analytisches Konzept zu machen, es in der Entwicklungsphase umzusetzen, es als reproduzierbaren Prozess bereit zu stellen und schließlich das Endergebnis zu verbessern und wieder zu verwenden.

Schließen Sie sich den mehr als 7.000 Personen an, die das Manifest bereits unterzeichnet haben